论文部分内容阅读
研究目的:1.本研究同时使用振知非接触式人体振动体征监测系统(Znzi iHealth device,ZID)与Apnea-Link Air便携式睡眠监测仪(APL)同时进行整夜睡眠呼吸监测。以APL的监测结果作为参照标准,验证ZID用于睡眠呼吸监测的准确性。2.本研究基于振动传感器采集到的高精准时间维度大数据,包括呼吸频率、心率和打鼾次数,参考计量经济学的时间序列分析方法,验证时间序列分析可用于睡眠呼吸暂停的预测。研究方法:1.数据收集:从门诊招募200例疑似OSA的患者,例如有睡眠打鼾或呼吸暂停症状,在患者夜间睡眠时同时使用参比设备APL与被测设备ZID进行睡眠呼吸监测并采集睡眠呼吸监测数据,其中实验监测时间≥4小时,监测指标包括平均心率、平均呼吸频率、呼吸暂停/低通气次数(AHI)、打鼾次数。2.统计方法:应用SPSS 25.0软件和Medcalc 19.1软件分别对设备采集到的数据进行Pearson相关分析及Bland-Altman一致性分析,以验证被测设备用于睡眠监测的有效性。基于ZID所采时间维度大数据,应用Eviews 12.0软件对采集到的原始生理数据包括心率、呼吸频率和打鼾次数进行时间序列分析来探讨心率、呼吸频率、打鼾次数的变化规律,其中分析并建立了心率、呼吸频率、打鼾次数的预测模型并验证其平稳性。研究结果:1.被测设备与参比设备的平均心率、平均呼吸频率、呼吸暂停/低通气次数(AHI)、打鼾次数都具有很好的相关性,P值均<0.05,具有统计学意义;2.Bland-Altman分析结果表明被测设备与参比设备具有较高的一致性,说明了被测设备用能用于睡眠呼吸暂停的监测,并且能够实现对呼吸暂停的初步筛查;3.基于振知高精度的时间维度大数据利用时间序列分析能预测心率、呼吸频率和打鼾次数的变化趋势,可以为预测和诊断睡眠呼吸暂停类疾病提供重要依据。结论:1.振知非接触式人体振动体征监测系统与Apnea-Link Air便携式睡眠监测系统的AHI、心率、呼吸频率、打鼾次数生理信号监测结果有较高的一致性,能有效筛查睡眠呼吸暂停疾病。2.基于振知所采集的高精度时间维度大数据利用时间序列分析能够很好的预测睡眠呼吸暂停疾病的发生。