通过HRV,复杂度测量和心率不对称性使用概括估计方程模型进行睡眠阶段分类
Bartosz Biczuk1,2, Sebastian Żurek1, Szymon Jurga3
1Institute of Physics, University of Zielona Góra, 65-069 Zielona Góra, Poland.
Entropy (Basel, Switzerland)
|January 8, 2025
概括
心率不对称 (HRA) 参数为睡眠阶段提供了新的见解,优于传统的心率变化 (HRV) 措施. 这项研究提高了对睡眠生理学的理解,并有助于开发更好的睡眠障碍诊断工具.
科学领域:
- 心脏病学 心脏病学
- 睡眠医学 睡眠医学
- 生物医学工程 生物医学工程
背景情况:
- 传统的心率变化 (HRV) 和复杂度测量为睡眠阶段动态提供了有限的洞察力.
- 了解睡眠中的心律对于诊断睡眠相关疾病至关重要.
研究的目的:
- 调查心率不对称 (HRA) 参数在识别和区分睡眠阶段和转变中的有效性.
- 确定HRA是否提供超越传统HRV和复杂度指标的信息.
主要方法:
- 分析31个多睡眠记录中的心电图 (ECG) RR间隔时间序列.
- 应用统计技术和机器学习模型,包括通用估计方程模型.
- 评估HRA在区分睡眠阶段 (N2,N3) 和转变 (N2-R,R-N2,W-N1) 的有效性.
主要成果:
- HRA模型在识别深度睡眠阶段和睡眠过渡时表现出高准确度 (AUC范围为0.80至0.89).
- 纳入不对称变量的模型在区分睡眠阶段方面显示出显著的统计性能.
- HRA参数提供了重要的,独立的信息,这些信息不仅仅是由HRV和复杂性测量所捕获的.
结论:
- HRA参数为睡眠阶段和转变提供了有价值的,独立的见解.
- 这种方法可以增强对睡眠期间心律的理解.
- HRA显示了开发更精确的睡眠障碍诊断工具的潜力,包括便携式设备.
