定義、輸出與用途邊界
週期性腿動識別算法先從左右脛骨前肌肌電中定位符合規則的候選腿動,再依據相鄰動作的起點間隔、序列長度、睡眠—清醒狀態及排除條件組成週期性腿動序列。輸出可包括每次動作的起止、側別、幅度、所屬序列、相關覺醒或呼吸事件,以及按睡眠時間正規化的 PLMS 指數。
單次腿動不會自動成為週期序列的一部分,重複動作亦不一定是病理性 PLMS。翻身、伸展、入睡抽動、交替性腿肌激活、足部震顫、碎片性肌陣攣、REM 睡眠行為與電極偽跡都可能形成相似波形。算法必須聲明採用的計分手冊版本、候選動作定義、序列規則及排除範圍,不能只用「規律」或固定頻率概括。
PLMS 是 PSG 觀察結果,不等同於不寧腿綜合徵或週期性肢體動作障礙的診斷。前者可見於其他睡眠和神經疾病、藥物使用者與無症狀人群,後兩者還需要症狀、病史、功能影響及鑑別診斷。自動 PLMS 指數不能單獨解釋腿部不適、日間嗜睡或決定治療。
傳感器配置與信號品質
標準記錄通常在左右脛骨前肌分別放置表面肌電電極,以保留側別、雙側同步及相鄰動作間隔資訊。把兩腿合併成單一通道雖方便顯示,卻會遮蔽兩側獨立活動並影響合併規則。系統應記錄電極位置、參考方式、增益、採樣、濾波、單位和校準過程,跨設備使用前須驗證幅度可比性。
可穿戴加速度計、床墊傳感器或影片可觀察肢體移動,但測量的是位移、壓力或影像,不等同於脛骨前肌電激活。被褥遮擋、身體整體移動及床伴動作會影響非接觸信號;貼附位置、方向與鬆緊則影響可穿戴信號。替代傳感器必須針對預期用途獨立驗證,不能直接套用肌電閾值和臨床指數名稱。
電極鬆脫、阻抗變化、工頻、心電串擾、導線牽拉、飽和與基線漂移,可製造虛假爆發或遮蔽真實動作。品質門控須分別標示兩側通道的平坦、持續噪聲、突跳及幅度異常,並允許單側降級或不可判定。簡單刪除所有高幅活動會漏掉強腿動,完全依賴固定幅度則會在高噪聲記錄產生大量誤報。
候選腿動與事件邊界
候選腿動通常依據肌電相對靜息基線的上升、持續和回落確定,而不是使用忽略背景的絕對峰值。基線應在局部穩定片段估計,並避開前一動作的恢復、持續緊張與偽跡。肌肉量、皮下組織、電極接觸和放大器均會改變幅度,因此算法應保存基線、閾值來源與品質置信度。
事件開始、結束及持續時間會影響它能否進入週期序列。短暫跌破閾值可能只是同一次收縮中的間隙,雙峰或雙側活動則可能按同步關係合併為一次動作。去抖、最短間隔、左右腿合併、截斷事件及跨無效區段的處理都要明確版本化,避免逐樣本閾值造成碎片化。
高幅體動或翻身可能同時污染腿肌電、腦電和呼吸通道;心電串擾則可能形成穩定但過快的偽週期。形態、雙側關係、影片、體動、心電時序與多通道一致性可協助排除混淆。證據不足時應標示未定型動作或偽跡候選,而不是強制納入腿動計數。
週期序列、排除與關聯
形成 PLMS 序列需要連續若干合格候選,且相鄰起點間隔落在適用規則規定的範圍內。算法應使用起點間隔而非事件間空白,並明確序列被不合格動作、清醒片段或信號缺失打斷時的處理。孤立動作可保留在腿動清單,但不能計入 PLMS 分子。
呼吸事件附近的腿動可能是呼吸恢復反應,適用規則通常要求在指定時間關係內排除或另行分類。算法須同時讀取暫停、低通氣、RERA 或其他睡眠呼吸事件邊界,並解決呼吸與腿動偵測互相依賴及版本不一致。密集呼吸事件中無法可靠歸屬的動作應顯示衝突,不能靜默計入或刪除。
腿動與腦電覺醒的關聯是另一項時間配對工作。PLMS 指數、伴覺醒 PLMS 指數及覺醒指數的分子不同,不能互換;同一覺醒還可能同時接近呼吸事件和腿動。系統應保存事件間的方向、時間差與多重關聯,讓報告者依適用規則決定歸因,而非只輸出無法追溯的彙總數。
標籤體系與資料治理
參考標籤應綁定計分手冊版本、年齡規則、兩側通道配置、顯示濾波、睡眠階段、呼吸事件及覺醒標籤。每個候選須保存起止、側別、基線、峰值、合併狀態、排除原因與序列成員關係。若只保留最終 PLMS 指數,就無法定位誤差來自候選漏檢、左右合併、序列建立或呼吸排除。
人工計分亦會在弱動作、事件邊界、雙側合併和呼吸關聯上產生分歧。訓練資料宜由合格計分者獨立標註、盲法複核並預設仲裁,同時保存原始選擇與不確定區段。以多專家共識作主要參考,並分別報告對單名計分者的表現,可避免把人工差異全數歸為模型錯誤。
訓練、調參與測試必須按受試者和記錄夜隔離,並涵蓋年齡、性別、體型、睡眠階段、PLMS 密度、睡眠呼吸障礙、RLS、神經疾病、藥物及不同設備。須保留低品質和沒有 PLMS 的真實記錄,並報告排除比例。只用高指數富集或裁剪後的動作片段訓練,會高估整夜部署能力並造成疾病譜偏移。
驗證、指標與臨床解讀
事件級驗證應預先規定起點或重疊配對,報告候選腿動和最終 PLMS 的靈敏度、陽性預測值、F1、每小時誤報及邊界誤差。序列級還要評價成員歸屬、序列起止與錯誤拆併。由於無動作時間佔多數,逐樣本整體準確率意義有限;只比較 PLMS 指數相關性會掩蓋不同事件彼此抵消。
記錄級評價應比較 PLMS 指數、伴覺醒指數、孤立腿動數及有效睡眠時間的偏差與一致性,並說明分母來自人工或自動分期。相關性不能證明方法可互換,平均偏差亦可能隱藏在閾值附近改變分類的誤差。應按指數範圍、睡眠階段、呼吸事件負荷、單側品質與關鍵人群分層。
外部驗證須跨中心、放大器、電極材料、採樣鏈路與真實患者群,並報告整夜可分析率、人工修改量及複核時間。若輸出用於 PLMD、RLS 支援或治療隨訪,還須另行驗證患者級結論,不能由事件偵測成績直接推導診斷價值。報告應明確指出 PLMS 只是證據之一,並提示症狀和排除其他原因的重要性。
部署、選型與發展方向
臨床部署宜將自動結果作為預標註,介面同步顯示左右腿肌電、睡眠階段、覺醒、呼吸、心電和品質標記,使計分者可調整邊界、合併雙側事件、修改序列或恢復被排除的動作。系統必須容許信號不足與歸屬衝突,記錄人工修改原因,讓最終指數能回溯到每個候選。
選型先明確用途:PSG 預計分、可穿戴趨勢、藥物或治療隨訪,或研究表型。然後核對傳感器、左右腿分辨、計分規則、呼吸排除、覺醒關聯、年齡範圍、外部驗證及人工複核。廠商只提供 PLMS 指數相關性或受控片段準確率,不能取代事件級、整夜、跨設備與失敗率證據。
未來方向包括規則約束的時序模型、肌電與影片或加速度融合、基線不確定性估計及主動複核。模型可進一步描述間隔分布、雙側模式和與睡眠結構的關係,但研究性表型應與標準 PLMS 指標並列報告。自適應更新仍須限定變更範圍、回歸驗證、版本監測與回退能力,防止閾值漂移改變長期可比性。