Page 39 - 《中国医疗器械杂志》2026年第2期
P. 39

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第2期

                                                     研   究   与   论   著



              睡 眠 监 测 的 金 标 准 ， 通 过 记 录 并 分 析 脑 电               遍较低。例如，文献[25]中W、LS、DS、R四期的
              （ electroencephalogram,  EEG  ） 、 眼 电             分类准确率分别为91%、85%、68%和89%，LS期
              （electrooculogram, EOG ）、肌电（electromyography,     和DS期的准确率显著低于W期和R期；文献[26]中
              EMG） 、 心 电 （ electrocardiogram,  ECG） 、 鼾 声 、     四期准确率分别为82.7%、81.1%、74.5%和82.6%，
              脉搏等睡眠参数，对睡眠进行监测 ，但由于操作                            其中DS期的准确率也明显偏低。根据AASM标准，
                                              [7]
              复杂、成本高昂，现阶段主要应用于临床诊断。为                            睡眠分期的核心依据为EEG与EOG信号，两者为睡
                                                                                                [21]
              满足日常睡眠监测需求，接触式与非接触式睡眠监                            眠分期提供了直接的生理参数特征 ，因而现阶段
              测技术相继发展。其中，接触式监测技术通过电极                            基于EEG或EOG的接触式睡眠分期研究，对各阶段
              片、加速度传感器或压力传感器等传感器来测量心                            的分类准确率呈现出较好的一致性                   [27-29] 。相比之
              率、血氧、体动、EOG、EEG等生理特征，从而实现                         下，生物雷达睡眠分期所依赖的呼吸、体动及心跳
              睡眠监测     [8-10] ，但存在干扰自然睡眠状态的可能 ；                 等特征，本质上属于睡眠状态的间接表征。因此有
                                                         [11]
              非接触式监测技术通过声学传感器 、光学传感                             必要检测更直接表征睡眠状态的生理信号，用于生
                                               [12]
                [13]
              器 、电磁传感器         [14-15] 等检测身体运动、呼吸活动             物雷达的睡眠分期。由于生物雷达通过收发电磁波
              等信息，从而监测睡眠。在非接触式睡眠监测技术                            探测体表微动获取生理信号及其参数信息，目前尚
              中，生物雷达技术通过收发电磁波非接触地检测生                            难 以 非 接 触 地 测 量 EEG或 EOG。 然 而 ， AASM
                                                                                                    [21]
              理体征，具有穿透性强、抗干扰能力强、不侵犯隐                            中规定了各睡眠阶段的典型眼动事件 ，即LS期
              私等优势，为日常睡眠监测提供了更具潜力的解决                            存在波形平滑的慢速眼球运动（slow eye movement,
              方案 。目前，基于生物雷达的非接触式睡眠监测                            SEM），R期存在不规律的、波峰尖锐的REM，
                  [16]
              研究已涵盖睡眠事件判别、睡眠阶段分期与睡眠姿                            DS期则无明显眼球运动（no eye movement, NEM）。
              态识别等多个方向         [17-20] 。其中，睡眠阶段分期不仅             理论上，上述典型眼球运动所产生的体表微动能够
              是评估睡眠结构与质量的核心环节，也为衡量整体                            被生物雷达非接触检测到，从而为基于生物雷达的
              健康状态提供了关键指标             [21-22] 。因此，基于生物雷         睡眠分期提供一种新的直接特征。
              达的睡眠分期技术已成为该领域的研究热点。                                  本研究围绕生物雷达检测睡眠眼动的可行性开
                                                                展，针对现有方法依赖呼吸、体动等间接特征导致
                  根据美国睡眠医学会（American Academy of
              Sleep Medicine, AASM）标准 ，人类睡眠遵循由                  LS/DS期识别率低的问题，提出了直接检测睡眠眼
                                         [21]
              非快速眼动（non-rapid eye movement, NREM）睡              动信号的新途径。主要工作包括：搭建了由毫米波
              眠与快速眼动（rapid eye movement, REM）睡眠                 生物雷达与EOG/PSG参考平台构成的实验系统，开
              交替构成的周期性结构：NREM睡眠可进一步划分                           展了模拟与真实睡眠场景下的探测实验，分析了不
              为N1、N2与N3三个时期，其中N1与N2统称为                          同睡眠阶段典型眼动事件的信号特征。实验结果表
                                                                明，生物雷达不仅能有效检测REM、SEM和NEM
              浅 睡 眠 期 （ light  sleep,  LS） ， N3称 为 深 睡 眠 期      三类典型眼动事件，而且所提取的信号特征与
              （deep sleep, DS），REM则为独立阶段。该标准                    AASM标准具有良好一致性：REM呈现爆发性特
              为睡眠质量的客观评估提供了统一依据，也为基于                            征，SEM表现为间歇性平滑起伏，NEM则为稳定低
              生物雷达的睡眠分期研究奠定了基本框架。                               幅波动。这些信号不仅与参考平台测量结果高度相
                  在此框架下，基于生物雷达的非接触式睡眠分                          关，其时域和频域特征还展现出明显的差异，从而
              期研究已能实现不同精细度（如两期、三期、四                             为基于生物雷达的睡眠分期提供了一种基于直接眼
              期、五期）的阶段划分             [14-15,23] 。其中，四期划分        动特征的新技术途径，有望进一步提升睡眠分期中
              （觉醒期 W、浅睡眠期 LS、深睡眠期 DS、快速                         LS期与DS期的识别准确率。
              眼动期 R）在精细度和适用性上取得了较优平衡，
              已成为当前研究的重点。现有研究主要以呼吸、心                             1    方法
              跳和体动等生理参数作为分类特征，实现了对睡眠
              的四期划分，并取得了不同程度的分类准确率。例                             1.1    实验系统
              如，文献[24]仅采用呼吸特征获得了77.3%的总体                            生物雷达检测睡眠眼动实验系统结构如图1所
              分类准确率，文献[25]在呼吸特征的基础上结合体                          示，包含毫米波生物雷达平台与EOG/PSG同步参
              动特征得到的总体准确率为70%，文献[15]在此基                         考平台。为确保信号同步，两平台在开始采集时均
              础上进一步引入心跳特征并采用不同复杂度的模                             记录PC系统时间，并在后处理阶段以雷达平台的
              型，得到的准确率达82.6%。然而，进一步分析各                          开始时间为基准进行时间轴对齐。此外，在雷达平
              阶段识别性能发现，LS期和DS期的分类准确率普                           台开始采集后，要求被试者执行快速眨眼动作，以


                                                             153
   34   35   36   37   38   39   40   41   42   43   44