睡眠是人体重要的生理状态,人的生命中有三分之一的时间是在睡眠中度过的,睡眠质量对人的健康至关重要。有资料显示,在我国约有3000万人患有睡眠呼吸暂停低通气综合征(Sleep Apnea HypopneaSyndrome,SAHS),成年人中,男性的发病率为4%,女性的发病率为2%。此外,20年来医学研究已经证明,现代人类的许多重大疾病,如高血压、冠心病、心律失常、糖尿病、心脑血管意外,以及精神心理疾患等,往往与睡眠中常发生的睡眠呼吸暂停综合征有关。因此,睡眠监测技术已成为现代医学诊断中不可缺少的内容。体动作为人类睡眠分析中的主要记录参数之一,被认为是评价睡眠质量的重要因素。频繁的体动会严重影响我们的睡眠,因为它伴随觉醒事件的发生,从而导致睡眠质量的下降。睡眠过程中的体动可以用来监测睡眠呼吸暂停以及新生儿出现的肌肉痉挛等。目前,国内外对体动信息的无约束测量研究正如雨后春笋般不断兴起。但从目前来看,还没有一套完整的非约束低负荷睡眠过程中体动的识别与分类方法。众所周知,人在夜间睡眠时的体动次数与睡眠结构之间有着紧密的联系。事实上,体动信号中还包含有很多与人体生理、心理状态有关的重要信息,对这些信息的深入挖掘定将推动睡眠评价进入一个崭新的阶段。本文从这一主旨出发,研究体动信息的分类识别策略和实现方法,进而用于评价睡眠质量和辅助诊断睡眠呼吸暂停综合征。本研究在微动敏感床垫式睡眠监测系统的平台上展开,主要完成了以下几个方面的工作:(1)建立了基于16位A/D的新一代床垫式睡眠监测系统信号预处理方法。在分析滤波器基本原理的基础上,对工程中滤波器的设计作了简单介绍,并从实际应用的角度考虑了设计滤波器应该着重注意的问题及解决方法,进而设计出合理有效的滤波器对从硬件系统中取得的原始信号进行预处理,分离出多路反映人体基本生理参数的信号,为之后的各项研究工作奠定了良好的信号基础。(2)实现了完整的非约束睡眠状态下体动信息的分类识别。针对该目标,我们首先完成了床垫系统信号的特征提取和参数量化,之后,制定了分层体动分类方案,并从无指导的分类和有指导的分类这两个不同的角度,来寻找分类方法。文中接下来就详细阐述了利用两种方法,即窗口阈值判别法和机器学习算法进行体动分类的过程。(3)设计了对比实验对两种方法得到的体动类别进行准确度检验。实验中采用摄像头同步记录受试者夜间的视频信息,通过人工识别的方法对窗口阈值判别法得到的体动标识进行了分析和比较。对于机器学习方法得到的分类结果,同样采用人工生成的数据集进行交叉验证,用误差率/正确率这一参数来评估实验结果。(4)利用麦克风同步记录的鼾声信号对软件自动判别的呼吸事件进行了修正。首先利用基于短时能量的语音信号端点检测方法得到鼾声有声一无声段的标识,之后确立规则,将端点检测的结果用于呼吸事件位置和长度的修正,实现了呼吸事件的准确检测。(5)根据体动的分类结果进行了显著体动时的呼吸波补偿,并用于纠正由大动引起的呼吸事件误判的情形。首先利用本文得到的体动的分类结果寻找显著体动发生的区间,之后设计模板补偿法对大动发生时的无效呼吸波进行了补偿。将其应用于误判事件的修正,取得了良好的效果。本项工作是在得到体动识别结果的基础上进行的,一方面体现了体动分类识别的重要价值,另一方面,为利用呼吸波实现睡眠呼吸事件的准确判别奠定了基础。