首页 > 文献资料
-
基于心率变化的睡眠分期方法
研究睡眠分期对睡眠疾病的检测、预防和治疗有着重要的临床意义.实现无干扰的睡眠监测能降低被测试者的约束和不适感,有利于提高睡眠评价结果,长期的、连续不间断的睡眠监测,可以提高睡眠相关疾病的检测效果.该文根据人脑自主神经系统功能在睡眠的不同时期存在差异的特征,结合自主神经系统功能的评价指标,提出一种基于睡眠期间心率变化特点,进行觉醒期、非快速眼动期及快速眼动期的三期睡眠结构的自动划分.结果表明,该文算法对于不同睡眠状态的分期正确率达到了64.15%,对与实现非脑电的睡眠分期研究进行了有益探索.
-
新生儿脑电图-睡眠分期及其应用
近年来新生儿脑电图(EEG)对于评估脑功能的作用被逐渐认可,并在国内越来越多的医院开展,一般结果由医师阅图后凭经验主观判断,仅依靠定性EEG.而随着定量EEG研究的增多,依靠客观数据处理实现新生儿睡眠自动分期得以实现,并可以自动检出新生儿癫痫发作的时间段,节省人工阅图时间,辅助医师对结果做出判断.EEG-睡眠分期的分析应用广泛,可以帮助更准确的识别新生儿脑病,评估新生儿神经功能和脑成熟度,提供一种研究新生儿大脑发育成熟的机制的方法.
-
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.
-
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.
-
多分辨分析提取心率变异性中的睡眠结构信息
本文从工程分析的角度探索通过分析心率变异性推知健康人夜间睡眠结构的可行性、针对心率变化在睡眠过程中的特点,对心动间期信号作基于小波变换的多分辨率分析,深入考察了不同睡眠时相中的RRV(R-R interval variability)多分辨率信号,尤其在睡眠时相转换时的变化特点.建立了关于健康人睡眠规律和睡眠RR规律的规则库.综合分析RRV在多分辨率下的信息,用模糊逻辑推理系统对某时间段不同睡眠时相的隶属度进行推理.经对26例健康人睡眠RRV分析,与脑电人工分析结果比较,睡眠基本结构的平均符合率达到85%,醒觉和睡眠状态的平均符合率达到93%,证明用本方法进行睡眠结构分析是可行的.
-
心率变化特征与睡眠分期耦合关系研究
心率是非脑电方法判断睡眠分期的一个重要指标,提出了一种把睡眠分期进行定量化、模糊化描述的新思路,并详细给出了判断心率与睡眠分期耦合关系的新方法,这种方法具有简便、快速的特点.实验结果表明:健康人和SAHS病人的心率变化特征与睡眠时相均具有较好的相关性,其中健康人的相关性更高.
-
基于条件概率的短时睡眠状态实时估计
目的：根据脑电信号的特征，提出基于条件概率的睡眠状态实时估计方法，为睡眠监测提供反映睡眠状态连续变化的客观评价依据。方法在白天短时睡眠过程中，同步采集了4导与睡眠相关的脑电信号（ C3-A2，C4-A1，O1-A2，O2-A1），对每5秒记录数据进行傅里叶变换，分别计算了8~13 Hz和2~7 Hz 的脑电节律能量占空比特征参数。主要方法包含了学习和测试两个阶段：在学习阶段，根据训练数据获得脑电特征参数的概率密度分布；在测试阶段，根据当前特征，得到各睡眠分期的条件概率，并计算获得睡眠状态的估计值。结果分析和测试了12名受试者的短时睡眠数据。通过与睡眠分期的人工判读结果相比较，睡眠状态估计值呈现了睡眠深度的连续变化。觉醒期的显著性差异为2.94，睡眠一期和二期分别为1.78和1.62，分析结果符合实际规律。结论本文所定义的睡眠状态估计值蕴含了睡眠分期的特征，较好地反映了睡眠阶段在持续和过渡期间的连续变化过程，能够为白天短时睡眠状态分析提供实时监测和分析的客观评价依据。
-
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,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.
-
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.
关键词： 心率 睡眠呼吸暂停低通气综合症 睡眠分期 去趋势波动分析 标度指数 -
基于复杂性测度的睡眠脑电分期处理方法研究
提高临床脑部及神经系统疾病的早期诊断水平,及时予以控制和治疗,是降低脑疾病对人类危害有效的途径.探讨复杂性测度在睡眠脑电分期中的应用,主要利用加窗的Lempel-Ziv复杂度处理算法对经采用小波变换滤波算法滤除生理干扰后的睡眠脑电信号进行分期处理,并与没有加窗的Lempel-Ziv复杂度处理算法的仿真处理结果进行比较.结果表明:加窗的Lempel-Ziv复杂度算法能更好地将睡眠脑电不同状态分开,在一定程度上减少由脑电的非平稳性带来的计算上的片面性,同时兼顾各期睡眠脑电状态的不均匀性,在很大程度上满足临床的应用要求.
-
睡眠中发作症状的脑电图特征及其与睡眠分期的关系
目的：探讨睡眠中发作症状的脑电图特征及其与睡眠分期的关系。方法统计分析2012年9月至2014年9月收治的86例睡眠中发作症状患者的临床资料。结果夜发性额叶癫痫患者的痫样波检出率57.1%（12/21）显著高于睡眠肌阵挛、夜惊症、梦游症、梦魇患者9.7%（3/31）、18.8%（3/16）、0、0（ P ﹤0.05）；86例患者中，NREMⅠ期、NREMⅡ期是睡眠肌阵挛集中发生的时期，NREMⅢ期、NREMⅣ期是夜惊症、梦游症集中发生的时期，REM期是梦魇集中发生的时期，NREMⅠ期、NREMⅡ期是夜发性额叶癫痫主要发生的时期，其次为NREMⅢ期、NREMⅣ期，后为REM期。结论不同睡眠中发作症状的脑电图特征差异显著，和睡眠分期关系密切，临床可以依据脑电图特征对睡眠中发作症状患者的疾病类型进行诊断，从而为及时准确地治疗和改善患者预后提供良好的前提条件。
-
幼儿和学龄期儿童睡眠障碍脑电图49例分析
睡眠障碍是一种发作性疾病,是指与睡眠、睡眠分期或者从睡眠中部分觉醒有关的睡眠功能失调[1].由于小儿睡眠-觉醒功能未发育成熟,易出现多种睡眠障碍,0.2%～10%的儿童存在睡眠障碍[2],在幼儿及学龄期儿童中,主要表现为夜惊,梦游和梦魇.现回顾分析2003年至2005年本院临床诊断为睡眠障碍的49例患儿的脑电图资料.
-
一种新的脑电信号睡眠分期方法
目的 研究一种新的脑电信号睡眠分期方法.方法 利用小波包变换提取EEG信号的β和δ节律波,然后采用功率谱熵算法分别处理β和δ节律波,并整合结果得到第一部分特征参数.使用基于样本熵且尺度为11,12的多尺度熵算法分别处理EEG信号,得到第二部分特征参数.终将所有特征参数输入到支持向量机或反向传播神经网络分类器中,将睡眠分为4期.结果 对1000个睡眠脑电样本进行测试,使用支持向量机分类的平均准确率为91.90％,使用反向传播神经网络分类的平均准确率为91.70％.结论 本文提出的结合小波包分解、功率谱熵和多尺度熵的方法提取的特征参数可以作为睡眠分期的有效依据,且适用于两种分类器.
-
基于脑电信号Hilbert-Huang变换的睡眠分期研究
目的 研究基于脑电信号Hilbert-Huang变换的睡眠自动分期方法.方法 对睡眠脑电信号进行Hilbert-Huang变换,求出具有物理意义的瞬时频率,并得到脑电信号在频率上的能量分布,作为睡眠脑电信号各个时期的特征,终利用近邻模式分类方法对睡眠各阶段进行分期决策.结果 通过对560个睡眠脑电信号样本进行分期,平均正确率达到81.7%.结论 经Hilbert-Huang变换得到的睡眠脑电信号特征,可以作为睡眠分期的有效分类依据.
关键词： Hilbert-Huang变换 脑电信号 睡眠分期 固有模态函数 -
在轨睡眠及其对航天员认知的影响综述
航天员在轨睡眠一直存在着睡眠时间减少、睡眠质量下降等问题,从而影响了航天员的认知功能.本文综述了在轨睡眠问题及其对航天员认知功能影响的研究进展,对已有影响因素进行分析,并对现阶段针对在轨睡眠问题的研究方法进行了简述和展望,以期更好地为在轨睡眠评价体系的研究提供参考,进而辅助航天医学研究,确保航天员在轨工作的正常进行.
-
发作性睡病病人的护理
发作性睡病(narcolepsy)是一种原因未明的睡眠疾病,人群患病率为0.02%～0.18%[1],无性别差异,我国人群患病率为0.04%[2],常于青少年期起病并可终生患病.此病常以睡眠发作、猝倒症、睡眠瘫痪及睡眠幻觉为典型临床表现,称为发作性睡病四联症.但临床大多是以反复发作的不可抗拒的不分地点和场合的白日过度嗜睡为主要主诉.因此,临床上常与嗜睡症和阻塞性睡眠呼吸暂停/低通气综合征(OSAHS)的过度嗜睡、癫痫等难以鉴别.本睡眠中心从2007年9月-2009年6月运用美国泰科公司Sandman睡眠监测仪行整夜多导睡眠监测(PSG)及白天多次睡眠潜伏试验(MSLT),睡眠分期参照Rechtschaffen and kales标准手工分期作为客观诊断,符合2005年颁布的国际睡眠障碍分类第2版(ICSD-2)发作性睡病的诊断标准[3]的有15例病人.现将临床监测护理报告如下.
-
基于小波变换与近似熵的睡眠分期研究
目的:考察睡眠各期与近似熵的相互关系及相关参数选取对其的影响,以获取一种能较好反映睡眠分期的特征量.方法:数据处理于2007-05/09在江苏大学电气信息工程学院生物医学工程系实验室完成.睡眠脑电数据取自波士顿Beth Israel医疗睡眠数据库,16个测试对象均为男性,年龄32～56岁.对瞬眠脑电数据首先应用小波变换,将脑电信号中的噪声进行消噪处理,然后再利用近似熵将消噪后的睡眠脑电信号进行特征提取.结果:睡眠各期脑电的近似熵是不一样的,清醒状态时,其值大,随着睡眠的深入,大脑思维活动减少,近似熵的值逐渐降低:进入Ⅲ期、Ⅳ期深度睡眠状态时,近似熵的值减到低:在快速眼动睡眠期,脑电信号又与非快速眼动睡眠期Ⅰ期类似,近似熵的值开始回升.近似熵在睡眠各个阶段具有显著差异性和规律性,表明近似熵能很好的用于表征睡眠分期.结论:①睡眠脑电信号经过小波变换能有效的消除噪声并保持原信号的突变性质,从而表明了小波变换对非平稳信号的消噪具有很好的有效性和实用性.②对消除噪声后的睡眠脑电信号利用近似熵能很好的实现睡眠分期,从而实现了提取睡眠脑电有用信息的目的.
-
基于奇异值第一主成分的睡眠脑电分期方法研究
目的:脑电信号含多种噪声和伪迹,信噪比较低,特征提取前必须进行复杂的预处理,严重影响睡眠分期的速度.鉴于此,本文提出一种基于奇异值第一主成分的睡眠脑电分期方法,该方法抗噪性能较强,可省去预处理过程,减少计算量,提高睡眠分期的效率.方法:对未经过预处理的睡眠脑电进行奇异系统分析,研究奇异谱曲线,提取奇异值第一主成分,探索其随睡眠状态变化的规律.并通过支持向量机利用奇异值第一主成分对睡眠分期.结果:奇异值第一主成分不仅能表征脑电信号主体,而且可以抑制噪声、降低维数.随着睡眠的深入,奇异值第一主成分的值逐渐增大,但在REM期处于S1期和S2期之间.经MIT-BIH睡眠数据库中5例同导联位置的脑电数据测试(仅1导脑电数据),睡眠脑电分期的准确率达到86.4％.结论:在未对脑电信号进行预处理的情况下,提取的睡眠脑电的奇异值第一主成分能有效表征睡眠状态,是一种有效的睡眠分期依据.本文运用提出的方法仅采用1导脑电数据,就能得到较为满意的睡眠分期结果.该方法有较强的分类性能,且抗噪能力强,不需要对脑电作复杂的预处理,计算量小,方法简单,很大程度上提高了睡眠分期的效率.
-
基于去趋势波动分析的脑电信号睡眠分期
目的 验证去趋势波动分析方法应用于脑电信号的有效性.方法 分别提取睡眠分期的脑电信号,利用去趋势波动方法对睡眠状态脑电信号的标度特征进行对比研究.结果 从睡眠1期～睡眠4期标度指数随着睡眠程度加深而逐渐增大,脑的动力学活跃性随之降低.结论 去趋势波动分析方法对不同睡眠状态有一定的区分度.
-
有关美国睡眠医学学会睡眠分期的新判读标准指南解析
睡眠是一项非常重要的生命过程,但至今人类对其了解还甚少.早的研究是来自1928年,德国精神病学家Hans Berger发现人在睡眠和觉醒时的脑电活动呈现不同的节律,其后,1953年,Aserinsky及Kleitman又发现了快速眼动(REM)睡眠与非快速眼动(NREM)睡眠[1].
