Page 44 - 《中国医疗器械杂志》2026年第2期

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

研 究 与 论 著

在此基础上，对3种睡眠眼动信号进行时频分 W R
LS
析的结果如图9所示。其中生物雷达检测到的REM DS 30 450 870 1 290 1 710 2 130 2 550 2 970 3 390 3 810 4 230 4 650 5 070 5 490 5 910 6 330 6 750 7 170 7 590 8 010 8 430 8 850 9 270 9 690
信号表现出非平稳、突发性能量聚集特征，符合快 10 110 10 530 10 950 11 370 11 790 12 210 12 630 13 050 13 470 13 890 14 310 14 730 15 150 15 570 15 990 16 410 16 830 17 250 17 670
时间/s
速眼动的爆发特性；SEM信号表现为相对平稳的低 (a) PSG 自动分期结果
频能量集中，与慢速眼动的振荡相对应；NEM信 (a) PSG automatic staging results
4.0
号整体能量最低且分布均匀，符合无眼动的平稳特 3.0
征。这些特征差异有望为开展基于眼动信号的生物 频率/Hz 2.0
雷达睡眠分期提供依据。 1.0 0
2000 4000 6000 8000 10000 12000 14000 16000

3.5 3.5 时间/s
3.0 3.0 (b) 生物雷达检测眼动信号时频图
2.5
2.5
频率/Hz 2.0 频率/Hz 2.0 (b) Time-frequency representation of bioradar detection eye movement signals
1.5
1.5
1.0 1.0 图10 整夜睡眠PSG分期与生物雷达时频图对比
Fig.10 Comparison of all-night sleep PSG staging and bioradar time-
0.5 0.5
frequency representation
0 10 20 30 40 50 0 10 20 30 40 50
时间/s 时间/s 3 结论
(a) REM事件时频图 (b) SEM事件时频图
(a) Time-frequency representation (b) Time-frequency representation
of REM event of SEM event 本研究针对现有基于生物雷达的睡眠四阶段分
期方法依赖呼吸、体动等间接生理特征导致的
3.5
3.0 LS期与DS期分类准确率较低的问题，提出并验证
频率/Hz 2.5 了基于毫米波生物雷达进行睡眠眼动检测的可行
2.0
性。模拟眼动实验表明，使用生物雷达能够准确检
1.5
1.0
测REM、SEM和NEM这3种模拟的典型睡眠眼动事
0.5
0 10 20 30 40 50 件，其检测到的睡眠眼动信号与参考EOG信号的
时间/s
时域互相关系数超过0.90，频域主频率误差小于
(c) NEM事件时频图
(c) Time-frequency representation 0.05 Hz；真实睡眠实验表明，生物雷达检测到的
of NEM event
3种典型眼动事件不仅与参考EOG信号具有高度相
图9 3种睡眠眼动事件的生物雷达检测信号时频图 关性，且在时频等特征上呈现出显著差异，即R期
Fig.9 Time-frequency representations of bioradar detection signals for
three sleep eye movement events 的REM信号呈现爆发性高幅波动特征，LS期的
SEM信号表现为间歇性平滑起伏，DS期则维持稳
2.2.2 整夜睡眠的宏观对比
对真实睡眠实验中生物雷达检测的整夜眼动信 定的低幅波动状态，各类眼动信号的时域幅值及时
号进行时频分析的结果如图10所示（分析采用了短 频特征均存在显著差异，从而验证了基于生物雷达
时傅里叶变换，Hanning窗，窗长30 s，步进5 s），并 眼动检测进行睡眠分期的可行性。
将时频图与PSG自动分期结果进行了对比分析。其 需要指出的是，本研究为保证初步验证的信号
质量，在真实睡眠实验中采用了头部固定措施，并
中时频能量分布呈现出显著的阶段性变化特征，即
高频能量成分主要集中在PSG标注的R期，低频能 在有限样本下进行了原理验证，这在一定程度上限
量成分主要分布于LS期，而在DS期信号能量整体 制了实验的自然性及普适性。因此，未来的研究工
维持在较低水平，从而进一步表明了基于时频特征 作包括：在现有实验设计基础上，纳入不同年龄、
进行睡眠分期，特别是精准识别LS期和DS期，具 性别及睡眠质量的个体以扩大被试者样本量，基于
备可行性。需要说明的是，在图10所示结果中，部 睡眠眼动信号时频图构建并验证睡眠分期模型的泛
分时段雷达信号能量分布与PSG自动分期结果存在 化能力；采用传感网络、波束控制或智能超表面等
差异。可能原因包括：PSG软件的自动分期结果本 技术覆盖多种面部朝向，应对头部自由姿态下的检
身存在一定误差；尽管实验中已固定头部，但长时 测挑战，以期在更自然的睡眠环境下实现非接触的
间睡眠中仍可能存在微小的头部姿态调整或局部躯 睡眠分期。
体活动，这些非眼动性微动被雷达接收后，可能对
眼动信号的特征提取造成干扰；此外，在部分睡眠 参考文献
[1] TOPAN R, SCOTT S M. Sleep: an overlooked lifestyle
阶段，眼动信号本身极其微弱，也可能导致2种方 factor in disorders of gut-brain interaction[J]. Curr Treat
法在分期依据上出现差异。 Options Gastroenterol, 2023, 21(4): 435-446.

158