基于心电信号和脉搏信号耦合强度的睡眠分期研究

摘要

近年来，患有睡眠疾病人群的比例逐渐增大。人们对准确可靠地监测睡眠质量技术的需求日益迫切，进而采取相应的措施进行调理和治疗。如今在临床上，广泛地通过采集被测者的睡眠脑电信号应用多导睡眠图PSG法监测睡眠状态。但是PSG操作非常复杂，成本高，不利于日常监测，因此研究非脑电生理参数与睡眠分期的关系更具临床意义。 本文通过采集心电间期序列、脉搏间期序列作为睡眠分期的特征参数，首先应用去趋势波动分析算法和去趋势移动平均算法计算两种信号在不同睡眠阶段的自相关性；然后应用去趋势互相关分析算法和去趋势移动平均互相关分析算法计算不同睡眠阶段心电信号和脉搏信号的耦合强度，以作为识别不同睡眠阶段的依据；最后将得到的不同睡眠阶段的多个标度指数组合成不同的SVM特征参数，进行分类预测。本文实验创新的研究方面如下： （1）针对不同睡眠时期的RRI与PPI分别进行去趋势波动分析（DFA）和去趋势移动平均分析（DMA），我们发现，DFA(RRI)、DFA(PPI)、DMA(RRI)、DMA(PPI)标度指数在不同睡眠分期均有wake＞rem＞ls＞ds的规律，且各个睡眠阶段对应的标度指数变化范围非常容易区分。DFA(RRI)、DFA(PPI)、DMA(RRI)、DMA(PPI)标度指数时序图与AASM人工分期的睡眠状态分期彼此间具有高度的同步性和相同的变化规律。 （2）接着对不同睡眠时期的RRI与PPI应用去趋势互相关分析（DCCA）和去趋势移动平均互相关分析（DMCA）进行耦合强度的分析，我们发现，DCCA(RRI-PPI)、DMCA(RRI-PPI)标度指数在不同睡眠分期有wake＞rem＞ls＞ds的规律，且各个睡眠阶段对应的标度指数变化范围非常容易区分。DCCA(RRI-PPI)、DMCA(RRI-PPI)耦合强度的时序图与AASM人工分期的睡眠状态分期彼此间具有高度的同步性和相同的变化规律。 （3）应用SVM将（1）和（2）得到的不同睡眠阶段的特征参数，即DFA(RRI)、DFA(PPI)、DMA(RRI)、DMA(PPI)、DCCA(RRI-PPI)、DMCA(RRI-PPI)，组合成了5组。将RRI和PPI信号的耦合强度参数与单路信号的DFA和DMA参数进行对比分析。结果显示，DCCA和DMCA的分类准确率最好，DMA次之。若将DFA和DMA组合时分别与DFA和DMA相比，除了REM期外，WAKE期、LS期与DS期准确率都有提高；但与DCCA和DMCA相比，除了DS期分类准确率有提高外，其他均与其接近。综合来说与DFA和DMA相比，DCCA和DMCA的耦合强度睡眠分期效果最好。

目录

第一个书签之前