Development of sleep apnea prediction models from smartphone-recorded sleep breathing sound

Abstract

Introduction: Breathing sounds during sleep is an important characteristic feature of obstructive sleep apnea (OSA) and has been regarded as a potential biomarker. Breathing sounds during sleep can be easily recorded using a microphone, which is usually found in most smartphone devices. Therefore, it may be easy to implement as an evaluation tool for pre-screening purposes. The purpose of this study is to predict OSA using smartphone recorded sounds and identify optimal settings with regard to noise processing and sound feature selection. Material and methods: A cross-sectional study was performed. Patients who visited the sleep center of a tertiary hospital for snoring or sleep apnea from August 2015 to August 2019 were enrolled. Audio recordings during sleep were performed using a smartphone during routine full-night in-lab polysomnography. A total of 423 patients were analyzed. Data were split into training (60%, n = 256) and test datasets (40%, n = 167). Using a random forest algorithm, binary classifications were separately conducted for three different threshold criteria according to an apnea hypopnea index (AHI) threshold of 5, 15, or 30 events/h. Four regression models were created according to noise reduction and feature selection from the input sound to predict actual AHI; 1) noise reduction without feature selection, 2) noise reduction with feature selection, 3) without noise reduction and feature selection, and 4) feature selection without noise reduction. Clinical and polysomnographic parameters which may have affected errors were assessed. Results: Accuracies were 88.16%, 82.25% and 81.66% and the areas under curve were 0.9, 0.89, and 0.9 for an AHI threshold of 5, 15, and 30 events/h, respectively. In the regression analysis, using recorded sounds that had not been denoised and had only selected attributes resulted in the highest correlation coefficient (r = 0.784, 95% confidence interval(CI): 0.689~0.879). AHI (beta = 0.329, 95% CI : 0.242~0.415) and sleep efficiency (beta = -0.197, 95% CI : -0.348~-0.046) were found to be related to estimation error. Conclusions: Recorded sleep breathing sound using smartphones provides a reasonable prediction of OSA. Future research should focus on real life recordings using various smartphone devices.

서론: 수면 중 호흡음은 폐쇄성 수면 무호흡증(Obstructive Sleep Apnea, OSA)의 잠재적인 바이오마커로 간주되어 왔다. 수면 중 숨소리는 대부분의 스마트폰 장치에 있는 마이크를 사용하여 쉽게 녹음할 수 있기 때문에 OSA 의 사전 스크리닝 목적의 평가 도구로 쉽게 구현될 수 있다. 본 연구는 스마트폰에 녹음된 소리를 이용하여 OSA를 예측하고 소음처리 및 선택된 소리의 feature 에 대한 최적의 설정을 파악하고자 한다.

방법: 2015년 8월부터 2019년 8월까지 코골이 또는 수면무호흡증으로 상급종합병원 수면센터를 방문한 환자를 대상으로 단면연구를 수행 하였다. 수면 중 오디오 녹음은 일상적인 밤새 실험실 내 수면다원검사 중에 스마트폰을 사용하여 수행되었다. 총 423명의 환자를 분석하였고, 데이터는 train set (60%, n = 256)과 test set(40%, n = 167)으로 분할되었다. 랜덤 포레스트 알고리즘을 사용하여 무호흡 저호흡 지수(apnea hypopnea index, AHI)의 임계값 5, 15 또는 30 회/시간에 따라 세 가지 기준에 대해 이진 분류를 별도로 수행하였고, 더불어 실제 AHI를 예측하기 위해 입력 사운드에서 노이즈 감소 및 기능 선택에 따라 다음과 같이 4개의 회귀 모델을 생성하였다. 1) 특징 선택 없이 잡음 감소, 2) 특징 선택으로 잡음 감소, 3) 잡음 감소 및 특징 선택 없이, 4) 잡음 감소 없이 특징 선택. 또한 예측오류에 영향을 미칠 수 있는 임상 및 수면다원검사상의 여러가지 변수들을 평가하였다.

결과: AHI 임계값 5, 15 및 30개 회/시간에 대한 예측 정확도는 88.16%, 82.25% 및 81.66%였으며 곡선 아래 영역은 각각 0.9, 0.89 및 0.9였다. 회귀분석에서는 잡음이 제거되지 않고 선택된 feature만 있는 녹음된 소리를 사용할 경우 상관계수가 가장 높았다(r=0.784, 95% 신뢰구간(CI): 0.689~0.879). 환자의 실제 AHI(베타=0.329, 95% CI: 0.242~0.415)와 수면효율(베타=-0.197, 95% CI: -0.348~-0.046)은 추정오차와 관련이 있는 것으로 나타났다.

결론: 스마트폰을 이용하여 녹음한 수면 호흡음을 통해 OSA을 예측할 수 있다. 향후 연구는 다양한 스마트폰 기기를 사용한 실생활 녹음에 초점을 맞춰야 한다