用于睡眠呼吸暂停检测的心电特征稳定性分析

基于心电信号(electrocardiogram,ECG)的睡眠呼吸暂停检测具有十分重要的意义,很多研究致力于提高检测的准确率却忽视了特征的稳定性。本研究对用于睡眠呼吸暂停检测的心电特征进行稳定性分析,并建立呼吸暂停事件检测模型。基于集成稳定特征选择策略,将最小冗余最大相关(minimal-redundancy-maximal-relevance,mRMR)特征选择方法与稳健排序聚合(robust rank aggregation,RRA)方法结合,对45个心电特征进行稳定性分析。使用10折交叉验证及支持向量机(SVM)进行特征验证及检测模型建立。最终使用14个特征建立分类模型,在独立测试集上实现Acc=90.03%,Se=86.71%,Sp=91.73%,所选特征在稳定性及检测准确率方面有明显提高。     

基于多特征融合的睡眠分期

目的 为了有效实现睡眠自动分期,对睡眠障碍等相关疾病的诊断提供更多依据,本文提出了一种基于多特征融合的睡眠分期方法.方法 数据来自ISRUC-Sleep数据库,首先对10名健康受试者和10名睡眠障碍患者的脑电(electroencephalogram,EEG)信号计算3种特征——样本熵、小波包能量和去趋势波动.然后采用支持向量机(support vector machine,SVM)构建睡眠分期模型,并验证该模型的准确性.此外,为了进行比较加入心电(electrocardiogram,ECG)和肌电(electromyogram,EMG)通道.结果 健康受试者和睡眠障碍患者睡眠分期的准确率分别达到87.4％和86.3％.结论 基于多特征融合的睡眠分期方法能够有效地提高睡眠分期的准确率.     

基于梯度提升树的ECG-SAS自动识别方法

目的睡眠呼吸暂停综合征(sleep apnea syndrome,SAS)是威胁生命健康的多发病之一,目前判断SAS的方法大多采用多导睡眠图(polysomnography,PSG),但其操作难度大、专业性高,不能有效推广,因此,设计一种自动检测SAS的方法显得尤为迫切和重要。方法本文设计了一种基于梯度提升树(gradient boosting decision tree,GBDT)的算法方案,首先通过信号处理方法提取心电图(electrocardiogram,ECG)数据的心率变异性(heart rate variability,HRV)特征,然后结合上下文相关性策略处理HRV数据训练模型。在得到模型后,采用动态阈值策略微调预测结果。最后统计每小时内的SAS发生次数,得到呼吸暂停低通气指数(apnea-hypopnea index,AHI),完成SAS病情预测。结果本文使用Apnea-ECG数据库的ECG数据验证该算法效果。结果显示,采用本文方案,35个测试样本的SAS单分钟识别率为88. 56%,按照AHI指标,将样本分为健康、轻度、中度、重度4类,其准确率为91. 43%。结论本文所述基于GBDT的ECG-SAS识别方案,可以有效检测SAS事件,评估个体的SAS病情。     

基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法

阻塞性睡眠呼吸暂停容易引发心血管并发症。作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量。鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中。然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识。基于深度学习的方法能够减少特征提取过程中的人为因素。提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法。首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习。然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势。基于Physio Net的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7%、88.9%和82.1%,个体识别准确率达到100%。基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化。此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性。     

基于脑电小波分解的呼吸暂停自动检测方法

睡眠呼吸暂停是一种常见的睡眠呼吸紊乱,目前呼吸暂停的诊断主要依靠多导睡眠监测,但因其操作复杂、价格昂贵,且对使用环境要求较高,而难以实现家用普及。为此提出一种基于脑电信号小波分解的呼吸暂停自动检测方法。首先,对脑电信号进行4层小波分解,提取第2~4层细节系数;其次,在得到的细节系数绝对值中提取能量和方差两种特征;最后,建立k-近邻,支持向量机和随机森林等机器学习模型对特征进行分类。使用来自天津市胸科医院睡眠监测实验室30名受试的3 248个正常呼吸和呼吸暂停期间的脑电信号片段进行检测,结果显示,对呼吸暂停识别准确率、灵敏度、特异度分别达到93.85%、91.46%、96.27%,表明该方法可以实现呼吸暂停事件的高精度检测,有望用于呼吸暂停自动识别系统的设计,辅助医师进行呼吸暂停自动检测。     

HHT谱分析方法在利用ECG信号检测睡眠呼吸暂停中的应用

目的:根据睡眠呼吸暂停与心率变化的关系,探讨从心电图中检测睡眠呼吸暂停的方法.方法:通过经验模态分解(EMD)技术将一非线性、非稳态过程的心率变异信号分解为一组内在模态函数(IMFs),对每个IMF进行Hilbert变换,获得HRV信号幅度和频率的时间分布,再根据已获得的HH谱,进而得到边际谱,然后提取信号能量的时频分布、瞬时频率、瞬时能量比、瞬时幅度的标准差等特征向量,根据特征向量的变化检测出睡眠呼吸暂停的位置和分布.结果:对同一个体的HRV信号的分析结果显示,正常呼吸阶段HRV信号的特征向量与睡眠呼吸暂停阶段HRV信号的特征向量有明显区别,实验结果证实了本文所提方法的有效性.结论:该检测方法物理意义明确,诊断结果精度高,为睡眠呼吸暂停综合症的早期诊断、监护及预后评估提供了新的分析工具.     

一种基于改进人工蜂群算法优化支持向量机的睡眠呼吸暂停检测方法

目的 睡眠呼吸暂停综合征(sleep apnea syndrome, SAS)是由于睡眠时上气道通气不畅或堵塞引起的呼吸暂停或低通气,严重影响人类健康和生活。目前的检测方法是多导睡眠仪,检测过程较为复杂,影响患者正常睡眠。为此本文提出了一种针对血氧饱和度信号的引入交叉变异的全局混沌人工蜂群(cross global chaos artificial bee colony, CGCABC)算法优化支持向量机(support vector machine, SVM)的SAS检测方法。方法 从数据集ISRUC-SLEEP中提取25名SAS患者整晚8 h的脉搏血氧饱和度数据,经预处理后对每段数据计算5种非线性特征,包括近似熵、模糊熵、信息熵、排列熵和样本熵。比较发病片段信号特征和未发病片段信号特征之间的差异,使用CGCABC算法优化的SVM模型进行分类检测,并与人工蜂群(artificial bee colony, ABC)算法、粒子群(particle swarm optimization, PSO)算法、麻雀搜索(sparrow search, SS)算法优化SVM模型的检测结果进行对比。...     

基于注意力机制与双向门控循环单元的多导睡眠图睡眠阶段分期方法研究

多导睡眠图(PSG）监测是临床上用于诊断诸如失眠、呼吸暂停等疾病的重要手段。为了解决以手工逐帧视觉判断PSG进行睡眠障碍患者睡眠阶段分期耗时长、耗费精力大等问题,本文提出一种结合卷积神经网络（CNN）与双向门控循环神经网络（Bi GRU）的深度学习算法模型,并设计了一种动态稀疏性自注意力机制以解决门控循环单元（GRU）网络对长距离信息难以获得准确向量表示的问题。本文采集来自上海精神卫生中心143例睡眠障碍患者整晚PSG数据并结合开源数据集153例睡眠障碍患者整晚PSG数据,选取其中的6个脑电（EEG）信号通道、2个眼电（EOG）信号通道与单个下颌肌电（EMG）信号通道等共9个通道的电生理通道信号进行模型训练与测试评估。经交叉验证后得到的分期准确率为（84.0±2.0）%,一致性检验值为0.77±0.50,优于医师间评分的一致性检验值0.75±0.11。实验结果表明,本文算法模型在不同人群中具有较高的分期效果并具有普适性,对于协助临床医师进行快速、大规模PSG睡眠自动分期具有重要研究意义。     

基于子时段呼吸暂停和睡眠阶段的脑网络分析与分类

睡眠分期是评估睡眠质量的基础。然而,睡眠呼吸暂停(sleep apnea, SA)会改变测试者的睡眠结构,进而影响对睡眠分期的准确评估。因此,在评估睡眠质量时,准确检测睡眠呼吸暂停和睡眠分期至关重要。为准确评估睡眠分期,本研究通过研究脑区之间的功能连接,探讨了脑功能连接的相互作用关系。采用锁相值(phase locking value, PLV)在不同时间段上进行特征提取,构建功能连接网络;然后利用多个时间段的PLV进行特征融合,并通过LibSVM(library for support vector machines, LibSVM)结合分类性能优化策略的方法进行睡眠分期。同时,本研究还分析了睡眠呼吸暂停和正常呼吸对脑网络的影响。实验结果显示,睡眠呼吸暂停时的各脑区连通紧密程度大于正常呼吸时,并在子时段数为30时,睡眠分期的分类准确率达到了88.87%,呼吸暂停的检测准确率达到了93.64%。该算法在睡眠分类和呼吸暂停检测方面表现出良好性能,有助于推动脑电睡眠分类和呼吸暂停检测系统的开发和应用。     

重度阻塞性睡眠呼吸暂停患者脑电能量密度分布及变化规律分析

目的 阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)是一种在临床有较高病发率的睡眠障碍,其病发机制为上气道在睡眠期间反复阻塞,会引发低氧血症、频繁低通气、睡眠唤醒、呼吸暂停等病理生理改变。多导睡眠监测(polysomography, PSG)是临床上诊断OSA的金标准,可以监测患者睡眠期间的脑电波变化。本文通过分析重度OSA男性患者睡眠规律和脑电(electroencephalogram, EEG)能量密度分布及变化规律,探究重度OSA患者的睡眠脑电变化。方法 选取30名男性重度OSA患者和30名男性正常对照组,对60名受试者进行整夜(8 h左右)的多导睡眠监测,对得到的睡眠特征和脑电参数进行整理,提取睡眠与脑电特征。对比睡眠监测得到的睡眠特征和其前额区的脑电能量密度。结果 在睡眠特征方面,重度OSA患者睡眠期时间为370.20 min,睡眠效率平均为86.90%,非快速眼动1期平均占比19.90%,非快速眼动2期平均占比42.55%,对比正常人睡眠时间、睡眠效率以及非快速眼动1期、2期占比明显降低。在脑电特征方面,重度OSA患者整夜睡眠θ波的绝对能量密度...     

成年Sprague-Dawley大鼠的睡眠结构和呼吸暂停分析

目的：了解成年Sprague-Dawley大鼠生理状态下的睡眠结构以及清醒/睡眠状态下的呼吸暂停情况。方法：对每只SD大鼠进行6 h的睡眠呼吸监测。大鼠的皮质脑电、颈部肌电以及通过微压传感器记录到的呼吸信号经过多导生理仪放大，以波形形式在计算机上同步显示并储存。使用人机交互的方法进行脑电分期和呼吸暂停的判断。SAS软件分析数据。结果：26只成年雄性SD大鼠的非快动眼睡眠期(NREM)和快动眼睡眠期(REM)分别占总睡眠时间的(83.3±7.1)%和(16.2±7.1)%。全部监测大鼠在睡眠中出现呼吸暂停，平均睡眠呼吸暂停指数(AI)为(11.5±4.6)次/h。其中REM期的呼吸暂停最频繁。且叹息后呼吸暂停主要发生于NREM期，而自发呼吸暂停主要发生于REM期。结论：成年SD大鼠具有与人类相似的睡眠结构，睡眠中发生的中枢性呼吸暂停现象及其表现特点也与人类SAS患者相似，可以作为研究睡眠呼吸暂停中枢发病机制的天然动物模型。     

利用ECG信号检测睡眠呼吸暂停的小波包分析方法

文章根据睡眠呼吸暂停与心率变化的关系。阐述了从心电图中检测睡眠呼吸暂停的方法。该方法首先通过对心率信号进行小波包变换，提取特征向量，然后根据特征向量的变化检测出睡眠呼吸暂停的位置和分布。结果表明，该方法物理意义明确，诊断结果精度高，为睡眠呼吸暂停综合症的早期诊断、监护及预后评估提供了新的分析工具。     

睡眠呼吸暂停综合征脑电关联维特性研究

睡眠呼吸暂停综合征(SAS)是一种常见且危害巨大的全身性睡眠疾病。SAS患者存在明显的脑部结构和功能的影像学改变,而脑电图(EEG)能反映大脑组织的电活动及功能状态,是描述睡眠过程最直观的参数。基于EEG信号的非平稳和非线性特性,本文采用非线性方法对SAS患者睡眠EEG信号的关联维特性进行分析。将6名SAS患者组成SAS组,6名健康人组成对照组。研究结果显示,SAS患者和健康人睡眠EEG信号的关联维变化规律一致,即随着睡眠加深,其关联维均逐渐减小,但到快速眼动期(REM)时,关联维又上升至觉醒和浅睡眠期的水平;与此同时,SAS组的关联维在各个睡眠阶段均低于对照组,两组间存在的差异具有统计学意义(P0.01)。研究结果表明,SAS患者的EEG信号与健康人之间存在明显的非线性动力学差异,这为研究SAS的生理机制及实现SAS的自动检测提供了新的方向。     

便携式睡眠呼吸暂停监护系统的设计

目的设计一套可以直接佩戴在患者身上的睡眠呼吸心电监护系统,以便于检测患者是否存在睡眠呼吸暂停症状。方法采用ALTERA公司的FPGA和Nios II 32位软核处理器以及相关的开发工具,应用可编程片上系统(system on a programmable chip,SOPC)的设计方法,将复杂的控制系统集成到单一的FPGA器件上,在Nios II IDE集成开发环境下完成软件开发。系统以嵌入式处理器为核心,通过传感器同步检测患者的呼吸和打鼾的次数,并记录平均每小时出现呼吸暂停的次数和时间。结果可穿戴式的传感器和电极能同时检测患者的呼吸信号、心电信号和心率,并判断呼吸暂停期间心电信号或心率有无异常,情况危急时给予预警。结论经过测试与验证,该系统具有操作简单、轻便低功耗等特点,患者不需住院,直接在居家环境下进行睡眠检测,减少了患者的心理负担,提高了检测的准确度。     

基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究

睡眠呼吸暂停与低通气综合征(SAHS)严重影响睡眠质量, 是一种潜在的致死性呼吸疾病。为了兼顾对睡眠呼吸暂停与低通气(AH)事件检测的准确率与时间分辨率, 提出一种长短时记忆-卷积神经网络(LSTM-CNN)方法, 实现对AH事件的精准预测;同时基于事件检测结果, 提出一种呼吸紊乱指数(AHI)估计方法, 进而实现对SAHS严重程度的定量评估。选取美国国家心肺血液研究所睡眠健康数据库中54名受试者的腹部位移信号对LSTM-CNN算法进行测试。对于处理得到的超过90万数据片段, 正确率、敏感度、特异度分别为88.6%、88.2%、88.7%;54名被试的AHI预测结果与多导睡眠图(PSG)标注结果相比, 皮尔逊相关指数达到0.98;观察SAHS严重程度诊断结果, kappa系数达到0.95。结果表明, 所提出的方法不仅可以实现对AH事件的高精度检测, 而且可以对AHI指数与SAHS严重程度做出准确估计, 有望用于PSG检测之前SAHS的初步诊断以及成为家用SAHS长期监护工具。     

精神分裂症、肥胖症与阻塞性睡眠呼吸暂停

目的　本文对精神患者发生阻塞性睡眠呼吸暂停的危险因素进行了评估。方法　研究对象为某精神病医院的 36 4名进行睡眠障碍咨询的住院患者 ,其中 78%的患者进行了睡眠多导图检查。对不同诊断的患者 (按照 DSM- - R诊断标准 )发生阻塞性睡眠呼吸暂停的比例进行回顾性评估。结果　 L ogistic回归显示年龄 (P=.0 46 )、性别 (P=.0 0 2 )、体型指数 (P<.0 0 1)和长期服用精神安定剂 (P=.0 12 )均是发生阻塞性睡眠呼吸暂停的独立影响因素 ,其诊断标准为睡眠中 6 h内出现呼吸暂停和 (或 )呼吸不足多于 2 0次。与其它类型精神病相比 ,精神分裂…     

多变量自回归和多线性主成分分析结合的多通道信号特征提取研究

脑机接口(BCI)系统通过从脑信号中提取特征对其进行识别。针对自回归模型特征提取方法和传统主成分分析降维方法处理多通道信号的局限性,本文提出了多变量自回归(MVAR)模型和多线性主成分分析(MPCA)结合的多通道特征提取方法,并用于脑磁图/脑电图(MEG/EEG)信号识别。首先计算MEG/EEG信号的MVAR模型的系数矩阵,然后采用MPCA对系数矩阵进行降维,最后使用线性判别分析分类器对脑信号分类。创新在于将传统单通道特征提取方法扩展到多通道。选用BCI竞赛IV数据集3和1数据进行实验验证,两组实验结果表明MVAR和MPCA结合的特征提取方法处理多通道信号是可行的。     

基于24小时动态血压数据识别阻塞性睡眠呼吸暂停综合征研究EI北大核心CSCD

睡眠呼吸暂停会导致患者心跳呼吸骤停、睡眠节律紊乱、夜间低血氧和血压异常波动,最终导致高血压患者夜间靶器官损害。阻塞性睡眠呼吸暂停低通气综合征(OSAHS)发病率极高,严重影响了患者的身心健康。本研究尝试从24小时动态血压数据中提取与OSAHS相关的特征,通过机器学习模型识别OSAHS,从而实现该疾病的鉴别诊断。研究数据来自2018年12月至2019年12月解放军总医院睡眠门诊收集的339例患者的动态血压检查数据,其中经多导睡眠监测(PSG)确诊的OSAHS患者115例,非OSAHS患者224例。根据OSAHS患者血压临床变化特点,定义了特征提取规则并开发算法提取特征,而后使用logistic回归、lightGBM等模型对疾病进行分类预测。结果表明本研究所训练的lightGBM模型的识别准确率为80.0%,精确率为82.9%,召回率为72.5%,受试者工作特征曲线下面积(AUC)为0.906,所定义的动态血压特征能够有效用于OSAHS检测。本研究为OSAHS筛查提供了一种新的思路和方法。     

睡眠呼吸暂停综合征的诊治进展

睡眠呼吸暂停综合征 (SAS)是以呼吸暂停 -通气不足指数 (在睡眠状态下每小时之中呼吸暂停和通气不足事件发生总数 ) 5并伴有白天过度嗜睡为特征的病理生理综合征。在 30 - 6 0岁成人中 ,男女发病率为 4 %和 2 % 〔1〕,而在>6 5岁的老年人群中 ,总发病率 >10 % 〔2〕。严重病例     

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.