Klinische Aspekte der Biosignalverarbeitung von Atmungsparametern in der Schlafmedizin[*]

Zusammenfassung

Polysomnografisch erfasste Biosignale wie Elektroenzephalogramm (EEG), Elektrookulogramm (EOG) und Elektromyogramm (EMG), Atemfluss, Thorax- und Abdomenbewegung, O₂-Sättigung und Puls durchlaufen eine Messkette mit u. a. Verstärkung und Filterung der Messgröße. Durch die Signalbearbeitung wird das ursprüngliche Signal manipuliert, um Informationen zu extrahieren, verschiedene Parameter zu korrelieren und das Signal in verschiedenen Darstellungen zu visualisieren. Die Aufgabe des Klinikers besteht nun darin, aus den ihm zur Verfügung stehenden Informationen bzw. Ergebnissen klinische Rückschlüsse zu ziehen. Dazu sollten die Gerätecharakteristika, speziell die Methodik der Signalbearbeitung durch die Gerätehersteller offengelegt werden und damit überprüfbar sein. In der Übersichtsarbeit wird am Beispiel der O₂-Sättigung die Konsequenz unterschiedlicher Bearbeitungskriterien auf den Apnoe/Hypopnoeindex (AHI) dargestellt. Biosignale wie z. B. der Atemfluss werden auch vermehrt zur Steuerung von Therapiegeräten bei automatischen CPAP-Geräten (APAP) eingesetzt. Allerdings sind die implementierten Algorithmen häufig nicht bekannt und aus den polysomnografischen Aufzeichnungen unter APAP-Therapie nicht direkt ableitbar. In Modelluntersuchungen mit einem Flussgenerator können definierte Flussmuster simuliert werden. Mittels Bench-Tests mit simulierten Apnoen und Wachphasen, die aus der Fluss-Charakteristik diagnostiziert werden, können die Methoden der Signalbearbeitung durch Messung der Druckverläufe überprüft und damit auch für den Kliniker durchschaubar gemacht werden.

Abstract

Biological signals recorded by polysomnography such as electroencephalograms (EEG), electrooculograms (EOG) und electromyograms (EMG), airflow, thoracic and abdominal motions, O₂ saturation and heart frequency pass through a processing chain with amplification and filtering of the measured variables. In the signal processing the original signal is manipulated to extract information in order to correlate various parameters and to visualise the signal in different representations. The task of the clinician is now to take advantage of the information available and to come to clinical conclusions. Therefore the characteristics, especially the methodology of the signal processing in the devices, should be disclosed by the manufacturers and thus be verifiable. In this review for the example of O₂ saturation, the consequence of different processing criteria with regard to the apnea/hypopnea index is presented. Biosignals such as the respiratory flow are also increasingly being used to control therapy equipment for automatic CPAP devices (APAP). However, the implemented algorithms are often not known, and cannot directly be derived from the polysomnographic records under APAP therapy. In model experiments with a flow generator, defined flow patterns can be simulated. Using bench tests with simulated apneas and waking periods, diagnosed from the flow characteristics, the methods of signal processing can be verified by measuring the pressure profiles and made more transparent for the clinician.

1 Erweiterte Fassung eines Vortrags anlässlich der Konferenz „Biosignal 2010” Advanced Technologies in Intensive Care and Sleep Medicine. Chairs: Kurths J, Penzel T, Malberg H, Wessel N. 14. – 16. Juli 2010 Berlin.

Literatur

• 1 Davila D G, Richards K C, Marshall B L et al. Oximeter’s acquisition parameter influences the profile of respiratory disturbances.  Sleep. 2003;  26 91-95
• 2 Iber C, Ancoli-Israel S, Chesson A, Quan S. For the American Academy of Sleep Medicine .The AASM manual for the scoring of sleep and associated events: rules, terminology and technical specifications. 1st ed.. Westchester, IL: American Academy of Sleep Medicine; 2007
• 3 Ruehland W R, Rochford P D, O’Donoghue F J et al. The new AASM criteria for scoring hypopneas: impact on the apnea hypopnea index.  Sleep. 2009;  32 150-157
• 4 Zafar S, Ayappa I, Norman R G et al. Choice of oximeter affects apnea-hypopnea index.  Chest. 2005;  127 80-88
• 5 Redline S, Sanders M. A quagmire for clinicians: when technological advances exceed clinical knowledge.  Thorax. 1999;  54 474-475
• 6 Punjabi N M, Newman A B, Young T B et al. Sleep-disordered breathing and cardiovascular disease: an outcome-based definition of hypopneas.  Am J Respir Crit Care Med. 2008;  177 1150-1155
• 7 Randerath W J, Schraeder O, Galetke W et al. Autoadjusting CPAP therapy based on impedance efficacy, compliance and acceptance.  Am J Respir Crit Care Med. 2001;  163 652-657
• 8 Massie C A, McArdle N, Hart R W et al. Comparison between automatic and fixed positive airway pressure therapy in the home.  Am J Respir Crit Care Med. 2003;  167 20-23
• 9 Farré R, Montserrat J M, Rigau J et al. Response of automatic continuous positive airway pressure devices to different sleep breathing patterns: a bench study.  Am J Respir Crit Care Med. 2002;  166 469-473
• 10 Rigau J, Montserrat J M, Wöhrle H et al. Bench model to simulate upper airway obstruction for analyzing automatic continuous positive airway pressure devices.  Chest. 2006;  130 350-361
• 11 Rühle K H, Karweina D, Domanski U et al. Regulationsverhalten von Auto-CPAP-Geräten während der Simulation von schlafbezogenen Atemflussmustern.  Pneumologie. 2009;  63 390-398
• 12 Guerrero A, Embid C, Farre R et al. Sleep breathing flow characteristics as a sign for the detection of wakefulness in patients with sleep apnea.  Respiration. 2009;  Epub ahead of print: 3. 12. 2009
• 13 Ayappa I, Norman R G, Whiting D et al. Irregular respiration as a marker of wakefulness during titration of CPAP.  Sleep. 2009;  32(1) 99-104

1 Erweiterte Fassung eines Vortrags anlässlich der Konferenz „Biosignal 2010” Advanced Technologies in Intensive Care and Sleep Medicine. Chairs: Kurths J, Penzel T, Malberg H, Wessel N. 14. – 16. Juli 2010 Berlin.