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。