基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

基于平均能量耗散的睡眠分期研究

目的 睡眠质量影响身体健康与工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径.方法 通过提取相同个体相同时刻的清醒期和非快速眼动睡眠Ⅰ期的EEG信号,分别符号化后计算平均能量耗散,对两个睡眠阶段的相对熵进行统计分析及多样本验证.结果 研究结果表明,平均能量耗散很好地反映了睡眠状态的变化,在清醒期较大,在非快速眼动睡眠Ⅰ期较小,并通过差异显著性检验和多样本验证.结论 平均能量耗散可以作为睡眠自动化分期参数补充到睡眠分期研究中来,在临床上可通过多参数分析,提高睡眠分期的准确性.     

睡眠分期的符号转移熵分析

目的睡眠分期是衡量睡眠质量和诊治睡眠障碍性疾病的重要途径,转移熵是一个量化2个序列相关程度的参数。本文将基于符号化技术的符号转移熵首次应用在睡眠分期研究中,克服了以往方法对参数之间协调性要求高以及对噪声敏感的缺点。方法通过提取相同个体相同时刻的清醒期和非快速眼动睡眠I期的EEG、ECG信号,分别进行符号化、相空间重构后,计算符号转移熵,对两个睡眠阶段的符号转移熵进行t检验及多样本验证。结果实验结果表明清醒期符号转移熵大于非快速眼动睡眠I期的符号转移熵。经t检验表明这两个阶段的符号转移熵值有显著性差异,并通过多样本验证。随着睡眠加深,身体单元不断偶合,符号转移熵减小,与理论分析相符合。结论清醒期和非快速眼动睡眠I期的符号转移熵很好地体现了睡眠状态的变化,因此符号转移熵可用于睡眠分期,并成为研究睡眠自动化分期的极具潜力的分析工具。     

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。     

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...     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息

以经基于心率变异性的睡眠分期大都是针对健康人进行的,拟利用心率变异性分析睡眠呼吸暂停低通气综合症(SAHS)病人的睡眠结构.根据微动敏感式床垫式睡眠监测系统(MSMSMS)所得10名健康者的心率和30名不同程度SAHS患者的心率,利用去趋势波动分析(DFA)方法,计算他们在各睡眠阶段的标度指数.实验结果显示,SAHS患者各个睡眠阶段的标度指数具有明显差异,与健康者也有不同,为基于心率变异性对SAHS患者进行睡眠分期以及SAHS患者的判定提供了依据.     

睡眠脑电的去趋势互相关分析

睡眠质量关系着身体健康与和工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径。本文采用基于去趋势互相关分析(DCCA)的方法,从MIT-BIH Polysomnographic Database中随机抽取了样本信号,来进行清醒期和非快速眼动(NREM)睡眠Ⅰ期的分期研究。结果表明,清醒期的DCCA指数的平均值小于NREM睡眠Ⅰ期的DCCA指数的平均值。此方法研究睡眠脑电图,对改善睡眠质量或者诊治睡眠障碍性疾病有很大的意义。     

基于谱分析方法提取心动周期变异性中的睡眠结构信息

利用心动周期的谱分析方法 ,充分挖掘了心动周期变异性中与脑电睡眠分期信息相关的特征参数 ,并利用主成分分析法去除掉了特征之间的相关性 ,最后利用基于 Fisher分类准则的决策树分别建立了健康人和睡眠呼吸暂停低通气综合症病人的睡眠分期全自动识别模型。试验结果表明 ,该模型准确性好 ,鲁棒性强     

计算机处理睡眠数据中2导脑电和1导眼电的非周期波形分析

背景：睡眠中记录的数据量很大,不用计算机自动处理不能满足实用需要,而现有的对睡眠数据进行分期的方法准确率都不高。 目的：考察仅依据脑电与眼电,基于非周期波形分析和径向基函数遗传神经网络的睡眠数据分期新方法。 方法：实验数据来自MIT的PhysioBank中的S1eep-EDF数据库,共8名被试,各记录2导脑电和1导眼电。原始数据经零相位数字滤波后,进行非周期波形分析,得出每个Epoch的特征向量,经预处理后送遗传径向基函数。神经网络配合专家手工分类结果进行训练,训练好的神经网络再对测试数据进行分析。 结果与结论：总的分期符合率为95.6%,超出已知文献研究结果(70%~90%),具有很高的实用价值,能满足睡眠研究与临床使用。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳。提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难度进行相应的多尺度分析与判别。该算法可提前输出特征简单明确的W、N2、N3、REM等阶段的分类结果,然后让特征相对不够清晰的过渡阶段N1进入更深尺度的网络,利用更精细的特征数据以及更深的网络进行判别,能提高整体分类效率以及N1阶段的分类精度。在Sleep-EDFx数据集中,提取197组样本数据用于训练和测试,并在仅采用单通道EEG脑电信号的前提下,平均分类精度达到0.83,Kappa值为0.749,N1阶段的F1-score达到0.51,较传统机器学习算法以及多种深度网络,提高了整体分类精度,特别是N1阶段精度,且计算量没有显著增加,适于自动化实时分析。     

Sleep/wake measurement using a non‐contact biomotion sensor

We studied a novel non‐contact biomotion sensor, which has been developed for identifying sleep/wake patterns in adult humans. The biomotion sensor uses ultra low‐power reflected radiofrequency waves to determine the movement of a subject during sleep. An automated classification algorithm has been developed to recognize sleep/wake states on a 30‐s epoch basis based on the measured movement signal. The sensor and software were evaluated against gold‐standard polysomnography on a database of 113 subjects [94 male, 19 female, age 53 ± 13 years, apnoea–hypopnea index (AHI) 22 ± 24] being assessed for sleep‐disordered breathing at a hospital‐based sleep laboratory. The overall per‐subject accuracy was 78%, with a Cohen’s kappa of 0.38. Lower accuracy was seen in a high AHI group (AHI >15, 63 subjects) than in a low AHI group (74.8% versus 81.3%); however, most of the change in accuracy can be explained by the lower sleep efficiency of the high AHI group. Averaged across subjects, the overall sleep sensitivity was 87.3% and the wake sensitivity was 50.1%. The automated algorithm slightly overestimated sleep efficiency (bias of +4.8%) and total sleep time (TST; bias of +19 min on an average TST of 288 min). We conclude that the non‐contact biomotion sensor can provide a valid means of measuring sleep–wake patterns in this patient population, and also allows direct visualization of respiratory movement signals.     

穿戴式呼吸感应体积描记用于睡眠呼吸事件检测

可穿戴式呼吸感应体积描记(背心式RIP)系统是我们根据呼吸感应体积描记技术的基本原理研发的一种可穿戴、低负荷的呼吸监测系统.在实现通气量无创测量的基础上,我们将该系统用于睡眠期呼吸事件检测,将该系统与多导睡眠图仪(PSG)对9例疑似睡眠呼吸暂停低通气综合症(SAHS)病人和7名健康男性志愿者进行同步对照检测与分析.通过对比实验,根据背心式RIP系统发生呼吸事件的特征性变化,提出了背心式RIP系统判别呼吸事件的规则.依据该规则,所有经背心式RIP系统诊断为SAHS患者的结果与PSG的诊断结果完全一致,背心式RIP系统检测呼吸事件的敏感性为97.8%,特异性为95.8%,实验结果表明背心式RIP系统能够可靠地检测出睡眠呼吸事件.由于其低生理、心理负荷特性,不需要佩带口鼻气流传感器,可用于家庭环境下、自然睡眠过程的睡眠呼吸紊乱性疾病的诊断.     

A novel sleep stage scoring system: Combining expert‐based features with the generalized linear model

In this study, we aim to automate the sleep stage scoring process of overnight polysomnography (PSG) data while adhering to expert‐based rules. We developed a sleep stage scoring algorithm utilizing the generalized linear modelling (GLM) framework and extracted features from electroencephalogram (EEG), electromyography (EMG) and electrooculogram (EOG) signals based on predefined rules of the American Academy of Sleep Medicine (AASM) Manual for Scoring Sleep. Specifically, features were computed in 30‐s epochs in the time and frequency domains of the signals and were then used to model the probability of an epoch being in each of five sleep stages: N3, N2, N1, REM or Wake. Finally, each epoch was assigned to a sleep stage based on model predictions. The algorithm was trained and tested on PSG data from 38 healthy individuals with no reported sleep disturbances. The overall scoring accuracy reached on the test set was 81.50 ± 1.14% (Cohen's kappa, ). The test set results were highly comparable to the training set, indicating robustness of the algorithm. Furthermore, our algorithm was compared to three well‐known commercialized sleep‐staging tools and achieved higher accuracies than all of them. Our results suggest that automatic classification is highly consistent with visual scoring. We conclude that our algorithm can reproduce the judgement of a scoring expert and is also highly interpretable. This tool can assist visual scorers to speed up their process (from hours to minutes) and provides a method for a more robust, quantitative, reproducible and cost‐effective PSG evaluation, supporting assessment of sleep and sleep disorders.     

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。     

考虑个体特征的非脑电睡眠分期

利用非脑电信号进行睡眠分期是睡眠医学的重要课题。提出一种自动分期算法,利用心率、呼吸率、血氧饱和度和体动信息。首先对前2种信号进行模式描述,形成描述单元;描述单元在规则库的指导下吸纳其他通道的特征,最终形成对应某个分期的完整描述;再用不确定推理的方法完成分期。实验表明,病人的分期符合率和健康人保持在同一个水平。整个算法模拟了人的思维过程,可扩充性强,具有良好的临床应用前景。     

基于SVM的便携式睡眠监测系统设计

目的睡眠监测是睡眠质量分析中重要的环节,但目前的睡眠监测系统复杂而且难以携带。本文提出基于支持向量机的便携式睡眠监测系统,以方便地实时监控睡眠。方法该系统硬件部分由服务器和用户端设备构成,其中用户端设备负责数据采集和数据传输,服务器端负责数据分析及相关的资源管理。睡眠分析软件采用支持向量机(support vector machines,SVM)作为分析算法,在提取特征值的基础上,以有向无环图作为多分类策略分析得到睡眠的时相。结果对于患者的睡眠脑电实验表明分析正确率高,所需的分析时间短。结论该系统用户端设备体积小,方便携带,分析正确率高,实时性好,在睡眠监测领域具有良好的应用前景。     

Assessment of obstructive sleep apnea-related sleep fragmentation utilizing deep learning-based sleep staging from photoplethysmography

Study ObjectivesTo assess the relationship between obstructive sleep apnea (OSA) severity and sleep fragmentation, accurate differentiation between sleep and wakefulness is needed. Sleep staging is usually performed manually using electroencephalography (EEG). This is time-consuming due to complexity of EEG setup and the amount of work in manual scoring. In this study, we aimed to develop an automated deep learning-based solution to assess OSA-related sleep fragmentation based on photoplethysmography (PPG) signal.MethodsA combination of convolutional and recurrent neural networks was used for PPG-based sleep staging. The models were trained using two large clinical datasets from Israel (n = 2149) and Australia (n = 877) and tested separately on three-class (wake/NREM/REM), four-class (wake/N1 + N2/N3/REM), and five-class (wake/N1/N2/N3/REM) classification. The relationship between OSA severity categories and sleep fragmentation was assessed using survival analysis of mean continuous sleep. Overlapping PPG epochs were applied to artificially obtain denser hypnograms for better identification of fragmented sleep.ResultsAutomatic PPG-based sleep staging achieved an accuracy of 83.3% on three-class, 74.1% on four-class, and 68.7% on five-class models. The hazard ratios for decreased mean continuous sleep compared to the non-OSA group obtained with Cox proportional hazards models with 5-s epoch-to-epoch intervals were 1.70, 3.30, and 8.11 for mild, moderate, and severe OSA, respectively. With EEG-based hypnograms scored manually with conventional 30-s epoch-to-epoch intervals, the corresponding hazard ratios were 1.18, 1.78, and 2.90.ConclusionsPPG-based automatic sleep staging can be used to differentiate between OSA severity categories based on sleep continuity. The differences between the OSA severity categories become more apparent when a shorter epoch-to-epoch interval is used.     

基于多事件融合的睡眠质量评测算法研究

依据人体睡眠期呼吸紊乱事件、心血管事件、醒觉反应事件及对睡眠期分阶的研究,进行多事件融合算法的分析。经过对睡眠分阶以及一系列睡眠呼吸事件的评测分析,表明该算法研究能够有效帮助睡眠医生对睡眠障碍患者的睡眠质量进行充分、有效的评估,且相关评估结果也能为医生后续的诊断治疗提供有效帮助。