一种基于心肺呼吸信号的睡眠阶段估计算法,该算法来源于上腹压力传感器的心肺呼吸信号

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 信号处理 信号处理

背景情况:

• 便携式睡眠监测系统对于家庭评估至关重要.
• 在这个过渡期间,保持呼吸等生理信号的准确性至关重要.
• 用于睡眠呼吸障碍 (SDB) 的上侧压力 (SSP) 传感器也可以捕捉心脏振动.

研究的目的:

• 评估使用SSP传感器的心肺呼吸信号来自动估计睡眠阶段.
• 为了确定分离呼吸道和心脏信号是否可以提高睡眠阶段的准确性.
• 评估SSP传感器数据对于高级临床睡眠障碍评估的潜力.

主要方法:

• 收集了从100名接受多睡眠图的成年人那里的SSP传感器信号.
• 从混合SSP数据中分离呼吸力和心脏活动信号.
• 利用训练在这些信号上的神经网络来估计睡眠阶段.
• 与手动睡眠评分结果进行比较,包括科恩的卡帕和总睡眠时间.

主要成果:

• 混合SSP信号显示了与手动评分的中度一致 (kappa 0.53-0.62).
• 分离信号和使用心脏数据进行心率估计改善了协议 (kappa 0.63-0.71).
• 该方法在睡眠分期方面表现出高准确度,特异性和灵敏度.
• 总睡眠时间估计的平均误差很小 (-1.83分钟),但置信区间很大 (±55分钟).

结论:

• SSP传感器的心肺呼吸信号可以有效地用于自动估计睡眠阶段.
• 分离呼吸和心脏组成部分显著提高了便携式睡眠监测的准确性.
• 这种方法为开发用于临床睡眠障碍评估和监测的紧,信息丰富的系统提供了潜力.