基于心率和呼吸特征结合的睡眠分期研究

目的研究通过心率和呼吸信号进行睡眠分期,探讨将心率和呼吸信号结合进行睡眠分期研究的有效性。方法基于ISURE-sleep睡眠数据库中9名健康受试者ECG和呼吸波数据,采用时域、频域和非线性分析方法,计算并筛选出HRV、呼吸波和心肺耦合特征共计34个指标。基于SVM、随机森林、XGBoosting和BP神经网络4种分类器构建模型,采用独立被试和非独立被试两种方案对觉醒期、快速眼动期和非快速眼动期进行分类测试。结果在4种分类模型下,综合建模分期方法结果均优于基于HRV或呼吸单一信号建模的睡眠分期方法,综合建模Kappa系数有显著提升。基于XGBoosting的模型在4种方法中表现最优,取得了独立被试测试73.3%的平均准确率(Kappa=0.42)和非独立被试测试准确率88.7%(Kappa=0.75)。结论加入呼吸特征和心肺耦合特征可以作为辅助指标,提升目前常用的基于HRV的睡眠分期模型的性能。心率和呼吸特征结合的睡眠分期方法在便携式睡眠监测等领域具有实际应用价值。     

基于EEG的多因素认知任务脑力负荷研究

目的研究不同类型、不同难度的认知任务组合情况下,脑力负荷变化情况的精细表征。方法设计一种基于逻辑运算、工作记忆和运动执行的脑力负荷诱发范式,利用该范式开展24名男性受试者参与的实验,采集受试者主观量表评分、任务绩效和脑电图(EEG)信号,并计算EEG信号多个频带的功率特征。结果主观量表和任务绩效分析表明,计算难度、N-back等级均能诱发出不同等级的脑力负荷;EEG信号分析表明,脑力负荷的增加伴随着前额叶theta波增强和alpha波的减弱;利用支持向量机(SVM)构建脑力负荷分类模型,能实现平均75%单因素三分类正确率和81.7%的脑力负荷三分类正确率;利用逐步回归模型可实现对脑力负荷的预测。结论 EEG信号的频域特征能够反映多因素认知任务的脑力负荷变化情况,可以对认知因素水平和脑力负荷进行分类和连续预测。