睡眠时间大概占每天时长的三分之一,良好的睡眠质量对人体精力的恢复、人体各个器官的修复、大脑功能的保护、人体免疫力的提高等都十分重要。现在人们对生活质量、身体健康等的关注度也日益增加,云计算、大数据、人工智能、移动通信技术不断发展,并逐步应用到智能健康产品中,帮助人们开启全面量化健康的生活新方式。其中,睡眠健康监测床垫进去了人们的视野。睡眠健康监测床垫是一种低能耗、无干扰、使用方便、消费亲民的时时监测夜间睡眠质量或状态的设备,很适合家居使用,可以随时随地的监测睡眠疾病、防患于未然。睡眠在人的生命活动中扮演着重要的角色,而睡眠呼吸暂停(SA)对睡眠质量有很大的影响。睡眠呼吸暂停是一种常见与睡眠相关的呼吸系统疾病。多导睡眠导图(PSG)是检测睡眠呼吸暂停的金标准,但是PSG属接触式的设备,使用过程中容易脱落,会有首夜效应,有的人甚至会长期不适应而受到干扰。本文研究利用非直接接触智能床垫设备,通过有效提取心冲击图信号(BCG)并经信号处理分析后进行心率变异性(HRV)特征提取和心肺耦合(CPC)分析,再基于得到的特征做睡眠呼吸暂停研究及判定。论文叙述了使用智能床垫进行非接触式的数据采集的过程,得到心冲击(BCG)信号,为进行对比验证,还通过心电仪同步采集心电信号(ECG)。通过分析论证本文使用自适应方法从心冲击信号中实现J峰位置精确识别,并实现对存在个体差异以及不同时间段生理信号的心跳间期的提取,提取呼吸信号。本文还提出了基于BCG信号的心肺耦合分析方法,为了说明其可行性,对BCG信号和ECG信号在各个方面做对比分析,确定可以用心冲击信号代替心电信号进行心肺耦合分析。通过提取固定的时间长度上心跳间期序列的心率变异性的时域特征、频域特征,并进一步分析心率信号和呼吸信号的耦合强度,生成心肺耦合特征。最后本文还提出了基于相邻信息段作为输入的模型融合和长短期记忆网络(LSTM)加卷积神经网络(CNN)模型,进行睡眠呼吸暂停的检测,达到进一步提高睡眠呼吸暂停检测准确率的目的,并通过检测结果对比是否包含基于BCG信号的心肺耦合特征,说明了基于BCG信号进行心肺耦合分析的可行性。