评估一种用于识别癫痫患者睡眠体位的生物特征衬衫

《Frontiers in Neurology》：Assessment of a biometric shirt for sleep body position identification in epilepsy

本研究评估Hexoskin生物监测衬衫在癫痫患者睡眠姿势检测中的准确性，通过对比视频分析结果，发现算法在右侧卧（94%）、俯卧（65%）等姿势识别中表现良好，但存在左卧误判（81%）及中间姿态分类模糊的问题，平衡准确率达76%，为后续临床干预提供数据支持。

　　本研究旨在评估Hexoskin生物计量衬衫内置算法在识别癫痫患者睡眠姿势方面的准确性。随着对癫痫相关突发意外死亡（SUDEP）的深入研究，人们逐渐认识到睡眠姿势可能在其中扮演重要角色。特别是，睡姿为俯卧位（prone）或在癫痫发作后仍保持俯卧位，可能增加SUDEP的风险。因此，开发能够实时监测睡眠姿势的可穿戴设备，对于预防这类事件具有重要意义。Hexoskin衬衫是一种集成了多种传感器的智能服装，能够记录心率、呼吸频率以及身体运动情况。其内置的三轴加速度计被用于检测身体姿势，为睡眠姿势的识别提供了新的可能性。本研究在蒙特利尔大学健康中心（CHUM）的癫痫监测单元（EMU）中开展，通过对比设备检测数据与视频记录的“真实”姿势，验证Hexoskin算法的可靠性。

研究对象为10名癫痫患者，他们被要求在研究期间连续佩戴Hexoskin衬衫。研究期间共记录了347小时的睡眠数据，其中包括65个夜晚的视频记录，其中25个夜晚因睡眠剥夺或技术问题被排除。剩余的40个夜晚中，患者的睡眠姿势分布呈现多样性：左侧行躺（left lateral decubitus）和右侧行躺（right lateral decubitus）占据较大比例，分别为34%和33%；仰卧（supine）为31%，俯卧（prone）仅为1%。这一分布与先前研究中观察到的结果相似，表明患者的睡眠姿势具有一定的普遍性。然而，个体之间的睡眠姿势偏好存在显著差异，部分患者主要保持某一姿势，而另一些则在不同姿势间频繁切换。

在研究中，Hexoskin衬衫的算法对不同睡眠姿势的识别准确率有所差异。俯卧姿势的识别准确率为65%，仰卧为75%，右侧行躺为94%，左侧行躺为81%，坐立或站立姿势的识别准确率为65%。整体的平衡准确率（balanced accuracy）为0.76，加权F1分数（weighted F1-score）为0.85。这一结果表明，Hexoskin衬衫在识别睡眠姿势方面表现良好，但仍存在一定的误差。进一步的子分析排除了中间过渡姿势，发现算法在识别俯卧、仰卧和左侧行躺姿势时的准确率有所提升，分别为80%、76%和84%。此时的平衡准确率提高至0.80，加权F1分数提高至0.86，显示出算法在排除模糊姿势后的改进潜力。

研究发现，Hexoskin衬衫在识别某些姿势时存在较高的误判率，尤其是将俯卧或仰卧姿势误判为侧卧（left or right lateral decubitus）的情况。这一现象可能与加速度计的安装位置有关。加速度计被固定在衬衫的右侧，并且位于腰部水平，而非胸部或躯干中央。这种安装方式可能导致算法对某些姿势的识别不够精确。例如，由于设备未居中安装，其初始方向可能因患者腰部尺寸的不同而有所变化。此外，夜间衬衫可能会因腰部的扭动而发生位移，影响数据的准确性。这种局限性也解释了为何仰卧和俯卧姿势的识别准确率低于侧卧姿势。相比之下，当加速度计安装在胸部时，其检测精度更高，这表明设备的安装位置对姿势识别具有重要影响。

在与其他可穿戴设备的比较中，研究团队发现了一些关键差异。例如，Yoon等人在2015年的一项研究中使用了贴片式设备中的三轴加速度计，通过与多导睡眠图（PSG）传感器的数据对比，报告了99.16%的识别一致性和0.98的Cohen’s kappa值。然而，该研究采用的是30秒的滑动窗口分析，且仅在单个夜晚进行，这可能限制了其对睡眠姿势变化的捕捉能力。相比之下，本研究对每秒的睡眠姿势进行了系统分析，不仅涵盖了更长的睡眠时间，还记录了更多的姿势转换，提供了更为全面的数据。此外，Ferrer-Lluis等人曾尝试使用智能手机加速度计监测睡眠姿势，但在某些姿势（如俯卧）的识别上表现不佳，这可能与数据采集时间较短以及缺乏视频验证有关。

同样，2022年Kukwa等人对Clebre无线颈部音频-运动传感器进行了评估，发现其在识别仰卧、俯卧和侧卧姿势时的准确率较高，分别达到96.9%至98.6%。然而，该研究仅分析了四种主要姿势，且数据采集时间较短，限制了其在复杂睡眠姿势识别上的适用性。相比之下，Abdulsadig等人使用了两种方法对颈部加速度计进行测试，分别采用阈值模型和机器学习算法，结果显示在严格控制的条件下，这些方法的识别准确率接近完美。然而，这些研究的方法学差异较大，使得它们与本研究的比较变得困难。

本研究的一个显著优势在于其在医院环境中的实际应用测试。由于研究是在EMU中进行，患者在监测期间的睡眠姿势受到严格记录和分析，这有助于评估设备在真实场景下的性能。然而，医院环境可能会影响患者的睡眠习惯，例如，患者可能因环境陌生或不适而选择特定的姿势，或者因监测设备的限制而减少姿势转换的频率。尽管如此，研究的主要目的是评估Hexoskin衬衫内置算法的可靠性，而非探讨患者在特定环境下的睡眠偏好。因此，研究结果仍具有一定的参考价值。

另一个值得关注的方面是设备的舒适性和可穿戴性。所有参与者在佩戴Hexoskin衬衫后均未报告任何不适或副作用，表明该设备在日常使用中具有良好的耐受性。这种特性对于长期监测尤为重要，因为癫痫患者通常需要持续的数据采集，以识别潜在的高风险行为。此外，Hexoskin衬衫的可穿戴性使其适用于不同场景，包括家庭环境，这为未来的临床应用提供了可能性。

研究还提到，尽管当前的算法在识别睡眠姿势方面表现良好，但其在癫痫发作后的表现仍需进一步验证。强直-阵挛性癫痫发作可能导致加速度计的位移，从而影响姿势识别的准确性。然而，该研究团队之前已经证明Hexoskin衬衫能够可靠地检测癫痫发作，因此即使在发作后，设备仍可以及时发出警报或触发干预措施，从而减少潜在风险。这种能力使得Hexoskin衬衫不仅在监测睡眠姿势方面具有价值，还能在癫痫发作时提供额外的安全保障。

此外，研究还指出，虽然当前的算法已经显示出一定的潜力，但仍有改进空间。例如，将加速度计安装在躯干中央，而非腰部，可能会提高俯卧和仰卧姿势的识别准确率。这一改进可能有助于更精确地捕捉与SUDEP和睡眠呼吸障碍（如睡眠呼吸暂停）相关的姿势变化。同时，研究团队建议未来可以探索更复杂的算法，以处理过渡姿势和多维度的姿势识别，从而进一步提升设备的临床实用性。

本研究的局限性之一是样本量较小，仅包括10名患者。尽管研究获得了接近350小时的睡眠数据，但小样本可能导致结果的代表性不足。此外，研究仅在医院环境中进行，未能充分评估设备在家庭环境中的表现。因此，未来的研究应扩大样本规模，并在不同环境下进行测试，以确保算法的广泛适用性。同时，研究未进行正式的统计功效分析，这也是未来需要补充的部分。

总的来说，本研究为Hexoskin衬衫在癫痫患者睡眠姿势监测中的应用提供了初步证据。虽然设备在某些姿势的识别上仍存在误差，但其整体表现已经显示出良好的潜力。研究团队认为，通过进一步优化设备的安装位置和算法设计，Hexoskin衬衫可以成为一种有效的工具，用于识别高风险睡眠姿势，并提供及时的干预建议。未来的研究可以探索其在家庭环境中的应用，以及如何通过与移动应用程序的集成，实现更便捷的实时监测和数据可视化。这将有助于癫痫患者及其护理者更好地管理睡眠姿势，从而降低SUDEP等严重并发症的风险。