Methods for Snoring and Heart Pulse Detection Using Unobtrusive Mattress Sensor

Abstract

Vuonna 2014 Yhdysvaltain Centers for Disease Control and Prevention (CDC) julisti univajeen kansanterveydelliseksi epidemiaksi. Riittämätön ja heikkolaatuinen uni on yhdistetty lihavuuteen, diabetekseen, sydänsairauksiin, dementiaan ja masennukseen. Useimmiten unta häiritsee hengityshäiriöt (SDB, sleep-disordered breathing), joihin kuuluvat täydelliset tukokset (apneat), osittaiset tukokset (hypopneat), kuorsaus sekä pitkittynyt lisääntynyt hengitystyö. Tunnetuin näistä on obstruktiivinen uniapnea (OSA, obstructive sleep apnea), jonka esiintyvyyden arvioitiin vuonna 2019 ylittävän joissakin maissa jopa 50 %. Muita hengityshäiriöitä, kuten pitkäkestoista osittaista ylähengitysteiden ahtaumaa (PPO, prolonged partial obstruction), saattaa kuitenkin esiintyä samankaltaisin oirein ilman, että niitä diagnosoidaan tai hoidetaan. Kuorsausta ja pitkittynyttä hengitysvastusta esiintyy yleisesti unen aikana, ja niiden seuranta on tärkeää mahdollisten hengityshäiriöiden tunnistamiseksi ja diagnosoimiseksi.

Polysomnografia (PSG) on unenaikaisten hengityshäiriöiden ensisijainen diagnosointimenetelmä, joka on monimutkainen, kallis ja aikaa vievä menetelmä. EMFiT (Electromechanical Film Transducer) -patjasensorit vähentävät testien kustannuksia ja potilaan kokemaa epämukavuutta. Suomessa EMFiT täydentää unipolygrafiaa ja suppeampaa yöpolygrafiaa, helpottaen kliinistä diagnostiikkaa sekä sairaala- että avohoitoympäristöissä. Lisäksi nämä sensorit soveltuvat jatkuvaan kotikäyttöön, mikä tukee seurantaa ja esiseulontoja. Tässä tutkimuksessa keskityttiin EMFiT-signaalin tarkasteluun erilaisissa fysiologisissa prosesseissa. Erityisesti analysoitiin, käsiteltiin ja luokiteltiin EMFiT-signaaleja kuorsauksen, PPO:n ja EMFiT-sydänpulssin (EHP) tunnistamiseksi.

Ensimmäinen osatutkimus kohdistui kuorsaukseen (SN). EMFiT-patjasensorilla mitattuja kuorsaustapahtumia karakterisoitiin spektraalisesti ja verrattiin normaaliin hengitykseen (NB). Lisäksi äänilähteiden monosignaali-erottelumenetelmiä hyödynnettiin, jotta voitiin erottaa kuorsaus hengitys- ja sydänsignaaleista sekä määrittää toistuvien SN-tapahtumien spektraalinen profiili. Näitä tietoja hyödynnettiin tukivektorikoneen (SVM) opettamiseen, ja sen suorituskykyä verrattiin huipputason syväoppimispohjaisiin tapahtumantunnistusalgoritmeihin. Toinen osatutkimus tarkasteli EMFiT-signaalin piikkejä, jotka kytkeytyvät PPO:hon liittyvään lisääntyneeseen hengitystyöhön ja niiden havaitsemiseen. Kolmas osatutkimus kohdistui sydänsignaalin eristämiseen EMFiT-datasta spektraalisen lähde-erottelun avulla, jotta saatiin PPG:n kaltainen signaali. Saatua EMFiT- sydänpulssia (EP) verrattiin elektrokardiogrammiin (EKG), ja työssä havainnollistettiin systolisten ja diastolisten erojen esiintymistä signaalin spektrissä. Tämä tutkimus on merkittävä, sillä signaali näyttäytyi samanlaisena riippumatta koehenkilön asennosta.

Johtopäätöksenä tämä tutkimus esittelee menetelmiä kuorsauksen havaitsemiseksi EMFiT-patjan avulla sekä uutta tietoa aiheesta. Toiseksi tutkimus käsittelee PPO:n ajallisia ominaisuuksia ja ehdottaa hengityksen epäsymmetriaan liittyviä parametreja. Lopuksi esitellään uusi menetelmä sydänpulssin mittaamiseksi asennosta riippumatta sekä arvioidaan sen soveltuvuutta sykkeen määrittämiseen.

In 2014, the lack of sleep was regarded as a public health epidemic by the Centers for Disease Control and Prevention. Lack of and poor-quality sleep has been related to obesity, diabetes, heart disease, dementia, and depression. Sleep disorders are commonly caused by sleep-disordered breathing (SDB) events. The most common events include complete obstructions (apneas), partial obstructions (hypopneas), snoring, and prolonged increased breathing efforts. The most well-known SBD is obstructive sleep apnea (OSA). In 2019, its prevalence was estimated to exceed 50% in some countries. However, patients suffering from other breathing disorders, such as prolonged partial obstruction (PPO), may suffer from similar symptoms but remain undiagnosed and untreated. Snoring and prolonged increased breathing efforts often co-occur with breathing disorders, and monitoring is essential as it might indicate the presence of SDB.

Nowadays, sleep diagnosis remains cumbersome, expensive, and time-consuming. EMFiT (Electromechanical Film Transducer) mattress sensors might bring new characteristics to decrease the cost and intrusiveness of these tests. In Finland, EMFiT supplements polysomnography (PSG) and cardiorespiratory polygraphy, facilitating clinical diagnoses in hospital and ambulatory settings. Additionally, these sensors can be used for continuous home monitoring, aiding in follow-up or preliminary screenings. This research focuses on understanding the EMFiT signal under different physiological processes. In particular, careful analysis, signal processing, and classification techniques were applied to the EMFiT signal to characterize and detect snoring, PPO, and EMFiT heart pulse (EHP).

The first investigation targeted snoring (SN). Spectral characterization of snoring epochs using the EMFiT mattress sensor was conducted and compared with normal breathing (NB). In addition, mono-sound source separation techniques were employed to separate snoring from breathing and heart signals, aiming to isolate repetitive SN events and obtain their spectral profile. Characterization results were used to train a support vector machine (SVM) and compared with state-of-the-art event detection algorithms using Deep Learning. The second investigation targeted the characterization and detection of EMFiT signal spikes, which are related to the increased respiratory effort present in PPO. The third investigation targeted isolating the heart signals from EMFiT, using a spectral source separation method to obtain a photopletysmography-like signal. The resulting signal, the EMFiT heart pulse (EP), was evaluated against an electrocardiogram (ECG). The study also visualized systolic and diastolic differences in the spectrogram. This study is significant in the sense that the signal appears the same independently of the subject's position.

In conclusion, this research presents methods to detect snoring using the EMFiT mattress as well as new findings. Second, it explores the time characteristics of PPO and proposed breathing asymmetry parameters. Finally, it defines a novel method to obtain the heart pulse independent of position and evaluate its usefulness in estimating heart rate.