Мониторинг ночного сна человека является ценным методом исследования, используемым как в медицинских исследованиях сна, так и в физиологических. Обычно подобные исследования проводятся в лабораторных условиях и представляют собой регистрацию полисомнограммы (ПСГ). С одной стороны, это позволяет контролировать условия эксперимента вместе со множеством физиологических параметров, но с другой стороны имеет ряд недостатков. Во-первых, длительное время набора данных, поскольку за одну ночь в лаборатории, как правило, может проходить исследование только один испытуемый. Это сильно затягивает сроки исследований, дизайн которых требует использования популяционной статистики, а значит, больших объемов выборки. Во-вторых, в случае испытаний технических устройств, например, для неинвазивного лечения инсомнии, — отличие условий эксперимента от условий потенциального использования.

Избежать этих недостатков можно за счет использования индивидуальных носимых устройств (ИНУ, холтеров). Оптимальное решение — это ИНУ, способное вести запись хотя бы одноканальной электроэцефалограммы (ЭЭГ) наряду с электроокулограммой (ЭОГ), что позволило бы приблизиться к золотому стандарту исследования сна. Но этот путь тоже имеет свои недостатки: неудобство для повседневной деятельности испытуемого, связанное с креплением электродов к голове; высокое энергопотребление таких устройств, требующее ношения помимо самого устройства еще и достаточно емкого источника питания; высокая их цена, сильно затрудняющая массовые исследования.

Поэтому уже не первый год внимание исследователей обращено к ИНУ, способному регистрировать электрокардиограмму (ЭКГ) и положение тела человека (при помощи акселерометра). Их называют еще «актиграфы». Такие устройства компактны, не вызывают дискомфорта при ношении, энергоэффективны и относительно дешевы. Они неплохо справляются с выделением состояния сна на фоне суточной активности человека (это делается автоматически средствами прилагаемого программного обеспечения). Однако точность определения фаз и стадий сна у подобных устройств даже исследовательского уровня до сих пор оставляет желать лучшего. Но в более простых (потребительских) устройствах стадирование сна осложняется еще и высокой зашумленностью данных в сочетании с низкой частотой их дискретизации и разрядностью.

По поводу текущего состояния исследований, связанных с актиграфическим анализом сна человека, можно сказать, что таких работ публикуется много. Если взять период с 2021 по 2025 гг., то запрос hrv metrics through sleep stages в Google Scholar выдает примерно 16900 ссылок на 01.02.2025. Тем не менее лишь немногие из ИНУ, претендующие на возможность стадирования сна, прозрачны в плане стороннего анализа использованных в них технологий и алгоритмов [1]. Еще меньше устройств, проверенных на соответствие их результатов золотому стандарту ПСГ на достаточно объемных выборках, с использованием современных показателей эффективности (например, каппа-коэффициента Коэна).

К немногим работам, где это условие выполнено, относится исследование E.D. Chinoy и соавт. [2], в котором сравнивается точность стадирования семи потребительских актиграфов с ПСГ. Согласно выводам исследователей, по сравнению с ПСГ рассмотренные устройства определяют фазы сна плохо, стабильно занижая или завышая количество быстрого сна («быстрые движения глаз», БДГ) и глубокого сна.

В работе NI.YN. Chee и соавт. [3] приведен сравнительный анализ двух широко известных устройств, потребительского Oura ring (версии 1.36.3) и профессионального Actiwatch-2 (версии 6.0.9), с ПСГ. В тестировании участвовали 53 испытуемых, с каждым из которых были сделаны несколько записей длительностью 6,5; 8 или 9 ч. По сравнению с ПСГ Oura ring недооценивало общее время сна (ОВС) в диапазоне от 32,8 до 47,3 мин. У Actiwatch-2 эти цифры составили от 25,8 до 33,9 мин. Время БДГ-сна Oura ring недооценивало в диапазоне от 12,8 до 19,5 мин, а легкого сна — от 51,1 до 81,2 мин. При этом время бодрствования после засыпания (англ.: WASO) было, наоборот, переоценено от 30,7 до 46,3 мин, а глубокого сна (стадия N3) — от 31,5 до 46,8 мин.

В работе M. Altini и соавт. [4] протестированы 106 испытуемых, для которых произведено в общей сложности 440 записей ночного сна также с помощью Oura ring версии Gen2M. Точность 4-уровнего стадирования (бодрствование, легкий сон, глубокий сон и БДГ-сон) по сравнению с ПСГ составила 79%. При этом помимо данных пульсо- и акселерометрии использовали данные температуры тела. Таким образом, вопрос об адекватном анализе процесса сна с помощью ИНУ на основе ЭКГ и акселерометра на сегодняшний день остается актуальным.

Также кратко напомним принципы отслеживания вегетативной нервной деятельности, лежащие в основе актиграфии. Прямое исследование вегетативных нервных функций является инвазивным, поэтому его обычно избегают. К счастью, важную информацию можно получить по реакции конечных органов в целом и по вариабельности сердечного ритма (ВСР) в частности. Под ВСР понимают временну́ю изменчивость расстояний между двумя соседними R-зубцами ЭКГ (RR-интервалов).

Широко распространены такие стандартные методы исследования спектральных (англ.: frequency-domain) параметров ВСР как преобразование Фурье и авторегрессия. Они позволяют получить важную информацию о центральной вегетативной регуляции [5]. В спектре мощности ВСР обычно выделяют низкочастотный (LF) компонент в диапазоне (0,04—0,15 Гц), который (в положении лежа) отражает как симпатические, так и парасимпатические влияния на синусовый узел, и выраженный высокочастотный (HF) компонент, с пиком в районе частоты дыхания (0,15—0,5 Гц), который опосредован преимущественно парасимпатической активностью. Оценка вегетативного, или симпатовагального, баланса была определена как соотношение LF/HF [6]. Более медленные колебания ВСР в диапазоне 0,005—0,04 Гц, известные как очень низкие частоты (VLF), объясняются вазомоторной регуляцией, терморегуляцией и эффектами ренин/ангиотензина [7, 8]. Они могут, по крайней мере частично, зависеть от умственной или физической активности [9]. Таким образом, VLF, LF, HF и соотношение LF/HF позволяют достоверно оценивать вегетативную регуляцию сердечной деятельности.

Также используют так называемые «временны́е» (англ.: time-domain) характеристики ВСР. Среди них распространено SDNN — среднеквадратичное отклонение RR-интервалов ЭКГ от среднего значения (дисперсия), вычисленное на 5-минутных промежутках времени. Обычно временны́е характеристики ВСР более стабильны по времени наблюдения, нежели спектральные. Некоторые авторы приводят гораздо более широкий набор характеристик ВСР [10—11] и их классификацию, но в нашем исследовании оставлены только самые необходимые.

Применительно к процессу сна полезными могут быть данные о том, что соотношение LF/HF снижается в глубоком сне, что связано с высокими значениями HF на этих стадиях (и отражает повышенную активность периферической ветви ВНС). При этом LF/HF во время БДГ-сна, наоборот, растет вследствие роста симпатического влияния [12].

Помогает при анализе также знание закономерностей периодического изменения частоты сердечных сокращений (ЧСС) в процессе сна. Эти закономерности давно известны и рекомендуемы в качестве дополнительного источника информации в ходе стандартной процедуры стадирования сна. Немного упрощая ситуацию, можно сказать, что ЧСС снижается наряду с SDNN по мере углубления сна, т.е. при переходах стадий W — N1 — N2 — N3. В то же время ЧСС и SDNN повышаются при наступлении БДГ-сна. ЧСС во время фазы БДГ выше и менее регулярна, чем во время медленного сна [13—15].

Цель исследования — изучить влияние экзаменационного стресса на параметры ночного сна, которые можно вычислить на основе данных электрокардиограммы (ЭКГ) и акселерометра.

Материал и методы

В эксперименте приняли участие 29 студентов Медицинского института Российского университета дружбы народов (8 мужчин, 21 женщина). Средний возраст — 20,1±1,1 года.

Критерии включения: студенты мужского и женского пола.

Критерии невключения: отсутствие добровольного информированного согласия на участие в исследовании.

С каждым из участников было проведено по 2 суточных исследования. Начало записи соответствовало времени от 15 до 18 ч, конец — от 12 до 14 ч следующих суток. Первая запись осуществлялась на фоне относительно умеренных семестровых нагрузок (в ноябре), вторая — во время экзаменационной сессии, за сутки до экзамена и во время него (в январе).

Экспериментальное устройство (далее — ИНУ) было разработано и выполнено на основе доработанного автором Д.Н. Кузнецовым прототипа на базе контроллера NodeMCU-32S. В комплекте с аккумулятором устройство имеет размеры 12×15×2,5 см, массу 190 г и обеспечивает возможность как минимум суточной записи на SD-карту сигнала ЭКГ и трех каналов акселерометра, с частотой дискретизации 500 Гц и разрядностью 8 бит. Данные хранятся на SD-карте в виде 10-минутных фрагментов в текстовом формате.

Это ИНУ крепили на испытуемых, одетых в хлопчатобумажные футболки, спереди в области грудины с помощью перекрещивающихся на груди и спине текстильных лямок, которые обеспечивали плотное прилегание к грудной клетке. Для регистрации кардиоритма и записи ЭКГ использовали одноразовые клейкие электроды для холтеровского мониторирования, к которым на защелках присоединяли соединительные экранированные провода от ИНУ. Провода длиной до 40 см выводили через горловину футболки к устройству. Сигнал ЭКГ снимали с помощью биполярного отведения с положительным электродом в четвертом межреберье по среднеключичной линии слева и отрицательным электродом, установленным по правому краю рукоятки грудины. Электрод заземления помещали в четвертом межреберье по среднеключичной линии справа.

От каждого из испытуемых было получено информированное добровольное согласие на участие в исследовании. Все процедуры соответствовали этическим стандартам национального комитета по исследовательской этике и Хельсинкской декларации 1964 года и ее последующим изменениям, или сопоставимым нормам этики.

Обработка и визуализация полученных данных были произведены с помощью пользовательских команд на языке Python 3.9 с использованием модулей mne-python [16], neurokit2 [17], seaborn [18], pyedflib [19], scipy [20]. Порядок вычислений был следующий:

1. Преобразование исходного набора данных в пригодный для просмотра и редактирования формат, т.е. *.edf.

2. Фильтрация данных акселерометра и выделение периода сна. Исходные данные акселерометра были сильно зашумлены, поэтому их предварительно сглаживали скользящим окном 4 с, после чего период сна на суточной записи выделяли визуально (рис. 1).

Рис. 1, а. Метод выделения периода сна из оригинальной записи, преобразованной в формат *.edf.

а — изначально зашумленный сигнал акселерометра. По вертикальной оси можно видеть сигнал ЭКГ и сигналы трех осей акселерометра (x, y, z). По горизонтальной оси — время записи.

Рис. 1, б. Метод выделения периода сна из оригинальной записи, преобразованной в формат *.edf.

б — тот же сигнал после удаления шума. В этом случае хорошо виден период сна, который можно выделить с точностью до минут. По вертикальной оси можно видеть сигнал ЭКГ и сигналы трех осей акселерометра (x, y, z). По горизонтальной оси — время записи.

3. Выделение последовательности R-зубцов и проверка ее на отсутствие систематических ошибок. Для вычисления параметров ВСР необходимо извлечь из оригинальной записи ЭКГ временну́ю последовательность R — зубцов. С этой целью был использован алгоритм ecg_peaks [21] модуля neurokit2. Правильность расстановки меток зубцов затем проверялась визуально для выявления систематических ошибок.

4. Разметка артефактов ЭКГ. На суточной записи холтера могут быть артефакты в первую очередь вследствие нарушения контакта электродов с телом испытуемого. Небольшие по времени артефакты, как правило, устраняются встроенными средствами neurokit2. Но длительные артефакты необходимо отмечать вручную во избежание ошибок вычисления параметров ВСР.

5. Вычисление избранных параметров ВСР для выделенных (п. 2) состояний сна и бодрствования. Описано ниже в подразделе «Анализ параметров ВСР».

6. Вычисление параметров двигательной активности на выделенном (п. 2) периоде сна. Описано ниже в подразделе «Анализ двигательной активности во сне».

Анализ параметров ВСР. Для каждого испытуемого были вычислены следующие параметры ВСР:

1. LF/HF — вегетативный баланс.

2. TP — общая мощность спектра ВСР (0,0033—1,5 Гц).

3. LF_norm — процентная доля мощности LF в общей мощности спектра TP (т.е. LF/TP×100%).

4. HF_norm — процентная доля мощности HF в общей мощности спектра TP (т.е. HF/TP×100%).

5. HR — среднее значение ЧСС.

6. SDNN — дисперсия RR-интервалов.

TP включает диапазон VLF, значения мощности которого здесь не приводятся, но легко могут быть вычислены как:

Каждый параметр был подсчитан для четырех комбинаций условий эксперимента: учебного времени (семестр/сессия) и состояния испытуемого (бодрствование/сон). Для этого на основе полученной на описанных выше этапах 3 и 4 последовательности RR-интервалов вычисляли ее Фурье-спектр в диапазоне 0,0033—2 Гц. Вычисление вели методом периодограмм Уэлша с окном 300 с (5 мин) без перекрытий, после предварительной интерполяции с частотой 4 Гц и вычитания постоянной составляющей сигнала.

В качестве показателей двигательной активности во сне были взяты индекс активации (среднее число моментов снижения глубины сна за 1 ч) и средняя энергия низкоамплитудной двигательной активности (E_move). Надо заметить, что способ вычисления индекса активации (англ.: Arousal Index, AI), используемый в данной работе, отличается от классической процедуры. Обычно момент активации фиксируется с контролем на ЭЭГ, но в нашем случае она отсутствует, поэтому в качестве маркеров событий использованы исключительно пики двигательной активности. Процедура их определения была следующая:

1. Вычисление мгновенной скорости (математической производной):

для каждого отсчета s_i сглаженных данных по трем осям акселерометра (т.е. v_x, v_y, v_z).

2. Вычисление средней по осям кинетической энергии движения:

Дело в том, что акселерометр в данном ИНУ является, по сути, датчиком положения. Поэтому для вычисления величины, пропорциональной энергии движения, необходимо взять производную его показаний и возвести в квадрат.

3. Сглаживание полученной величины с окном 30 с. В результате получаем временну́ю последовательность энергии E(t_i) как на рис. 2.

Рис. 2. Так определяли пики временнóй последовательности энергии движений во сне для вычисления AI.

По вертикальной оси — энергия двигательной активности (канал «Movement») и ЧСС (канал «HR»). По горизонтальной оси — время сна. Обращает на себя внимание совпадение пиков энергии и всплесков ЧСС, тоже в виде пиков.

4. Подсчет количества пиков N этой энергии за общее время сна T, который проводился автоматически (см. также рис. 2). Минимальная высота учитываемого пика была определена как

E_min=32·σ_E,

где σ_E — дисперсия вышеупомянутой энергии движений E(t) за время сна. Такие пики соответствуют высокоамплитудным движениям во сне, например, переворачиваниям с боку на бок, и почти всегда связаны со снижением глубины сна. Таким образом, индекс активации получается как

Что касается E_move, то процедура вычислений следующая:

1. Используем полученную в результате предыдущей процедуры временну́ю последовательность энергии:

Но в данном случае устанавливаем не минимальную, а максимальную высоту пика:

E_max=2·σ_E,

косвенно ограничивая таким образом допустимую амплитуду движений.

2. Вычисляем среднюю энергию:

Основной статистической гипотезой было достоверное отличие параметров ВСР и двигательной активности во сне в период обучения и в сессию (фактически, это несколько независимых гипотез). В качестве критерия достоверности использован тест Стьюдента для связанных выборок. Уровень отклонения нулевой гипотезы принят равным 0,05.

Результаты и обсуждение

Результаты проверки гипотезы приведены в таблице. У одного испытуемого произошел сбой регистрации данных во сне, поэтому объем выборки для условия «сон» на одного человека меньше. Спектральные параметры перед сравнением были дополнительно прологарифмированы.

Сравнение спектральных и временны́х параметров вариабельности сердечного ритма для условий «семестр» и «экзамен»

Примечание. p — уровень статистической значимости; * — уровень статистической значимости p<0,05; ** — уровень статистической значимости p<0,01.

Авторы предлагают следующую трактовку полученных результатов.

Статистически значимое смещение вверх вегетативного баланса перед экзаменом наряду с достоверным снижением HF_norm, явно свидетельствует об усилении центрального влияния на вегетативную нервную систему (ВНС), вызванного стрессом. Причем это явление наблюдается как в состоянии бодрствования, так и во сне (см. таблицу). Есть параметр, который сильно изменился в бодрствовании, но не во сне — TP (p<0,01). Это можно объяснить, основываясь на выводах L. Bernardi [9], снижением перед экзаменом физической активности за счет умственной. Есть и параметр, который достоверно отличался только во сне: это SDNN. В период сессии он снизился, а это объяснить уже сложнее. Дело в том, что при условии вычислений на последовательных 5-минутных интервалах SDNN снижается во время глубоких стадий (N3). Можно, конечно, предположить, что перед экзаменом доля N3 была выше за счет меньшего общего времени сна (его среднее значение составило 5,2±2,5 ч перед экзаменом против 8,0±2,8 ч в семестре, p=7·10^-4). Но в глубоком сне снижается и ЧСС, а средняя ЧСС сна в нашем исследовании выросла, причем существенно (p=0,06). Поэтому, возможно, дело во влиянии на SDNN как и на ЧСС, каких-то медленно изменяющихся факторов, например, термо- и вазомоторной регуляции, которые связаны с умственной активностью и, наряду с SDNN, коррелируют с параметром VLF [10]. Такое влияние проявляется при усреднении SDNN по большим промежуткам времени [10], что имелось в нашем случае. Однако это предположение требует дополнительной проверки.

Еще наблюдается не очень впечатляющее (95 против 90 уд/мин), но тем не менее очень достоверное (p<10^–3) и логичное увеличение средних показателей ЧСС бодрствования в сутки перед экзаменом по сравнению с периодом обучения. Во сне это различие тоже наблюдается (69 против 64 уд/мин), но на уровне тенденции (p=0,06). Необходимо отметить, что сделанные выше выводы основаны на косвенной логике, построенной на связи стресса с угнетением активности периферической ВНС. Верификация уровня стресса с помощью химического анализа или психологического анкетирования в данной работе не проводилась.

Еще один возможный вопрос касается точности приведенного выше метода определения общего времени сна. К сожалению, дизайн данного исследования не предусматривал параллельной регистрации ПСГ. Но на основе экспертного анализа визуальных отличий актиграфической картины сна и бодрствования (рис. 1, 2) авторы оценивают эту точность в несколько минут, исходя из характерного времени изменения двигательной активности, а также ЧСС при засыпании и пробуждении. В подавляющем большинстве публикаций по актиграфии сна использован другой подход, с упором на алгоритмы машинного обучения. Если, например, взять работу NI.YN. Chee и соавт. [3], то там указана систематическая недооценка общего времени сна у Actiwatch-2 от 25,8 до 33,9 мин, а у Oura ring — 32,8 to 47,3 мин. В работе D.J. Miller и соавт. [22] тоже приведена ошибка автоматизированного определения общего времени сна у шести актиграфов, включая Oura ring. И тоже она составляет десятки минут. Вряд ли наша визуальная оценка давала ошибку больше. В актиграфии принято использовать автоматизированный анализ сна, поскольку на его основе выпущено много коммерческих устройств. Но для научных исследований это не лучший подход. Вспомним, что для верификации точности вышеупомянутых актиграфов используют именно визуальный анализ ПСГ.

Сравнение средней энергии низкоамплитудных движений во сне E_move для условий «семестр» и «экзамен» показано на рис. 3. Очевидно, что для всех интервалов сравнения длиной от 0,5 до 10 ч, перед экзаменом этот параметр был достоверно выше (p<0,01). Это говорит о более беспокойном сне. Таким образом, E_move может быть использован в качестве дополнительного параметра оценки качества сна в сомнологических исследованиях.

Рис. 3. Сравнительный анализ средней энергии низкоамплитудных движений E_move для условий «семестр» и «экзамен».

По горизонтальной оси отложены с шагом 0,5 ч промежутки времени, на которых проводили усреднение. Полоса доверительных интервалов, полученная методом бутстрапа, соответствует уровню достоверности p<0,01. Очевидно, что при любом времени усреднения сравниваемый параметр E_move в семестре был достоверно ниже, чем перед экзаменом.

Что касается AI, то были получены следующие средние значения: в семестре — AI=3,7±0,1, перед экзаменом — AI=4,4±1,2 (p=0,09). Данный результат не позволяет отвергнуть нулевую гипотезу на уровне p<0,05.

Заключение

В данной работе было установлено, что влияние стрессовых факторов на ночной сон человека можно исследовать с помощью ЭКГ-холтера и акселерометра с высокой частотой дискретизации данных. Предложены 2 параметра, вычисляемые на основе данных 3-осевого акселерометра: индекс активации и энергия низкоамплитудных движений, которые можно использовать для определения влияния различных факторов (не обязательно стресса) на сон. На основе анализа параметров ВСР установлено, что негативное влияние предэкзаменационного стресса на студентов сохраняется даже во сне. Это сказывается как на вегетативном, так и на соматическом отделах ЦНС, приводя на фоне снижения общего времени сна к росту энергии низкоамплитудных движений во сне.

Авторы заявляют об отсутствии конфликта интересов.