睡眠呼吸暂停综合征患者的睡眠分期算法研究

针对可穿戴睡眠监测缺乏有效的自动睡眠分期和睡眠质量评价方法这一问题,提出一种适用于睡眠呼吸暂停综合征患者的自动睡眠分期方法。通过心电图R-R间期序列,分别得到心率变异性、呼吸幅度变异性和呼吸率变异性信号。以此为基础,提取时域、频域及非线性特征共55个。利用门控循环单元网络,分别构建清醒-睡眠二分类、清醒-快速眼动-非快速眼动睡眠三分类、清醒-快速眼动-浅睡-慢波睡眠四分类、清醒-快速眼动-非快速眼动Ⅰ-Ⅱ-Ⅲ期五分类等共4个不同分类粒度的睡眠分期模型;采用损失函数类别加权方法,有效降低数据非平衡对分期结果的影响。验证数据来自SHRS数据库的274例患者。借助准确率、Cohen′s Kappa系数和睡眠结构指标对该睡眠分期方法进行性能评价。结果表明4个分类器的准确率分别为85.06%、75.44%、63.80%、62.13%,Cohen′s Kappa系数达到了0.54、0.49、0.41、0.41,睡眠结构分析评估与临床结果之间的差异无统计学意义。所提出的方法基本满足睡眠质量评估的需求,适用于可穿戴睡眠监测应用。

基于表面肌电图的人体运动意图识别研究进展

目的分析基于表面肌电图人体运动意图识别的研究方法和识别效果。方法检索PubMed、Web of Science、中国知网、万方数据、维普数据库建库至2020年12月文献,筛选基于表面肌电图的人体运动意图识别实验研究,提取相关数据,进行描述性分析。结果根据采用的方法,运动意图识别可分为3类:基于肌肉骨骼模型的运动意图识别、基于传统机器学习的运动意图识别和基于深度学习的运动意图识别。结论单一基于表面肌电信号的方法难以完全彻底地估计所有运动意图。开发精确和实时的人体运动意图识别方法仍有待进一步研究。