论文部分内容阅读
目前,睡眠健康的研究越来越引起人们关注,睡眠状态的实时监测与判别对人体睡眠质量的准确评估尤为重要。现在睡眠分期的大部分研究都是使用脑电信号,技术可以说是很成熟,但是其测量手段复杂,成本高,不利于日常监测,所以研究非脑电信号与睡眠分期的关系也就显得很有意义。本文首先叙述了睡眠分期的国内和国外的研究现状,以及非脑电信号在睡眠状态分析研究中的应用;其次将心电间期RRI、脉搏间期PPI作为睡眠分期的特征参数,应用去趋势波动分析算法DFA以及去趋势互相关分析算法DCCA,将得到的标度指数来对睡眠状态进行分期研究,最终将研究内容实现为一套小型化的基于智能手机和云平台的睡眠监测系统。如下是本篇文章的几个创新的地方:(1)首先对不同睡眠状态的RRI与PPI进行DFA、DCCA的分析,我们发现,DFA(RRI)、DFA(PPI)、DCCA(RRI-PPI)标度指数均存在着WAKE>REM>LS>DS的一致性规律,并且均大于0.5,说明心电间期RRI、脉搏间期PPI以及两者之间均存在着长程相关性,并且随着睡眠深度不断减弱,这在一定程度上反应了睡眠过程中心血管调节机制的变化。(2)将健康人整夜睡眠过程中心电和脉搏数据得到的特征参数心电间期RRI和脉搏间期PPI,以窗口宽度为200个数据点,步长为20个数据点划分数据,对每段进行DFA和DCCA的分析,将所得的DFA(RRI)、DFA(PPI)、DCCA(RRI-PPI)标度指数时序图与AASM人工分期的睡眠状态分期进行对比验证发现四者之间具有高度的同步性和相同的变化规律,即通过PPG分析代替ECG进行睡眠分期是可行的;同时我们也发现三个参数在不同睡眠分期间的区分度各有优势。(3)开发设计了一套小型化的基于智能手机和云平台的睡眠监测系统。手机端能够将采集到的心电信号和脉搏信号进行计算分析,得到心电间期和脉搏间期以及DFA(RRI)、DFA(PPI)、DCCA(RRI-PPI)标度指数时序图;并能将数据传送到云平台系统进行管理,用于存储、回放以及进一步分析。