首页 > 文献资料
-
健康人睡眠期间的呼吸情况研究
目的 探究不同睡眠阶段下健康人的呼吸模式变化,为睡眠呼吸生理评价提供新的定量评价指标,同时为睡眠呼吸疾病的检测及诊断提供对照数据.方法 从时域、频域、非线性特征三方面,对9位健康受试者整晚睡眠呼吸数据进行分析处理,探究各特征在不同睡眠阶段的变化趋势.结果 伴随睡眠程度的加深,呼吸波幅度以及呼吸间期的变异性显著降低,呼吸活动的可预测性提高,但各睡眠阶段的呼吸率却未表现出显著的变化趋势.结论 伴随睡眠程度的加深,呼吸活动变得越来越平稳、规则;同时本文提出的多项指标在自动睡眠分期中具有潜在应用价值.
-
一种仅使用呼吸信号检测非眼动睡眠的方法
目的 利用非眼动睡眠呼吸平稳的特征进行非眼动睡眠的检测.方法 在呼吸信号时域定义幅度波动的变化率rA,在频域定义呼吸率的不规整度rf,以rA与rf为自变量建立线性分类判别方程.选择EDF睡眠扩展数据库的9位受试者(每人睡眠2晚)共18例睡眠口鼻气流记录,其中9例记录用于模型训练,其余9例记录用于测试.结果 个体化模型的训练错误率为20.0％,测试错误率为28.3％;通用模型的训练错误率为22.7％,测试错误率为30.8％.结论 非眼动睡眠中,口鼻气流比较规整;觉醒与眼动睡眠中,呼吸不规整且波动较大.仅使用呼吸幅度变异性与呼吸率规整度可粗略对非眼动睡眠进行识别.
-
基于脑电信号的自动睡眠分期研究进展
睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义.近年来,基于计算机技术的睡眠脑电信号自动分期成为研究热点,并取得了一些成果.本文介绍了睡眠分期与脑电信号的基础知识,详细论述了基于脑电信号的自动睡眠分期研究中的两个关键技术——特征提取和模式识别,比较了小波变换、Hilbert-Huang变换两种常用的脑电特征提取方法,和人工神经网络、支持向量机两类模式识别方法的优缺点及其在睡眠分期中的应用,总结了近几年该领域的研究现状和发展趋势.
