楊 昕，王 聰，尚臘梅，周玉彬，秦瑜斐，葉安琦，崔婷婷，郭大龍*

（1.海軍青島特勤療養(yǎng)中心醫(yī)學心理科，山東青島 266071；2.空軍軍醫(yī)大學空軍特色醫(yī)學中心，北京 100142）

0 引言

睡眠是人體的基本生理需求，睡眠時間約占生命的三分之一，良好的睡眠有助于恢復精力、緩解疲勞[1-3]。極端自然環(huán)境、特殊作業(yè)環(huán)境對人的睡眠質(zhì)量會產(chǎn)生很大的影響，甚至導致睡眠障礙，對人的認知功能和工作效率產(chǎn)生嚴重負面影響[4-5]。如在高原地區(qū)，低壓缺氧、干燥寒冷的自然環(huán)境會導致睡眠障礙發(fā)生率增加[6]；在坑道作業(yè)中，作業(yè)人員會面臨潮濕、低溫、空氣質(zhì)量差等環(huán)境，進而誘發(fā)睡眠障礙[7-8]；長期處于艦艇和潛艇航行中可導致艇員的焦慮情緒增加和睡眠質(zhì)量變差，且航行時間愈長，睡眠障礙的發(fā)生率愈高[9-10]。類似的還有熱帶和某些海島的高溫高濕環(huán)境、極地的寒冷干燥環(huán)境等都會導致睡眠質(zhì)量下降[11-12]。因此對特種環(huán)境下的人員進行睡眠監(jiān)測極其重要，只有及時發(fā)現(xiàn)睡眠問題，才能盡早采取干預措施，穩(wěn)定其生理機能，進而提高其工作效率和生活質(zhì)量[13]。

臨床上一般采用多導睡眠監(jiān)測（polysomnography，PSG）設(shè)備來診斷睡眠相關(guān)疾病[14-15]。PSG 設(shè)備按一定頻率采集睡眠全周期生理數(shù)據(jù)，包括腦電、心電（electrocardiograph，ECG）、呼吸、血氧飽和度（SpO2）等，睡眠醫(yī)師再依據(jù)經(jīng)驗進行分析判讀[15]。但PSG 設(shè)備在使用時需要連接大量電極和配件，患者自己無法使用，數(shù)據(jù)分析時還需要專業(yè)的臨床醫(yī)生進行判讀，受到醫(yī)師個人經(jīng)驗的影響，應用場景一般局限于專業(yè)的醫(yī)療機構(gòu)。在特殊的、極端的環(huán)境中一般缺乏醫(yī)護人員，難以實現(xiàn)PSG 設(shè)備的準確佩戴和睡眠數(shù)據(jù)的專業(yè)判讀[16]。

近年來的研究表明，基于人工智能（artificial intelligence，AI）算法可以較準確地實現(xiàn)睡眠自動分期[17-21]。如Fonseca等[19]使用貝葉斯線性判別分類器進行了睡眠三分期和四分期的計算。與此類似的，本研究團隊也曾在ECG 信號中的R-R 間期和呼吸信號中提取了152個特征，實現(xiàn)了睡眠四分期的計算[22]。但上述AI 技術(shù)應用的前提是準確且便捷地采集生理數(shù)據(jù)，可穿戴設(shè)備的發(fā)展則為這一技術(shù)鋪平了道路?？纱┐髟O(shè)備具有低成本、便攜和實時監(jiān)測的優(yōu)勢，這使得它更適合在惡劣的環(huán)境中應用[23]。因此如果將可穿戴設(shè)備和AI 技術(shù)結(jié)合起來，可以更好地實現(xiàn)睡眠的便捷監(jiān)測和自動分期，有望解決特種作業(yè)環(huán)境下人員的睡眠監(jiān)測難題[24]。

基于上述設(shè)想，本文設(shè)計一款基于AI 的可穿戴睡眠監(jiān)測系統(tǒng)——智能睡眠監(jiān)測系統(tǒng)（intelligent sleep detection system，ISDS），旨在自動便捷地實現(xiàn)特種作業(yè)環(huán)境下人員的睡眠監(jiān)測。

1 系統(tǒng)設(shè)計

ISDS 由可穿戴設(shè)備模塊、數(shù)據(jù)處理和存儲模塊及用戶端模塊組成，架構(gòu)圖如圖1 所示。其中可穿戴設(shè)備模塊包括采集盒、呼吸胸帶、ECG 電極、血氧手表等，采集盒在連接呼吸胸帶、ECG 電極、血氧手表后可實現(xiàn)對ECG、呼吸、SpO2等生理數(shù)據(jù)的采集，采集到的數(shù)據(jù)能夠自動存儲到采集盒中。采集盒的內(nèi)存為2 GiB，24 h 不間斷佩戴可以連續(xù)采集5 d 數(shù)據(jù)，12 h 存儲數(shù)據(jù)量約為20 MiB。采集盒中的數(shù)據(jù)能夠通過有線和無線2 種方式傳輸，有線方式是通過數(shù)據(jù)線直接傳輸給計算機，無線方式是通過Wi-Fi 傳輸?shù)接嬎銠C，數(shù)據(jù)傳輸?shù)接嬎銠C后則進入數(shù)據(jù)存儲和分析。數(shù)據(jù)處理和存儲模塊通過數(shù)據(jù)庫和AI 算法實現(xiàn)，負責批量可穿戴設(shè)備同步并行數(shù)據(jù)采集與結(jié)構(gòu)化存儲、實時數(shù)據(jù)處理、AI 算法（包含睡眠分析算法）模型訓練及調(diào)用。用戶端模塊實現(xiàn)可穿戴生理數(shù)據(jù)實時顯示、睡眠數(shù)據(jù)可視化展示、報告管理及打印等。

圖1 ISDS 架構(gòu)圖

本系統(tǒng)通過傳輸控制協(xié)議（transmission control protocol，TCP）、用戶數(shù)據(jù)報協(xié)議（user datagram protocol，UDP）、WebSocket、Web Service 等網(wǎng)絡(luò)協(xié)議實現(xiàn)與可穿戴設(shè)備模塊、用戶端模塊、醫(yī)院信息系統(tǒng)（hospital information system，HIS）以及其他業(yè)務系統(tǒng)的互聯(lián)互通。

1.1 可穿戴設(shè)備模塊

1.1.1 采集盒

采集盒的主要功能為檢測和初步處理數(shù)據(jù)，可獨立工作，內(nèi)置有主控制器、ECG 采集模塊、呼吸采集模塊、三軸加速度傳感器、存儲器、Wi-Fi 通信模塊、藍牙通信模塊、電池、USB 接口等。其中主控制器采用超低功耗的ARM Cortex-M3 MCU（EFM32GG330，Silicon Labs，美國），實現(xiàn)生理信號采集、數(shù)據(jù)存儲、無線通信等功能；ECG 采集模塊用于采集人體ECG信號，采用典型的三電極單導聯(lián)ECG 監(jiān)測技術(shù)，應用ECG 電極提取體表微弱的心電信號，經(jīng)過濾波、放大等信號調(diào)制電路獲得200 Hz 采樣率的ECG 信號；呼吸采集模塊用于采集胸部呼吸信號，采用經(jīng)典的呼吸感應體積描記（respiratory inductive plethysmography，RIP）技術(shù)，通過內(nèi)置導線的呼吸胸帶以25 Hz 的采樣率實現(xiàn)微弱呼吸信號的精準獲取[25]；三軸加速度傳感器采用ADXL345（Analog Devices，美國），能夠以25 Hz 的采樣率進行采樣，輸出為3 個相互垂直軸向的運動信息（三通道信號），可以根據(jù)這些信號計算出佩戴者睡眠時的體動情況。

1.1.2 ECG 電極

ECG 電極采用一體貼片結(jié)構(gòu)，用于采集人體ECG信號，通過按扣形式與采集盒配合使用，信號采集穩(wěn)定且便于安裝和拆卸。

1.1.3 呼吸胸帶

呼吸胸帶用于采集人體胸部呼吸信號。呼吸胸帶采用先進的混紡技術(shù)制作，在彈性良好的彈力帶中織入一根正弦形狀的導線，與采集盒通過卡扣形式配合使用。佩戴時該胸帶緊密地纏繞在胸部，隨著人體呼吸時胸廓的變化，導線所形成的線圈電感量會發(fā)生相應的微小變化，將這種變化記錄下來就得到呼吸運動曲線。

1.1.4 血氧手表等配件

將可穿戴設(shè)備通過藍牙連接采集盒，即可實現(xiàn)對血壓、體溫、SpO2信號的采集，如血氧手表、可穿戴血壓監(jiān)測器?？纱┐髟O(shè)備是可選的，可根據(jù)實際需要靈活設(shè)置。例如，如果要監(jiān)測呼吸睡眠暫?，F(xiàn)象，就應要求用戶在夜間佩戴血氧手表來監(jiān)測睡眠期間的SpO2。

1.2 數(shù)據(jù)處理和存儲模塊

數(shù)據(jù)處理和存儲模塊實現(xiàn)數(shù)據(jù)存儲和數(shù)據(jù)處理功能。ISDS 實時采集人體的生命體征數(shù)據(jù)，每天采集的數(shù)據(jù)量很多，因此數(shù)據(jù)傳輸、接收、存儲及算法設(shè)計將直接影響到整個系統(tǒng)的實時性、準確性、可靠性和穩(wěn)定性。

1.2.1 數(shù)據(jù)存儲

數(shù)據(jù)存儲部分可滿足批量可穿戴設(shè)備數(shù)據(jù)同步并行數(shù)據(jù)采集、監(jiān)測及自動分析以及關(guān)聯(lián)系統(tǒng)數(shù)據(jù)對接，主要采用InfluxDB、MongoDB 和MySQL 3 個數(shù)據(jù)庫。InfluxDB 為時序數(shù)據(jù)庫，用于存儲可穿戴終端設(shè)備數(shù)據(jù)，可實現(xiàn)時間序列生命體征數(shù)據(jù)毫秒級存儲及海量數(shù)據(jù)并發(fā)查詢；MongoDB 為非結(jié)構(gòu)化數(shù)據(jù)庫，用于存儲電子病歷數(shù)據(jù)及AI 算法處理的結(jié)果數(shù)據(jù)；MySQL 為結(jié)構(gòu)化數(shù)據(jù)庫，用于從HIS 中獲取相關(guān)業(yè)務數(shù)據(jù)。3 個數(shù)據(jù)庫的配合使用，可滿足系統(tǒng)對連續(xù)生理數(shù)據(jù)進行分析處理的業(yè)務需求，分析結(jié)果可以根據(jù)需要推送給用戶端模塊進行可視化展示。

1.2.2 數(shù)據(jù)處理

數(shù)據(jù)處理部分主要采用AI 批處理算法對采集到的生理數(shù)據(jù)進行綜合分析，提供睡眠分析、心率變異性分析等服務，滿足特種環(huán)境作業(yè)下的睡眠評估需求。AI 算法采用Python 語言實現(xiàn)，以便于機器學習和深度學習的模型訓練及調(diào)用。

與特種作業(yè)環(huán)境下作業(yè)人員睡眠障礙相關(guān)聯(lián)的AI 睡眠分期算法架構(gòu)如圖2 所示。在第三方數(shù)據(jù)集上采用Python 語言訓練深度學習模型，然后在內(nèi)部數(shù)據(jù)集上對該模型進行微調(diào)[26-27]。先設(shè)置一個30 s 的非重疊觀察窗口來提取生理參數(shù)，然后計算得到基本的特征參數(shù)，再將特征參數(shù)轉(zhuǎn)寫為輸入矩陣導入到16 個單元雙向長短時記憶層，為進行多分類，采用歸一化指數(shù)函數(shù)將神經(jīng)網(wǎng)絡(luò)的輸出轉(zhuǎn)換為概率分布形式，得到輸出層中的各睡眠階段的概率，最終實現(xiàn)睡眠分期的歸類。其中歸類層為具有4 個單元的全連接輸出層，該層的每個單元對應于4 個睡眠階段，分別是覺醒（WAKE）、淺睡眠、深睡眠和快速眼動期（rapid eye movement，REM）睡眠，其中的淺睡眠是指非快速眼動期（non-rapid eye movement，NREM）的前2 個階段（NREM-1 和NREM-2），深睡眠是指NREM 的后2 個階段（NREM-3 和NREM-4）。本研究采用公開的睡眠數(shù)據(jù)庫——睡眠心臟健康研究（sleep heart health study，SHHS）數(shù)據(jù)庫進行模型訓練，SHHS 數(shù)據(jù)庫由美國6 600 名患者的PSG 數(shù)據(jù)組成。本研究將數(shù)據(jù)庫中經(jīng)過臨床專家標注的6 級睡眠階段轉(zhuǎn)換為4 級，即將NREM 中的NREM-1 和NREM-2 合并為淺睡眠，NREM-3 和NREM-4 歸類為深睡眠，REM 和WAKE 不變。

圖2 基于雙向長短時記憶網(wǎng)絡(luò)的AI 睡眠分期算法架構(gòu)圖

考慮到心肺生理信號采集的便捷性以及訓練集數(shù)據(jù)信息維度的限制，僅使用ECG 中的R-R 間期和呼吸信號來提取特征，最終本研究從R-R 間期和呼吸信號中提取了152 個特征來構(gòu)建和訓練模型[17-19]。在訓練階段，本研究還執(zhí)行了五重交叉驗證來測試模型，并選擇了最佳模型來進一步驗證性能。此外，本研究還在持續(xù)收集和整理的內(nèi)部數(shù)據(jù)集上對模型進行微調(diào)[20]。

1.3 用戶端模塊

用戶端模塊包括PC 端和手機端。PC 端包括本地工作站和遠程工作站，采用瀏覽器/服務器（Browser/Server，B/S）架構(gòu)和前后端分離的模式，實現(xiàn)本地基礎(chǔ)數(shù)據(jù)處理和遠程業(yè)務數(shù)據(jù)處理。手機端包括患者手機端App 和醫(yī)生手機端App，采用安卓SDK進行開發(fā)，通過消息隊列遙測傳輸（message queuing telemetry transport，MQTT）消息服務的方式實現(xiàn)患者手機端和醫(yī)生手機端生理數(shù)據(jù)的實時查看和處理。醫(yī)務人員可通過本地工作站、遠程工作站或醫(yī)生手機端App 登錄管理員賬戶查看所有用戶睡眠狀態(tài)及各類分析結(jié)果，患者也可通過手機端App 查看生理狀態(tài)及報告信息。

ISDS 可以連續(xù)監(jiān)測ECG、呼吸波、SpO2、姿勢/活動等生理信號，通過PC 端大屏幕實時集中顯示多個患者的生理信息，如圖3 所示，便于對患者進行高效管理。

圖3 PC 端界面

用戶端模塊不僅能實時顯示生理數(shù)據(jù)，還具備睡眠生理數(shù)據(jù)回顧瀏覽和睡眠報告管理等功能。其中睡眠監(jiān)測報告如圖4 所示，報告內(nèi)容為AI 算法自動分析生成推送到用戶端，用戶也可手動調(diào)整和校準分析結(jié)果，比如去除干擾數(shù)據(jù)等，重新生成報告存儲到本地或進行打印。

圖4 睡眠監(jiān)測報告

2 實驗驗證

為驗證本文設(shè)計的ISDS 的性能以及可靠性，本研究開展了本系統(tǒng)與PSG設(shè)備的對比研究，同時采用這2 種設(shè)備在高原和平原2 種環(huán)境下對睡眠質(zhì)量進行監(jiān)測。

2.1 實驗對象

招募男性志愿者30 人，隨機平均分為平原組和高原組，志愿者均身體健康、無精神疾病史、最近1 a 內(nèi)無失眠狀況、無高原居住及旅行經(jīng)歷。平原組平均年齡為（20.6±3.4）歲，體質(zhì)量為（62.7±5.2）kg，身高為（171±5.6）cm；高原組平均年齡為（20.9±2.9）歲，體質(zhì)量為（61.3±6.9）kg，身高為（172±7.6）cm。志愿者實驗期間及實驗前1 個月內(nèi)不服用任何安眠藥，實驗期間不飲酒、不食用咖啡和茶、作息時間規(guī)律。本研究獲得空軍特色醫(yī)學中心倫理委員會批準，所有納入試驗的人員均簽署知情同意書。

2.2 實驗方法

首先采用ISDS 和PSG 設(shè)備同時在北京的睡眠實驗室（海拔高度為31.6 m，大氣壓為100.07 kPa）對平原組和高原組的志愿者進行預測試。預測試主要用以排除失眠或呼吸睡眠暫停的患者，并且志愿者能夠通過預測試熟悉設(shè)備佩戴方法和實驗環(huán)境。在測試前由護士指導佩戴PSG 設(shè)備和ISDS，并由主試檢查佩戴情況是否符合規(guī)范，然后再進行測試。

隨后對平原組進行正式測試，測試方法和地點與預測試相同。然后組織高原組乘飛機前往拉薩，在到達拉薩后第二天進行測試，測試方法與平原組一致，測試地點的海拔高度為3 710 m，大氣壓為65.25 kPa。

PSG 設(shè)備采用13 導聯(lián)的Embla-Monet 睡眠監(jiān)測系統(tǒng)（邦德安百公司，美國），由長期從事睡眠監(jiān)測的臨床醫(yī)生對數(shù)據(jù)進行手工分期（四分期形式）。

ISDS 則采用胸帶監(jiān)測睡眠，使用時佩戴好胸帶，同時連接好ECG 電極，采用AI 算法進行自動睡眠分期（四分期）。

為驗證AI 算法的準確性，分別計算平原組和高原組睡眠分期的準確率。方法為先將睡眠按照30 s的時間段進行分割，然后以PSG 設(shè)備的監(jiān)測結(jié)果為標準，計算AI 算法分期正確的比例，得到四分類準確率，然后再分別計算在4 個睡眠分期中正確劃分睡眠階段的比例，得到4 個睡眠分期各自的準確率。

此外，為了衡量分類的效果，即評價AI 模型分類結(jié)果和PSG 設(shè)備手工分類結(jié)果的一致性，采用卡帕系數(shù)對分類結(jié)果進行一致性評價[28]。

利用SPSS 19.0 軟件進行數(shù)據(jù)處理，結(jié)果均以xˉ±s表示。首先采用Shapro-Wilk 檢驗判斷數(shù)據(jù)的正態(tài)性，然后采用t 檢驗對定量資料進行統(tǒng)計分析，P<0.05表示差異具有統(tǒng)計學意義。

2.3 結(jié)果

如圖5 所示，在平原和高原環(huán)境下ISDS 采集的數(shù)據(jù)配合AI 算法均能完成睡眠狀態(tài)的監(jiān)測和自動分期，且整體趨勢與PSG設(shè)備加人工分期的方法區(qū)別較小。

圖5 志愿者在平原和高原環(huán)境下的睡眠分期結(jié)果

在平原和高原環(huán)境下分別計算PSG 設(shè)備和ISDS得到的睡眠四分期結(jié)果，詳見表1。此外，在平原組中采用t 檢驗分別對PSG 設(shè)備和ISDS 監(jiān)測得到的4 組睡眠分期結(jié)果進行統(tǒng)計，WAKE、淺睡眠、深睡眠和REM 睡眠對應的P 值分別為0.37、0.88、0.97 和0.95，均大于0.05，即差異沒有統(tǒng)計學意義。在高原組中采用t 檢驗分別對2 種監(jiān)測方法得到的4 組睡眠分期結(jié)果進行統(tǒng)計，P 值分別為0.97、0.60、0.90 和0.09，均大于0.05，差異沒有統(tǒng)計學意義。

表1 平原組和高原組的睡眠分期結(jié)果 單位：min

對高原組和平原組PSG 設(shè)備監(jiān)測得到的4 個睡眠階段（WAKE、淺睡眠、深睡眠和REM 睡眠）分別進行t 檢驗，用于檢測2 種環(huán)境下睡眠分期之間的差異，P 值分別為0.01、0.64、＜0.01、＜0.01，可見對于PSG 設(shè)備的監(jiān)測結(jié)果，高原組和平原組的WAKE、深睡眠和REM 睡眠的時長差異具有統(tǒng)計學意義，在淺睡眠期差異沒有統(tǒng)計學意義。類似的，對ISDS 監(jiān)測得到的4 個睡眠階段進行t 檢驗，得到的P 值分別為0.01、0.60、＜0.01、＜0.01，即高原組和平原組的WAKE、深睡眠和REM 期的時長差異具有統(tǒng)計學意義，而淺睡眠期差異無統(tǒng)計學意義。

此外，為驗證ISDS 監(jiān)測的準確性，本研究又分別計算了高原組和平原組4 個睡眠階段的準確率和卡帕系數(shù)，結(jié)果見表2。其中平原組四分期總的準確率為（75.15±2.10）%，高原組總的準確率略有下降，為（74.69±2.58）%；平原組四分期總的卡帕系數(shù)為0.63±0.12，高原組略有下降，為0.62±0.12。此外，采用t檢驗的方法對平原組和高原組四分期的準確率進行統(tǒng)計分析，得到P=0.60，差異無統(tǒng)計學意義；同樣采用t 檢驗的方法對平原組和高原組四分期的卡帕系數(shù)進行統(tǒng)計分析，得到P=0.75，差異也無統(tǒng)計學意義。

表2 平原組和高原組ISDS 的四分期準確率和卡帕系數(shù)結(jié)果

3 討論

本文設(shè)計的ISDS 僅采用了ECG 和呼吸2 種生理信號進行睡眠分期，簡化了睡眠監(jiān)測的復雜程度，且因利用了AI 的自動睡眠分期方法使得本系統(tǒng)可以不依賴于專業(yè)的睡眠醫(yī)師，更適于復雜而艱苦的特種作業(yè)環(huán)境。

為驗證ISDS 監(jiān)測的準確性，本文在平原和高原2 種環(huán)境下分別進行驗證試驗。由圖5 可知，2 種環(huán)境下AI 算法都能夠得到與人工睡眠分期類似的結(jié)果。結(jié)合表1 結(jié)果，PSG 設(shè)備與ISDS 在平原和高原2個環(huán)境下監(jiān)測得到的睡眠四分期結(jié)果差異均沒有統(tǒng)計學意義，且四分期中的各個分期結(jié)果差異也沒有統(tǒng)計學意義，這說明ISDS 能夠在這2 種不同的環(huán)境下對不同的睡眠質(zhì)量人群實現(xiàn)與PSG 設(shè)備類似的監(jiān)測效果。為測試ISDS 監(jiān)測睡眠分期的準確性，本研究還進行了準確率的計算，由表2 可知，平原組四分期總的準確率為（75.15±2.10）%，高原組總的準確率達到（74.69±2.58）%，盡管高原組準確率略有下降，但都達到了74%以上。參考以往采用ECG 和RIP 進行睡眠分期的AI 算法可知（見表3），三分期的準確率一般為70%～80%，四分期的準確率一般在70%左右，因此本研究提出的算法和系統(tǒng)在準確率上均超過了以往的類似研究[19，32]。另外，以往研究中三分期算法的卡帕系數(shù)一般為0.4～0.6，而本研究設(shè)計的ISDS的卡帕系數(shù)在平原組達到0.63±0.12，在高原組中也達到0.62±0.12，超過了以往四分期和多數(shù)三分期算法的研究[19，32]。盡管從臨床應用的角度，這種睡眠分期的準確率還需要進一步提升，但是已經(jīng)可以滿足初步的睡眠疾病的診斷以及健康監(jiān)測的目的。

表3 睡眠分期模型的效果對比

ISDS 的四分期結(jié)果顯示，在高原環(huán)境下WAKE 期比平原環(huán)境要長，而深睡眠期和REM 睡眠期則要短，這與PSG 設(shè)備的四分期結(jié)果完全一致，說明在高原環(huán)境下ISDS 也得到了類似PSG 設(shè)備加人工判讀的睡眠分期結(jié)果。另外，四分期結(jié)果的準確率和卡帕系數(shù)在平原和高原2 種情況下差異沒有統(tǒng)計學意義，這表明盡管高原環(huán)境造成了睡眠質(zhì)量的下降，但并沒有影響到ISDS 的準確度和分期質(zhì)量，表明ISDS 可在類似的特種環(huán)境中進行自動睡眠分期。但是本研究僅在高原環(huán)境中對ISDS 進行了測試，未來還需要更多特種環(huán)境下的研究來證明其在各種環(huán)境下的有效性。

本系統(tǒng)未來還有很大的拓展空間，例如可將數(shù)據(jù)傳輸?shù)胶蠓降臄?shù)據(jù)庫供專業(yè)的醫(yī)護人員進行進一步的診斷，實現(xiàn)對特種作業(yè)環(huán)境人員的遠程醫(yī)療，可以更好地實現(xiàn)睡眠類疾病的早期診斷和預警，使這些人員具有一定的自我健康管理能力。為了實現(xiàn)上述設(shè)想，還需要更好的硬件系統(tǒng)性能和更完善的AI 算法，需要開發(fā)和探索有效的方法來減少異常值的影響，提高檢測精度，積累更多的數(shù)據(jù)來提高模型性能。

4 結(jié)語

本文設(shè)計的基于AI 的ISDS 可以在便攜、易用的前提下提供自動睡眠分期的判讀，且本研究結(jié)果顯示高原低氧環(huán)境也不會影響它的準確度和分期質(zhì)量，表明ISDS 可在類似的特種環(huán)境中進行自動睡眠分期。但從臨床應用的角度，本系統(tǒng)睡眠分期的準確率還需進一步提升，硬件系統(tǒng)的舒適性還有待優(yōu)化，在進一步改進后未來可廣泛應用于特種環(huán)境下睡眠疾病的診斷和健康監(jiān)測。