基于心电信号对睡眠呼吸暂停综合征判别算法的研究

发布时间：2020-08-07 06:04

【摘要】：睡眠呼吸暂停综合征(Sleep Apnea Syndrome,SAS)是一种常见的睡眠疾病,严重影响着人们的睡眠质量和身体健康。多导睡眠检测仪(PSG)是目前临床上常用的检测睡眠呼吸暂停综合征的方法,却有着检测不舒适且价格昂贵的缺点。心电图机、便携性医疗设备的在当今时代的广泛推广,使得心电信号的采集日趋普及和便捷。已有文献表明心电信号和呼吸信号与睡眠呼吸暂停综合征具有相当高的相关性,呼吸信号的时域和频域特征更能直观反映睡眠呼吸暂停综合征,因而研究单通道心电特征,从单导心电信号中获取呼吸信号用于判别睡眠呼吸暂停综合征具有重要意义。所以本论文从基于心电信号来获取呼吸信号的算法研究和睡眠呼吸暂停综合征的判断两个方面展开研究,以提高判别结果的准确性。在提取呼吸信号特征的研究上,本文采用了基于独立成分分析(Indepent Component Analysis,ICA)的算法来进行盲源分离得到呼吸信号。首先对原始心电信号进行预处理,利用差分阈值法检测出R波位置并进行纠错,然后加窗构造QRS矩阵,利用主成分分析法(Principal Component Analysis,ICA)对QRS矩阵进行中心化和白化,去除数据间的相关性并对数据进行降维。选取贡献率大的六组数据作为ICA处理的对象,插值后最终得到六组相关信号,通过加窗计算窗内窗外功率比,选取比值最大的作为最终提取的呼吸信号特征,相干性计算得出ICA提取出的呼吸信号与原始呼吸信号相干性很高。以此用于下一步对SAS的判别。在进行睡眠呼吸暂停综合征的分类判断的研究上,本文选取了ICA方法获取的呼吸信号频谱特征用于分类,同时选用了HRV时域特征、PCA方法获取的呼吸信号频谱特征两组特征作为对比组。在支持向量机分类时选取了四种核函数:线性核(Linear Kernel)、多项式核(Polynomial Kernel)、Sigmoid核(Sigmoid Kernel)、径向基核函数(RBF)进行分类。最终得到当以ICA方法提取呼吸信号功率功率谱特征,以径向基核函数进行支持向量机分类时效果最好,达到了91.29%的准确度,89.84%的灵敏度,91.75%的F值。本文选用了PhysioNet的Apnea数据库中的心电和呼吸数据,并对比数据库中对“正常呼吸”(N,Normal)或“无序呼吸”(A,Apnea)的标记作为实验最终结果的判定标准。实验结果表明本文采用的算法在提高睡眠呼吸暂停的准确性上具有较好的效果。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R766;TN911.7
【图文】：

睡眠呼吸暂停,鼾声,睡眠脑电图,生物电

第 1 章绪论[3]，多导睡眠监测仪（Polysomnography, PSG）又称睡眠脑电图，如图，是国际公认的检测睡眠呼吸暂停综合症的金标准。利用生物电或检测患者一整夜的脑电、心电、肌电、眼动、口鼻气流、鼾声、体血氧饱和度、胸式和腹式呼吸运动以及阴茎海绵体肌容积等多个生利用计算机软件综合分析这些生理信号中的特征，诊断睡眠呼吸暂停如图 1.2所示。

界面图,界面

多导睡眠监测仪分析界面

波形,心电信号,波形,间期

第 2 章 ECG 和 SAS 分析的基本知识心电信号分析本文用于判别睡眠呼吸暂停综合征的特征来源于心电信号，所以接下电信号产生原理和特征。通过人体体表测量的心电信号为时变信号，表示心脏活动中电位的变人体是一个非线性时变的系统，产生的心电信号也是非线性时变信号用某一确定的函数来描述。人类机体内存在的生理信号十分微弱，其号为比较强的信号，频率为 0.05-100Hz。如图 2.1 所示，一个完整的心电信号波形由 P 波、QRS 波群、T 波和，P 波、R 波之间为 PR 间期，Q 波和 T 波之间为 QT 间期，S 波和 T ST间期，它们分别代表不同的生理意义，每一个都具有医疗研究价值

【参考文献】