定義、任務與用途邊界
鼾聲分型算法對已經檢出的鼾聲片段賦予預先定義的類別或連續表型。標籤可描述聲學形態、強弱、規律性、吸氣或呼氣相位、個體來源、與睡眠階段或呼吸事件的關係,也可嘗試推斷振動部位、上氣道塌陷模式或疾病風險。每種標籤代表不同任務,不能合併成含義模糊的「鼾聲類型」。
分型與偵測不同:偵測回答某段聲音是否為鼾聲,分型則在合格事件中區分類別。若偵測器漏掉低聲鼾、連續鼾或特定人群的鼾聲,後續分型的樣本分布已被改變;若把咳嗽、說話或床伴鼾聲送入分型器,再高的分類置信度也沒有臨床意義。因此必須報告偵測與分型的串聯性能。
聲學類別不會自動等同於病因、解剖結構或治療選擇。鼾聲可由多個組織同時振動,同一人會隨體位、睡眠階段、鼻阻力及事件前後狀態改變聲音;完全塌陷還可能沒有鼾聲。算法輸出應明確是描述、篩查或臨床輔助,不可只憑單一鼾聲標籤診斷 OSA、定位手術靶點或推薦治療。
記錄鏈路與聲學可比性
環境麥克風、頸部麥克風、接觸式壓電或加速度傳感器、氣管聲與鼻壓派生鼾振動,記錄的是不同物理量。空氣聲保留較寬頻譜,卻受距離和房間影響;接觸傳感器減少部分環境聲,卻受佩戴位置及組織傳導影響。模型應聲明支援的傳感器、擺放、採樣、編碼及頻率響應,不能未經校準便跨通道遷移。
麥克風指向、增益、自動增益控制、降噪、壓縮、手機保護殼、床邊距離、被褥遮擋和房間混響,都會改變幅度與頻譜。響度或高頻成分可能反映記錄鏈路而非上氣道。訓練與驗證須保存設備和房間元資料,並以跨設備、跨距離測試判斷模型學到的是鼾聲表型,而非廠商音訊處理指紋。
多床位、同床者、寵物、電視與鄰室聲音會引入來源問題。說話人識別、聲源定位、近身傳感器或與呼吸、體動同步可提供個體歸屬證據,但歸屬本身亦須驗證。無法分離時應輸出來源不確定或多人混合,不能把房間中最響的鼾聲預設歸給受檢者。
分段、特徵與上下文
分型通常先對鼾聲事件進行起止分段與品質門控,再從波形包絡、持續時間、頻帶能量、基頻、諧波、頻譜峰、頻譜質心、倒頻譜、熵和時頻圖提取特徵。傳統分類器使用人工特徵,深度模型可直接學習波形或聲譜表示。無論採用何種路線,降噪及正規化都可能移除有分類意義的幅度或諧波資訊,必須與預期標籤共同驗證。
一個鼾聲的標籤常依賴完整呼吸週期與前後序列。氣流和努力通道可標定吸氣、呼氣、流量受限及呼吸事件,腦電提供睡眠階段,體位通道說明姿勢。只裁切孤立的響亮片段會遺失相位與序列規律;上下文過長又可能讓模型借用與標籤相關但並非鼾聲本身的線索。應分別報告純聲學與多模態模型。
鼾聲表型可能是連續且多標籤的:同一事件可同時具有某種聲學形態、發生於吸氣期並與多個振動部位相關。強迫互斥單標籤會丟失真實複雜性。階層分類、多標籤機率或連續嵌入更適合表達重疊表型,但仍須提供清楚定義、校準置信度及無法判定狀態。
分類體系與參考標準
純聲學分類可按規律性、音調、寬頻或諧波結構、脈衝形態及強度分層,這類標籤應由可重現的信號定義或受訓審聽協議產生。主觀的「粗」「尖」或「危險鼾聲」若沒有操作標準,會造成標註漂移。強度等級還須綁定校準位置和聲壓參照,消費設備的相對幅度不能直接解釋為標準聲級。
呼吸相位、睡眠階段、體位與呼吸事件關聯,應以同步 PSG 或經驗證通道作參考,而非由聲音模型自身的預測互相證明。若要區分單純鼾聲和 OSA 相關鼾聲,標籤應基於受試者級診斷及事件上下文,不能把 OSA 患者的每一次鼾聲都標成「病理」,因同一患者可產生多種鼾聲。
解剖部位或塌陷模式通常需要內鏡等獨立觀察,但藥物誘導睡眠內鏡與自然整夜睡眠並非完全等價,而且視野、鎮靜、體位及多水平塌陷均會影響標籤。振動發聲部位也不一定等於造成呼吸事件的主要塌陷部位。資料應保留部位、方向、程度、多標籤和觀察條件,避免把單水平簡化標籤當成普遍真值。
資料、標註與私隱治理
資料集應同時保存原始連續記錄、事件切片、偵測決定、品質、傳感器、距離、房間、睡眠階段、體位和臨床參考。訓練、調參與測試必須按受試者、家庭及記錄夜隔離;同一人的聲學特徵十分穩定,若其不同鼾聲片段跨集合,會造成嚴重身分洩漏並誇大泛化性能。
類別不平衡在解剖分型尤其常見,少見部位、多水平塌陷、女性、兒童或低聲鼾容易不足。過採樣與音訊增強有助訓練,但不能取代真實病例的獨立測試。應報告每類受試者數而非只有片段數,並按年齡、性別、體型、嚴重程度、設備與環境呈現分層性能及不確定性。
整夜音訊可能包含談話、姓名、鬧鐘和同室人員聲音,屬於高敏感資料;聲紋也可能重新識別個人。採集應實施知情告知、目的限制、存取控制、保留期限與刪除機制,並考慮床伴。若任務只需特徵或嵌入,端側處理及最少保存可降低暴露,但仍須評估嵌入的身分洩漏及二次用途風險。
驗證與結果解讀
事件級驗證應在受試者獨立的整夜資料報告每類靈敏度、陽性預測值、F1、混淆矩陣、宏平均指標及機率校準。總體準確率會被常見類別主導,按片段隨機交叉驗證則受同一人的聲紋洩漏。還應分別計算偵測通過後的條件性能,以及從連續音訊到最終類型的端到端性能。
解剖或疾病相關模型需要跨中心、跨設備及獨立參考程序的外部驗證,並評價多水平、無鼾聲與不確定樣本。患者級分類在大量片段投票後,不能仍以片段數計算置信區間;統計單位應與預期用途一致。相關性或較高 AUC 不能證明模型可取代 PSG、內鏡或臨床評估。
壓力測試應涵蓋距離、混響、自動增益、編碼、風扇、說話、咳嗽、被褥、低響度、連續鼾、床伴與新設備。模型還應在體位、睡眠階段、治療前後及整夜時間上檢查同一人的類別穩定性。若類型隨上下文合理改變,應呈現分布和轉換,而不是把整夜壓成一個過度確定的永久標籤。
部署、報告與發展方向
臨床或研究部署應顯示原始聲譜、事件品質、偵測置信度、分類機率及支援證據,並允許人工改類、標示混合或拒絕。低品質、超出支援設備、多人聲源及未知類別都應觸發棄權或縮窄輸出。上線後須監測類別分布、人工修改、設備變化與人群漂移,並保存模型及前處理版本。
報告至少應寫明分類目標、標籤定義、傳感器與位置、受試者級劃分、參考標準、偵測前置、聚合方法及不可判定比例。面向患者的表述要區分聲學表型、風險提示和確診,避免將「某類鼾聲」描述成固定病因。若輸出影響診斷或治療選擇,其驗證、風險管理及監管聲明必須覆蓋該用途。
未來方向包括多模態自然睡眠標籤、開放集識別、階層多標籤模型、跨設備校準與個體內縱向建模。比追求單一資料集準確率更重要的是量化振動部位與塌陷部位之間的不確定性,並驗證類別是否真正改善決策。自適應更新仍須限定修改範圍、預定驗證和回退方案,使長期結果可比較、可稽核。