本站小编为你精心准备了心电对睡眠苏醒鉴别方式探究参考范文,愿这些范文能点燃您思维的火花,激发您的写作灵感。欢迎深入阅读并收藏。
作者:葛宏吕晓东范军蒋科胡晓林景百胜单位:空军航空医学研究所北京
睡眠状况的好坏是对人体健康状态进行评价的重要指标,睡眠紊乱可导致多种疾病的发生。在信息高度发达的当今社会,人们承受着巨大的工作、生活压力,由此引发了许多身心健康问题,其中最严重的就是睡眠障碍。因此,有必要监测评估睡眠质量。然而,由于传统的睡眠监测需要采集脑电(EEG)、眼动(EOG)、颌肌电(EMG)等生理参数,必须在专门的监测场所(如医院的睡眠监测室)进行,而且价格昂贵,操作复杂,并且对人的睡眠有明显影响,不利于广泛开展睡眠监测。因此,需要一种简便的、低负荷的睡眠监测手段进行睡眠质量评估。国内外学者进行了许多类似研究工作[1-4],并取得了一定成果。相对而言,心电信号的采集比较容易,而且对受试者的影响几乎可以忽略不计。因此本文利尝试利用生物医学信号处理技术,研究一种基于心电信号的睡眠、觉醒状态辨识方法,进行睡眠质量的基本评估。
2对象与方法
2.1研究对象
本文采用的实验数据为30名男性健康男性受试者在睡眠监测室一整夜的多导睡眠图(PSG)及KF2型飞行员飞行生理参数记录检测仪(以下简称生参仪)的数据记录。其中,多导睡眠图为TYCOSD32+型,受试者年龄21~50岁,样本数据和验证数据各15例。本文用医院睡眠分析医师对PSG记录的睡眠分析结果作为睡眠真实状态,研究和验证睡眠、觉醒识别算法。
2.2心电参数获取
2.2.1QRS波群检测
首先对生参仪记录的心电信号滤除基线漂移和工频滤波,然后进行QRS波群检测。传统的QRS波群检测采用阈值法,近年来,随着数字信号处理技术的发展,出现了许多新的检测方法,如小波变换法等[5]。本文采用差分阈值法进行QRS波检测,得到R-R间期序列。然后计算整个记录过程的平均心率(MEANHR),按每段30秒分段计算各段的平均心率(HR)、心率差分(HRDif)、每段平均心率(HR)与总平均心率(MEANHR)的百分比等参数。
2.2.2心率变异性分析
HRV分析是对正常窦性心率进行时域和频域分析,提取心率在时域和频域的变异指标。
2.2.2.1时域分析
时域分析主要是对窦性R-R间期序列进行统计分析,以获得正常窦性R-R间期标准差(SD)、相邻正常R-R间期差值的均方根(RMSSD)等时域指标。
2.2.2.2频域分析
为便于使用PSG分析结果,首先将数据按每段30秒进行分段,然后对每段进行频域分析。频域分析采用经典功率谱估计方法,得到以下频域指标:总功率(TP,0~0.5Hz)、极低频段功率(VLF,0.0033~0.04Hz)、低频段功率(LF,0.04~0.15Hz);高频段功率(HF,0.15~0.40Hz)以及低高频比值(LF/HF)。
2.3建立判别函数
专业的睡眠分析医师对PSG记录的信号经过认真仔细的判读,逐段(30秒)给出睡眠分期结果(4、3、2、1、REM和觉醒)。由于本研究只需对睡眠、觉醒状态进行识别,所以将睡眠分期结果合并为睡眠、觉醒(分别以1和0表示)两种状态,作为真实结果。应用统计分析软件SPSS11.5进行相关分析后,选择与睡眠觉醒相关系数较高的R-R间期标准差(SD)、心率百分比、低高频比值(LF/HF)、心率差值以及R-R间期差值均方根(RMSSD)五个参数,用分类判别法分别建立睡眠、觉醒判别函数(公式1和2)。其中,为HR_SD间期标准差,LHRatio为低高频比,RMSSD为RR间期差值均方根,HR_Percent为心率百分比,HR_Dif为心率差值。逐段将5个心电参数值代入公式(1)进行计算,如果计算结果D≥0,则判别为觉醒,否则判别为睡眠。
3结果
3.1样本数据判别结果
样本数据的觉醒判别准确率分别为78.5%,睡眠判别准确率为86.8%,平均判别准确率为86.0%。
3.2验证数据判别结果
用15例验证数据对算法进行验证,判别结果见表2验证数据觉醒判别准确率分别为76.1%,睡眠判别准确率为85.2%,平均判别准确率为84.4%。
4讨论
用心电参数建立的睡眠、觉醒识别方法,实验表明其判别结果与PSG的一致性较高。但是对觉醒的识别准确率较低,这是由于人在安静状态时心率较低且比较平稳,HRV指标特征与睡眠状态时相似,因此容易识别为睡眠。下一步应对心电参数进行进一步挖掘,改进算法,提高识别准确率。同时,要进一步开展用心电参数进行睡眠分期的相关研究。总之,我们的研究证实利用
心电参数可以进行睡眠、觉醒状态的识别,从而对睡眠质量进行基本的评估。该方法由于信号采集简便容易,几乎不影响正常睡眠,适于在各种场合进行简单的睡眠状况评价。