论文部分内容阅读
睡眠障碍疾病往往是诱发或加重心脑血管疾病以及精神心理疾患的主要因素。临床上通过多导睡眠图来判别睡眠结构及诊断睡眠疾病,该方法操作复杂而且费用昂贵,并影响受测者的自然睡眠。因此,研究适用于社区家庭的无约束睡眠障碍疾病检测与信号分析技术已成为当今一个研究热点。研究发现,睡眠与自主神经系统的调控有关,而自主神经系统的活动情况主要通过心率变异性(HRV)进行测评。鉴于此,论文基于心率变异性分析提取睡眠时相信息,从参数的变化规律中寻找心率变异性与睡眠时相的对应关系,进而采用模糊支持向量机判定睡眠呼吸暂停综合征(SAS)进行了探索性研究,为睡眠的分析工作提供更加简便的手段。采用Matlab GUI技术构建睡眠心率变异性自动检测分析交互界面,实现HRV信号检测、时频域和非线性分析功能。HRV信号检测部分,深入探讨了心电预处理算法和R波提取算法的选取与设计。针对心电信号微弱性、低频特性、不稳定性等特点,提出梳状滤波器和小波分解与重构去噪法相结合的心电预处理算法,有效抑制了工频干扰和基线漂移的影响。同时,根据心电信号波形特征,提出时域提取R波算法,通过初检和复检机制,有效保证了R波峰值检测的正确率。HRV分析部分,选取时域统计法、自回归模型谱估计、庞加莱散点图、去趋势波动分析等具有代表性的方法,为全面、客观地评价自主神经系统活动情况和判别SAS提供重要的参考指标。对健康者和AHI>15的SAS患者两组样本的睡眠心率变异性进行去趋势波动分析(DFA)和自回归(AR)模型谱分析估计。两组样本DFA标度指数的变化规律显示,在不同的睡眠时相,RR间期序列均存在长程相关性;从醒觉或REM期过渡到NREM期,标度指数呈现逐渐减小的趋势。功率谱参数LF/HF的变化规律显示,从醒觉或REM期过渡到NREM期,LF/HF逐渐减小,表明副交感神经活动逐渐占主导作用。DFA和AR模型谱估计能有效反映心率变异性在各个睡眠时相的差异,其中DFA标度指数更具有显著性差异。此外,SAS患者的DFA标度指数和LF/HF的值明显比健康者偏高,可以作为SAS患者的判定依据。在上述实验结果基础上,引入模糊支持向量机对HRV的特征向量进行模式识别,实现健康者与SAS患者的初步分类,分类正确率达到93.94%。