[论文解读] A Review of the Non-Invasive Techniques for Monitoring Different Aspects of Sleep

Zawar Hussain, Quan Z. Sheng+3 more|arXiv (Cornell University)|Apr 27, 2021

Non-Invasive Vital Sign Monitoring参考文献 75被引用 6

一句话总结

本文综述了2015年至现今的非侵入性、居家睡眠监测技术，涵盖使用可穿戴设备和无设备传感器进行睡眠阶段分类、体位识别、睡眠障碍检测及生命体征监测。文章评估了10项关键性能指标，识别研究空白，并倡导建立标准化、公开可用的数据集，以推动基于机器学习的低成本、长期睡眠监测解决方案的发展。

ABSTRACT

Quality sleep is very important for a healthy life. Nowadays, many people around the world are not getting enough sleep which is having negative impacts on their lifestyles. Studies are being conducted for sleep monitoring and have now become an important tool for understanding sleep behavior. The gold standard method for sleep analysis is polysomnography (PSG) conducted in a clinical environment but this method is both expensive and complex for long-term use. With the advancements in the field of sensors and the introduction of off-the-shelf technologies, unobtrusive solutions are becoming common as alternatives for in-home sleep monitoring. Various solutions have been proposed using both wearable and non-wearable methods which are cheap and easy to use for in-home sleep monitoring. In this paper, we present a comprehensive survey of the latest research works (2015 and after) conducted in various categories of sleep monitoring including sleep stage classification, sleep posture recognition, sleep disorders detection, and vital signs monitoring. We review the latest works done using the non-invasive approach and cover both wearable and non-wearable methods. We discuss the design approaches and key attributes of the work presented and provide an extensive analysis based on 10 key factors, to give a comprehensive overview of the recent developments and trends in all four categories of sleep monitoring. We also present some publicly available datasets for different categories of sleep monitoring. In the end, we discuss several open issues and provide future research directions in the area of sleep monitoring.

研究动机与目标

• 提供2015年至今非侵入性、居家睡眠监测技术的全面、最新综述，重点关注四个核心方面：睡眠阶段、体位、障碍及生命体征。
• 在准确性、可用性及长期可行性等方面，对比可穿戴与非可穿戴（无设备）方法在10项关键性能指标上的表现。
• 识别关键研究空白，特别是缺乏公开可用、多样化且具备基准质量的非PSG、非临床睡眠监测数据集。
• 倡导开发专用于睡眠的设备，并鼓励数据共享，以支持可复现、可扩展的睡眠监测研究。
• 通过阐明长期监测挑战、机器学习在边缘设备上的部署问题以及非临床解决方案的临床验证难题，激发未来研究。

提出的方法

• 对2015年至今在睡眠阶段分类、体位识别、睡眠障碍检测及生命体征监测领域发表的同行评审研究进行系统性文献综述。
• 将技术分类为可穿戴（如智能手表、心电图贴片）与非可穿戴（如WiFi、雷达、压力传感器）两类，适用于居家使用。
• 基于10项关键因素评估每项研究：准确性、敏感性、特异性、F1-score、实时处理能力、用户舒适度、成本、可扩展性、隐私保护及长期稳定性。
• 分析机器学习在睡眠监测中的应用，包括面向低资源可穿戴设备部署的特征工程与模型优化。
• 整理并审查公开可用的数据集，突出非PSG、非临床及非侵入式监测数据的稀缺性。
• 提出利用众包与数据共享激励机制作为解决方案，以缓解数据稀缺问题并提升模型泛化能力。

实验结果

研究问题

• RQ1 使用可穿戴与非可穿戴传感器进行非侵入性、居家睡眠阶段分类的最有效技术是什么？
• RQ2 可穿戴与非可穿戴方法在睡眠体位与活动监测中的准确性、可用性及长期可行性方面如何比较？
• RQ3 当前利用非侵入式传感技术检测睡眠障碍（如呼吸暂停、失眠）存在哪些局限性？机器学习如何提升检测效果？
• RQ4 为何缺乏公开可用、标准化的非PSG、非临床睡眠监测数据集？这一差距应如何弥补？
• RQ5 在低功耗可穿戴设备上持续、实时部署机器学习模型面临哪些主要挑战？

主要发现

• 非侵入性可穿戴与非可穿戴技术在睡眠阶段分类方面表现出日益提升的准确性，部分基于机器学习的系统在基准数据集上的F1-score已超过0.85。
• 基于WiFi、雷达与地板传感器的无设备方法在体位识别与活动追踪方面表现优异，尤其适用于长期监测场景。
• 尽管已有进展，大多数非侵入式系统仅在短期（单夜）监测中进行评估，限制了其在慢性疾病早期检测中的潜力。
• 在非PSG、非临床睡眠监测领域，公开可用、多样化且标准化的数据集存在严重研究空白，仅有少数研究（如[56]、[24]、[89]）发布数据。
• 机器学习被越来越多地用于提升检测准确性，但模型复杂度仍是电池供电可穿戴设备实时部署的主要挑战。
• 迫切需要专用于睡眠的设备，而非复用通用活动追踪器，因为专用设备在用户接受度与长期依从性方面显著更高。