一种适用于微动敏感床垫的呼吸努力识别的新算法

　　1　引　　言

　　呼吸努力相关性微觉醒(respiratory effort-related a-rousal, RERA)为一种异常呼吸事件,以导致睡眠觉醒的呼吸努力增加为特征,以食管内压突然回复至较小负压水平及出现EEG觉醒而结束[1]。研究表明,RERA可以导致血压升高[2],同时,夜间频繁的短觉醒会引起睡眠片断,白天嗜睡,工作效率低下。因而,近年来,RERA的研究成为睡眠医学领域研究的一个新热点。

　　RERA的诊断,首先需要辨识呼吸努力。食管压力测定是识别呼吸努力的标准,但由于其有创性,而且非常影响正常睡眠,故患者常不能耐受。除此之外,Epstein等提出用鼻导管测定吸气气流波形来识别呼吸努力的增加[3],Pitson等采用脉搏波传递时间来探查呼吸努力的增加[4],Masa等利用胸带检测到的呼吸波的幅度和形状较好的判别出了呼吸努力[5]。这些技术虽然在一定程度上可以替代食管压力测定,但它们都会对受试者产生心理和生理上的负荷,影响受试者的正常睡眠;更重要的是,这些方法都不能做到对呼吸努力进行自动评估,因而结果受到主观因素影响较大。1992年,Polo等提出了利用静电荷灵敏床垫(static charge sensi-tive bed, SCSB)检测呼吸努力的方法[6],该方法可以无创、无负荷检测呼吸努力,但仍需要人工参与,不能自动识别。

　　1996年,俞梦孙院士等设计了微动敏感床垫(micromovement sensitivemattress, MMSM),通过人体心搏和呼吸对气床垫的压力变化来测量胸冲击、呼吸、心率和翻身等体动信号, MMSM分为4个区,可以更加全面地反映人体各部位的动作,并减少了互相的影响。同时可以用各个区域的信号互相校正,减少测量时的干扰[7-8 ]。在MMSM的基础上,俞梦孙院士及其研究团队开展了关于睡眠分期、睡眠呼吸事件检测的一系列研究,取得了开创性的成果[9-14]。基于以上工作的基础上,本文提出了一种以MMSM为平台识别呼吸努力的新算法。

　　2　数据来源

　　在本算法中,本文主要通过对BCG的分析来对呼吸努力进行辨识。同时,记录食管内压,以检验识别结果。BCG采样频率为100Hz,各信号同步记录。

　　3　数据处理及算法

　　3.1　算法的总体思路

　　本算法首先从BCG入手,对BCG进行预处理,得到BCG积分信号,并检测BCG积分信号的特征点和计算BCG积分信号的特征参数;以BCG积分信号为基础,根据BCG积分信号幅度和方差的特点,识别出体动复合波;在体动复合波中,根据BCG积分信号的形态及幅度特征,初步识别出呼吸努力;最后,对初步识别的呼吸努力,根据BCG积分信号自相关功率谱的分布进行校正,得到最终结果。根据这一思想,呼吸努力辨识的总体框图1如下:

　　3.2　BCG的预处理