睡眠呼吸暂停综合征的监测与治疗关键算法研究

发布时间：2017-09-05 19:31

  本文关键词：睡眠呼吸暂停综合征的监测与治疗关键算法研究

  更多相关文章： PPG信号 呼吸信号 阻塞性睡眠呼吸暂停 小波变换 特征点识别

【摘要】：睡眠呼吸暂停综合症(Sleep Apnea Syndrome,SAS)是一种慢性疾病,严重影响人们身体健康。SAS分为阻塞型OSAS、中枢型CSAS及和混合型MSAS三种,临床上以阻塞型OSAS最为常见。 阻塞性睡眠呼吸暂停综合征(Obstructive Sleep Apnea Syndrome,OSAS)临床表现有夜间睡眠打鼾、呼吸暂停和白天嗜睡。由于呼吸暂停引起反复发作的夜间低氧和高碳酸血症,可导致高血压,冠心病,糖尿病和脑血管疾病等并发症,甚至夜间猝死。OSAS是一种有潜在致死性的睡眠呼吸疾病。 OSAS的主要发病机制表现为呼吸道阻塞和狭窄,但并不是简单的气道狭窄和阻塞。实际是上呼吸道塌陷,并伴有呼吸中枢神经调节障碍。引起上呼吸道阻塞和狭窄的病因较多,包括扁桃体肥大、鼻中隔弯曲、下颌弓狭窄、软腭过长、颞下颌关节强直、下颌后缩畸形,少数情况下出现小颌畸形、舌骨后移、巨舌症等。此外,口咽或下咽部肿瘤、上气道组织黏液性水肿以及肥胖等也可引起OSAS。对于OSAS的详细发病机制,医学领域尚无定论,仍需进一步研究。 OSAS目前的治疗手段主要有行为治疗、无创通气治疗、手术治疗和药物治疗等方法,其中无创通气治疗是采用无创呼吸机以持续正压通气CPAP、双水平正压通气BiPAP和自动正压通气APAP方式治疗。呼吸机治疗越来越受欢迎是由于不需要手术和服用药物,保证了无创治疗的效果。 随着科技发展,呼吸机对阻塞性睡眠呼吸暂停综合征(OSAS)的治疗效果越来越明显,呼吸机种类越来越多,人们对呼吸机的要求不仅仅局限于达到治疗效果,而且有更高的对使用舒适性的追求,人机顺应性是决定呼吸舒适感的关键因素。 根据上述提出的呼吸机顺应性对呼吸机的重要性,本文做了相关的算法研究。 本文利用压差传感器采集到呼吸信号流量的波形,对流量信号的波形特点进行分析研究,并结合瑞思迈对流量信号特点的临床统计分析结果,提出一种实时检测睡眠呼吸暂停(SA)、低通气和判断阻塞的方法。此方法基本思路是：在患者睡眠过程中出现呼吸暂停、低通气或阻塞状态时,系统监测到这些事件任意一种发生,则发出匀速提高马达转速的指令,升高输出气压,直到事件消失为止,停止升压,以达到治疗的效果；而检测患者处于正常状态下,系统发出匀速降低马达转速的指令,降低输出气压,如果降低过程中出现事件发生,则停止降压,开始升压,达到正常状态停止。反复调整输出压力大小,最终自适应调整为一个有效治疗的最小压力,以最大限度的提高使用舒适性。其中系统设定了最大和最小治疗压力范围,默认设定的最大治疗压力为10cmH2O,最小治疗压力为4cmH2O。也可以在医生的指导下自主设置。监测呼吸暂停SA和阻塞事件的发生是本文算法的核心。SA检测是根据信号特点提出一个参数叫呼吸指数,呼吸指数越小信号的波动越小,反之则越大,通过计算呼吸指数来判断事件的发生,当呼吸指数小于某个闽值时判定为SA事件发生。阻塞事件检测则是根据临床数据得到的两个图形因子公式进行判断,在判断之前首先要提取每个呼吸信号的吸气波信号,将提取到的吸气波信号作为数组带入两个图形因子公式中,得到两个判断参数,同时设定两个阈值,对两个参数分别进行判断。当参数均在正常范围内,则判定为无阻塞时间发生；当两个参数中其一或者其二在小于阈值范围内,则判定为阻塞事件发生。将本文的方法同时应用于ResMed呼吸机与自行设计呼吸机进行对比实验,结果表明该方法在两种呼吸机中均可实时有效地监测呼吸暂停、低通气和阻塞事件的发生,并有效控制压力达到治疗效果,同时可以有效提高治疗的顺应性。 SAS全球的发病率均较高,因此对病情的预测评估和治疗效果的评价也越来越引起人们的重视。目前,多导睡眠图PSG是诊断和研究睡眠呼吸障碍性疾病的金标准,也是目前诊断OSAS和评价疗效最常用的方法。它不仅可以判断疾病严重程度,还可以全面评估患者的睡眠结构,睡眠中呼吸暂停,低氧情况,以及心电、血压的变化。某些情况下借助食道压检测,还可以对阻塞性与中枢性进行鉴别。单纯依靠患者描述的症状来诊断是不够的。每一位患者在治疗前、术前和术后,以及治疗后都至少应进行1次PSG检查。PSG检查应在睡眠呼吸实验室中进行至少7小时的数据监测。PSG检测的项目包括脑电图、眼电图、颏肌电图、胫前肌电图、心电图、胸腹壁呼吸运动、口鼻气流以及血氧饱和度等。但应用PSG进行OSAS的诊断和疗效观察是一项复杂的系统工程,测量参数及其丰富、涉及的学科非常广泛,对技术人员与诊疗医生的要求较高。它一方面要求翔实、准确、严密地监测和记录患者的睡眠过程,另一方面被测试者要带有多种导联,有捆绑的不适感,夜间翻动身体很容易造成导联脱落,严重影响使用者入睡,同时造成测试结果不正确。PSG检查技术与分析技术较复杂,费用相对较高,且检查费时,不适合作为睡眠疾病评估筛查的主要手段。便携式监测仪选择性地利用PSG的部分参数,具有体积小、携带分析方便等优点,目前已成为临床上筛查和诊断OSAS的重要方式之一。 根据上述提出的便携式监测仪的便携性,本文做了相关的算法研究。 脉搏外在的反映了血管和心脏等人体系统的信息变化,任何一个系统的变化都对脉搏产生影响。脉搏可以在体表多处测量得到,如足腕、颈部、左胸、手腕等多个地方,根据脉搏压力变化,可以采集到的PPG信号会呈现出一定的波形,其中手腕上采集的桡动脉信号是最普遍的。人体PPG信号一般被认为有6个特征点,分别为主动脉瓣开放点、收缩期最高压力点、主动脉扩张降压点、左心射血停止点、反潮波起点、重搏波。本文根据PPG信号特征包含,如血氧饱和度Sp02、脉搏频率PR、脉搏传递时间PTT、脉搏速率PWV、脉搏氧灌注指数PI、灌注变异指数PVI、血管硬化指标SI和脉搏反射指标RI等人体心血管相关的多种生理病理信息,提出利用提取PPG信号特征点,计算睡眠过程中OSAS患者的相关生理参数,因此波形的各个特征点是计算上述生理参数的根据。利用小波函数的一些特点可以提取PPG信号的特征点,即当小波函数可看作某一平滑函数的二阶导数时,小波变换过零点与信号的突变点位置相对应,而PPG的特征点的位置均为信号的突变点,因此利用这一特性来识别预处理后信号的特征点。本文选择平滑小波Marr (墨西哥草帽小波)为小波基函数。因为,Marr小波基是高斯函数的二阶导数,满足过零点检测条件。而且该小波不是紧支撑的,不是正交的,但它是对称的,可用于连续小波变换,得到平滑而连续的小波系数。用Marr小波对PPG信号进行各尺度分解,并计算第5层小波系数的所有过零点,根据上升支与下降支来区分提取到的点位置对应原信号的波谷和波峰点。 经过小波分解,在较小尺度上,信号的小波变换幅度很小,很难对特征点进行准确地定位,且当信号中存在噪声时,在这些尺度上受噪声的影响比较严重；而在大的尺度上,特征参量的位置会发生比较大的偏移,本文提出用差分法来校正小波变换后特征点的位置偏移。在时域上对信号做差分,提取出两个特征点位置,与小波变化提取的两个特征点位置相减取平均,得到偏移量。 由于PPG特征点因人而异,且易受干扰,因而获取高信噪比的完整信号是准确识别特征点的前提。本文基于数学形态学,设计了一种组合滤波器对信号做预处理,可有效抑制基线漂移并去除高频噪声。为了验证方法的有效性,本文设计利用采集得到的真实信号和仿真的不同类型的PPG信号做对照试验。仿真信号是四种用三个参数可调的高斯函数重构出的典型PPG信号,经过试验证明,本文方法可以准确的识别脉搏波特征点。 本文提出睡眠过程中利用PPG信号对睡眠呼吸暂停综合征患者生理参数变化进行监测的方法,以及利用实时监测呼吸信号进行判断呼吸事件的发生并采取治疗措施的方法。用采集系统得到的睡眠呼吸信号和PPG信号进行实验分析,结果表明本文提出的方法实时有效。
【关键词】：PPG信号 呼吸信号 阻塞性睡眠呼吸暂停 小波变换 特征点识别
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R766
【目录】：

• 摘要3-7
• ABSTRACT7-14
• 第一章 绪论14-23
• 1.1 研究背景与意义14-16
• 1.2 国内外技术发展现状与趋势16-21
• 1.2.1 睡眠医学的发展16
• 1.2.2 睡眠监测与评估16-18
• 1.2.3 无创睡眠呼吸机18-19
• 1.2.4 发展趋势19-21
• 1.3 论文内容及结构21-23
• 第二章 PPG信号特征点提取23-33
• 2.1 引言23-24
• 2.2 提取PPG信号特征点以及位置偏移校正24-26
• 2.3 PPG信号的预处理26-28
• 2.4 实验结果与讨论28-32
• 2.5 本章小结32-33
• 第三章 PPG信号采集原理与应用的探讨33-43
• 3.1 引言33-34
• 3.2 PPG信号采集原理简介34-35
• 3.3 测定的生理参数及其意义35-38
• 3.4 生理参数的计算方法38-42
• 3.4.1 血氧饱和度38-39
• 3.4.2 脉搏氧灌注指数和灌注变异指数39
• 3.4.3 脉搏频率39-40
• 3.4.4 血管硬度指数与脉搏反射指数40-41
• 3.4.5 脉搏传递时间与脉搏速率41-42
• 3.5 本章小结42-43
• 第四章 睡眠呼吸信号处理43-54
• 4.1 引言43-44
• 4.2 自行设计呼吸机原理44-45
• 4.3 自适应压力调节算法45-51
• 4.3.1 算法的基本思路45-46
• 4.3.2 SA检测方法46-47
• 4.3.3 基于双图形因子的阻塞判断方法47-50
• 4.3.4 吸气信号的波形判断50-51
• 4.4 实验方案及结果分析51-53
• 4.5 本章小结53-54
• 第五章 总结与展望54-56
• 5.1 工作总结54-55
• 5.2 展望55-56
• 参考文献56-61
• 硕士期间发表和完成的论文61-62
• 致谢62-63

【参考文献】

中国期刊全文数据库 前10条

1 欧琼,高兴林,郑勤伟,岑瑞金,黄平,何斌;便携式睡眠监测与多导睡眠监测两种方法的应用比较[J];国外医学.呼吸系统分册;2005年08期

2 赵志强;郑国维;沈巍;廖程;;脉搏波信号降噪和特征点识别研究[J];电子设计工程;2013年05期

3 张丽琼;祁伟;;基于小波变换的人体脉象信号奇异点检测[J];数据采集与处理;2008年02期

4 王实;;世界睡眠医学的发展现状[J];沈阳医学院学报;2008年02期

5 刘玉良;李刚;林凌;王焱;;基于小波分析的光电脉搏波奇异性处理[J];信号处理;2007年01期

6 白金星;赵子婴;王艳萍;;脉搏波的小波变换过零点分析方法研究[J];医疗卫生装备;2006年01期

7 陈正龙;李淼;胡兆燕;谢海明;;睡眠无创呼吸机发展及其新技术[J];医疗卫生装备;2009年02期

8 徐泽林;任跃;李成毅;;呼吸机主要性能指标的质量控制技术[J];中国医学装备;2008年04期

9 苏应龙;王智光;;睡眠障碍的研究进展[J];中国民康医学;2007年15期

10 黄勇,郑骏,樊明捷,钱鉴,刘耀亮;微波心律(HBR)与呼吸频率(BF)遥测监护仪的研制[J];中国生物医学工程学报;2005年02期

，

本文编号：799862