基于体动射频信号的睡眠分期
第37卷第8期东北大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｖｏｌ．37，Ｎｏ．8
Ａｕｇ．2016
ｄｏｉ：10．3969／ｊ．ｉｓｓｎ．1005-3026．2016．08．004
基于体动射频信号的睡眠分期
2
徐礼胜1，，薄红瑞2，赵金野2，窦元珠3
（1. 东北大学中荷生物医学与信息工程学院，辽宁沈阳 110169；2. 东北大学教育部医学影像计算重点实验室，辽宁沈阳 110169；3. 熙康阿尔卑斯科技有限公司，辽宁沈阳 110179）
摘 要：为了减轻传统接触式睡眠生理监测系统对人体造成的负担，设计了一种基于微波技术的非接触式睡眠生理信号采集与分析系统，提出一种基于体动射频信号的睡眠分期识别算法．通过小波变换对射频运采集的体动信号进行预处理，再计算出体动信号的能量值，最后通过判别式处理和阈值法动传感器（ＲＦＭＳ）实现了睡眠分期：醒觉期、浅睡期、中睡期、深睡期．实验采集分析了8个实验者为期46天的睡眠生理信号，同90％；与ＴＡＮＩＴＡ水床睡眠结果相比，本系统的结果与其吻合程度达到70％；与不同睡眠状态下呼吸率、心率的变化相比，本系统的结果吻合度达到80％．
关 键 词：非接触；睡眠监测；睡眠分期；体动；射频
中图分类号：ＴＰ274. 1 文献标志码：Ａ 文章编号：1005-3026（2016）08-1079-05
ＴＡＮＩＴＡ水床睡眠信息、接触式呼吸脉搏信号．与视频结果比较发现醒觉期正确率达到时同步采集视频信息、
Identification of Sleep Stages Based on Body Movement Signals
from RFMS
2
XU Li-sheng 1，，BO Hong-rui 2，ZHAO Jin-ye 2，DOU Yuan-zhu 3
（1. Ｓｉｎｏ-ＤｕｔｃｈＢｉｏｍｅｄｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＳｃｈｏｏｌ，ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ110169，Ｃｈｉｎａ；2. ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭｅｄｉｃａｌＩｍａｇｅＣｏｍｐｕｔｉｎｇ（ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ），ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，Ｓｈｅｎｙａｎｇ110169，Ｃｈｉｎａ；3. ＸＩＫＡＮＧＡＬＰＳＴｅｃｈｎｏｌｏｇｙＣｏ．，Ｌｔｄ．，Ｓｈｅｎｙａｎｇ110179，Ｃｈｉｎａ．Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＸＵＬｉ-ｓｈｅｎｇ，Ｅ-ｍａｉｌ：ｘｕｌｓ@ｂｍｉｅ．ｎｅｕ．ｅｄｕ．ｃｎ）
Abstract ：Ｔｏｒｅｄｕｃｅｔｈｅｂｕｒｄｅｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｓｌｅｅｐｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｏｎｈｕｍａｎｂｏｄｙ，ａｎｏｎ-ｃｏｎｔａｃｔｓｌｅｅｐｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎｍｉｃｒｏｗａｖｅｔｅｃｈｎｉｑｕｅｗａｓｄｅｖｅｌｏｐｅｄ，ａｎｄａｓｌｅｅｐｓｔａｇｅｓｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｂｏｄｙｍｏｖｅｍｅｎｔｓｉｇｎａｌｓｆｒｏｍｒａｄｉｏｆｒｅｑｕｅｎｃｙｍｏｔｉｏｎｓｅｎｓｏｒｓ（ＲＦＭＳｓ）．ＴｈｅＲＦＭＳｓｉｇｎａｌｓｗｅｒｅｐｒｏｃｅｓｓｅｄｂｙｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ｔｈｅｎ，ｔｈｅｅｎｅｒｇｙｏｆｓｉｇｎａｌｓｗａｓｃａｌｃｕｌａｔｅｄｂｙｉｎｔｅｇｒａｌａｌｇｏｒｉｔｈｍ．Ｆｉｎａｌｌｙ，ｔｈｅｓｌｅｅｐｓｔａｇｅｓｓｕｃｈａｓｗａｋｅｆｕｌｎｅｓｓ，ｌｉｇｈｔｓｌｅｅｐ，ｍｏｄｅｒａｔｅｓｌｅｅｐ，ｄｅｅｐｓｌｅｅｐｗｅｒｅｒｅｃｏｇｎｉｚｅｄｂｙｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓａｎｄｔｈｒｅｓｈｏｌｄｐｒｏｃｅｓｓｉｎｇ．ＴｈｅＲＦＭＳｓｉｇｎａｌｓｆｒｏｍ8ｎｏｒｍａｌｓｕｂｊｅｃｔｓ，ｗｈｏｓｅｓｌｅｅｐｗｅｒｅｍｏｎｉｔｏｒｅｄｆｏｒ46ｄａｙｓ，ｗｅｒｅａｃｑｕｉｒｅｄ，ｗｉｔｈｔｈｅｉｒｖｉｄｅｏｉｎｆｏｒｍａｔｉｏｎ，ＴＡＮＩＴＡｓｌｅｅｐｉｎｆｏｒｍａｔｉｏｎ，ｐｕｌｓｅｗａｖｅ，ａｎｄｒｅｓｐｉｒａｔｉｏｎｓｉｇｎａｌｓｇａｔｈｅｒｅｄｓｙｎｃｈｒｏｎｏｕｓｌｙ．Ｃｏｍｐａｒｅｄｗｉｔｈｖｉｄｅｏｓ，ｔｈｅｓｔａｇｉｎｇｒｅｓｕｌｔｓｏｆｔｈｉｓｓｙｓｔｅｍｍａｔｃｈ90％ｉｎｗａｋｅｆｕｌｎｅｓｓｓｔａｇｅ．ＩｎｃｏｍｐａｒｉｓｏｎｗｉｔｈｔｈｅｒｅｓｕｌｔｓｏｆＴＡＮＩＴＡ，ｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅＲＦＭＳｍａｔｃｈ70％ｉｎｏｔｈｅｒｓｌｅｅｐｓｔａｇｅｓ．Ｔｈｅｒｅｓｕｌｔｓｍａｔｃｈ80％ｉｎｃｏｍｐａｒｉｓｏｎｗｉｔｈｔｈｅｃｈａｎｇｅｍｏｄｅｓｏｆｒｅｓｐｉｒａｔｏｒｙｒａｔｅａｎｄｈｅａｒｔｒａｔｅａｔｄｉｆｆｅｒｅｎｔｓｌｅｅｐｓｔａｇｅｓ．
Key words ：ｎｏｎ-ｃｏｎｔａｃｔ；ｓｌｅｅｐｍｏｎｉｔｏｒｉｎｇ；ｓｌｅｅｐｓｔａｇｅ；ｂｏｄｙｍｏｖｅｍｅｎｔ；ＲＦ 在生活和工作压力逐渐增大的现代社会，随着新的睡眠障碍疾病的不断发现，新的治疗方法的不断应用，睡眠医学领域也得到了快速发
［1］
展．目前，市场上睡眠监测系统主要分为接触
式睡眠监测系统和非接触式睡眠监测系统．接触式睡眠监测系统运用最广泛的主要是多导睡眠监
收稿日期：2015-05-19
基金项目：国家自然科学基金资助项目（61374015，61202258）；辽宁省自然科学基金资助项目（201102067）；教育部高等学校博士
；中央高校基本科研业务费专项资金资助项目（Ｎ110219001，学科点专项科研基金资助项目（[1**********]037）
Ｎ130404016）．
作者简介：徐礼胜（1975-），男，安徽安庆人，东北大学教授，博士生导师．
［2］
测仪（ｐｏｌｙｓｏｍｎｏｇｒａｐｈｙ，ＰＳＧ），其监测脑电图、
眼动图、肌电图、口鼻气流等信号，监测费用昂贵且操作复杂；其他接触式睡眠监测系统包括由美国Ｚｅｏ公司推出Ｚｅｏ个人睡眠教练，日本百利达（ＴＡＮＩＴＡ）推出的睡眠水床，这些接触式睡眠监测系统在监测人体睡眠的同时对人体生理、心理造成了负担，带来了新的睡眠问题，并且接触式睡眠监测系统无法诊断93％的男性和82％的女性
［3］中的重度睡眠障碍患者．
非接触式睡眠监测系统采用微波技术监测人体的生理信息．相关研究表明，微波技术可以用于监测人体的睡眠状况，该方案不会对人体的日常
行为生活造成影响［4］，而且大量临床实验表明，
微波技术可以精确地监测人体的心肺活动并可以替代常规的心肺监测产品
［5］
．2012年欧姆龙发布
的ＨＳＬ-101，利用微波技术监测人体的体动、呼10. 吸信号从而实现对人体睡眠的监测，但是其采用
难度以及芯片、5ＧＨｚ微波，电路板等硬件设备的成本在一定程度上增加了高频技术的．
本研究采用2. 4ＧＨｚ微波技术（目前市场常见的公共频段，主要进行近距离的无线通信，开放性好、资源丰富并且无需申请专用频段
［6］
）实现
了非接触式睡眠监测系统［7-8］，并且提出了一种
基于体动射频信号的睡眠分期识别算法，利用微波技术探索睡眠质量，实现在低生理和心理负荷下监测睡眠．
1 睡眠监测系统介绍
本研究对传统接触式睡眠监测系统进行改进，利用射频运动传感器（ｒａｄｉｏｆｒｅｑｕｅｎｃｙｍｏｔｉｏｎｓｅｎｓｏｒ，ＲＦＭＳ）采集射频体动信号，对睡眠进行监测．目前ＲＦＭＳ能感知环境中10ｍ内运动的物体．利用微波技术采集人体的体动信号，通过单片机实现信号的ＡＤ转换，再将信号送入计算机进行处理．本研究设置监测距离在1. 5ｍ以内，因此信号的可靠程度较高．图1为信号采集示意图，射频运动传感器监测人体在睡眠中的生理信息，同时采用视频、
ＴＡＮＩＴＡ水床、接触式脉搏传感器和呼吸传感器同步记录人体睡眠时的生理信息．
本研究采集了8个男性健康青年为期46天的睡眠数据，受试者信息见表1，其中28组数据样本有效，本文对有效数据样本进行了数据分析
．
Fig. 1 图Diagram 1 睡眠监测示意图
of sleep monitoring Table 表1 1 Basic 系统研究的受试者情况
information of volunteers
实验编号12345678年龄[**************]6体重／ｋｇ[**************]7采集天数884153233有效天数
5
4
3
9
2
2
1
2
2 睡眠生理信息的分析
2. 1 睡眠过程中的信息
90~120正常成年人的睡眠具有周期性，ｍｉｎ，包周期长约
ｍｏｖｅｍｅｎｔ，ＲＥＭ）括和非快速眼动期快速眼动（期（ｎｏｎ-ｒａｐｉｄｒａｐｉｄｅｙｅｅｙｅ
ｍｏｖｅｍｅｎｔ，ＮＲＥＭ）．ＮＲＥＭ包括浅睡、中睡、深睡三种状态，ＮＲＥＭ和ＲＥＭ交替出现．睡眠过程包
括4~6个周期［9］
，并且随着睡眠状态的改变，机
体内也发生着相应的生理变化，如心率、呼吸率、消化液分泌、肌紧张度、体温等．除了以上表现，体
动、血氧等也发生着变化
［10］
．对于体动信号而言，周期性腿动信号和翻身信号比较显著．不同睡眠状态下周期性腿动的特征有明显差异，其相对频率、持续时间和引起醒觉的效应都随睡眠的逐渐加深而下降，而腿动的间隔时间增加．ＲＥＭ的腿
动持续时间最短，间隔时间最长［1］
．
2. 2 RFMS 信号分析及睡眠分期
图2ａ所示为整晚ＲＦＭＳ信号，主要包含了人体的翻身、周期性腿动等体动信息．图2ｂ记录了某段时间的ＲＦＭＳ信号，其中包含不同类型的体动信号（大、中、小、无体动）．
通常情况下，醒觉期体动的幅度和频度均较大，一般表现在腿部和身体的翻转；而睡眠状态中的体动，偶有翻身动作，多见身体局部的动作，通常较为短促，幅度较小，发生频度低．相关研究表明，体动信息对于确定入睡时间、晨醒时间，辨别
［11］
深／浅睡、醒觉都有所帮助．
Fig. 图2 2 RFMS 整晚RFMS signals 信号和体动信号
for a whole night （ａ）—整晚ＲＦＭＳ信号；（ｂ）—典型体动的标定．
信号的睡眠分期识别算法， 根据上述特征，本文提出一种基于体动射频如图3所示．首先利用
小波变换对信号进行去噪处理，这是比较常见的
一种去噪方法［12］
．
Fig. 3 图Algorithm 3 睡眠分期算法
for sleep stages
为一段， ＲＦＭＳ计算信号本（段体动信号）信号的积以分，30实ｓ现时长的数据体动能量
ＢＤＭ计算：
ＢＤＭ（ｎ）＝∫
30
1
｜（ｓ30ｎ＋ｔ－1）ｄｔ｜，
ｎ＝1，2，ｌｅｎｇｔｈ式中：
ｓ是原始信号；ｌｅｎｇｔｈ（ｓ（）为ｓ）
．
（1）
ｓ
ｓ的长度；ｆｓ为采样频率．对ＢＤＭ取对数，建立判别函数：
ＳＳ（ｎ）＝ｌｇ（ＢＤＭ（ｎ－ｉ））．
（2）
式中：
ｎ是以30ｓ为一个积分区间的点．通过判别式的信号得到体动信号结果如图4ｂ所示．
对28天的有效数据进行处理，采用式（2）得到体动值在50~70之间，
因此本研究采用固定阈值实现睡眠分期．结合视频比对结果和28天体动65信号的特征值，，从而实现了对醒觉期和本研究的体动阈值设置为0，1，2，3分别表示深睡期、ＮＲＥＭ中睡期、的分期浅睡期、
．53如图，555，所示，醒觉期
．
Fig. 4 图4 RFMS RFMS through signals 信号和通过判别式的体动值
criterion and body movement values
（ａ）—ＲＦＭＳ信号；（ｂ）—通过判别式的体动值．
ＲＥＭ 正常成年人的睡眠具有周期性，交替出现，睡眠过程包括4~6个周期ＮＲＥＭ［9］
．和
如
图5所示，整晚睡眠分期中有4个睡眠周期，如图中黑色线条所示．醒觉期是入睡前、凌晨4：00前后和起床时，浅睡、深睡交替进行，每段持续时间约为50~100
ｍｉｎ．
Fig. 5 图Signals 5 睡眠分期
of sleep stages
3 睡眠分期结果分析比较
3. 1 TANITA 水床和视频监控分析验证
睡眠具有周期性，一般以90~120ｍｉｎ为一个睡眠时间段，平均每个睡眠时段有4~6个睡眠
周期［9］
：醒觉—浅睡—中睡—深睡．另外，一般情
况下，睡眠周期在前半夜较长，后半夜较短．图5所示的睡眠周期也有如此特点．在对醒觉期的识别中，通过视频监控可以较清晰观察到识别率达到90％．
图6是ＴＡＮＩＴＡ水床同步监测的睡眠分期结果，ＴＡＮＩＴＡ水床将睡眠分成醒觉期、ＲＥＭ、浅睡期、深睡期，将ＮＲＥＭ分为浅睡期和深睡期，本文并没有划分ＲＥＭ期，因为相关研究表明ＲＥＭ
和醒觉期的脑电图相似，难以区分［13］
．
比较图5和图6，睡眠分期在醒觉期的吻合度达到90％，浅睡期的吻合度达到75％．但在深睡期有一定差异，这是由于ＴＡＮＩＴＡ水床是接触式测量，通过监测人体的体动（对水床的压力）对
睡眠进行分期，所以会受到被褥、衣服等外界因素的干扰；而本系统采用的微波技术具有很好的穿
［7］
透性，可以更加准确地检测到人体微小的体
扰．图7标记了整晚心率和呼吸率的变化趋势
．
中睡、深睡，动，而且本文将ＮＲＥＭ划分为浅睡、更加有利于研究睡眠障碍疾病，从而提高人的睡眠质量．ＴＡＮＩＴＡ水床对于入睡和起床时醒觉期的判断是准确的，但是在睡眠过程中对于睡眠分期的判断，本系统有着明显的优势
．
Fig. 6 图Sleep 6 TANITA staging 睡眠监测仪分期结果
of TANITA sleep monitor
3. 2 呼吸率和心率验证
本文同时通过接触式采集了受试者整晚睡眠状态下的脉搏信号与呼吸信号，设计了相应的算法分析整晚睡眠状态下呼吸率与心率的变化规律，从而进一步验证本文睡眠分期算法的正确性．方法为：检测Ｒ波．通过查找整段信号的最
大值Ｓｍ和最小值Ｓｎ，使得Ｓｍｎ在某一点邻域（一般取前后0. 5＝ｓ）Ｓｍ范围内搜索极-Ｓｎ，对信号大值Ｓｉ，并且满足Ｓｍｎ此时Ｓ-Ｓｉ>Ｇ，其中Ｇ＝0. 4Ｓｍｎ，
ｉ就是Ｒ波所对应的峰值，且同时得到所对
应的ｔｉ．Ｒ波检测到后，
通过Ｒ波的峰值所对应的时间间隔就能得到瞬时心率：60（／ｔｉ-ｔｉ-1），计算瞬时呼吸率的方法与此类似．
通过上述方法得到心率、呼吸率之后，为了使每一秒都有对应的心率值，将该时刻的时间邻域内的平均心率作为当前心率值，本研究基于大量实验结果的综合分析，选取了45ｓ的平均心率和呼吸率进行分析，结果如图7所示．
心率在睡眠中的变化可总结为：①在整个睡
眠过程中心率总体有下降趋势；②ＮＲＥＭ向ＲＥＭ转换时，心率先是迅速升高，然后在ＲＥＭ中逐渐降低；③ＲＥＭ的心率变异性（短时分析）比ＮＲＥＭ要高；④不同ＲＥＭ的心率变异性有随睡
眠时间增加而增大的趋势［14］．图7所示为整晚心
动周期随心率的变化：总体趋势呈现减弱，即心率减慢．由于在整晚睡眠中使用指尖脉搏传感器采集数据，所以睡眠过程中手指的活动、翻身等会对信号产生干扰，
所以本信号包含了身体运动的干
Fig. 7 Curves of 图average 7 平均心率、heart rate 呼吸率
and respiration rate
（ａ）—整晚呼吸率、心率；（ｂ）—局部放大图．
ＲＥＭ 对的更替起伏变化，呼吸信号而言，ＲＥＭ呼吸呼吸急促并且非常
率随着ＮＲＥＭ和不平稳，
ＮＲＥＭ较慢且平稳［15］
，尤其在深睡期呼吸最为平稳．通过图7可以发现呼吸率和心率具有大致相同的趋势，从入睡到起床都有逐渐减小的大趋势，同时心率总体趋势变化较为明显．
对比图7和图5所示的结果可以发现，心率、呼吸率的变化趋势与图5所示的睡眠分期图有着很大的关系：在醒觉期呼吸率和心率明显有变大的趋势，相反，在深睡期二者的变化都趋于平稳且幅值较低．为了进一步验证本系统睡眠分期结果的准确性，本文在计算出的呼吸率的基础上实现了睡眠分期（呼吸率通过呼吸绑带采集的呼吸信号计算得出，相对于心率受人体体动的干扰小），具体方法为：以45ｓ为周期对整晚的呼吸率进行积分运算，得到呼吸率的能量值；结合28天有效数据的处理、提取的呼吸率特征值以及上述不同睡眠期呼吸率的特点，采用固定阈值实现睡眠分期，结果如图8所示
．
Fig. 8 Sleep 图staging 8 呼吸率睡眠分期
based on respiration rate
期， 并且醒觉期发生在入睡前、通过图8可以发现：整晚的睡眠具有凌晨4：00左右和4个周起床前，这与图5所示的结果是相吻合的，其他睡眠阶段的判断与图5的吻合度为80％．但是也有一定差异，主要来源于：①呼吸率的提取是基于接触式采集的呼吸信号，所以信号中包含了体动信号的干扰；②呼吸率随着ＮＲＥＭ和ＲＥＭ的更替
（6）：2060-2063．）
起伏变化，ＲＥＭ呼吸急促并且非常不平稳，
［15］
ＮＲＥＭ较慢且平稳．
［7］ ＺｈａｏＪ，ＺｈｅｎｇＬ，ＸｕＬ，ｅｔａｌ．Ａｎａｌｙｓｉｓａｎｄｄｅｓｉｇｎｏｆａ
ｐｒｉｎｔｅｄＹａｇｉａｎｔｅｎｎａｗｏｒｋｉｎｇａｔｔｈｅｆｒｅｑｕｅｎｃｙｏｆ2．4ＧＨｚｆｏｒｍｏｎｉｔｏｒｉｎｇｐｈｙｓｉｏｌｏｇｉｃａｌｐａｒａｍｅｔｅｒｓ［Ｃ］／／Ｔｈｅ11ｔｈＷｏｒｌｄＣｏｎｇｒｅｓｓｏｎＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌａｎｄＡｕｔｏｍａｔｉｏｎ．Ｓｈｅｎｙａｎｇ，
［8］ 范应威，徐礼胜，章星，等．低成本非接触生理参数监测系
统研究［Ｊ］．信号处理，2013，29（12）：1733-1738．（ＦａｎＹｉｎｇ-ｗｅｉ，ＸｕＬｉ-ｓｈｅｎｇ，ＺｈａｎｇＸｉｎｇ，ｅｔａｌ．Ａｆｆｏｒｄａｂｌｅｎｏｎ-ｃｏｎｔａｃｔｖｉｔａｌｓｉｇｎｓｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌｏｆ2013，29（12）：1733-1738．）ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，
［9］ 杨军，俞梦孙，杨秀岩，等．睡眠生理参数的中医解读初探
2014．
4 结 论
本系统采用8个健康青年为期46天的数据，经过基于体动射频信号的睡眠分期识别算法的处理，将实验结果与视频录像比较可知，本文算法在醒觉期的识别率达到90％，同时对于睡眠过程中深睡、中睡、浅睡的判断也是比较准确的．与ＴＡＮＩＴＡ水床相比，本文算法在醒觉期吻合度达到90％，浅睡期吻合度达到75％，而且ＴＡＮＩＴＡ水床只对入睡时和起床时的醒觉识别较准确，在睡眠过程中对于深睡、中睡、浅睡的判断，本系统具有一定的优势．与不同睡眠状态下呼吸率、心率的变化相比，本系统的结果吻合度达到80％．参考文献：
1］ ＫｒｙｇｅｒＭＨ，ＲｏｔｈＴ，ＤｅｍｅｎｔＷＣ，等．睡眠医学———理论
与实践［Ｍ］．张秀华，韩芳，张悦，等译．北京：人民卫生出版社，2010：1-23，102-167．
（ＫｒｙｇｅｒＭＨ，ＲｏｔｈＴ，ＤｅｍｅｎｔＷＣ，ｅｔａｌ．Ｐｒｉｎｃｉｐｌｅｓａｎｄｐｒａｃｔｉｃｅｏｆｓｌｅｅｐｍｅｄｉｃｉｎｅ
［Ｍ］．ＴｒａｎｓｌａｔｅｄｂｙＺｈａｎｇＸｉｕ-ｈｕａ，ＨａｎＦａｎｇ，ＺｈａｎｇＹｕｅ，ｅｔａｌ．Ｂｅｉｊｉｎｇ：Ｐｅｏｐｌｅ’ｓＭｅｄｉｃａｌＰｕｂｌｉｓｈｉｎｇＨｏｕｓｅ，
2010：1-23，102-167．）2］ ＤｅＣｈａｚａｌＰ，ＦｏｘＮ，Ｏ’ＨａｒｅＥ，ｅｔａｌ．Ｓｌｅｅｐ／ｗａｋｅ
ｍｅａｓｕｒｅｍｅｎｔｕｓｉｎｇａｎｏｎ-ｃｏｎｔａｃｔｂｉｏｍｏｔｉｏｎｓｅｎｓｏｒ［Ｊ］．ＪｏｕｒｎａｌＳｌｅｅｐＲｅｓｅａｒｃｈ，2011，20（2）：356-366．
3］ ＹｏｕｎｇＴ，ＰａｌｔａＭ，ＤｅｍｐｓｅｙＪ，ｅｔａｌ．Ｔｈｅｏｃｃｕｒｒｅｎｃｅｏｆｓｌｅｅｐ-ｄｉｓｏｒｄｅｒｅｄｂｒｅａｔｈｉｎｇａｍｏｎｇｍｉｄｄｌｅ-ａｇｅｄａｄｕｌｔｓ［Ｊ］．ＴｈｅＮｅｗＥｎｇｌａｎｄＪｏｕｒｎａｌｏｆＭｅｄｉｃｉｎｅ，1993，328（17）：1230-1235．
4］ ＬｉＣ，ＬｉｎＪ，ＸｉａｏＹ．Ｒｏｂｕｓｔｏｖｅｒｎｉｇｈｔｍｏｎｉｔｏｒｉｎｇｏｆｈｕｍａｎ
ｖｉｔａｌｓｉｇｎｓｂｙａｎｏｎ-ｃｏｎｔａｃｔｒｅｓｐｉｒａｔｉｏｎａｎｄｈｅａｒｔｂｅａｔｄｅｔｅｃｔｏｒ［Ｃ］／／ＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃｉｎｅａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙ，2006．28Ｙｏｒｋｔｈ：ＡｎｎｕａｌＩＥＥＥ，2006Ｉｎｔｅｒｎａｔｉｏｎａｌ：2235-2238Ｃｏｎｆｅｒｅｎｃｅ．
ｏｆｔｈｅＩＥＥＥ．Ｎｅｗ5］ ＫｉｒｉａｚｉＪＥ，Ｂｏｒｉｃ-ＬｕｂｅｃｋｅＶＭ．Ｄｕａｌ-ｆｒｅｑｕｅｎｃｙｔｅｃｈｎｉｑｕｅ
ｆｏｒａｓｓｅｓｓｍｅｎｔｏｆｃａｒｄｉｏｐｕｌｍｏｎａｒｙｅｆｆｅｃｔｉｖｅＲＣＳａｎｄｄｉｓｐｌａｃｅｍｅｎｔ［Ｊ］．ＩＥＥＥＳｅｎｓｏｒｓＪｏｕｒｎａｌ，2012，12（3）：
6］ 吕涛，574-582周燕媚，．
郑启亮，等．基于2．4Ｇ的检测数据无线传输
模块设计［Ｊ］．仪器仪表学报，2006，27（6）：2060-2063．（ＬｙｕＴａｏ，ＺｈｏｕＹａｎ-ｍｅｉ，ＺｈｅｎｇＱｉ-ｌｉａｎｇ，ｅｔａｌ．Ｄｅｓｉｇｎｏｆａ2. ｓｙｓｔｅｍ4ＧＨｚ［Ｊ］ｗｉｒｅｌｅｓｓ．ＣｈｉｎｅｓｅｔｒａｎｓｍｉｓｓｉｏｎＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃｍｏｄｕｌｅＩｎｓｔｒｕｍｅｎｔｕｓｉｎｇｉｎｄｅｃｔｅｃｔｉｏｎ，2006，27
［Ｊ］．国际生物医学工程杂志，2013，36（2）：74-75．（ＹａｎｇＪｕｎ，ＹｕＭｅｎｇ-ｓｕｎ，ＹａｎｇＸｉｕ-ｙａｎ，ｅｔａｌ．ＡｐｒｅｌｉｍｉｎａｒｙｓｔｕｄｙｏｎｕｎｄｅｒｓｔａｎｄｉｎｇｔｈｅｍｕｌｔｉｐｌｅｐｈｙｓｉｏｌｏｇｉｃａｌｐａｒａｍｅｔｅｒｓｄｕｒｉｎｇｓｌｅｅｐｉｎｌｉｇｈｔｏｆｔｒａｄｉｔｉｏｎａｌＣｈｉｎｅｓｅｍｅｄｉｃｉｎｅ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，2013，36（2）：74-75．）
［10］江丽仪．睡眠过程心率变异性分析及睡眠呼吸暂停综合征
的判别研究［Ｄ］．广州：华南理工大学，2011．
（ＪｉａｎｇＬｉ-ｙｉ．Ｈｅａｒｔｒａｔｅｖａｒｉａｂｉｌｉｔｙａｎａｌｙｓｉｓｄｕｒｉｎｇｓｌｅｅｐａｐｎｅａｓｙｎｄｒｏｍｅｄｅｔｅｃｔｉｏｎ［Ｄ］．Ｇｕａｎｇｚｈｏｕ：ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，2011．）
［11］吴峰，成奇明，周玉彬，等．多导睡眠图仪选择性监测与分
析系统研制［Ｊ］．中国生物医学工程学报，2011，30（1）：（88Ｗｕ-92Ｆｅｎｇ．，ＣｈｅｎｇＱｉ-ｍｉｎｇ，ＺｈｏｕＹｕ-ｂｉｎ，ｅｔａｌ．Ｔｈｅｐｏｌｙｓｏｍｎｇｒａｐｈｙｒｅｓｅａｒｃｈｗｉｔｈａｆｌｅｘｉｂｌｅｓｉｇｎａｌｍｏｎｉｔｏｒｉｎｇａｎｄａｎａｌｙｓｉｓｓｙｓｔｅｍ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，
2011，30（1）：88-92．）［12］ＢｈａｔｎａｇａｒＧ，ＷｕＱ，ＲａｍａｎＢ，ｅｔａｌ．Ａｎｅｗｆｒａｃｔｉｏｎａｌ
ｒａｎｄｏｍｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｆｏｒｆｉｎｇｅｒｐｒｉｎｔｓｅｃｕｒｉｔｙ
［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ．ＰａｒｔＡ：ＳｙｓｔｅｍｓａｎｄＨｕｍａｎｓ，2012，42（1）：262-275．
［13］刘婷．基于ＥＥＧ和ＥＭＧ信息融合的自动分期［Ｄ］．兰州：
兰州大学，2014．
（ＬｉｕＴｉｎｇ．ＡｕｔｏｍａｔｉｃｓｌｅｅｐｓｔａｇｅｓｓｙｓｔｅｍｂａｓｅｄｏｎｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｏｆＥＥＧａｎｄＥＭＧ［Ｄ］．Ｌａｎｚｈｏｕ：ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，2014．）
［14］ＲａｊａｇｏｐａｌＭＫ，Ｒｏｄｒｉｇｕｅｚ-ＶｉｌｌｅｇａｓＥ．Ｔｏｗａｒｄｓｗｅａｒａｂｌｅ
ｓｌｅｅｐｄｉａｇｎｏｓｔｉｃｓｙｓｔｅｍｓｆｏｒｐｏｉｎｔ-ｏｆ-ｃａｒｅａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］／／ＩＥＥＥＰｏｉｎｔ-ｏｆ-ＣａｒｅＨｅａｌｔｈｃａｒｅＴｅｃｈｎｏｌｏｇｉｅｓ．Ｂａｎｇａｌｏｒｅ，
［15］童茂荣，2013：26裴兰，-29．童茂清，等．多导睡眠图学技术与理论［Ｍ］．
北京：人民军医出版社，2004．
（ＴｏｎｇＭａｏ-ｒｏｎｇ，ＰｅｉＬａｎ，ＴｏｎｇＭａｏ-ｑｉｎｇ，ｅｔａｌ．Ｔｅｘｔｂｏｏｋｏｆｐｏｌｙｓｏｍｎｏｇｒａｍｏｌｏｇｙ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｐｅｏｐｌｅ’ｓＭｉｌｉｔａｒｙＭｅｄｉｃａｌＰｒｅｓｓ，2004．）［［［［［［