微动敏感床垫式睡眠监测系统可在准自然状态下(基本无需粘贴电极)对呼吸波、心冲击图(Ballistocardiogram,BCG)、体动、位置、姿势等进行长时间连续监测。本文对床垫中的振动和血氧饱和度两种信号进行了分析和信息挖掘。人体准自然状态睡眠监测中为了准确提取呼吸事件和更好地进行睡眠分期,对于咳嗽病人需要正确地检测咳嗽,区分咳嗽和鼾声。咳嗽监测对呼吸科医生正确诊断病情也有重要作用。而传统咳嗽监测多采用语音记录及语音识别算法,数据量大,处理算法复杂。咳嗽时气体急速冲出声门,会引起身体剧烈振动。若以此振动信号为依据提取咳嗽事件可防止外界声音造成的干扰,减小假阳性率。本课题在床垫上加入中心频率为20Hz的骨导传感器来记录身体振动,加入频率范围为20～2KHz的声音传感器记录声音,并将两路信号都以100Hz为采样频率转换为10bit的数字信号,同时采用Mp3进行音频同步记录作为对照。由于床垫采集信号种类多,还要用于医院内多病床同时的长时间监测,为避免数据量太大导致传输速度过慢,各数据采样率必须降到最低,这也使以往的语音处理算法不再适用。通过对信号的斜率、过零率、下降时间等特征进行研究并结合床垫本身特点,本文提出了夜间睡眠时咳嗽和鼾声信号的初步区分算法,弥补了当前咳嗽事件自动提取研究方面的空白。这不仅可以应用于病人的夜间咳嗽监测,还可用于校正呼吸事件的提取。REM期是睡眠结构的重要组成部分。本文对基于“床垫”采集到的血氧饱和度信号进行REM睡眠期定位做了深入研究,使无脑电参数的睡眠分期更为准确。经过对大量实测数据的观察我们发现,REM睡眠期血氧饱和度会有不同程度的下降,中度和重度SAHS患者尤为明显。本文提出了通过血氧下降段定位REM睡眠期的算法。首先我们以方差和均值作为基础参数来寻找血氧下降段,并加入针对各种特殊数据的校正方法。最后将本算法与睡眠分期知识库相结合来定位REM睡眠期。通过30例实测SAHS患者数据及北京朝阳医院临床睡眠专家验证,证明此算法对中度和重度SAHS患者准确率达到临床要求。本文通过对床垫中的振动和血氧信号进行信息挖掘,使得床垫可以更加准确地进行睡眠分期和SAHS诊断。本文中的咳嗽自动识别算法由于其采样率低、数据量小,还可用于睡眠Holter和咳嗽Holter。另外,MSMSMS是一个新型的低负荷的睡眠监测系统,其采集到的人体的各类生理参数中蕴含着丰富的关于人体健康的信息,若能对这些信息进行深层挖掘,“床垫”应用前景将更为广阔。