Identification of functional state of autonomic control during night sleep by means of heart rate spectrum analysis
| Author | Affiliation | |||
|---|---|---|---|---|
LT | Kauno medicinos universiteto Psichofiziologijos ir reabilitacijos institutas | LT | ||
LT | ||||
| Date |
|---|
2001 |
Sumodeliuoti individualūs kiekvienam asmeniui širdies ritmo parametrai įvairiose miego stadijose, naudojantis regresinėmis priklausomybėmis tarp jų ir širdies ritmo parametrų visos nakties arba būdravimo prieš miegą metu. Siekiant identifikuoti miego būsenas, kiekvienos atkarpos širdies ritmo parametrai lyginami su tam asmeniui modeliuotais įvairių miego stadijų širdies ritmo parametrais. Stadija nustatoma radus mažiausią visų naudojamų parametrų nuokrypį nuo sumodeliuotų reikšmių. Išnafrinėjus 14 skirtingų kriterijų nustatyta, kad identifikuojant miego būsenas pagal širdies ritmo parametrus geriausi rezultatai gauti identifikuojant gilaus lėtojo miego stadijas, t.y. kai vyrauja parasimpatinis reguliavimas. Kitų stadijų identifikavimas nepakankamas praktiniam taikymui, bet taikyti modeliai tinka autonominės reguliacijos pokyčiams identifikuoti, t.y. būsenoms, kai vyrauja parasimpatinis reguliavimas (gilaus lėtojo miego metu) arba kai jis prislopinamas (paviršutinio lėtojo miego, aktyviojo miego ir būdravimo metu). Iš gautų rezultatų galima padaryti išvadą, kad pagal širdies ritmo spektrą galima identifikuoti autonominio reguliavimo būsenas miego metu.
Heart rate (HR) parameters during individual sleep stages have been modeled using multiple regression equation based on the identification of dependencies between experimental parameters of sleep stages and HR parameters from all night sleep or HR parameters of wakefulness, recorded just before sleep. In order to identify the functional status of sleep, the HR parameters of any particular sequence of the HR record were compared with the modeled parameters of all sleep stages. The identification of a particular stage was performed by means of the lowest deviation of experimental parameters from the modeled ones. After the analysis of 14 criteria we have determined, that the best results for the identification of sleep stages were obtained using HR parameters for the identification of deep non-REM sleep stages, when parasympathetic control predominates. The identification of other non-REM stages and REM sleep was not exact enough for the use of this procedure in practice. However, the modeling procedure of HR parameters was sufficiently exact for the identification of changes in autonomic control during sleep. In other words, the procedure for the modeling of HR changes during sleep was efficient enough for the identification of predominance of parasympathetic control (characteristic for deep sleep) and the reduction of the latter (during REM sleep and wakefulness). So HR spectrum analysis permits the identification of autonomic control states during sleep by HR parameters, which were modeled by multiple regression models.