睡眠呼吸暂停（Sleep Apnea）作为一种常见的睡眠障碍，长期依赖持续气道正压通气（CPAP）等设备治疗。2024 年 12 月，FDA 批准了首个用于治疗阻塞性睡眠呼吸暂停（OSA）的药物 tirzepatide（Zepbound），标志着该领域从器械治疗向药物干预的重要转变。药物研发的突破背后，多导睡眠监测（Polysomnography, PSG）信号处理管道扮演着关键角色 —— 它不仅支撑着临床试验中疗效评估的客观指标生成，更为精准医疗提供了数据基础。
PSG 信号处理管道的技术架构
PSG 监测通常在一夜睡眠期间同步采集多路生理信号，包括脑电图（EEG）、眼电图（EOG）、肌电图（EMG）、心电图（ECG）、口鼻气流、胸腹呼吸努力和血氧饱和度（SpO2）。这些信号的采样率差异显著：EEG 通常为 256Hz 或更高，而 SpO2 可能仅为 1Hz。信号处理管道的首要任务是将这些异构数据对齐到统一的时间轴上。
预处理阶段的核心操作包括：带通滤波以去除工频干扰和基线漂移，常见参数为 EEG 的 0.5-30Hz 带通；伪影检测与剔除，通过幅度阈值或基于统计的方法识别运动伪影和电极脱落；以及重采样，将所有信号统一到目标采样率以便后续分析。对于 30 秒一期的睡眠分期任务，信号被分割为固定长度的 epoch，每个 epoch 对应一个睡眠阶段标签。
特征提取策略呈现两条技术路线。传统方法依赖手工设计的特征，如 EEG 的 δ、θ、α、β 频带功率比，呼吸信号的变异性指标，以及 SpO2 的去饱和事件统计。深度学习方法则采用端到端架构，使用一维卷积神经网络（CNN）或 Transformer 直接从原始波形学习层次化表征，避免人工特征工程的主观性。
睡眠分期与呼吸事件检测算法
睡眠分期是 PSG 分析的基础任务，美国睡眠医学会（AASM）将睡眠划分为清醒（W）、快速眼动期（REM）、以及 N1、N2、N3 三个非快速眼动期。自动睡眠分期模型通常将每个 30 秒 epoch 分类为上述五类之一。研究表明，结合多通道信息的模型（如同时利用 EEG、EOG 和 EMG）比单通道模型具有更高的准确率。
呼吸事件检测涉及识别呼吸暂停（Apnea）和低通气（Hypopnea）事件。呼吸暂停定义为口鼻气流信号下降超过基线 90% 持续至少 10 秒；低通气则为气流下降 30% 以上伴随 SpO2 下降 3% 或觉醒。算法实现上，需要同时监测气流幅度、呼吸努力和血氧变化的时间关联。基于深度学习的检测模型能够在单 epoch 级别输出事件概率，再通过后处理规则（如最小持续时间、事件间距）生成符合临床规范的标注。
药物响应预测模型的构建
睡眠呼吸暂停严重程度的量化指标是呼吸暂停低通气指数（AHI），即每小时睡眠中呼吸暂停和低通气事件的总次数。药物临床试验将 AHI 变化作为主要终点，这要求信号处理管道能够稳定、可重复地计算该指标。
现代药物响应预测模型超越了单一的 AHI 指标，构建多维度的临床终点体系。除了事件计数，还包括：睡眠结构改善（各期睡眠占比变化）、氧减饱和度指数（ODI）、觉醒指数（ArI），以及微觉醒相关的 EEG 频谱变化。Apnimed 公司的 AD109 口服组合疗法在 III 期临床试验中正是采用这类复合终点来评估疗效。
预测模型的训练需要特别注意数据划分策略。由于同一患者的多个 epoch 之间存在高度相关性，必须采用患者级别的交叉验证，而非随机划分，以避免数据泄露导致的性能高估。此外，不同睡眠实验室的设备和操作差异可能引入批次效应，模型部署时需要考虑域适应（Domain Adaptation）技术。
工程实践要点
在实际部署 PSG 信号处理管道时，有几个关键参数需要仔细调优。滤波器设计方面，FIR 滤波器因其线性相位特性更适合保留事件的时间对齐，但计算开销高于 IIR 滤波器。窗口大小选择需在时间分辨率和频谱分辨率之间权衡，对于呼吸事件检测，滑动窗口通常设置为 10-30 秒。
模型验证应建立与人工评分的对照基准。临床实践中，不同技师对同一记录的分歧率约为 10-15%，这为自动算法设定了合理的性能预期上限。对于药物试验场景，建议采用双盲设计：算法预测结果与人工评分分别提交，由独立统计团队进行一致性分析。
可解释性在医疗 AI 应用中日益重要。对于药物响应预测模型，应提供注意力权重或特征重要性分析，帮助临床研究者理解模型决策依据，识别潜在的生物标志物。例如，某些模型可能发现特定频段的 EEG 功率变化与药物疗效高度相关，这为机制研究提供了线索。
结语
PSG 信号处理管道是睡眠医学数字化转型的核心技术栈。从原始生理信号到药物疗效评估，每个环节都需要严谨的工程实现。随着 FDA 批准首个 OSA 药物以及更多候选药物进入临床后期，对高精度、可扩展的自动化分析系统的需求将持续增长。对于从事医疗信号处理的工程师而言，深入理解睡眠医学的临床需求，建立跨学科协作能力，将是推动这一领域发展的关键。
参考来源
- FDA Approves First Medication for Obstructive Sleep Apnea: https://www.fda.gov/news-events/press-announcements/fda-approves-first-medication-obstructive-sleep-apnea
- Apnimed Reports Positive Topline Results from Phase 3 Trials: https://apnimed.com/article/ad109toplinephase3results/
- Towards automatic home-based sleep apnea estimation using deep learning: https://www.nature.com/articles/s41746-024-01139-z
- Sleep stage classification from PSG data (MNE tutorial): https://mne.tools/stable/auto_tutorials/clinical/60_sleep.html
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。