摘要：睡眠是一种重要的生理活动, 对于人体的物理和精神方面的自我恢复具有非常关键的作用。准确的睡眠分期对于睡眠质量的评估及睡眠相关疾病的诊断都具有重要的意义。近年来，在各类可穿戴设备中，基于心率变异性的各种睡眠分期算法正得到越来越广泛的应用，这些算法的关键步骤之一，在于获取可以区分不同的睡眠状态的有效参数。

针对这一需求，本文采用近期文献报道的Visibility Graph算法，利用短期心率变异性数据构建了复杂网络，并从中提取相应的网络测度值——特征路径长度、 集聚系数、 网络结点的平均度数和度分布的熵，进而对不同睡眠阶段的数据进行分析计算。结果显示，本文所提取的几个网络参数值，对于不同的睡眠状态——清醒、轻度睡眠、深度睡眠和快速眼动睡眠，具有显著的差异，显示出良好的睡眠评估能力。同时，通过对不同年龄组的数据分析，进一步发现，健康成年人的年龄对睡眠也有明显影响，且心血管控制系统在快速眼动睡眠期间可能存在异常激活，表明快速眼动可能是心血管不良事件的潜在危险因素，尤其是老年人。总体而言，这一基于Visibility Graph的睡眠分期特征参数检测算法对于睡眠质量的评估及睡眠相关疾病的诊断都具有一定的应用价值。

关键词：可见性图  睡眠分期  心率变异性

目录

摘要

Abstract

1. 绪论-1

1.1 睡眠分期的研究背景和意义-1

1.2 国内外研究现状-1

1.3 课题研究的主要内容-2

2. 心率变异性特征提取及数据处理方法-4

2.1 心率变异性简介-4

2.2 心率变异性特征分析常用方法简介-4

2.2.1 时域分析-4

2.2.2 频域分析-4

2.2.3 非线性分析-5

3. 可视图(VG)方法介绍与分析-6

3.1 可视图(VG)方法基本原理-6

3.2 可视图(VG)方法的应用-6

3.3 可视图(VG)方法应用于心率变异性信号特征分析的基本原理-7

3.4 采用可视图(VG)方法的注意事项-7

3.5 心率变异性网络参数计算方法-7

3.5.1 特征路径长度（L）计算方法-7

3.5.2 集聚系数（C）计算方法-8

3.5.3 度分布的平均度数（DA）和度分布的熵（EDD）的计算方法-8

4. MATLAB算法实现与实验结果分析-9

4.1 MATLAB实现可视图方法-9

4.2 MATLAB实现心率变异性网络测度计算-9

4.2.1 特征路径长度（L）算法-9

4.2.2 聚类系数（C）算法-10

4.2.3 度分布和度分布的熵（EDD）的计算方法-10

4.3 实验结果分析-10

4.3.1 实验数据简介-11

4.3.2 计算所有人的结果-11

4.3.3 对老年人和年轻人分别计算的结果-13

4.3.4 计算结果分析-15

总结和展望-17

参考文献-18

致谢-19