心电对睡眠苏醒鉴别方式探究范文

作者：葛宏吕晓东范军蒋科胡晓林景百胜单位：空军航空医学研究所北京

睡眠状况的好坏是对人体健康状态进行评价的重要指标，睡眠紊乱可导致多种疾病的发生。在信息高度发达的当今社会，人们承受着巨大的工作、生活压力，由此引发了许多身心健康问题，其中最严重的就是睡眠障碍。因此，有必要监测评估睡眠质量。然而，由于传统的睡眠监测需要采集脑电（EEG）、眼动（EOG）、颌肌电（EMG）等生理参数，必须在专门的监测场所（如医院的睡眠监测室）进行，而且价格昂贵，操作复杂，并且对人的睡眠有明显影响，不利于广泛开展睡眠监测。因此，需要一种简便的、低负荷的睡眠监测手段进行睡眠质量评估。国内外学者进行了许多类似研究工作［1－4］，并取得了一定成果。相对而言，心电信号的采集比较容易，而且对受试者的影响几乎可以忽略不计。因此本文利尝试利用生物医学信号处理技术，研究一种基于心电信号的睡眠、觉醒状态辨识方法，进行睡眠质量的基本评估。

2对象与方法

2.1研究对象

本文采用的实验数据为30名男性健康男性受试者在睡眠监测室一整夜的多导睡眠图（PSG）及KF2型飞行员飞行生理参数记录检测仪（以下简称生参仪）的数据记录。其中，多导睡眠图为TYCOSD32+型，受试者年龄21～50岁，样本数据和验证数据各15例。本文用医院睡眠分析医师对PSG记录的睡眠分析结果作为睡眠真实状态，研究和验证睡眠、觉醒识别算法。

2.2心电参数获取

2.2.1QRS波群检测

首先对生参仪记录的心电信号滤除基线漂移和工频滤波，然后进行QRS波群检测。传统的QRS波群检测采用阈值法，近年来，随着数字信号处理技术的发展，出现了许多新的检测方法，如小波变换法等［5］。本文采用差分阈值法进行QRS波检测，得到R-R间期序列。然后计算整个记录过程的平均心率（MEANHR），按每段30秒分段计算各段的平均心率（HR）、心率差分（HRDif）、每段平均心率（HR）与总平均心率（MEANHR）的百分比等参数。

2.2.2心率变异性分析

HRV分析是对正常窦性心率进行时域和频域分析，提取心率在时域和频域的变异指标。

2.2.2.1时域分析

时域分析主要是对窦性R－R间期序列进行统计分析，以获得正常窦性R-R间期标准差（SD）、相邻正常R-R间期差值的均方根（RMSSD）等时域指标。

2.2.2.2频域分析

为便于使用PSG分析结果，首先将数据按每段30秒进行分段，然后对每段进行频域分析。频域分析采用经典功率谱估计方法，得到以下频域指标：总功率（TP，0～0．5Hz）、极低频段功率（VLF，0．0033～0．04Hz）、低频段功率（LF，0．04～0．15Hz）；高频段功率（HF，0．15～0．40Hz）以及低高频比值（LF／HF）。

2.3建立判别函数

专业的睡眠分析医师对PSG记录的信号经过认真仔细的判读，逐段（30秒）给出睡眠分期结果（4、3、2、1、REM和觉醒）。由于本研究只需对睡眠、觉醒状态进行识别，所以将睡眠分期结果合并为睡眠、觉醒（分别以1和0表示）两种状态，作为真实结果。应用统计分析软件SPSS11.5进行相关分析后，选择与睡眠觉醒相关系数较高的R-R间期标准差（SD）、心率百分比、低高频比值（LF/HF）、心率差值以及R-R间期差值均方根（RMSSD）五个参数，用分类判别法分别建立睡眠、觉醒判别函数（公式1和2）。其中，为HR_SD间期标准差，LHRatio为低高频比，RMSSD为RR间期差值均方根，HR_Percent为心率百分比，HR_Dif为心率差值。逐段将5个心电参数值代入公式（1）进行计算，如果计算结果D≥0，则判别为觉醒，否则判别为睡眠。

3结果

3.1样本数据判别结果

样本数据的觉醒判别准确率分别为78.5%，睡眠判别准确率为86.8%，平均判别准确率为86.0%。

3.2验证数据判别结果

用15例验证数据对算法进行验证，判别结果见表2验证数据觉醒判别准确率分别为76.1%，睡眠判别准确率为85.2%，平均判别准确率为84.4%。

4讨论

用心电参数建立的睡眠、觉醒识别方法，实验表明其判别结果与PSG的一致性较高。但是对觉醒的识别准确率较低，这是由于人在安静状态时心率较低且比较平稳，HRV指标特征与睡眠状态时相似，因此容易识别为睡眠。下一步应对心电参数进行进一步挖掘，改进算法，提高识别准确率。同时，要进一步开展用心电参数进行睡眠分期的相关研究。总之，我们的研究证实利用

心电参数可以进行睡眠、觉醒状态的识别，从而对睡眠质量进行基本的评估。该方法由于信号采集简便容易，几乎不影响正常睡眠，适于在各种场合进行简单的睡眠状况评价。