结构性EEG信号分析用于睡眠呼吸暂停的分类
Onur Kocak1, Cansel Ficici2, Hikmet Firat3
1Biomedical Engineering, 37505 Baskent University , Ankara, Türkiye.
Biomedizinische Technik. Biomedical engineering
|March 7, 2024
概括
这项研究比较了参数和非参数功率光谱密度 (PSD) 方法,用于使用EEG信号诊断睡眠呼吸暂停. 不同的PSD方法和大脑区域在分析睡眠呼吸暂停过渡状态时产生了统计学上显著的差异.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 诊断睡眠呼吸暂停对于预防相关的健康并发症至关重要.
- 脑电图 (EEG) 信号为非侵入性睡眠呼吸暂停评估提供了一个潜在的途径.
- 在睡眠呼吸暂停期间分析短暂的信号变化需要强大的信号处理技术.
研究的目的:
- 通过比较参数和非参数功率光谱密度 (PSD) 估计方法来开发睡眠呼吸暂停评分方法.
- 分析来自不同大脑区域 (C4-M1和O2-M1) 的短暂脑电图信号,以检测睡眠呼吸暂停.
- 评估各种PSD方法在识别睡眠呼吸暂停过渡状态方面的有效性.
主要方法:
- 采用了几种功率光谱密度 (PSD) 估计方法:伯格,尤尔-沃克,周期图,韦尔奇和多渐变.
- 使用这些PSD方法检测睡眠呼吸暂停过渡状态 (呼吸暂停前,呼吸暂停内,呼吸暂停后).
- 利用统计分析和K-最近邻居 (KNN) 分类来区分方法和大脑区域.
主要成果:
- 在分析无呼吸过渡期间的delta,theta,alpha和betaEEG波段时,在参数和非参数PSD方法之间观察到统计学上显著的差异.
- 从C4-M1和O2-M1大脑区域记录的EEG信号表现出统计学上不同的PSD特征.
- KNN分类证实了来自不同大脑区域的PSD模式和PSD估计技术的独特性.
结论:
- 选择PSD估计方法显著影响睡眠呼吸暂停过渡状态的统计分析.
- 来自不同大脑区域的EEG信号 (C4-M1与O2-M1) 提供了与睡眠呼吸暂停检测有关的独特信息.
- 将各种PSD方法与特定大脑区域的分析相结合,提高了准确的睡眠呼吸暂停评分的潜力.
