World Sleep Industry ENCYCLOPEDIA

鼾声分型算法

4.4.1

定义、任务与用途边界

鼾声分型算法对已经检出的鼾声片段赋予预先定义的类别或连续表型。标签可描述声学形态、强弱、规则性、吸气或呼气相位、个体来源、与睡眠阶段或呼吸事件的关系,也可尝试推断振动部位、上气道塌陷模式或疾病风险。每一种标签都代表不同任务,不能合并成一个含义模糊的“鼾声类型”。

分型与检测不同:检测回答某段声音是否为鼾声,分型则在合格事件中区分类别。若检测器漏掉低声鼾、连续鼾或特定人群的鼾声,后续分型的样本分布已被改变;若把咳嗽、说话或床伴鼾声送入分型器,再高的分类置信度也没有临床意义。因此必须报告检测和分型的串联性能。

声学类别不自动等同于病因、解剖结构或治疗选择。鼾声可由多个组织同时振动,同一人会随体位、睡眠阶段、鼻阻力和事件前后状态改变声音;完全塌陷还可能没有鼾声。算法输出应明确是描述、筛查还是临床辅助,不得仅凭单个鼾声标签诊断 OSA、定位手术靶点或推荐治疗。

记录链路与声学可比性

环境麦克风、颈部麦克风、接触式压电或加速度传感器、气管声和鼻压派生鼾振动记录的是不同物理量。空气声保留较宽频谱,却受距离和房间影响;接触传感器减少部分环境声,却受佩戴位置和组织传导影响。模型应声明支持的传感器、摆放、采样、编码和频率响应,不能无校准地跨通道迁移。

麦克风指向、增益、自动增益控制、降噪、压缩、手机保护壳、床边距离、被褥遮挡和房间混响都会改变幅度与频谱。响度或高频成分可能反映记录链路而非上气道。训练与验证需保存设备和房间元数据,并用跨设备、跨距离测试判断模型是否学习了鼾声表型,而不是厂商音频处理的指纹。

多床位、同床者、宠物、电视和邻室声音会引入来源问题。说话人识别、声源定位、近身传感器或与呼吸、体动同步可提供个体归属证据,但归属本身需要验证。无法分离时应输出来源不确定或多人混合,不能把房间中最响的鼾声默认归给受检者。

分段、特征与上下文

分型通常先对鼾声事件做起止分段和质量门控,再从波形包络、持续时间、频带能量、基频、谐波、谱峰、谱质心、倒谱、熵和时频图提取特征。传统分类器使用人工特征,深度模型可直接学习波形或声谱表示。无论路线如何,降噪和归一化都可能移除具有分类意义的幅度或谐波信息,必须与预期标签共同验证。

一个鼾声的标签常依赖完整呼吸周期及前后序列。气流和努力通道可以标定吸气、呼气、流量受限及呼吸事件,脑电可提供睡眠阶段,体位通道可说明姿势。只裁剪孤立的响亮片段会丢失相位和序列规律;上下文过长又可能让模型借用与标签相关但非鼾声本身的线索。应分别报告纯声学与多模态模型。

鼾声表型可能是连续且可多标签的:同一事件可同时具有某种声学形态、发生于吸气期并与多个振动部位相关。强迫互斥单标签会丢失真实复杂性。层级分类、多标签概率或连续嵌入更适合表达重叠表型,但仍须给出清晰定义、校准置信度及无法判定状态。

分类体系与参考标准

纯声学分类可以按规则性、音调、宽带或谐波结构、脉冲形态和强度分层,这类标签应由可复现的信号定义或经过训练的审听协议产生。主观的“粗”“尖”或“危险鼾声”若没有操作性标准,会造成标注漂移。强度等级还必须绑定校准位置和声压参照,消费设备的相对幅度不能直接解释为标准声级。

呼吸相位、睡眠阶段、体位和呼吸事件关联应以同步 PSG 或经验证通道作参考,而不是由声音模型自己的预测互相证明。若要区分单纯鼾声与 OSA 相关鼾声,标签应基于受试者级诊断和事件上下文,不能把 OSA 患者的每一次鼾声都标为“病理”,因为同一患者可产生多种鼾声。

解剖部位或塌陷模式通常需要内镜等独立观察,但药物诱导睡眠内镜与自然整夜睡眠并非完全等价,而且视野、镇静、体位及多水平塌陷会影响标签。振动发声部位也不一定等于造成呼吸事件的主要塌陷部位。数据应保留部位、方向、程度、多标签和观察条件,避免把单水平简化标签当成普遍真值。

数据、标注与隐私治理

资料集应同时保存原始连续记录、事件切片、检测决定、质量、传感器、距离、房间、睡眠阶段、体位和临床参考。训练、调参与测试必须按受试者、家庭和记录夜隔离;同一人的声学特征非常稳定,若其不同鼾声片段跨集合,会造成严重身份泄漏并夸大泛化性能。

类别不平衡在解剖分型中尤其常见,少见部位、多水平塌陷、女性、儿童或轻声鼾容易不足。过采样和音频增强可以帮助训练,但不能替代真实病例的独立测试。应报告每类受试者数而不只是片段数,并按年龄、性别、体型、严重程度、设备与环境给出分层性能和不确定性。

整夜音频可能包含谈话、姓名、闹钟和同室人员声音,属于高敏感资料;声纹还可能重新识别人。采集应实施知情告知、目的限制、访问控制、保留期限和删除机制,并考虑床伴。若任务只需特征或嵌入,端侧处理和最少保存可降低暴露,但仍应评估嵌入的身份泄漏和二次用途风险。

验证与结果解释

事件级验证应在受试者独立的整夜资料上报告每类灵敏度、阳性预测值、F1、混淆矩阵、宏平均指标和概率校准。总体准确率会被常见类别主导,按片段随机交叉验证则会受同一人的声纹泄漏。还应分别计算检测通过后的条件性能与从连续音频到最终类型的端到端性能。

解剖或疾病相关模型需要跨中心、跨设备及独立参考程序的外部验证,并评估多水平、无鼾声和不确定样本。患者级分类不能从大量片段投票后仍按片段数计算置信区间;统计单位应与预期用途一致。相关性或较高 AUC 不能证明模型可替代 PSG、内镜或临床评估。

压力测试应覆盖距离、混响、自动增益、编码、风扇、说话、咳嗽、被褥、低响度、连续鼾、床伴和新设备。模型还应在体位、睡眠阶段、治疗前后和整夜时间上检查同一人的类别稳定性。若类型随上下文合理变化,应呈现分布和转换,而不是把整夜压成一个过度确定的永久标签。

部署、报告与发展方向

临床或研究部署应显示原始声谱、事件质量、检测置信度、分类概率和支持证据,并允许人工改类、标记混合或拒绝。低质量、超出支持设备、多人声源和未知类别都应触发弃权或缩窄输出。上线后需监测类别分布、人工修改、设备变化和人群漂移,并保留模型与预处理版本。

报告至少应写明分类目标、标签定义、传感器与位置、受试者级划分、参考标准、检测前置、聚合方法和不可判定比例。面向患者的表述要区分声学表型、风险提示和确诊,避免将“某类鼾声”描述成固定病因。若输出影响诊断或治疗选择,其验证、风险管理和监管声明必须覆盖该用途。

未来方向包括多模态自然睡眠标签、开放集识别、分层多标签模型、跨设备校准和个体内纵向建模。比追求单一数据集准确率更重要的是量化振动部位与塌陷部位之间的不确定性,并验证类别是否真正改善决策。自适应更新仍需限定修改范围、预定验证和回退方案,使长期结果可比较、可审计。