脑血管病病人非快速眼动睡眠期睡眠障碍对认知功能的影响及其相关性分析

目的探索脑血管病病人非快速眼动睡眠期(NREM)睡眠障碍对认知功能的影响及其可能的机制,为改善脑血管病睡眠障碍病人的预后提供客观依据。方法选取2016年12月—2017年12月在武汉市第一医院就诊的脑血管疾病人120例,分为伴非快速眼动睡眠期睡眠障碍病人(观察组,60例)和不伴非快速眼动睡眠期睡眠障碍病人(对照组,60例),比较两组多导睡眠图监测各项指标和蒙特利尔认知评估量表(MOCA)评分情况。结果观察组MOCA总分、执行功能评分、记忆力评分、注意力及定向力评分均较对照组降低,且差异有统计学意义(P<0.05)。观察组睡眠潜伏期、NREMS1期睡眠时间较长,觉醒次数明显增加,睡眠效率、NREMS2期睡眠时间、NREMS3+S4期睡眠时间显著减少(P<0.05)。观察组MOCA总分、注意力与NREM睡眠S3+S4期总时间呈正相关,记忆力与NREM睡眠S3+S4期总时间呈负相关,执行功能、定向力与NREM睡眠S2期时间呈正相关(P<0.05)。结论脑血管病病人非快速眼动期睡眠障碍可能导致认知功能下降,不利于预后。

老年脑血管病患者非快速眼动睡眠期睡眠障碍对认知功能的影响及相关性分析

目的分析脑血管病患者非快速眼动睡眠期睡眠障碍对认知功能的影响及其相关性。方法回顾性分析2018年12月至2020年12月在本院接受治疗的120例脑血管病患者的临床治疗,根据睡眠障碍情况分组。对照组(n=60)为不伴非快速眼动睡眠期睡眠障碍患者,观察组(n=60)为伴非快速眼动睡眠期睡眠障碍患者。对比、分析两组患者的多导睡眠指标和认知功能(MOCA)评分。结果与对照组相比,观察组患者的执行功能、记忆力、注意力、定向力、语言流畅性及MoCA总分明显更低;与对照组比较观察组SOL、NREM S1期睡眠时间更长,WUT更多;SE、NREM S2期睡眠时间、NREM S3+S4期睡眠时间及TST更少(P<0.05)。Spearman相关分析结果显示,观察组患者MOCA总分、注意力与MREM S3+S4期睡眠总时间呈正相关,记忆力与MREM S3+S4期睡眠总时间呈负相关,执行功能、定向力与MREM S2期睡眠时间呈正相关(P<0.05)。结论非快速眼动睡眠期睡眠障碍会导致脑血管患者认知功能下降,一定程度上影响了患者的预后,不利于患者康复。

选择性5-羟色胺再摄取抑制剂药物相关非快眼动睡眠期过度眼动的临床和电生理特征分析

目的探讨7例选择性5-羟色胺再摄取抑制剂(SSRI)药物相关非快眼动(NREM)睡眠期过度眼动的临床和电生理特征。方法总结空军军医大学第一附属医院神经内科睡眠中心2021年6月至2022年5月收治的7例SSRI药物相关NREM睡眠期过度眼动患者的临床和电生理资料。结果7例患者年龄10~76(中位数34)岁,4例为女性。4例患者诊断为焦虑抑郁状态,3例患者诊断为发作性睡病(其中1例患者共病周期性肢体运动障碍)。4例患者应用舍曲林,1例患者应用氟西汀,1例患者应用草酸艾司西酞普兰,1例患者应用盐酸帕罗西汀,所有患者均检测到SSRI药物相关NREM睡眠期过度眼动,表现为慢速眼球运动和快速眼球运动共存,1期眼动密度大于2期眼动密度。所有患者均存在睡眠结构紊乱,NREM1期睡眠比例增多,大量微觉醒。结论SSRI药物应用期间部分患者存在特征性NREM睡眠期异常眼动,多发生于NREM1期和2期睡眠,需注意与正常快速眼动(REM)期睡眠相鉴别。

夜磨牙患者的多导睡眠监测研究

目的:研究夜磨牙(sleepbruxism,SB)患者与正常人睡眠状况的不同,磨牙症状在不同睡眠阶段的分布,以及磨牙症状与患者睡眠姿势的关系。方法:对实验组6名夜磨牙患者,对照组8名正常人,都进行一整夜的多导睡眠监测。结果:1.与对照组比,夜磨牙患者快速动眼睡眠期(Rapideyemovement,REM)时间较长,其睡眠百分比较高,通过t检验二者间差异有显著性;2.SB患者磨牙症状散在的发生于各个睡眠阶段;3.患者中有2名右侧尖牙磨损较重者,睡眠时以左侧卧位为主;3名左侧尖牙磨损较重的,睡眠时以右侧卧位为主;1名前后牙磨损均较重者,以仰卧睡眠姿势为主;对照组4名以双侧卧位睡眠为主,2名以单侧卧位睡眠为主,2名仰卧位睡眠为主,未发现左右侧、前后牙齿磨损的不均衡。结论:1.SB患者组的快速动眼睡眠期睡眠时间明显长于对照组;2.磨牙症状散在的发生于各个睡眠阶段;3.磨牙与睡眠姿势有一定关系。

不同睡眠分期相关OSAHS患者的临床特征分析

对不同睡眠分期相关阻塞性睡眠呼吸暂停低通气综合征OSAHS患者的临床特征进行探究分析。方法 设置本次研究时间、研究对象以及数量分别为2022.04-2023.04、相关阻塞性睡眠呼吸暂停低通气综合征患者、110例,对纳入的患者全部行多导睡眠监测(PSG)的110例患者,根据记录的数值将其分为REM期AHI值(整夜总呼吸暂停低通气指数,AHIREM)(n=35)和NREM期AHI值(AHINREM)(n=75),分析两组患者的相关临床特征。结果 在统计学软件中对REM-OSAHS组、NREM-OSAHS组病情严重程度进行对比分析,有统计学意义(P<0.05);REM-OSAHS组、NREM-OSAHS组在一般资料对比分析中,年龄、合并高血压例数对比,存在较大差异(P<0.05);REM-OSAHS组、NREM-OSAHS组AHI、meanSpO2、minSpO2、AHINREM、NREM minSpO2、Sa02<90%比较差异显著(P<0.05),REM-OSAHS组、NREM-OSAHS组AHIREM及N1期、N2期、N3期、REM期占总睡眠时间百分比比较无显著差异(P>0.05)。结论 REM-OSAHS组、NREM-OSAHS组患者性别、身体质量指数与嗜睡程度未见差异,但年龄、病史、病情严重程度、多导睡眠图特征存在差异,临床治疗过程中应采用不同方案。

基于睡眠脑电信号和深度学习的抑郁症识别研究

目的 基于睡眠脑电信号,探索深度学习Vision Transformer(ViT)结合Transformer网络对抑郁症患者识别的有效性。方法 首先对28例抑郁症患者和37例正常对照的睡眠脑电信号进行预处理,并将信号转为图像格式,保留其频域及空间域特征信息,之后将图像输送到ViT-Transformer编码网络,分别学习抑郁症患者和正常对照的快速眼动(rapid eye movement, REM)睡眠期和非快速眼动(non-rapid eye movement, NREM)睡眠期的脑电信号特征,并对抑郁症进行识别。结果 基于ViT-Transformer网络,从不同脑电频率角度,发现delta、theta和beta波的组合对抑郁症识别具有比较好的结果。其中,REM期delta-theta-beta波组合的脑电信号特征对抑郁症识别的准确率达92.8%,精准率为93.8%,抑郁症患者的召回率为84.7%,F0.5值为0.917±0.074;NREM期delta-theta-beta波组合的脑电信号特征对抑郁症的识别准确率为91.7%,精准率为90.8%,召回率为85.2%,F0.5值为0.914±0.062。此外,通过对整夜睡眠脑电的睡眠分期进行可视化,发现分类错误通常发生在睡眠期转期时。结论 应用深度学习ViT-Transformer网络,本研究发现基于delta-theta-beta波组合的REM期睡眠脑电信号特征对抑郁症识别更有效。