Метод и система удаленного респираторного мониторинга для диагностики эпизодов центрального апноэ сна тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Живолупова Юлия Александровна

• Живолупова Юлия Александровна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Живолупова Юлия Александровна

ВВЕДЕНИЕ

1 АНАЛИЗ ПРОБЛЕМ РАЗРАБОТКИ СИСТЕМ УДАЛЕННОГО МОНИТОРИНГА ДЛЯ ДИАГНОСТИКИ ЦАС

1.1 Актуальность проблемы удаленного мониторинга и выявления эпизодов ЦАС

1.2 Проблемы выявления ЦАС на основе данных кардиореспираторного мониторинга

1.3 Проблемы косвенной оценки состояния пациента и выявления эпизодов ЦАС

1.4 Проблемы обработки и анализа комплекса респираторных сигналов для выявления эпизодов ЦАС

1.5. Постановка цели и задач исследования

2 РАЗРАБОТКА СИСТЕМЫ И МЕТОДА УДАЛЕННОГО МОНИТОРИНГА ДЫХАТЕЛЬНОЙ АКТИВНОСТИ ДЛЯ ВЫЯВЛЕНИЯ ЭПИЗОДОВ ЦАС

2.1. Разработка модели взаимодействия структур организма при развитии ЦАС

2.2 Формирование пространства диагностически значимых показателей мониторинга и их обоснование

2.3. Разработка метода удаленного мониторинга и выявления эпизодов ЦАС

2.4. Разработка структуры системы удаленного мониторинга дыхательной активности

2.5 Выводы по главе

3 МЕТОДЫ ОБРАБОТКИ И АНАЛИЗА КОМПЛЕКСА БИОМЕДИЦИНСКИХ СИГНАЛОВ ДЛЯ ВЫЯВЛЕНИЯ ЭПИЗОДОВ ЦАС

3.1 Определение нарушений дыхания по комплексу БМС. Общие принципы

3.2 Разработка алгоритма анализа реопневмографического сигнала

3.2.1 Предварительная обработка сигнала. Определение зашумленных участков

3.2.2 Определение возможных нарушений дыхания на сигнале РПГ

3.3 Определение возможных нарушений дыхания на сигнале СПГ

3.4 Разработка алгоритма анализа уровня сатурации крови кислородом

3.5 Алгоритм формирования итоговой разметки дыхания по результатам анализа комплекса респираторных сигналов

3.6 Выводы по главе

4 ЭКСПЕРИМЕНТАЛЬНАЯ АПРОБАЦИЯ АЛГОРИТМОВ ОПРЕДЕЛЕНИЯ НАРУШЕНИЙ ДЫХАНИЯ ВО СНЕ ПО РЕСПИРАТОРНЫМ СИГНАЛАМ

4.2 Организация и хранение экспериментальных данных

4.4 Оценка эффективности алгоритмов определения нарушений дыхания и зашумленных фрагментов сигнала

4.4.1 Экспериментальная апробация алгоритмов автоматического анализа сигнала РШ

4.4.2 Экспериментальная апробация алгоритмов автоматического анализа сигнала СШ

4.4.3 Результаты экспериментальной апробации алгоритма определения эпизодов нарушений дыхания на основе событий, определенных в респираторных каналах

4.5 Оценка эффективности разработанных методов и алгоритмов анализа комплекса респираторных сигналов, перспективы их использования в системах кардиореспираторного мониторинга

4.6 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Приложение А - Оценка спектра по БПФ для разных участков сигнала реопневмограммы

Приложение Б - Вид программы визуализатора разметок в режиме сравнения. Выбор файла и разметки к нему

Приложение В - Вид программы визуализатора разметок в режиме сравнения. Красным показаны пересекающиеся события (истинно положительные)

Приложение Г- Сравнение результатов автоматического детектора зашумленных участков РПГ для автоматической (Test) и ручной разметки (Ref)

Введение диссертации (часть автореферата) на тему «Метод и система удаленного респираторного мониторинга для диагностики эпизодов центрального апноэ сна»

ВВЕДЕНИЕ

Диагностика нарушений дыхания во сне с использованием систем кардиореспираторного мониторинга широко распространена в клинической практике. Высокое число эпизодов центрального апноэ сна (ЦАС) у пациентов с сердечно-сосудистыми заболеваниями (в особенности, с сердечной недостаточностью (СН)) коррелирует с более тяжелым протеканием заболевания, чем у пациентов, у которых преобладает обструктивное апноэ (ОАС) или нарушения дыхания отсутствуют. Своевременная диагностика ЦАС позволяет уточнить клиническую картину заболевания, а корректно подобранное последующее лечение - снизить риски развития осложнений основного заболевания.

«Золотым стандартом» диагностики нарушений сна является полисомнография - дорогостоящее обследование, проводимое в специализированной лаборатории, назначаемое для выявления нарушений дыхания в редких случаях. В связи с этим, актуальной является проблема разработки систем и методов, позволяющих осуществлять диагностику нарушений дыхания во сне за пределами лечебно-профилактических учреждений (ЛПУ), в течение длительного периода времени. Проведение удаленного респираторного мониторинга (УРМ) целесообразно осуществлять совместно с кардиологическим, что позволяет упростить процедуру обследования пациентов с СН.

Современные системы удаленного кардиореспираторного мониторинга ориентированы на длительную регистрацию комплекса биомедицинских сигналов (от одних суток до нескольких недель и месяцев). Записи такой длительности крайне затруднительно просмотреть и расшифровать вручную. В связи с этим существует потребность в разработке эффективных методов автоматического анализа длительных респираторных сигналов, регистрируемых в процессе удаленного мониторинга. Возросшая роль автоматических методов также обуславливает повышение требований к разрабатываемым алгоритмам анализа -необходимо обеспечить высокие показатели диагностической точности,

корректную работу на зашумленных участках (робастность), а также предсказуемое поведение (интерпретируемость).

Помимо прочего, увеличение объемов данных, накапливаемых на серверах ЛПУ, приводит к необходимости внедрения оптимизационных мер для снижения объемов передаваемых и хранимых данных без потери диагностически значимой информации.

Цель исследования: повышение эффективности систем удаленного мониторинга дыхательной активности за счет автоматической диагностики эпизодов центрального апноэ сна.

Объектом исследования является система удаленного мониторинга дыхательной активности.

Предметом исследования являются компоненты информационного, методического и программно-алгоритмического обеспечения системы удаленного мониторинга дыхательной активности

Поставленная цель достигается решением следующих задач:

1. Анализ существующих систем и методов УРМ, анализ их недостатков и направлений развития;

2. Разработка модели взаимодействия структур организма при развитии ЦАС в целях определения комплекса биомедицинских сигналов и признаков, значимых для диагностики ЦАС;

3. Разработка метода и структуры системы удаленного мониторинга дыхания для выявления эпизодов центрального апноэ сна;

4. Разработка методов и алгоритмов обработки и анализа респираторных сигналов в системах УРМ для выявления эпизодов нарушений дыхания;

5. Разработка компонентов экспериментального образца системы УРМ;

6. Экспериментальная апробация методов и алгоритмов определения эпизодов нарушений дыхания во сне.

Научную новизну результатов исследования составляют:

1. Комплекс показателей для удаленного мониторинга состояния пациента, позволяющий осуществлять диагностику эпизодов ЦАС и оценивать дыхательную активность во время сна на предмет наличия патологий.

2. Метод удаленного мониторинга дыхательной активности, основанный на регистрации комплекса биомедицинских сигналов и оценке диагностически значимых показателей состояния пациента.

3. Алгоритм определения зашумленных участков сигнала реопневмограммы, позволяющий исключать из анализа фрагменты, где полезный сигнал искажен.

4. Алгоритмы анализа комплекса респираторных сигналов: реопневмограммы, спирограммы и SPO2, использующие модель паттерна дыхания на основе опорных точек огибающей, а также логические правила сведения результатов анализа

Теоретическая значимость результатов работы заключается в развитии методов и алгоритмов автоматического анализа респираторных сигналов, полученных в ходе длительного удаленного мониторинга.

Практическая значимость результатов работы заключается в разработке компонентов алгоритмического и программного обеспечения системы УРМ. Разработанные алгоритмы анализа респираторных сигналов, а также подходы к организации экспериментальной базы данных, внедрены и используются в практике научных исследований НАО «ИНКАРТ».

Методы исследования

В работе использованы методы системного анализа, методы математической статистики, методы обработки и анализа цифровых сигналов, методы обнаружения опорных точек на сигналах дыхания, методы объектно-ориентированного программирования.

Научные положения, выносимые на защиту

Для повышения эффективности систем удаленного мониторинга дыхательной активности за счет автоматической диагностики эпизодов ЦАС необходимо использовать:

- комплекс показателей, значимых для диагностики ЦАС, сформированных на основе анализа особенностей взаимодействия структур организма при развитии ЦАС;

- метод удаленного мониторинга диагностически значимых (ДЗ) показателей ЦАС, реализующий алгоритм выявления эпизодов ЦАС на основе анализа сигналов РПГ, СПГ и SPO2 и включающий оценку признаков, значимых для диагностики ЦАС: снижение амплитуды дыхания ниже 10% от базового уровня (по каналу СПГ (рекомендовано) или РПГ (альтернативный)); отсутствие дыхательных движений в течение всего эпизода (по каналу РПГ); длительность события - не менее 10 сек. (по каналу СПГ (рекомендовано) или РПГ (альтернативный).

- алгоритм отбраковки зашумленных участков РПГ, основанный на оценке нормированных частотных, временных и амплитудных характеристик РПГ сигнала и детектированных дыхательных пиков в скользящем 30-секундном окне по отношению к предшествующему 3-хминутному участку и использующий для определения принадлежности 30-секундного участка РПГ к классу "шум"/"не шум" предварительно обученную модель логистической регрессии.

- модель дыхательного паттерна на основе опорных точек - экстремумов огибающей, описывающую эпизоды ЦАС. Огибающая сигнала определяется по размаху амплитуды пиков дыхания с последующей коррекцией одиночных выбросов. Базовый уровень дыхания рассчитывается как среднее значение амплитуд трех предшествующих максимумов дыхательный веретен, если они отстоят не далее, чем на 2 минуты; в противном случае базовый уровень равен амплитуде предшествующего максимума огибающей.

- интерпретируемые логические правила сведения комплекса признаков нарушений дыхания, полученных в результате анализа сигналов СПГ, РПГ и SPO2, описывающих событие нарушения дыхания и позволяющих определить его тип.

Апробация результатов работы

Достоверность и обоснованность работы обеспечивалась комплексом теоретических и расчётно-аналитических исследований с использованием разработанного экспериментального образца системы. Основные положения и результаты исследований докладывались и обсуждались на конференциях: 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) 25-26 апреля 2019 г., Екатеринбург; XXXII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов БИОМЕДСИСТЕМЫ - 2019, 4-6 декабря 2019 г., Рязань

Внедрение результатов работы. Теоретические и практические результаты работы внедрены и используются в научно-исследовательской деятельности НАО «ИНКАРТ». Результаты работы используются в учебном процессе при реализации дисциплины «Методы компьютерной обработки и анализа медико-биологических данных» по направлению «Биотехнические системы и технологии», а также использовались в практике научных исследований, проводимых на кафедре Биотехнических систем СПбГЭТУ «ЛЭТИ», в рамках выполнения научно-исследовательских работ и Гранта РФФИ №16-07-00599 «Модели, методы и система интеллектуального телемедицинского мониторинга состояния здоровья человека и прогнозирования обострения заболеваний».

Публикации. По теме диссертации опубликовано 9 научных работ. Из них: 3 статьи - в рецензируемых научных журналах, определенных ВАК Минобрнауки РФ; 2 работы - в изданиях базы Scopus, 2 работы - в материалах российских научно-технических конференций. Получены 2 свидетельства о регистрации программ для ЭВМ.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка сокращений и обозначений, списка литературы (82 наименования). Работа изложена на 147 страницах машинописного текста, содержит 55 рисунков, 14 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы цель и задачи научного исследования; изложены новые научные результаты, значимость работы для теории и практики, положения, выносимые на защиту; приведено краткое содержание глав диссертации.

В первой главе представлен обзор разработок систем удаленного мониторинга для диагностики нарушений дыхания во сне, выявлены их достоинства и недостатки. Проанализированы основные проблемы диагностики ЦАС с использованием кардиореспираторных мониторов и полисомнографов. Определена потребность в создании скрининговых методов диагностики респираторных нарушений, в частности - ЦАС, которые востребованы для исследования дыхательной активности пациентов с сердечной недостаточностью (СН). Дыхательный мониторинг позволяет оценить динамику восстановления пациента и при необходимости скорректировать лечение.

В результате сделано заключение, что существующие алгоритмы автоматического определения эпизодов нарушений дыхания по респираторным сигналам, зарегистрированным в условиях лечебного учреждения (в частности, в ходе полисомнографического исследования, ПСГ), показывают свою эффективность только в автоматическом анализе незашумленных записей (уровень точности варьируется от 55 до 92%), а поэтому не доказали свою результативность в кардиореспираторных системах удаленного мониторинга

С учетом проведенного анализа сформулированы цель и задачи работы, направленные на повышение эффективности диагностики ЦАС с использованием систем удаленного мониторинга дыхательной активности.

Во второй главе рассмотрены механизмы регуляции дыхания во сне и факторы, приводящие к развитию центрального апноэ сна. Патологии, связанные с нарушением чувствительности хеморецепторов парциального давления С02 в артериальной крови, изменение активности дыхательного центра, а также задержки в системе обратной связи, приводят к возникновению эпизодов апноэ центрального типа. На основе приведенных факторов сформулирована модель взаимодействия структур организма при развитии центрального апноэ сна. Определен и обоснован комплекс показателей, значимых для диагностики центрального апноэ сна. Предложен метод удаленного мониторинга для обеспечения регистрации диагностически значимых показателей. Метод подразумевает наличие двух основных режимов накопления первичных сигналов - режимы циклической записи (запись 3х минутного фрагменты и его перезапись следующим при наличии у исследуемого нормального дыхания) и непрерывной записи (сохранение всех исходных сигналов при определении нарушений дыхания). Приведена структура системы удаленного мониторинга дыхательной активности, определены уровни системы и основные предъявляемые требования.

В третьей главе рассмотрен метод определения эпизодов апноэ и гипопноэ по результатам анализа комплекса респираторных сигналов. В соответствии с данным методом каждый канал обрабатывается независимо, а результатом алгоритмов детектирования нарушений на каждом канале является набор сегментов и описывающих их параметров. Разработаны алгоритмы обработки и анализа сигналов реопневмограммы, спирограммы и SPO2. Обработка включает в себя предварительную фильтрацию сигналов (устранение низкочастотной и высокочастотной составляющих), специфичную для каждого из каналов, а также определение пригодных для анализа фрагментов. Анализ сигналов подразумевает детекцию эпизодов нарушений дыхания. Описана модель проявлений нарушения дыхания на сигналах реопневмограммы и спирограммы, включающая в себя метод определения пиков дыхания с последующей коррекцией, метод определения базового уровня дыхания, опорных точек события нарушения, а также алгоритм

определения границ эпизода. Сформулированы правила формирования итоговой разметки нарушений дыхания на основе результатов алгоритмов детекции нарушений на каждом канале. Определены признаки нарушений, на основании которых происходит сведение, а также определение типа апноэ.

В четвертой главе рассматривается разработка экспериментального образца компонентов алгоритмического и программного обеспечения системы удаленного мониторинга дыхательной активности, описываются результаты экспериментальной апробации. Приведены результаты оценки эффективности предложенных алгоритмов определения нарушений дыхания на записях, полученных в ходе кардиореспираторного мониторинга. Описана методика оценки эффективности, правила сопоставления автоматической и референтной разметок нарушений. Проведено сравнение полученных показателей чувствительности и предсказательной силы с результатами других исследователей. Показано, что достигнута цель повышения эффективности автоматической диагностики центрального апноэ сна с использованием систем удаленного респираторного мониторинга (УРМ).

В заключении приводятся основные результаты работы.

1 АНАЛИЗ ПРОБЛЕМ РАЗРАБОТКИ СИСТЕМ УДАЛЕННОГО МОНИТОРИНГА ДЛЯ ДИАГНОСТИКИ ЦАС

1.1 Актуальность проблемы удаленного мониторинга и выявления эпизодов

ЦАС

Патологии дыхания во сне представляют собой группу нарушений дыхательной активности. Нарушения проявляются в виде полной или частичной остановке дыхания - апноэ и гипопноэ сна.

Апноэ - прекращение дыхательного воздушного потока на 10 и более сек. Обычно апноэ также сопровождается десатурацией, но это не является обязательным условием. Апноэ также дифференцируется по типам (рис. 1.1.).

Рисунок 1.1 - Типы апноэ и различия их проявлений на сигналах дыхания (пищевой поток отражает дыхательные усилия), а также взаимосвязь с уровнем

сатурации кислородом [1]

Центральное апноэ сна (ЦАС) - прекращение дыхательного воздушного потока и дыхательных движений на 10 и более сек.

Обструктивное апноэ сна (ОАС) - прекращение дыхательного воздушного потока с сохранением дыхательных движений в течении 10 и более сек.

Смешанное апноэ сна (САС) - прекращение дыхательного воздушного потока на 10 и более сек. с частичным отсутствием и наличием дыхательных усилий в течение эпизода.

Гипопноэ - снижение амплитуды дыхания на 50% (или 30%, существуют различные подходы) в течение 10 и более сек., сопровождающееся снижением сатурации на 3-4%.

Индекс апноэ/гипопноэ (ИАГ) - отражает среднее число всех респираторных событий за час сна и рассчитывается как частное от общего числа эпизодов апноэ/гипопноэ на длительность сна (в часах). У различных исследователей можно встретить разные критерии для определения тяжести дыхательных нарушений.

Индекс десатурации - среднее число эпизодов апноэ за час сна со снижением насыщения крови кислородом более чем на 4% от исходной (определяется по результатам пульсоксиметрии).

Среди всех нарушений отдельно выделяют синдром обструктивного апноэ/гипопноэ сна (СОАГС) - хроническое заболевание, характеризующееся повторными эпизодами прекращения или снижения дыхания во время ночного сна, несмотря на респираторные усилия. СОАГС является самым распространенным нарушением дыхания во сне.

Множество исследований посвящено изучению связи СОАГС с сердечной недостаточностью, хронической почечной недостаточностью, инсультами, заболеваниями коронарных артерий и другими заболеваниями сердечнососудистой системы [2-7]. Значительно меньшее число исследований затрагивают взаимосвязь апноэ центрального типа с прочими заболеваниями, а также предоставляют статистический анализ распространенности ЦАС в популяции. Однако, имеющиеся исследования говорят о высокой связи между заболеваниями сердечной системы и выявленными ЦАС.

Сердечно-сосудистые заболевания (ССЗ) - это группа болезней сердца и кровеносных сосудов. ССЗ основная причина смерти в мире. По данным ВОЗ

ежегодно в мире от заболеваний сердечно-сосудистой системы умирает 17,5 млн человек. Причем, 80 % преждевременных инфарктов и инсультов может быть предотвращено. Смертность связывают с благосостоянием населения - более 75% случаев смерти от ССЗ происходят в странах с низким и средним уровнем дохода.

В России показатель преждевременной смертности от болезней системы кровообращений высокий и имеет неблагоприятную динамику [8] Как следует из статистических данных, структура смертности внутри класса сердечнососудистых заболеваний в России значительно отличается от структуры, характерной для стран с наиболее низким уровнем смертности от болезней системы кровообращения. Больше половины смертей приходится на ишемическую болезнь сердца, и эта доля в отличие от западных стран имеет тенденцию к росту. На втором месте - смерти от цереброваскулярных заболеваний, доля которых хоть и снижается, но остается значительно выше, нежели в странах Запада.

В работе [9] показана связь высокого значения ИАГ с неблагоприятным функциональным восстановлением после ишемического инсульта. Авторы отмечают, что преимущественно ЦАС регистрируется у больных с острыми нарушениями мозгового кровообращения (ОНМК) по сравнению с хроническими цереброваскулярными заболеваниями (ЦВЗ), а нарушения дыхания во сне при ишемических ОНМК характеризуются преобладанием эпизодов ЦАС при сопоставимой частоте эпизодов ОАС, что обусловливает большую тяжесть гипоксической нагрузки и гипоксемии. Также, отмечается, что в динамике острого периода ишемического инсульта происходит снижение частоты эпизодов ЦАС, в то время как ОАС характеризуются стабильностью проявлений.

В работе [10] приведены результаты анализа опроса людей с сердечной недостаточностью (СН). Среди пациентов 55,1% имеют ОАС, значительно меньше ЦАС - 4,1%. Согласно исследованию, общая распространенность CSA и дыхания Чейна-Стокса (CSR) в большой выборке на уровне сообщества составила 0,9% и 0,4%. Пациенты с ЦАС чаще имели историю сердечно-сосудистых заболеваний

(например, стенокардия) или сердечно-сосудистых процедур (например, коронарная ангиография), чем пациенты с ОАС и без нарушений дыхания во сне. Субъекты с ЦАС и дыханием Чейна-Стокса с большей вероятностью получали лечение препаратами, применяемыми для лечения ишемической болезни сердца (например, аспирином, антигипертензивными средствами и антилипидными агентами).

Другие исследования, проводимые в условиях клиники, показывают несколько иные результаты и отмечают преобладание ЦАС над ОАС у пациентов с сердечной недостаточностью (СН). В работе [11] исследованы 81 пациент мужского пола со стабильной сердечной недостаточностью. Выявлено, что 51% из них страдают нарушениями дыхания во сне: 40% от имеют преобладание ЦАС и 11% ОАС (рис. 1.2).

Рисунок 1.2 - Результаты обследования пациентов-мужчин с сердечной недостаточностью с ЦАС (CSA) и ОАС (OSA). Wt - вес; BMI - индекс массы тела; Snoring - наличие храпа; EDS - повышенная дневная сонливость; SBP -систолическое артериальное давление; DBP - диастолическое артериальное

давление.

Исследование [12] включает 700 пациентов с СН и отмечает, что нарушения дыхания во сне встречаются у 76%, причем 40% имеют эпизоды ЦАС, 36% только

ОАС. Пациенты с ЦАС имеют более выраженные симптомы СН, более низкий сердечный выбор, а также ряд других показателей тяжести СН, чем пациенты

с ОАС. Авторы работы для диагностики нарушений дыхания во сне отмечают, что использовалась кардиореспираторная система вместо полисомнографии.

В работе [13] представлены схожие результаты: из 100 пациентов мужского пола с систолической СН 49% имеют нарушения дыхания во сне. ЦАС встречается примерно у 37%, а ОАС у 12% пациентов. Пациенты с сердечной недостаточностью с ЦАС имеют индекс массы тела нормальный или ниже нормы и в основном не храпят. У них также наблюдается функциональный класс СН III, фибрилляция предсердий, частые ночные желудочковые аритмии, низкое артериальное РС02 и фракция выброса сердца <20%.

В [14] исследована 24-часовая распространенность ЦАС у пациентов с СН. Она составила 64,8%, тогда как ОАС 12,8%. Эпизоды ЦАС были связаны с нейрогормональной активацией, желудочковой аритмической нагрузкой и систолической / диастолической дисфункцией.

Резюмируя, можно заключить, что распространенность факта преобладания ЦАС на ОАС у пациентов с хронической СН варьируется от 21% до 40% в различных исследованиях. Кроме того, исследования показывают, что как ОАС, так и ЦАС являются маркерами тяжести заболевания и предикторами повышенной смертности при хронической СН [15]. Таким образом, в настоящее время ЦАС признан важным, независимым фактором риска ухудшения СН и снижения выживаемости у больных с СН, а повышение эффективности диагностики ЦАС (в том числе, с использованием скрининговых методов) является актуальной задачей.

Как отмечают авторы исследования [15], ЦАС часто не распознается клиницистами и пациентами с сердечной недостаточность, поскольку проявления ЦАС могут быть проассоциированы с самой сердечной недостаточностью или не быть замечены вовсе. Однако, отсутствие лечения ЦАС может привести к худшему прогнозу, чем тот, который связан только с

сердечной недостаточностью. А значит, требуется упрощение диагностической процедуры и повышение числа обследований пациентов без подозрения на ЦАС, но имеющих ССЗ, в частности ишемические нарушения и сердечную недостаточность.

В связи с различными фенотипами нарушений дыхания во сне и их потенциальными дифференциальными клиническими последствиями при хронической сердечной недостаточности, существует подробность в разработке простых в использовании скрининговых устройств для диагностики нарушений дыхания во сне с возможностью различать ОАС и ЦАС (с периодическим дыханием и без него) [15]. Подобные устройства могут быть использовано для стратификации риска у пациентов с хронической сердечной недостаточностью.

1.2 Проблемы выявления ЦАС на основе данных кардиореспираторного мониторинга

Как уже отмечалось ранее, важно дифференцировать нарушения дыхания во сне, в частности различать клинические проявления СОАГС и ЦАС, так как они требуют различных лечебных подходов [16]. Одним из основных перспективных направлений развития систем диагностики расстройств дыхания во сне является добавление к классическим холтеровским мониторам каналов регистрации пневмограммы, сатурации и потока воздуха - создание систем удаленного кардиореспираторного мониторинга. Впервые в России данный комбинированный монитор был создан компанией «Инкарт» (СанктПетербург). На начало 2009 г. этот прибор не имел аналогов в мире.

Существует ряд других зарегистрированных в России изобретений, касающихся диагностики обструктивного апноэ/гипопноэ сна [17-19]. Они позволяют фиксировать эпизоды остановки дыхания за счет анализа сатурации крови кислородом, звука дыхания и прочими методами.

В частности, в работе [20] приводится скрининговый метод диагностики синдрома обструктивного апноэ сна, основанный на синхронной регистрации носоротового потока и уровня сатурации крови кислородом с последующей оценкой диагностики значимых параметров сигналов. Нарушениями считается только эпизоды падения амплитуды дыхания, сопровождаемые десатурацией. Это приводит к ложно - отрицательным результатам - эпизоды ЦАС не всегда сопровождаются значимым снижением уровня кислорода в крови.

В результате патентного поиска изобретений, зарегистрированных в России и предназначенных для диагностики ЦАС, было найдено значительно меньше позиций. Это связано в частности с тем, что в клинической практике высока потребность в устройствах, позволяющих осуществлять диагностику обструктивных нарушений дыхания, что обусловлено их распространенностью в популяции. Это в совокупности с повышенным риском осложнений ССЗ при ЦАС и низкой распространенности диагностики говорит о высокой актуальности данной работы.

«Золотым стандартом» диагностики нарушений дыхания во сне является полисомнографическое исследование. Оно проводится в специализированной лаборатории по назначению врача, полученные данные наблюдения интерпретируются специалистом-сомнологом. Стоимость исследования достаточно высока и в платных клиниках варьируется в пределах 6-20 тыс. р. Полисомнография в условиях специализированного медицинского центра - это самый достоверный, но при этом самый сложный и дорогой способ диагностики.

Список литературы диссертационного исследования кандидат наук Живолупова Юлия Александровна, 2020 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Обструктивное апноэ сна. Справочник болезней: сайт. - URL: http://therapy.irkutsk.ru/edapnoe.htm (дата обращения: 03.05.2020). - Текст: электронный.

2. Cintra F. D. et al. Sleep apnea and nocturnal cardiac arrhythmia: a populational study //Arquivos brasileiros de cardiologia. - 2014. - Т. 103. - №. 5. - С. 368-374.

3. Mehra R. et al. Association of nocturnal arrhythmias with sleep-disordered breathing: The Sleep Heart Health Study //American journal of respiratory and critical care medicine. - 2006. - Т. 173. - №. 8. - С. 910-916.

4. Lam J. C. M., Mak J. C. W., Ip M. S. M. Obesity, obstructive sleep apnoea and metabolic syndrome //Respirology. - 2012. - Т. 17. - №. 2. - С. 223-236.

5. Yaggi H.K., Mohsenin V. Obstructive sleep apnea and stroke. Lancet Neurol. 2004; 3: 333-42.

6. Torres-Alba D. et al. Obstructive sleep apnea and coronary artery disease: from pathophysiology to clinical implications //Pulmonary medicine. - 2013. - Т. 2013.

7. Магомедова, Н.М. Слип-апноэ и сердечно-сосудистые риски / Н.М. Магомедова, Е.З. Голухова // Креативная кардиология. - 2016. - т. 10. - №23. - С. 210219.

8. Анатолий Вишневский, Евгений Андреев, Сергей Тимони Смертность от болезней системы кровообращения и продолжительность жизни в России // Демографическое обозрение. 2016. №1. URL: https://cyberleninka.ru/article/n/smertnost-ot-bolezney-sistemy-krovoobrascheniya-i-prodolzhitelnost-zhizni-v-rossii (дата обращения: 18.04.2020).

9. Лутохин Г.М. Ишемический инсультр и нарушение дыхания во сне: автореф. дис. на соиск. учен. степ. канд. мед. наук., М. - 2017 (ФГБНУ НЦН).

10. Donovan L. M., Kapur V. K. Prevalence and characteristics of central compared to obstructive sleep apnea: analyses from the sleep heart health study cohort //Sleep. - 2016. - Т. 39. - №. 7. - С. 1353-1359.

11. Javaheri S. et al. Sleep apnea in 81 ambulatory male patients with stable heart failure: types and their prevalences, consequences, and presentations //Circulation. -1998. - Т. 97. - №. 21. - С. 2154-2159.

12. Oldenburg O. et al. Sleep-disordered breathing in patients with symptomatic heart failure A contemporary study of prevalence in and characteristics of 700 patients //European journal of heart failure. - 2007. - Т. 9. - №. 3. - С. 251-257.

13. Javaheri S. Sleep disorders in systolic heart failure: a prospective study of 100 male patients. The final report //International journal of cardiology. - 2006. - Т. 106.

- №. 1. - С. 21-28.

14. Emdin M. et al. Prognostic significance of central apneas throughout a 24hour period in patients with heart failure //Journal of the American College of Cardiology.

- 2017. - Т. 70. - №. 11. - С. 1351-1364.

15. Arzt M. et al. Prevalence and predictors of sleep-disordered breathing in patients with stable chronic heart failure: the SchlaHF registry //JACC: Heart Failure. -2016. - Т. 4. - №. 2. - С. 116-125.

16. Бузунов Р.В., Легейда И.В. Храп и синдром обструктивного апноэ сна. Учебное пособие для врачей. М., 2010.

17. Ерошина Е.В. Способ диагностики синдрома обструктивного апноэ/гипопноэ сна / Патент на изобретение, заявка: 2014109884/14, 2014.03.17, патент: RU 2564902C1, 2014-03-17.

18. Колосов В.П., Перельман Ю.М., Ульянычев Н.В., Ульянычева В.Ф. Способ диагностики остановки дыхания во сне / Патент на изобретение, заявка: 2007148744/14, 2007-12-24. патент: RU2360599C1, 2009-07-10

19. Щекотов В.В., Янкина Т.И., Гафурова И.А., Еплетна А.А., Ульянычева В.Ф. Способ диагностики тяжести обструктивного апноэ / Патент на изобретение, заявка: 2007115709/14, 2007-04-25. патент: RU2328971C1, 2007-04-25

20. Калинкин А.Л., Ерошина Е.В. Сравнительный анализ оценки степени тяжести нарушений дыхания во время сна методами кардиореспираторного мониторинга и пульсоксиметрии. Актуальные проблемы сомнологии. Сборник материалов VII Всероссийской конференции, 22-23 ноября 2010

21. Бузунов Р. В. и др. Диагностика и лечение синдрома обструктивного апноэ сна у взрослых. Рекомендации Российского общества сомнологов //Эффективная фармакотерапия. - 2018. - №. 35. - С. 34-45.

22. Costanzo M. R. et al. Mechanisms and clinical consequences of untreated central sleep apnea in heart failure //Journal of the American College of Cardiology. -2015. - Т. 65. - №. 1. - С. 72-84.

23. Hall M. J. et al. Cycle length of periodic breathing in patients with and without heart failure //American journal of respiratory and critical care medicine. - 1996. - Т. 154. - №. 2. - С. 376-381.

24. Adult Obstructive Sleep Apnea Task Force of the American Academy of Sleep Medicine. Clinical guideline for the evaluation, management and long-term care of obstructive sleep apnea in adults //Journal of clinical sleep medicine. - 2009. - Т. 5. - №. 3. - С. 263-276.

25. Somers V. K. et al. Sleep apnea and cardiovascular disease: An American heart association/American college of cardiology foundation scientific statement from the American heart association council for high blood pressure research professional education committee, council on clinical cardiology, stroke council, and council on cardiovascular nursing in collaboration with the national heart, lung, and blood institute national center on sleep disorders research (national institutes of health) //Journal of the American College of Cardiology. - 2008. - Т. 52. - №. 8. - С. 686-717.

26. Институт кардиологической техники «Инкарт». Часто задаваемые вопросв: сайт. - URL: https://www.incart.ru/support/faq/questions/ (дата обращения: 03.05.2020). - Текст: электронный.

27. Mendonca F. et al. A review of obstructive sleep apnea detection approaches //IEEE journal of biomedical and health informatics. - 2018. - Т. 23. - №. 2. - С. 825837.

28. Mostafa S. S. et al. A Systematic Review of Detecting Sleep Apnea Using Deep Learning //Sensors. - 2019. - Т. 19. - №. 22. - С. 4934.

29. Almazaydeh L. et al. Apnea detection based on respiratory signal classification //Procedia Computer Science. - 2013. - Т. 21. - С. 310-316.

30. Hanly P., Zuberi-Khokhar N. Daytime sleepiness in patients with congestive heart failure and Cheyne-Stokes respiration //Chest. - 1995. - Т. 107. - №. 4. - С. 952958.

31. Brian L. et al. Fragmenting sleep diminishes its recuperative value //Sleep. -1987. - Т. 10. - №. 6. - С. 590-599.

32. Stepanski E. et al. Experimental sleep fragmentation in normal subjects //International journal of neuroscience. - 1987. - Т. 33. - №. 3-4. - С. 207-214.

33. Campbell J. M. H. et al. The response of the respiratory centre to carbonic acid, oxygen, and hydrogen ion concentration //The Journal of physiology. - 1913. - Т. 46. - №. 4-5. - С. 301.

34. Douglas NJ. Control of ventilation during sleep. In: Kryger MH, Roth T, Dement WC, eds. Principles and practice of sleep medicine. London: WB Saunders, 1994: 201-11.

35. Biscoe T. J., Purves M. J., Sampson S. R. The frequency of nerve impulses in single carotid body chemoreceptor afferent fibres recorded in vivo with intact circulation //The Journal of physiology. - 1970. - Т. 208. - №. 1. - С. 121-131.

36. Marshall J. M. Peripheral chemoreceptors and cardiovascular regulation //Physiological reviews. - 1994. - Т. 74. - №. 3. - С. 543-594.

37. Fukuda V., Hayashi F., Voshida A., Honda V. Quick and quantitative analysis of the CO ventilation response of anaesthetized rats by the rebreathing method // Integrative Control Function of Brain. 1981; 3: 216-218.

38. Read J., Rebuck A., Campbell E. Effect of posture on the ventilatory response to CO2 // J.Appl.Physiol. 1974; 37: 487-489.

39. Mehra R., Gottlieb D. J. A paradigm shift in the treatment of central sleep apnea in heart failure //Chest. - 2015. - Т. 148. - №. 4. - С. 848-851.

40. Гончаров, А. О. Оценка хеморецепторной регуляции дыхания человека на основе математического моделирования и экспериментальных исследований с применением гиперкапнических и гипоксических тестов : автореф. дис. на соиск. учен. степ. канд. физ.-мат. наук. - М., 2018. - 19 с. - (Ин-т медико-биол. проблем и Московский физ.-техн. ин-т (гос. ун-т)).

41. Sin D. D. et al. Risk factors for central and obstructive sleep apnea in 450 men and women with congestive heart failure //American journal of respiratory and critical care medicine. - 1999. - Т. 160. - №. 4. - С. 1101-1106.

42. Hanly P. J., Zuberi-Khokhar N. S. Increased mortality associated with Cheyne-Stokes respiration in patients with congestive heart failure //American journal of respiratory and critical care medicine. - 1996. - Т. 153. - №. 1. - С. 272-276.

43. Nakayama H. et al. Effect of ventilatory drive on carbon dioxide sensitivity below eupnea during sleep //American journal of respiratory and critical care medicine. - 2002. - Т. 165. - №. 9. - С. 1251-1260.

44. Живолупова Ю. А., Цветков О.В. Робастный алгоритм оценивания энтропии электроэнцефалограммы. // Биомедицинская радиоэлектроника, 2016, № 8, с. 20-25.

45. Живолупова Ю. А., Цветков О.В. Энтропийная оценка электроэнцефалографического сигнала с применением локально-рангового

кодирования // Сборник трудов конференции БИОМЕДСИСТЕМЫ - 2016, Рязань, с. 265-268.

46. Кореневский Н.А., Юлдашев З.М. Проектирование биотехнических систем медицинского назначения. Общие вопросы проектирования. Учебник. Изд-во Тонкие наукоемкие технологии, Старый Оскол, 2018 - 312 с.

47. Berry R. B. et al. The AASM manual for the scoring of sleep and associated events //Rules, Terminology and Technical Specifications, Darien, Illinois, American Academy of Sleep Medicine. - 2012. - Т. 176. - С. 2012.

48. Ruehland W. R. et al. The new AASM criteria for scoring hypopneas: impact on the apnea hypopnea index //Sleep. - 2009. - Т. 32. - №. 2. - С. 150-157.

49. Taha B. H. et al. Automated detection and classification of sleep-disordered breathing from conventional polysomnography data //Sleep. - 1997. - Т. 20. - №. 11. -С. 991-1001.

50. Fleetham J. et al. Canadian Thoracic Society guidelines: diagnosis and treatment of sleep disordered breathing in adults //Canadian respiratory journal. - 2006.

- Т. 13. - №. 7. - С. 387-392.

51. Belov V., Zhivolupova Y., Gumenny V. Blood Saturation Decreasing Level Based on the Features of a Spirogram Signal //2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). - IEEE, 2019.

- С. 98-101.

52. Berry R. B. et al. Rules for scoring respiratory events in sleep: update of the 2007 AASM manual for the scoring of sleep and associated events //Journal of clinical sleep medicine. - 2012. - Т. 8. - №. 05. - С. 597-619.

53. Электронный ресурс: URL https://www.incart.ru/production/kt-04/kt-04-3p-m (дата обращения: 18.04.2020).

54. L. Almazaydeh, K. Elleithy, and M. Faezipour, "Detection of obstructive sleep apnea through ECG signal features," in Proc. IEEE Int. Conf. Electro/Inf. Technol., Indianapolis, IN, USA, May 2012, pp. 5559-5562.

55. S. Pullano et al., "Medical devices for pediatric apnea monitoring and therapy: Past and new trends," IEEE Rev. Biomed. Eng., vol. 10, no. 1, pp. 199-212, Sep. 2017.

56. O. Faust, R. Acharya, E. Ng, and H. Fujita, "A review of ECG based diagnosis support systems for obstructive sleep apnea," J. Mech. Med. Biol., vol. 16, no. 1, pp. 1-25, 2016.

57. T. Penzel, G. Moody, R. Mark, A. Goldberger, and J. Peter, "The apnea ECG database," in Proc. Comput. Cardiology, Cambridge, MA, USA, 2000, pp. 255258.

58. A. Khandoker, J. Gubbi, and M. Palaniswami, "Automated scoring of obstructive sleep apnea and hypopnea events using short-term electrocardiogram recordings," IEEE Trans. Inf. Technol. Biomed., vol. 13, no. 6, pp. 1057-1067, Nov. 2009

59. V. Rachim, G. Li, and W. Chung, "Sleep apnea classification using ECGsignal wavelet-PCA features," Bio-Med. Mater. Eng., vol. 24, no. 6, pp. 28752882, 2014

60. A. Hassan, "Computer-aided obstructive sleep apnea detection using normal inverse Gaussian parameters and adaptive boosting," Biomed. Signal Process. Control, vol. 29, no. 1, pp. 22-30, 2016.

61. A. Hassan and A. Haque, "An expert system for automated identification of obstructive sleep apnea from single-lead ECG using random under sampling boosting," Neurocomputing, vol. 235, pp. 122-130, Apr. 2017.

62. A. Smruthy and M. Suchetha, "Real-time classification of healthy and apnea subjects using ECG signals with variational mode decomposition," IEEE Sensors J., vol. 17, no. 10, pp. 3092-3099, May 2017.

63. A. Hassan, "Automatic screening of obstructive sleep apnea from singlelead electrocardiogram," in Proc. Int. Conf. Elect. Eng. Inf. Commun. Technol., Dhaka, Bangladesh, May 2015, pp. 1-6.

64. A. Quiceno-Manrique, J. Alonso-Hernandez, C. Travieso-Gonz ' alez, M. 'Ferrer-Ballester, and G. Castellanos-Dom'inguez, "Detection of obstructive sleep apnea in ECG recordings using time- frequency distributions and dynamic features," in Proc. Annu. Int. Conf. IEEE Eng. Med. Biol.Soc., Minneapolis, MN, USA, Sep. 2009, pp. 5559-5562

65. A. Ravelo-Garc'ia et al., "Symbolic dynamics marker of heart rate variability combined with clinical variables enhance obstructive sleep apnea screening," Chaos, vol. 24, no. 2, pp. 1-8, 2014.

66. C. Zywietz, V. Einem, B. Widiger, and G. Joseph, "ECG analysis for sleep apnea detection," Methods Inf. Med., vol. 43, no. 1, pp. 56-59, 2004.

67. G. Gutierrez-Tobal, D. ' Alvarez, J. Gomez-Pilar, F. Campo, and R. 'Hornero, "Assessment of time and frequency domain entropies to detect sleep apnoea in heart rate variability recordings from men and women," Entropy, vol. 17, no. 1, pp. 123-141, 2015.

68. F. Roche et al., "Predicting sleep apnoea syndrome from heart period: a time-frequency wavelet analysis," Eur. Respiratory J., vol. 22, no. 6, pp. 937-942, 2003.

69. A. Ravelo-Garcia et al., "Cepstrum feature selection for the classification of sleep apnea-hypopnea syndrome based on heart rate variability," in Proc. Comput. Cardiology Conf., Zaragoza, Spain, Sep. 2013, pp. 959-962.

70. M. Mendez, A. Bianchi, M. Matteucci, S. Cerutti, and T. Penzel, "Sleep apnea screening by autoregressive models from a single ECG lead," IEEE Trans. Biomed. Eng., vol. 56, no. 12, pp. 2838-2850, Dec. 2009

71. C. Cheng, C. Kan, and H. Yang, "Heterogeneous recurrence analysis of heart beat dynamics for the identification of sleep apnea events," Comput. Biol. Med., vol. 75, pp. 10-18, 2016.

72. A. Ravelo et al., "Application of support vector machines and Gaussian mixture models for the detection of obstructive sleep apnoea based on the RR series," in Proc. 8th WSEAS Int. Conf. Appl. Math., Tenerife, Spain, Dec. 2005, pp. 139-143.

73. L. Chen, X. Zhang, and C. Song, "An automatic screening approach for obstructive sleep apnea diagnosis based on single-lead electrocardiogram," IEEE Trans. Autom. Sci. Eng., vol. 12, no. 1, pp. 106-115, Jan. 2015.

74. P. Chazal, T. Penzel, and C. Heneghan, "Automated detection of obstructive sleep apnoea at different time scales using the electrocardiogram," Physiol. Meas., vol. 25, no. 4, pp. 967-983, 2004.

75. L. Chen and X. Zhang, "State-based general gamma CUSUM for modeling heart rate variability using electrocardiography signals," IEEE Trans. Autom. Sci. Eng., vol. 14, no. 2, pp. 1160-1171, Apr. 2017.

76. Тихоненко В. М., Апарина И. В. Возможности холтеровского мониторирования в оценке связи нарушений ритма ритма и проводимости сердца с эпизодами апноэ // Вестник аритмологии. 2009. №55. URL: https://cyberleninka.ru/article/n/vozmozhnosti-holterovskogo-monitorirovaniya-v-otsenke-svyazi-narusheniy-ritma-ritma-i-provodimosti-serdtsa-s-epizodami-apnoe (дата обращения: 03.08.2020).

77. Van Steenkiste T. et al. Systematic comparison of respiratory signals for the automated detection of sleep apnea //2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). - IEEE, 2018. - С. 449-452.

78. Golrou A. et al. Automatic sleep apnea detection using fuzzy logic //2015 IEEE Signal Processing in Medicine and Biology Symposium (SPMB). - IEEE, 2015. -С. 1-5.

79. Kim J. et al. A new algorithm for the detection of sleep apnea events in respiration signals //2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). - IEEE, 2016. - С. 3199-3202.

80. Varady P. et al. A novel method for the detection of apnea and hypopnea events in respiration signals //IEEE Transactions on Biomedical Engineering. - 2002. -Т. 49. - №. 9. - С. 936-942.

81. Fontenla-Romero O. et al. A new method for sleep apnea classification using wavelets and feedforward neural networks //Artificial Intelligence in Medicine. -2005. - T. 34. - №. 1. - C. 65-76.

82. V. Rachim, G. Li, and W. Chung, "Sleep apnea classification using ECGsignal wavelet-PCA features," Bio-Med. Mater. Eng., vol. 24, no. 6, pp. 28752882, 2014.

Приложение А - Оценка спектра по БПФ для разных участков сигнала

реопневмограммы

Утй 1 1 ^ 1

5000 10000 150

1 : «М^Л.ММм^^,, ------------ ,

Приложение Б - Вид программы визуализатора разметок в режиме сравнения.

Выбор файла и разметки к нему

-A HDF Viewer Посчитать разметку

□

X

Папкасбаэон Y:\Yul y'-Data-AI Data Bases'1- Вер ифи каци^ЦЫ}

О

Папка с разметками Y:\Yidy\Dab\AI Юа1а Вазев^ог! КУ Файлы записей Версии разметок

[О] И

МХ1201 61013125023 МХ1201 61019112321 0X001913 0X002656 0X002704

ОХОО270Б

cxOOl

IBoK_test3 I BoK_test3 MTLoo гт Ref_combiAiE2 Ref comfciAisBr2

Скорректировать разметку IБок

Показать выopэнную разметку

REF Y:\YJy\Dab\AJIDabBases\ioH KV'.Ref

TEST Y:\YJy\Dab\AJIDabBases\ioHKVM Bo

Пер ей™ к сравнению разметок

Приложение В - Вид программы визуализатора разметок в режиме сравнения. Красным показаны пересекающиеся

события (истинно положительные)

Приложение Г- Сравнение результатов автоматического детектора зашумленных участков РПГ для автоматической

(Test) и ручной разметки (Ref)