抽象的
为了检查阻塞性睡眠呼吸暂停症患者(OSAHS)的病理学,研究了闭合闭眼期间呼吸运动和呼吸到呼吸变化的非线性性质。
在白天在仰卧位的Osahs和13名对照受试者中进行使用诱导体积描绘使用诱导体积描绘的呼吸运动。为了计算呼吸运动的相关尺寸(D2),应用了草莓和ProCaccia提出的算法。估计呼吸到呼吸变异的指标。为了计算D2和呼吸到呼吸变化,选择了两个不同的段(每次200秒)。
奥沙斯患者呼吸道运动的D2值明显大于对照科目。在呼吸运动的D2的≥2.0的情况下,检测奥沙斯存在的敏感性和特异性分别为85.7%和76.9%。在呼吸到呼吸变异的基础上,奥赫斯患者呼吸运动的呼气时间变异系数明显大于对照受试者的呼吸运动。
综上所述,在清醒时短时间内呼吸运动相关维度的测量可能是鉴别阻塞性睡眠呼吸暂停/低呼吸综合征患者的有用指标。
与睡眠有关的呼吸障碍是一种广泛存在的疾病,其中最严重的形式是阻塞性睡眠呼吸暂停/低通气综合征(OSAHS)。睡眠呼吸暂停通常由多导睡眠描记术诊断。此外,白天过度嗜睡、睡眠不清新、白天疲劳和注意力不集中是主要的主观症状1。对于测量白天的睡意,埃普沃思睡意量表是有用的2。多睡眠等待时间测试被广泛使用,并且通常认为在测试的特定日期提供有效的嗜睡测量3.。然而,有很少的客观指标可以预测在清醒期间的OSHAS存在。
对呼吸模式的评估通常从常规呼吸变量的测量中进行(例如潮量 (VT),吸气(t我)和呼气(tE)次数,呼吸周期时间,(ttot)以呼吸对呼吸为基础。Priban4对呼吸模式中呼吸对呼吸的变异性进行了首次详细的调查。许多研究者使用标准差(sd)或变异系数(CV)作为测量呼吸模式变异性的方法5,6。然而,很少有关于OSAHS患者清醒时呼吸的呼吸对呼吸分析的报道。Kowalliket al。7发现阻塞性睡眠呼吸暂停(OSA)患者的非呼吸暂停间隔比健康受试者有更大的变化,并得出结论,阻塞性睡眠呼吸暂停(OSA)的呼吸不仅以闭塞期间的呼吸中断为特征,而且以正常长度呼吸模式的更大变化为特征。然而,在清醒时,OSA患者与健康受试者之间的峰度没有差异。
最近,非线性分析已应用于生物时间序列的分析。相关尺寸(D2)通常用于描述生物信号的复杂性和非线性结构。脑电图(EEG)的录制8心电图(ECG)9和呼吸运动10- - - - - -13据说有一个基于确定性过程的非线性结构。在之前的一项研究中,本报告的作者通过非线性分析表明,严重OSAHS患者在呼吸暂停睡眠期间的呼吸运动是随机的13。
本研究的目的是检验非线性呼吸和呼吸变异性分析是否能从OSAHS患者闭眼清醒时的特殊呼吸模式中获得信息。
方法
主题
男性OSAHS共14例(年龄44±10岁;呼吸暂停+低呼吸指数:39±15事件·h−1;体重指数(BMI): 29±3 kg·m−2)和13名健康男性志愿者(年龄:42±18 YRS; BMI:28±5千克·m−2)参加了这项研究。在进入研究之前,Osahs患者在一个月内接受诊断夜间多瘤术。肺病,心力衰竭或脑血管疾病的患者被排除在外。所有患者均未用连续的正气道压力处理,并非某种形式的调解。没有患者没有经过手术治疗睡眠呼吸暂停综合征或打鼾。所有正常的志愿者都有正常的睡眠习惯,包括正常睡眠持续时间和时间表,没有日间嗜睡,没有日间午睡习惯,并且是由临床访谈和调查问卷评估的非创新。知情同意是从所有科目获得的,大学伦理委员会批准了这项研究。
试验协议
使用诱导体积描绘的呼吸运动在休息的休息时间内测量,在09:00 H和12:00 H之间的黑暗和安静的房间内闭合仰卧。在记录之前的24-H期间,否则没有受试者含有含咖啡因的酒精或饮料。为了确定受试者在测量期间保持醒来,脑电图被记录(EE2100; Nihon Electronics,Tokyo,Japan),参考位于位置O1,O2,F3,F4,C3和C4的乳突过程(根据国际)10-20系统,具有60-Hz高频滤波器和0.3秒的时间常数)。胸部乐队(Respiband; Nims Inc.,North Bay Village,FL,USA)被应用于环绕胸腔笼,以便测量呼吸运动。在启动录音之前,总共允许10分钟的适应系统。从前10分钟的数据被认为是表示主题适应性,并未分析。胸腔笼的运动被扩增(respisomNography; Nims Inc.)并记录在磁带(A-47录音机;索尼,东京,日本)上,以10 Hz的采样率向数字化,模拟有12位分辨率 -到数字转换器,并存储在计算机中以进一步分析。
数据分析
确定相关维数
根据Eckmann和Ruelle的观点,从所有受试者的呼吸运动时间序列中分析2000个连续无人工制品样本(200 s)的间隔时间,计算D214他报告说,一组数据至少有10个D / 2.在尺寸上需要估计一个维度。根据埃克曼和鲁埃尔的观点14,如本研究中使用的2,000个数据点的间隔可接受用于估计维度。当前作者选择了两种不同的呼吸运动记录段,并使用了从两个不同段获得的D2值的平均值。计算D2的值为原始数据中的呼吸信号计算。呼吸信号的相空间轨迹的一个例子如图1所示⇓,这是由在清醒期间的三维吸引子构成的。来自其中一个受试者的典型示例在图2A中示出⇓,其中对相关积分(cm) r取对数相对呼吸运动显示不同嵌入尺寸(m)的对数r。图2 b⇓显示图2a的曲线的斜率⇓,显示准缩放区域(参见附录)。D2还用于使用Mather方法从原始数据生成的相位随机替代时间序列进行旋转16。
代理数据分析
从原始数据生成代理数据以构建线性随机时间序列。为了研究原始数据的非线性,将通过这些数据获得的D2值与由线性随机过程产生的代理数据的数据进行比较。使用Wilcoxon匹配对符号秩检验进行比较两次序列的D2值。D2值之间的显着差异表明可以拒绝NULL假设(原始时间序列数据是线性的),这意味着原始数据具有非线性结构17,18。
使用常规方法进行呼吸到呼吸变异分析
为了估计呼吸到呼吸的变化,对2000个连续的无人工制品样本(200秒)的间隔进行了检查,以确定每个样本的变化t我,tE和ttot。选取两个数据段进行D2分析。目前的作者定义t我作为一次呼吸的吸气气流开始与下一个呼气的呼气流动开始之间的时间,tE从一次呼吸的呼气气流开始到下一次呼吸的吸气气流开始之间的时间ttot的总时间t我和tE的总和。计算各因子的均值、标准差和CV (CV=sd/均值)。
一般统计方法
所有受试者的值都被估计并总结为平均值±标准差。采用Wilcoxon配对符号秩检验(双侧)比较原始数据和替代数据(Statview;Abacus Concepts, Inc.,加州伯克利,美国)。采用单因素回归和Pearson系数(Statview;Abacus的概念)。p<0.05时认为差异显著。
结果
在呼吸运动的记录过程中,仔细观察患者是否睡着或脑电图控制留下清醒。如果他们睡着了,3分钟后恢复了录音。奥沙斯患者唤醒时间的适当数据为51±25分钟。
闭着眼睛,相关维度和呼吸到呼吸变化
OSAHS患者呼吸运动D2值明显大于对照组(分别为2.49±0.58和1.76±0.32;p < 0.01)。以…为基础t我,tE和ttot,均值和标准差在OSAHS患者与对照组之间无显著性差异。OSAHS患者的CV值明显大于对照组。只有tE对于Osahs患者的呼吸运动显着大于对照组织(P <0.05;表1⇓)。
代理数据分析
表2⇓显示所有受试者中的原始数据和代理数据的D2的值。呼吸运动中D2的值在替代数据中的统计学上显着大于使用Wilcoxon匹配对符号测试(P <0.01)的原始数据。
相关维度与变异系数之间的关系
D2用于呼吸运动与CV显着相关t我,tE或ttot(r=0.50, 0.61, 0.67;分别为p < 0.01;图3⇓)。
讨论
本研究是首个研究OSAHS患者在清醒闭眼时呼吸运动和常规呼吸-呼吸变化的维度的报告。目前的研究表明,D2的计算,结合短期呼吸数据片段(约3分钟),可以用于识别OSAHS患者。
呼吸运动的维度分析
对非线性系统动态的研究不仅可以显示常规行为,而且还具有紊乱的湍流行为具有开创性的新方法,以表征生物过程的信号性质。具有分形动力学的非线性系统(例如调节心率变异性的神经自主机制)在基本条件下表现得似乎远离平衡。一种复杂的可变性,而不是单一的平衡稳态,似乎定义了许多生物系统的自由运行功能19。近年来,非线性动力系统分析技术已被广泛应用于脑电图、心率变异性和呼吸等方面。为了明确脑电图的性质、心率变异性和呼吸运动的相关问题,以及区分不同的生理状态,经常计算D2的测量值。然而,以前也有报道过一些呼吸的非线性量纲分析。一杯啤酒et al。20.通过分析最大Lyapunov指数和相关维数,可以发现睡眠呼吸暂停患者的呼吸状态具有混沌动力学。目前的作者已经表明,严重OSAHS患者在呼吸暂停睡眠期间的呼吸运动是随机的,因为无法获得呼吸暂停睡眠期间呼吸运动的D213。在目前的研究中,在奥沙漠患者和对照受试者中进行呼吸运动的D2在闭着眼睛闭嘴期间计算。目前的作者表明,奥沙赫斯患者唤醒呼吸异常。需要进一步的研究来探讨清醒性期间呼吸异常的原因。
原始数据和替代数据的比较
对D2统计数据的精确解释可能是有问题的。theiler.et al。17发展了“替代数据”的概念,该方法提供了一种方法,通过比较原始数据的D2值和适当构造的替代数据来检验特定的空假设。为了检验呼吸运动时间序列是否具有非线性动力学特征,我们生成替代数据,将替代数据D2与原始数据D2进行比较。如果原始数据的结果与代理数据的结果明显不同,则null假设(即。线性过程可以被拒绝。在本研究中,在原始和替代数据之间发现D2(P <0.05)的统计学显着差异,D2在替代数据中更大。这些结果表明,眼睛闭合的呼吸运动闭合在对照受试者和奥沙漠患者中具有非线性确定性特性。
分析常规呼吸到呼吸的变化
在呼吸对呼吸的基础上,评估呼吸模式的稳定性通常是从测量常见的呼吸变量(例如VT,t我,tE和ttot)。sd或CV被用来衡量呼吸模式的可变性。在醒时呼吸,呼吸对呼吸值的CVVT和t我和tE通常10-30%处于稳定状态吗21。在这项研究中,t我,tE和ttot(均值、标准差、CV)。VT在现有的系统中是无法衡量的。获得的数据与以前的报告相似22,23。显著减少tE在肥胖的科目中观察到22。为了排除肥胖因素,作者招募了bmi匹配的对照组受试者。Carleyet al。24研究了t我,tE以及7例阻塞性睡眠呼吸暂停患者的吸入食管压力的产生。显著的呼吸对呼吸振荡发生在t我,tE和睡眠呼吸暂停综合征重复呼吸时的吸入食管压力。消极的同步t我和tE可能有助于周期性的上部气道崩溃24。与对照受试者竞争时,只有CV (tE)目前的研究患者显着较大。此外,当前作者首先展示了D2和CV之间的关系(t我,tE和ttot) (p<0.01)。这可能提示OSAHS患者在闭眼清醒时呼吸运动的复杂性增加。
奥沙斯和对照科目的比较
与对照组相比,OSAHS患者闭眼清醒时呼吸运动D2明显增大(分别为1.76±0.32和2.49±0.58)。目前作者之前的研究表明,在OSAHS患者中使用鼻持续气道正压可降低复杂性13。在本研究中,可以采取奥赫斯患者的重量大幅增加的重点,以表现出复杂性的增加和呼吸规律性的降低。
这对病态状态非线性分析的估计是有帮助的25- - - - - -27。心房颤动或心室颤动本身的不规则性心室反应代表了确定性心脏混乱28。健康人正常窦性心律期间所见的细微但复杂的心率波动部分可归因于确定性的混沌,而各种疾病,如充血性心力衰竭综合征,可能涉及非线性变异性的反常下降25。在一些心包填塞病例中可观察到QRS轴和振幅的搏动交替26。在这项研究中,作者提出,白天醒来期间对呼吸运动的D2进行分析是一种有用和客观的筛选方法,将患者与正常科目区分开来。
总之,目前的作者推测,通过简要术语推测呼吸运动的录音使得可能客观地检测诊断多面程诊断前的睡眠相关呼吸障碍的存在。但是,需要在坚实的基础上将这种方法进行预期评估。它在初级保健级别的适用性仍有待确定。
附录
Grassberger-Procaccia算法
Grassberger-Provaccia算法是量化生物时间序列的吸引子的维度的方法。该算法尝试确定非线性动力系统的吸引子的尺寸。相关积分CM(R)由以下等式定义: 其中Θ(t)是Heaviside函数(Θ(t)=1,如果t≥0,θ(t)= 0如果t<0);时间序列是×(t我), i= 1,2,3,…;向量X我{x (t我), x (t我+τ.), …, X(t我+ (m−1)τ)},用| x我−Xj|是向量X之间的欧氏距离我和Xj;τ为时滞;m是嵌入维数。Cm(r)表现为r的幂律;那就是: 其中关系指数υ为对数Cm(r)曲线的斜率相对log r。当在原始数据中嵌入尺寸的嵌入尺寸的相关指数的值时,对嵌入尺寸16-20的相关指数的值平均为估计该研究中D2的明确值。计算维度计算的必要条件是用于分析实验数据的相位空间的结构,通常使用Takens的方法15,通过时移方法跨越相空间。相空间的概念是非线性动力学分析的中心29。这意味着通过{×(×)跨越M维相空间t)×(t+τ),...,×[t+ (m−1)τ]}。通过寻找将自相关函数的值降低到初始值的1/e的第一个滞后来选择时间滞后τ30.。呼吸信号被嵌入到相空间中,相空间的嵌入维数增加了2-20。信号嵌入后,使用Grassberger-Procaccia算法计算距离r的相关积分(Cm(r))(图2a)⇑)31。然后将这些曲线的斜率绘制在对数r上(图2b)⇑)。准线性区域的极限由斜率(相关指数)的显示确定。相对log r曲线30.,32。标度区域必须是线性的,本研究原始数据中标度区域的长度为0.4。当相关性指数在嵌入维数16-20的值定义了一个平台时,将这些值平均来估计D2。相关指数定义为log Cm(r)曲线上标度区域范围内的斜率相对Log r用最小二乘拟合这些点12,13,33。如果部分替代数据没有定义高原,则采用与原始数据相同的标度区域(长度,0.4),并使用嵌入维数为16 - 20的平均相关指数作为D2,与原始数据中的D2进行比较。
- 收到了2003年4月20日。
- 接受2004年1月24日。
- ©ERS期刊有限公司