A Single Channel High-Resolution Snoring Signal as a Medical Tool For Obstructive Sleep Apnoea Assessment

Abstract

Obstructive sleep apnoea-hypopnea syndrome is a sleep-related breathing disorder, with a significant worldwide prevalence. Sleep is a human natural recurrent state, which is of critical importance to several processes in the human physiology. A decrease in sleep quality, in the long term, may dangerously unbalanced those processes, leading to the development of diseases. Among the diseases linked with this syndrome are some of the deadliest ones, as in the case of the cardiovascular diseases, and some of the diseases with higher rate values. An example among this group of diseases, is diabetes. Snoring is one the earliest and most common symptoms associated with obstructive sleep apnoea-hypopnea syndrome, and snoring generation is the result of loss of stiffness by the structures of the upper respiratory airway. Several factors may lead to the loss of tissue stiffness and to snoring, but the most common is fat deposits. Snoring follows the evolution of a subject from healthy to the most severe obstructive condition, and its own evolution can deliver interesting results to evaluate obstructive sleep apnoea-hypopnea syndrome. Polysomnography is the gold standard, in sleep medicine, to evaluate sleep and to diagnosis obstructive sleep apnoea-hypopnea syndrome in-laboratory sleep study. Home studies use modfied versions of the gold standard polysomnography or other simpler methods. In-laboratory sleep studies are expensive and first night effect may change results, while at-home sleep studies may lack important data, giving the motivation to study and to develop a reliable solution based in the snoring signal. The purpose of this work was the study of snoring, beginning with data acquisition at the Centro de Medicina do Sono, together with the acquisition of temperature, relative humidity and gauge pressure. Snoring signal processing included snore detection, data synchronization between the high-quality sound signal file and the polysomnography study from the same subject, and feature extraction using different methods. An extensive set of features was calculated from the snores and analysed. Among the most relevant features are time duration, Kurtosis, band power ratio, in out band power ratio, and Shannon entropy. Empirical Mode Decomposition and Synchrosqueezed Wavelet Transform are methods also implemented in the study of snores. The obtained results were compared against the subjects' medical classification group, their medical classification group in terms of obstructive sleep apnoea-hypopnea syndrome severity. The relationship between snoring and the medical classification group returned promising results. Snore's time duration feature shows a consistent increase as obstructive sleep apnoea-hypopnea syndrome worsens. It starts with the lowest value, µ = 1.106s, for the Control group, and it increases always, to µ = 1.178s, µ = 1.227s, µ = 1.368s, and µ = 1.493s. A statistical analysis concludes that all data organized according with the medical classification groups, for this feature, come from different distributions. Shannon entropy feature delivers a linear relation, it increases with the syndrome worsening, when analysing data distribution and its quartiles. This linear relationship is an important remark using parameters wp25c and wp50c. The first parameter, wp25c, has values of 2.539, 4.254, 4.599, 7.967, and 19.938 bits, while wp50c has values of 6.198, 8.233, 10.101, 14.043, and 39.374 bits. Both parameters' values are for increased level of the syndrome's severity. Frequency-domain features also revealed interesting relationships with medical classification groups. Band 8 of both band power ratio and in and out band power ratio features has consistent increased mean values as the syndrome worsens. Band power ratio has median values of 0.006, 0.007, 0.009, 0.013, and 0.019 for band 8, while in and out band power ratio has median values of 0.006, 0.008, 0.009, 0.013, and 0.019. Finally, a new method and almost unused in sleep studies, the Synchrosqueezed Wavelet Transform, decomposed the signal in its most important components, up to 10, and a statistic analysis identified frequencies characteristic of a single medical classification group. Examples of medical classification groups characteristic frequencies are 2996, 1300, 1545, 2320, and 1146 Hz, for Control, Snorer, Mild, Moderate, and Severe group, respectively.

A síndrome da apneia-hipopneia obstrutiva do sono é um distúrbio respiratório do sono, com uma signi cativa prevalência no mundo. O sono é um estado natural e periódico do ser humano, de elevada importância na siologia humana e na homeostasia de diversos órgãos e processos. Perturbações no sono levam a uma diminuição da sua qualidade e a distúrbios no equilíbrio desses processos, que levam ao aparecimento de doenças. Entre as possíveis doenças estão algumas das mais mortais a nível mundial, como por exemplo as doenças cardiovasculares, e as doenças com as mais altas taxas de crescimento, como é o caso da diabetes. O ronco é um dos primeiros e mais comuns sintomas associados com a apneiahipopneia obstrutiva do sono, e a origem do ronco está relacionada com a perda da rmeza por parte das estruturas da via área superior. Existem vários factores que podem contribuir para a perda da rmeza, e que conduzem ao ronco, mas a mais comum está relacionada com o aumento de peso e os depósitos de gordura. O ronco está, normalmente, presente em todas as fases de desenvolvimento apneia-hipopneia obstrutiva do sono, desde que o indivíduo é saudável até à forma mais severa da síndrome. A própria evolução do ronco pode ser uma fonte de informação útil para a avaliação da apneia-hipopneia obstrutiva do sono. A polissonogra a é o estudo de excelência, na medicina do sono, para avaliar o sono e diagnosticar a apneia-hipopneia obstrutiva do sono em ambiente hospitalar. Existem versões modi cadas do estudo de polissonagra a que são realizadas em casa, assim como métodos mais simples de aquisição de apenas 2 ou 3 sinais. Os estudos realizados em laboratório são dispendiosos e existe o efeito de dormir fora do lar na primeira noite que pode contribuir para ter resultados diferentes, enquanto que os estudos realizados em casa podem car privados de informação relevante. Estas observações dão a motivação para o estudo e desenvolvimento de uma solução ável baseada no sinal do ronco. O objectivo deste trabalho consistiu no estudo do ronco, começando pela aquisi ção de dados no Centro de Medicina do Sono em conjunto com a aquisição da temperatura, humidade relativa e pressão. O processamento do ronco incluiu a sua detecção, a sincronização do cheiro áudio do ronco com o estudo de polissonogra a do mesmo indivíduo, a extração de características do ronco usando diversos métodos. Um conjunto extensivo de características foi calculado a partir dos roncos e, posteriormente, analisado. Entre as características mais relevantes estão a dura- ção, Kurtosis, band power ratio, in out band power ratio, e a entropia de Shannon. Os métodos Empirical Mode Decomposition e Synchrosqueezed Wavelet Transform também foram usados no estudo do ronco. As características do ronco foram comparadas com a classi cação médica, de acordo com a severidade da apneia-hipopneia obstrutiva do sono, dada aos indivíduos. As relações entre o ronco e as classi cações médicas deram origem a resultados interessantes. A duração do ronco revela uma evolução consistente à medida que a síndrome da apneia-hipopneia obstrutiva do sono piora. Começa por apresentar um valor médio, = 1; 106 s, mais baixo para o grupo Controlo, e aumenta sempre de um grupo para o seguinte, = 1; 178 s, = 1; 227 s, = 1; 368 s, e = 1; 493 s. A análise estatística conduzida a esta característica, e organizada de acordo com a classi cação médica, revela que todos os grupos vêm de distribuições diferentes. A entropia de Shannon apresenta uma evolução linear, um aumento na entropia corresponde a um agravamento da condição clínica, quando se analisa a distribuição dos dados e dos seus quartis. Esta observação constitui um marco importante, alcançado a partir do uso dos parâmetros wp25c e wp50c. O primeiro parâmetro, wp25c, apresenta valores de 2,539, 4,254, 4,599, 7,967, e 19,938 bits, enquanto que o parâmetro wp50c apresenta valores de 6,198, 8,233, 10,101, 14,043, e 39,374 bits. Os valores apresentados para os dois parâmetros estão ordenados por ordem crescente de severidade da síndrome. As características extraídas no domínio das frequências também deram relações interessantes com os grupos das classi cações médicas. A banda 8 das características band power ratio e in and out band power ratio tem uma evolução consistente com o agravamento da severidade. A característica band power ratio apresenta valores de mediana de 0,006, 0,007, 0,009, 0,013, e 0,019, enquanto que a característica in and out band power ratio apresenta valores de mediana de 0,006, 0,008, 0,009, 0,013, e 0.019. Por m, um método novo e ainda pouco explorado na medicina do sono, a Synchrosqueezed Wavelet Transform, decompões o sinal nas suas componentes mais importantes, até um máximo de 10, e uma análise estatística identi cou frequências características para cada classi cação médica. Um exemplo de uma frequência característica para cada classi cação médica é a frequência de 2996, 1300, 1545, 2320, e 1146 Hz, para o grupo Controlo, Ressonador, Ligeiro, Moderado, e Grave, respectivamente.