心電對睡眠蘇醒鑒別方式探究范文

本站小編為你精心準備了心電對睡眠蘇醒鑒別方式探究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

作者：葛宏呂曉東范軍蔣科胡曉林景百勝單位：空軍航空醫學研究所北京

睡眠狀況的好壞是對人體健康狀態進行評價的重要指標，睡眠紊亂可導致多種疾病的發生。在信息高度發達的當今社會，人們承受著巨大的工作、生活壓力，由此引發了許多身心健康問題，其中最嚴重的就是睡眠障礙。因此，有必要監測評估睡眠質量。然而，由于傳統的睡眠監測需要采集腦電（EEG）、眼動（EOG）、頜肌電（EMG）等生理參數，必須在專門的監測場所（如醫院的睡眠監測室）進行，而且價格昂貴，操作復雜，并且對人的睡眠有明顯影響，不利于廣泛開展睡眠監測。因此，需要一種簡便的、低負荷的睡眠監測手段進行睡眠質量評估。國內外學者進行了許多類似研究工作［1－4］，并取得了一定成果。相對而言，心電信號的采集比較容易，而且對受試者的影響幾乎可以忽略不計。因此本文利嘗試利用生物醫學信號處理技術，研究一種基于心電信號的睡眠、覺醒狀態辨識方法，進行睡眠質量的基本評估。

2對象與方法

2.1研究對象

本文采用的實驗數據為30名男性健康男性受試者在睡眠監測室一整夜的多導睡眠圖（PSG）及KF2型飛行員飛行生理參數記錄檢測儀（以下簡稱生參儀）的數據記錄。其中，多導睡眠圖為TYCOSD32+型，受試者年齡21～50歲，樣本數據和驗證數據各15例。本文用醫院睡眠分析醫師對PSG記錄的睡眠分析結果作為睡眠真實狀態，研究和驗證睡眠、覺醒識別算法。

2.2心電參數獲取

2.2.1QRS波群檢測

首先對生參儀記錄的心電信號濾除基線漂移和工頻濾波，然后進行QRS波群檢測。傳統的QRS波群檢測采用閾值法，近年來，隨著數字信號處理技術的發展，出現了許多新的檢測方法，如小波變換法等［5］。本文采用差分閾值法進行QRS波檢測，得到R-R間期序列。然后計算整個記錄過程的平均心率（MEANHR），按每段30秒分段計算各段的平均心率（HR）、心率差分（HRDif）、每段平均心率（HR）與總平均心率（MEANHR）的百分比等參數。

2.2.2心率變異性分析

HRV分析是對正常竇性心率進行時域和頻域分析，提取心率在時域和頻域的變異指標。

2.2.2.1時域分析

時域分析主要是對竇性R－R間期序列進行統計分析，以獲得正常竇性R-R間期標準差（SD）、相鄰正常R-R間期差值的均方根（RMSSD）等時域指標。

2.2.2.2頻域分析

為便于使用PSG分析結果，首先將數據按每段30秒進行分段，然后對每段進行頻域分析。頻域分析采用經典功率譜估計方法，得到以下頻域指標：總功率（TP，0～0．5Hz）、極低頻段功率（VLF，0．0033～0．04Hz）、低頻段功率（LF，0．04～0．15Hz）；高頻段功率（HF，0．15～0．40Hz）以及低高頻比值（LF／HF）。

2.3建立判別函數

專業的睡眠分析醫師對PSG記錄的信號經過認真仔細的判讀，逐段（30秒）給出睡眠分期結果（4、3、2、1、REM和覺醒）。由于本研究只需對睡眠、覺醒狀態進行識別，所以將睡眠分期結果合并為睡眠、覺醒（分別以1和0表示）兩種狀態，作為真實結果。應用統計分析軟件SPSS11.5進行相關分析后，選擇與睡眠覺醒相關系數較高的R-R間期標準差（SD）、心率百分比、低高頻比值（LF/HF）、心率差值以及R-R間期差值均方根（RMSSD）五個參數，用分類判別法分別建立睡眠、覺醒判別函數（公式1和2）。其中，為HR_SD間期標準差，LHRatio為低高頻比，RMSSD為RR間期差值均方根，HR_Percent為心率百分比，HR_Dif為心率差值。逐段將5個心電參數值代入公式（1）進行計算，如果計算結果D≥0，則判別為覺醒，否則判別為睡眠。

3結果

3.1樣本數據判別結果

樣本數據的覺醒判別準確率分別為78.5%，睡眠判別準確率為86.8%，平均判別準確率為86.0%。

3.2驗證數據判別結果

用15例驗證數據對算法進行驗證，判別結果見表2驗證數據覺醒判別準確率分別為76.1%，睡眠判別準確率為85.2%，平均判別準確率為84.4%。

4討論

用心電參數建立的睡眠、覺醒識別方法，實驗表明其判別結果與PSG的一致性較高。但是對覺醒的識別準確率較低，這是由于人在安靜狀態時心率較低且比較平穩，HRV指標特征與睡眠狀態時相似，因此容易識別為睡眠。下一步應對心電參數進行進一步挖掘，改進算法，提高識別準確率。同時，要進一步開展用心電參數進行睡眠分期的相關研究。總之，我們的研究證實利用

心電參數可以進行睡眠、覺醒狀態的識別，從而對睡眠質量進行基本的評估。該方法由于信號采集簡便容易，幾乎不影響正常睡眠，適于在各種場合進行簡單的睡眠狀況評價。