睡眠阶段分类的非线性心率可变性分析使用弹心图和Apple Watch的整合

科学领域:

• 生物医学工程 生物医学工程
• 生理信号处理 生理信号处理
• 睡眠科学 睡眠科学

背景情况:

• 传统的多睡眠学 (PSG) 是侵入性的,对于日常睡眠质量评估来说是不切实际的.
• 生理信号是非线性和非静止的,需要先进的分析方法.
• 可穿戴和非接触式设备为持续的睡眠监测提供了切实可行的替代方案.

研究的目的:

• 提高睡眠阶段识别准确度,使用非线性方法与非侵入性设备.
• 为了能够有效地自我监测和调整睡眠模式.
• 为临床睡眠研究提供一个切实可行的替代方案.

主要方法:

• 六名参与者同时接受了PSG,Apple Watch,动图和弹性心脏图 (BCG) 床上传感器监测.
• 使用非线性方法和长期短期记忆 (LSTM) 模型处理生理信号.
• 非线性技术,包括返回图,分析信号形状和不对称性,以评估自主神经系统 (ANS) 对心脏动态的影响.

主要成果:

• 在将BCG和Apple Watch信号与PSG相结合时,在对REM和非REM睡眠阶段进行分类时,达成了73%的协议.
• 对心脏动态的非线性分析表明,睡眠质量检测有所改善.
• 该研究成功地将可测量的心脏信号动态与睡眠阶段和质量联系起来.

结论:

• 非线性方法通过非侵入性设备提高睡眠质量检测的准确性.
• 一个非侵入性设备系统通过睡眠模式分析提供了可访问的,全面的健康监测.
• 综合卧室设备可以在长时间内测量睡眠质量和生命体征,改善睡眠障碍的诊断.