基于图案化柔性织物电极的非接触式多体位睡眠心电监测系统

现有非接触式睡眠心电监测技术对于人体多体位的心电信号有效获取存在一定局限性。本研究设计了一种隔着衣服与床单能够获取人体多体位睡眠心电信号的监测系统。采用柔性导电织物作为电极材料,将心电采集电极制成拱门型状,利用电容耦合感应变化电场,把心电信号从人体耦合至织物电极。采用10 GΩ的高阻值电阻作为偏置电阻,结合高输入阻抗的仪表放大器对信号进行差分处理。使用数字滤波技术去除心电信号中的噪声,运用状态机逻辑算法自动提取心电信号的波形特征。通过人体试验对比分析了本系统与条状型非接触式电极以及接触式心电采集系统获取的心电信号质量。结果表明,该系统在非皮肤接触条件下可以获取良好的睡眠心电信号,R波检出率在95%以上。

一种非接触式基于心冲击图的睡眠监测装置

睡眠质量是身体健康与否的重要因素。睡眠监测的意义在于利用准确的数据对睡眠状况进行有效分析,找出影响睡眠的因素,利于疾病预测及治疗。文中对睡眠质量监测的现状进行整理,介绍了一种新型非接触式基于心冲击图的睡眠质量监测装置,并分析了其应用和前景。

一种非接触式皮损患者睡眠呼吸暂停监测技术研究

目的:研究一种非接触式呼吸暂停监测技术,以解决大面积皮肤损伤和皮肤过敏症患者无法使用常规方法监测呼吸信号的难题。方法:非接触式呼吸暂停监测方法是通过采用微型生物雷达传感器采集患者的胸壁微动信号,对信号调理后进行特征提取和分析,实现其呼吸信号的非接触监测和正常呼吸、阻塞性呼吸及呼吸暂停的呼吸状态自动识别,通过病床呼叫系统进行呼吸暂停预警;采用非接触式呼吸暂停监测方法对30名志愿者进行呼吸监测测试,并通过混淆矩阵进行效能分析。结果:非接触式呼吸暂停监测方法对30名志愿者呼吸暂停检测的准确率为87.5%、灵敏度为86.7%、特异度为95%,呼吸状态识别总体精度为73.3%。结论:非接触式呼吸暂停监测方法可较为准确地实现呼吸监测功能,且很好地排除了干扰事件,为大面积皮损和皮肤过敏症患者的呼吸监测提供新的思路。

基于FMCW雷达的非接触式医疗健康监测技术综述

非接触式的医疗健康监测系统解决了用户依从性问题,避免了佩戴电极、传感设备进行监测带来的不舒适感,更有助于将健康监测融入日常生活。非接触式监测手段具有持续地监测用户健康状况的潜力,能够在突发急性医疗事件出现时及时示警,且能够满足新生儿、烧伤患者、传染病患者等特殊人群的监测需求。调频连续波(FMCW)雷达能够同时捕获雷达视场内目标的距离、速度信息,可用于非接触式地监测用户的心率、呼吸率等生理体征及跌倒等行为动作,且从技术上易于单片集成,成本可控,因此在医疗健康监测领域有着重要的应用价值。该文首先阐述了将FMCW雷达应用于非接触式医疗健康监测技术的理论基础,然后系统性地归纳了该领域中的典型前沿应用,最后总结了基于FMCW雷达的医疗健康应用这一领域的研究现状及局限性,并对其应用前景与潜在的研究方向进行了展望。

基于非接触式振动体征监测设备探测中重度阻塞性睡眠呼吸暂停的研究

目的 评价一种置于床垫下的非接触式振动体征监测设备在成人阻塞性睡眠呼吸暂停患者中的应用价值。方法回顾性分析2020年10月至2021年4月因睡眠打鼾就诊于中日友好医院睡眠呼吸专病门诊的90例成人患者资料,在进行多导睡眠监测(PSG)的同时使用非接触式振动体征监测设备进行监测,利用Spearman相关系数及BlandAltman法评估非接触式振动体征监测设备生成的呼吸事件指数(REI)与PSG生成的呼吸暂停低通气指数(AHI)之间的一致性,非接触式振动体征监测设备诊断OSA的灵敏度和特异度,利用受试者工作特征(ROC)曲线评价非接触式振动体征监测设备用于成人阻塞性睡眠呼吸暂停的诊断效率。结果 非接触式睡眠监测设备所获得的总呼吸事件及总睡眠时间具有较高的准确率,与PSG设备所获得的相应数据比较差异无统计学意义;REI与PSG-AHI比较具有较高的相关性和一致性,相关系数r=0.83,P<0.01,平均差异为-4.34(95%CI-38.42~29.74)次/h;以非接触式睡眠监测设备REI≥22.7次/h作为诊断中重度OSA的诊断界值,其灵敏度及特异度分别为90.2%及79.3%。结论 该非接触式睡眠监测设备所得REI与PSG-AHI一致性较好,可用于中重度OSA患者的筛查。

睡眠联合脑电监测对重症患者意识状态改变的预报价值

目的探讨睡眠联合脑电监测对重症患者意识状态改变的预报价值。方法连续收集2020年11月至2021年12月在开滦总医院神经重症加强治疗病房诊治的不同意识状态重症患者81例,将不同程度意识障碍患者分为清醒组19例、嗜睡组48例和昏迷组14例。记录患者的一般资料、非直接接触式无感睡眠监测系统数据、定量脑电监测数据,采用logistic、多元逐步回归分析筛选出影响意识状态转变的相关指标。结果3组患者收缩期血压、REM期睡眠时间和REM期占比差异有统计学意义(P<0.05)。以清醒与嗜睡为因变量的logistic分析主要筛选出F4-δ、F4-慢波指数、F8-δ、F8-θ、F8-(δ+θ)左/右、F8-α指数、F8-慢波指数、T3-α3、T4-α左/右、T5-(δ+θ)左/右等指标,P均<0.05。以嗜睡与昏迷为因变量主要筛选出F4-δ、F4-α2、F4-α/(δ+θ)、F4-α指数、F4-慢波指数、F4-δ指数、F4-θ指数、C4-δ指数、F8-δ、F8-θ、F8-α2、F8-α指数、F8-慢波指数、F8-δ指数、F8-θ指数、T4-δ、T4-θ、T4-α2、T4-α3、T4-α左/右、T4-(δ+θ)左/右、T4-α指数、T4-慢波指数、T4-δ指数等指标,P均<0.05。分别以上述筛选出的指标为因变量的多元逐步回归分析显示心率变异指数、睡眠期平均心率、总睡眠时间、心血管健康指数、呼吸期最快呼吸、睡眠期平均呼吸等睡眠监测指标是这些高危因素的主要交互影响因素。结论在脑电指标中F4-慢波指数、F8-慢波指数、T4-α左/右是清醒重症患者发生嗜睡的高危因素,F4-α/(δ+θ)、F4-慢波指数、T4-δ、T4-θ、T4-(δ+θ)左/右、T4-慢波指数是嗜睡患者发生昏迷的高危因素。REM期睡眠与意识状态改变有明显的关系。通过非直接接触式睡眠监测技术与脑电生理学监测相结合,可以更好地预测患者的意识状态改变。

非接触式睡眠呼吸监测仪在成人阻塞性睡眠呼吸暂停中的应用价值

目的评价非接触式睡眠呼吸监测仪在成人阻塞性睡眠呼吸暂停(OSA)患者中的应用价值。方法本研究选取2018年7月至2019年5月因打鼾就诊于北京大学人民医院睡眠中心的成人患者,在进行多导睡眠监测(PSG)的同时使用非接触式睡眠呼吸监测仪进行监测,利用均数检验、Pearson相关系数及Bland-Altman法评估非接触式睡眠呼吸监测仪生成的呼吸事件指数(REI)与PSG生成的呼吸暂停低通气指数(AHI)之间的一致性,计算非接触式睡眠呼吸监测仪诊断OSA的敏感度和特异度,并以受试者工作特征(ROC)曲线确定其诊断OSA的最佳界值。结果共纳入198例患者,其中男120例,女78例,年龄45.5(33.0,57.3)岁。PSG生成的AHI与非接触式睡眠呼吸监测仪的REI差异无统计学意义[15.9(4.7,40.2)次/h比16.2(6.1,40.0)次/h,P=0.381],二者显著相关(r=0.914,P<0.05),其一致性检验的平均差-0.06次/h(95%CI:-18.44~18.31);如以REI≥5次/h作为诊断标准,则非接触式睡眠呼吸监测仪诊断OSA的敏感度为91.2%,特异度为58.0%;以REI≥13.3次/h诊断中重度OSA的敏感度、特异度分别为90.1%,71.1%。结论该非接触式睡眠呼吸监测仪所得REI与PSG-AHI一致性较好,可用于OSA及中重度OSA患者的筛查。

溶栓治疗对脑梗死患者睡眠结构的影响

目的 探究溶栓治疗对脑梗死患者睡眠结构的影响。方法 收集2020年9月至2021年12月在开滦总医院神经内科进行溶栓治疗的急性脑梗死患者作为溶栓组,同时选取此阶段与之年龄、性别等基线资料相匹配的未进行溶栓治疗的急性脑梗死患者作为未溶栓组,选取临床健康查体指标皆正常的志愿者作为正常对照组。记录患者的一般资料、非直接接触式无感睡眠监测系统数据,比较3组研究对象睡眠状态生理指标临床监测结果,采用logistic回归分析筛选睡眠指标。结果 溶栓组与未溶栓组临床基线指标比较,差异均无统计学意义(P>0.05)。溶栓组与未溶栓组总睡眠时间、入睡后清醒时间、R期时间、R期占比、浅睡眠时间及深睡眠时间均高于对照组(P<0.05),睡眠效率低于对照组(P<0.05)。溶栓组总睡眠时间、睡眠效率、R期时间及浅睡眠时间均高于未溶栓组(P<0.05)。多元logistic回归分析结果显示急性脑梗死患者是否进行静脉溶栓治疗与入睡后清醒时间和睡眠效率明显相关,其β值分别为0.020、0.080,Wald值为4.440、31.455,OR值为1.002、1.083,P均?0.05。结论 急性脑梗死可以引发明显的睡眠结构紊乱,而早期给予患者静脉溶栓治疗可以使这种睡眠结构紊乱得到显著改善。

射频微功率雷达在智能睡眠管理中的应用

随着科学技术的迅速发展,人们生活质量的提高,人们对自身健康越来越关注;同时,随着生活节奏的加快与工作压力的增加,睡眠成了困扰许多人的问题。根据调查研究显示,睡眠不足将会增加患各种疾病的风险。多导睡眠图仪是传统的监测睡眠的仪器,但是由于对病人检测的生理信号比较多,因此对病人的身体和心理造成了一定的负担,它在一定程度上会影响病人的睡眠质量。本文介绍了一种基于2.45 GHz微波技术的非接触式睡眠监测系统i Sleep,该系统通过自行设计的射频运动传感器采集人体的生理信号,然后通过相关算法从采集的射频信号分离出体动、呼吸和心跳信号,提取相关特征参数实现睡眠分期,从而实现了智能睡眠的管理以及低生理和心理负荷下的睡眠监测。