基于經(jīng)驗模式分解的心肺耦合技術在睡眠分析中的應用

劉冬冬，張玲，楊曉文，張博，武文芳

1.首都醫(yī)科大學 生物醫(yī)學工程學院，北京 100069；2.首都醫(yī)科大學附屬北京安定醫(yī)院 抑郁癥治療中心，北京100088；3.咸陽市中心醫(yī)院 睡眠疾患診療科，陜西 咸陽 712000；4.金紐合（北京）科技有限公司，北京 100011

基于經(jīng)驗模式分解的心肺耦合技術在睡眠分析中的應用

劉冬冬1，張玲2，楊曉文3，張博4，武文芳1

1.首都醫(yī)科大學 生物醫(yī)學工程學院，北京 100069；2.首都醫(yī)科大學附屬北京安定醫(yī)院 抑郁癥治療中心，北京100088；3.咸陽市中心醫(yī)院 睡眠疾患診療科，陜西 咸陽 712000；4.金紐合（北京）科技有限公司，北京 100011

目的探討基于經(jīng)驗模式分解的心肺耦合技術在睡眠分析中的應用。方法通過分析30例源自臨床多導睡眠監(jiān)測記錄的胸導心電信號，利用經(jīng)驗模式分解方法獲得瞬時頻率和瞬時相位信息，構建心肺耦合圖譜。按照睡眠中的循環(huán)交替模式（CAP）分期方法，將睡眠過程劃分為CAP、non-CAP以及清醒/異相睡眠期，采取過零率（ZCR）衡量心肺耦合最大峰值的波動程度，反映阻塞性睡眠呼吸暫停與低通氣綜合征（OSAHS）的嚴重程度。結果OSAHS患者譜圖分布頻帶集中于低頻區(qū)域，各時刻最大峰值波動較小。通過對比人工和自動分期結果，可以發(fā)現(xiàn)基于經(jīng)驗模式分解的心肺耦合技術可以很精準地區(qū)分睡眠過程的不同狀態(tài)。OSAHS患者和健康受試者在睡眠心肺耦合圖譜中的最大峰值波動規(guī)律存在顯著差異，健康組和輕/中度組的ZCR值具有顯著性差異（P＜0.001）；輕/中度組與重度組的ZCR值存在顯著性差異（P＜0.001），因此耦合最大峰值和睡眠呼吸暫停低通氣指數(shù)均可以作為劃分OSAHS嚴重程度的指標，且二者之間具有極強的負相關性（r=-0.77，P=5.8×10-18）。結論采用經(jīng)驗模式分解結合心肺耦合技術的方法，可提供可靠的睡眠微結構以及睡眠呼吸障礙信息，其數(shù)據(jù)采集簡單、容易執(zhí)行，在可穿戴健康管理以及臨床輔助診斷領域有巨大發(fā)展?jié)摿Α?/p>

睡眠呼吸暫停綜合征；心肺耦合；經(jīng)驗模式分解；睡眠分期；輔助診斷

阻塞性睡眠呼吸暫停與低通氣綜合征（Obstructive Sleep Apnea-Hypopnea Syndrome，OSAHS）是一種最為常見的睡眠呼吸障礙，據(jù)國外調(diào)查數(shù)據(jù)顯示，成年男性發(fā)病率為4%，成年女性發(fā)病率為2%，我國的實際發(fā)病率高達7%～13%[1-3]。OSAHS與神經(jīng)系統(tǒng)疾病關系密切，是導致日間嗜睡、認知功能障礙和某些神經(jīng)系統(tǒng)疾病的重要原因之一，是心腦血管病的重要危險因素，同時可能與阿爾茨海默病發(fā)病密切相關[4-5]。及時診斷OSAHS并加以治療，可預防各種并發(fā)癥的發(fā)生，提高患者的生活質(zhì)量。

目前已有的睡眠呼吸暫停綜合征檢測算法都取得了較好的效果，但是還存在一些不足。使用多通道信號的算法，存在信號提取不方便、影響患者睡眠、檢測過程復雜等問題；使用單通道信號的算法存在準確度不高、泛化能力弱、對信號質(zhì)量要求過高、需要人工矯正等問題。其中由于睡眠與自主神經(jīng)系統(tǒng)的調(diào)控有關，而心電信號蘊含了與自主神經(jīng)系統(tǒng)活動規(guī)律相關的信息，因此受到較多關注[6-7]，如Kawano等[8]運用多元回歸分析法觀察睡眠和覺醒狀態(tài)的平均心率變化規(guī)律。da Silva等[9]通過計算心動周期，心率變異率（Heart Rate Variability，HRV）高頻成分和射血前期來測量心率和自主神經(jīng)控制情況。Vigo等[10]采用小波變換、樣本嫡對HRV進行分析。江朝暉等[11]運用平均頻率、搏間自相關系數(shù)、LZ復雜度分析心率變異性。吳鋒等[12]利用譜分析和主成分分析方法挖掘心動周期變異性的特征，通過Fisher分類準則建立睡眠分期全自動識別模型。佟光明等[13]用ROC方法確定HRV晝夜差異的敏感指標及臨界值。

由于HRV受運動、血壓、生理節(jié)律等多種因素影響，得到的信號通常是不穩(wěn)定的、比較短而且包含大量噪音，使得傳統(tǒng)算法在生理研究和臨床應用中有很大局限性。本研究采用心肺耦合（Cardiopulmonary Coupling，CPC）算法分析HRV和基于心電圖的呼吸提取信號兩者間的耦合關系，很大程度上避免了HRV不穩(wěn)定性的影響，利用經(jīng)驗模式分解（Empirical Mode Decomposition，EMD）將心電信號分解為只包含一種振動模式，而沒有復雜疊加波的本征模態(tài)函數(shù)，計算出瞬時頻率和瞬時相位信息，提高CPC算法的時頻分辨率，通過與基于腦電的睡眠分期標準對比，驗證了新方法在睡眠分期和OSAHS檢測中的有效性[14-15]。

1 材料與方法

1.1 一般資料

選取北京大學第一醫(yī)院呼吸內(nèi)科30例患者的多導睡眠監(jiān)測（Polysomnography，PSG）數(shù)據(jù)，其中包括采樣頻率為128 Hz的胸導聯(lián)心電記錄。數(shù)據(jù)采集使用的為澳大利亞Compumedics公司生產(chǎn)的Siesta 2監(jiān)測儀。入選的30例受試者均患有不同程度的呼吸暫停/低通氣綜合征，其中男性18例，女性12例，年齡19～75歲，平均年齡為46.5歲，標準差16.3歲。將受試者分為3組：健康組、輕/中度組和重度組，數(shù)據(jù)集中受試者的睡眠呼吸暫停-低通氣指數(shù)的范圍為1.5～88.3 h-1，均值為21.9 h-1，標準差為25.4 h-1，具體數(shù)值見表1。

表1 受試者的睡眠呼吸暫停低通氣指數(shù)值

數(shù)據(jù)排除標準如下：① 當移除信號中的記錄誤差后，仍保持至少6 h的數(shù)據(jù)長度；② 有80%以上可以用于執(zhí)行基于EMD的心肺耦合分析的信號數(shù)據(jù)。

1.2 方法

1.2.1 經(jīng)驗模式分解

經(jīng)驗模式分解的過程大致可以描述為以下步驟：

（3）檢查這個新函數(shù)是否符合以下兩個條件：① 在整個信號中，過零點的個數(shù)和極值點的個數(shù)相等，或者數(shù)目相差不超過1個；② 在任意時間點，由上包絡線與下包絡線確定的平均包絡值為0。

圖1 固有模態(tài)函數(shù)提取過程

一般情況下，第一次分解得到的殘余量不會達到上述兩個標準，因此需要繼續(xù)令并重復上述(1)～(4)步驟，直到滿足設定的殘余量標準為止。

此時一個非線性、非平穩(wěn)的時間序列就被分解為一系列的IMF和一個殘余量的形式：

1.2.2 基于經(jīng)驗模式分解的心肺耦合技術

（1）從心電信號中檢測出Q、R、S波發(fā)生時刻的幅值信息提取出呼吸相關信息（ECG-derived Respiratory Signal，EDR）[16]。

（2）得到R-R間期時間序列，通過窗寬為41個數(shù)據(jù)點的移動平均濾波器去除由于R波檢測錯誤而造成的異常點。由于心電信號的采樣頻率高達128 Hz，在實際的生理過程中人體的節(jié)律要遠遠低于這個值，因此為了加快運算速度，文中將R-R間期信號和EDR信號進行三次樣條插值亞采樣至2 Hz得到

（3）利用經(jīng)驗模式分解對R-R間期信號和EDR信號進行分解，分別將信號轉(zhuǎn)換為一系列的IMF和一個剩余量的形式：

其中P為柯西主值。于是可以分別構建R-R序列和EDR序列的解析函數(shù)如下：

由于IMF所具備的特性使得希爾伯特變換后的瞬時頻率時時都有物理意義，因此得到N-N序列和EDR序列在希爾伯特變換后的瞬時頻率表示為：

（4）計算R-R序列與EDR序列間的相干及互功率譜。由于相干屬于統(tǒng)計特性，因此本文在計算過程中選擇16個數(shù)據(jù)點（8 s）作為一個窗進行相干的統(tǒng)計學計算。在每個觀察窗中，首先計算窗內(nèi)瞬時頻率的平均值作為該窗的頻率。從R-R序列和EDR序列中找尋頻率匹配的兩個窗，例如，那么可以按照下面的公式首先計算互功率譜：

其中m和n表示在R-R序列中的第m個窗和EDR序列中的第n個窗。經(jīng)過計算，將時頻信息進行匹配便可得到時間-頻率-互功率值的譜。

另一方面，相干是用于衡量兩個信號間相位差一致性的參數(shù)，其計算公式如下：

利用互功率時頻譜和相干時頻譜所包含的信息，可以得到心肺耦合程度的定量結果，其計算公式如下：

1.3 統(tǒng)計學分析

采用SPSS軟件進行統(tǒng)計學分析，利用方差分析（ANOVA）與基于Student-Newman-Kenls統(tǒng)計量的posthoc后驗分析方法來統(tǒng)計不同分組的計量資料，以P＜0.001為差異有統(tǒng)計學意義。

2 結果

2.1 基于經(jīng)驗模式分解的心肺耦合圖譜

基于經(jīng)驗模式分解的心肺耦合圖譜按照縱軸方向可以劃分出3個頻率區(qū)間：高頻耦合區(qū)（0.15～0.4 Hz）、低頻耦合區(qū)（0.04～0.15 Hz）和超低頻耦合區(qū)（0.003～0.04 Hz）。OSAHS患者和正常受試者的心肺耦合圖譜對比見圖2，存在如下特征：① OSAHS患者譜圖分布頻帶集中于低頻區(qū)域，而正常受試者頻帶高低變化明顯；② OSAHS患者譜圖各時刻最大峰值波動較小，而正常受試者各時刻最大峰值波動明顯。

圖2 基于經(jīng)驗模式分解的心肺耦合圖譜

2.2 睡眠分期

作為PSG睡眠分期技術的延伸，睡眠中的循環(huán)交替模式（Cyclic Alternating Pattern，CAP）是一種評估睡眠質(zhì)量較好的補充方法。用CAP參數(shù)來衡量睡眠的不穩(wěn)定性，能提供PSG測量不能提供的微觀信息，有助于深入了解睡眠的微觀結構。通常，CAP率的增加是睡眠質(zhì)量降低的一個顯著特征[17]。將心肺耦合圖譜中的高頻耦合、低頻耦合和極低頻耦合分別對應于non-CAP、CAP和清醒/異相睡眠狀態(tài)。通過對比人工和自動分期結果，可以發(fā)現(xiàn)基于經(jīng)驗模式分解的心肺耦合技術可以很精準地區(qū)分睡眠過程的不同狀態(tài)（圖3）。

圖3 人工與自動睡眠分期結果對比

2.3 OSAHS嚴重程度評估

OSAHS患者和健康受試者在睡眠心肺耦合圖譜中的最大峰值波動規(guī)律存在顯著差異，采取過零率（Zero Crossing Rate，ZCR）衡量心肺耦合最大峰值的波動程度，進而反映出OSAHS的嚴重程度。

健康組、輕/中度組和重度組的睡眠圖譜最大峰值的ZCR值見表2。健康組和輕/中度組的ZCR值具有顯著性差異（P＜0.001）；輕/中度組與重度組的ZCR值存在顯著性差異（P＜0.001），見圖4。因此耦合最大峰值和AHI均可以作為劃分OSAHS嚴重程度的指標，且二者之間具有極強的負相關性（Spearman’s相關性分析）r=-0.77，P=5.8×10-18，見圖5。

表2 睡眠圖譜最大峰值的過零率

圖4 最大峰值過零率比較

圖5 最大峰值過零率與睡眠呼吸暫停-低通氣指數(shù)間的相關性分析

3 討論

目前臨床金標準所使用的PSG睡眠分期及睡眠疾病診斷方式，需要在患者身上接入多種生理信號的采集設備，不僅改變了受試者正常的睡眠環(huán)境，而且在診斷時存在個人差異，此外，基于形態(tài)學的R&K睡眠分期方式，目前也已有越來越多的研究者提出質(zhì)疑[18]?；诮?jīng)驗模式分解的心肺耦合技術，信號數(shù)據(jù)獲取簡便，在傳統(tǒng)HRV分析方法的基礎上，通過觀察耦合關系使計算結果更加穩(wěn)定，具有明確的生理意義；考慮到心電信號具有非線性特性，以經(jīng)驗模式分解方法作為心肺耦合程度計算的前處理過程[19-20]；利用瞬時頻率和瞬時相位信息提高睡眠圖譜的時頻分辨率，對睡眠中微結構的建立和保持睡眠的完整性具有至關重要的作用；對比于臨床CAP睡眠分期，結果有較高的一致性，作為PSG方法的一種延伸，可以更好地了解由疾病干擾引起睡眠變化的本質(zhì)及神經(jīng)生理機制。

另一方面，臨床中對于睡眠呼吸暫停綜合指標AHI的獲取需要參考多種生理信號的變化，而從睡眠心肺耦合圖譜中提取得到的最大峰值過零率在評估OSAHS嚴重程度方面，與臨床常規(guī)指標AHI存在很高的一致性，可以作為一種OSAHS診斷及治療效果評價的輔助指標。

[1] Young T,Peppard PE,Gottlieb DJ．Epidemiology of obstructive sleep apnea:a population health perspective[J]．Am J Respir Crit Care Med,2002,165(9):1217-1239．

[2] Stradling JR,Davies RJ．Sleep 1:Obstructive sleep apnoea/hypopnoea syndrome:definitions, epidemiology,and natural history[J]．Tho rax, 2004,59(1):73-78．

[3] 趙忠新．臨床睡眠障礙學[M]．上海:第二軍醫(yī)大學出版社,2003, 16-17．

[4] 朱靜,張曉君．睡眠呼吸暫停綜合征認知功能障礙研究新進展[J]．國外醫(yī)學(耳鼻咽喉科學分冊),2004,28(5):273-275．

[5] Sateia MJ．Neuropsychological impairment and quality of life in obstructive sleep apnea[J]．Clin Chest Med,2003,24(2):249-259．

[6] Vanoli E,Adamson PB,Ba-Lin,et al．Heart rate variability during specific sleep stages．A comparison of healthy subjects with patients after myocardial infarction[J]．Circulation,1995,91(7):1918-1922．

[7] 江麗儀,吳效明．睡眠時相與心率變異性的關系研究[J]．生物醫(yī)學工程學雜志,2011,28(1):148-152．

[8] Kawano Y,Tamura A,Watanabe T,et al．Influence of the severity of obstructive sleep apnea on heart rate[J]．J Cardiol,2010,6(1):27-34．

[9] da Silva SP,Hulce VD,Backs R W．Effects of obstructive sleep apnea on autonomic cardiac control during sleep[J]．Sleep Breath,2009, 13(2):147-156．

[10] Vigo DE,Dominguez J,Guinjoan SM,et al．Nonlinear analysis of heart rate variability within independent frequency components during the sleep-wake cycle[J]．Auton Neurosci,2010,154(1-2):84-88．

[11] 江朝暉,李繼偉,馮煥清,等．R-R間期分析與睡眠分期[J]．生物醫(yī)學工程研究,2003,(3):17-20．

[12] 吳鋒,俞夢孫,成奇明,等．基于譜分析方法提取心動周期變異性中的睡眠結構信息[J]．生物醫(yī)學工程學雜志,2004,21(2): 212-214．

[13] 佟光明,郭繼鴻,張兆國,等．應用心率變異性初篩睡眠呼吸暫停低通氣綜合征[J]．中國心臟起搏與心電生理雜志,2007, 21(1):44-46．

[14] Thomas RJ,Mietus JE,Peng CK,et al．An electrocardiogram-based technique to assess cardiopulmonary coupling during sleep[J]．Sleep, 28(9):1151-1161．

[15] Huang NE,Shen Z,Long SR,et al．The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]．P Roy Soc Lond B Bio,1998,454:903-995．

[16] Moody GB,Mark RG,Zoccola A,et al．Derivation of respiratory signals from multi-lead ECGs[J]．Computers in Cardiology, 1986,12:113-116．

[17] 彭小虎,王國鋒,劉軍,等．睡眠微觀結構——CAP與睡眠質(zhì)量評估[J]．中國臨床心理學雜志,2013,21(6):920-923．

[18] Redline S,Kirchner HL,Quan SF,et al．The effects of age, sex, ethnicity, and sleep-disordered breathing on sleep architecture[J]．Arch Intern Med,2004,164(4):406-418．

[19] Liu D,Yang X,Wang G,et al．HHT based cardiopulmonary coupling analysis for sleep apnea detection[J]．Sleep Med,2012, 13(5):503-509．

[20] 祁富貴,李川濤,張華,等．一種非接觸呼吸暫停檢測技術的研究[J]．中國醫(yī)療設備,2014,29(12):24-27．

Application of the EMD-Based CPC Technique in Sleep Analysis

LIU Dong-dong1, ZHANG Ling2, YANG Xiao-wen3, ZHANG Bo4, WU Wen-fang1
1.School of Biomedical Engineering, Capital Medical University, Beijing 100069, China; 2.MDD Treatment Center, Beijing Anding Hospital, Capital Medical University, Beijing 100088, China; 3.Department of Sleep Respiration Diagnosis and Treatment, Xianyang Central Hospital, Xianyang Shanxi 712000, China; 4.Gold NOAH (Beijing) Tech Co., Ltd, Beijing 100011, China

ObjectiveTo explore application of the EMD (Empirical Mode Decomposition)-based CPC (Cardio-Pulmonary Coupling) technique in sleep analysis.MethodsThrough analysis of 30 cases of thoracic ECG signals recorded by PSG (Poly-Somno-Graphy), the instantaneous frequency and instantaneous phase were obtained with deployment of EMD so as to construct a CPC map. Then, CAP (Cyclic Alternating Pattern) was utilized to divide sleep into three stages: CAP Stage, Non-CAP Stage and Wake/REM (Rapid Eyes Movement) Stage. The waving degree of the maximum CPC peak was measured by ZCR (Zero Crossing Rate), which reflected the severity of OSAHS (Obstructive Sleep Apnea-Hypopnea Syndrome).ResultsThe frequency band of OSAHS patients’ map was distributed centralizedly in the low-frequency areas with small waving changes of the maximum peak at each time. Comparisons were made between manual staging and automatic staging, which revealed that EMD-based CPC could differentiate accurately between the different sleep statuses. Significant differences existed between the waving principles of the maximum peak in OSAHS Patient Group and Healthy Volunteer Group. ZCR values were significantly different between Slight/Middle OSAHS Patient Group and Healthy Volunteer Group (P＜0.001), and between Slight/Middle OSAHS Patient Group and Severe OSAHS Patient Group (P＜0.001). Therefore, the maximum coupling peak value and apneahypopnea Index could be used as indexes to identify the different severity of OSAHS patients. Moreover, strong negative correlation was seen between the two indexes (r=-0.77, P=5.8×10-18).ConclusionCombination of EMD and the CPC technique had proven its easy-to-operate features in data acquisition so as to provide reliable micro-structure and disorder information of sleep, which had huge development potentials in the fi elds of wearable health management and clinically-aided diagnosis.

obstructive sleep apnea-hypopnea syndrome; cardiopulmonary coupling; empirical mode decomposition; sleep staging; aided diagnosis

R54

A

10.3969/j.issn.1674-1633.2015.06.006

1674-1633(2015)06-0028-05

2015-04-13

首都醫(yī)科大學基礎-臨床科研合作基金（15JL15）；首都醫(yī)科大學青年教師科研啟動基金（3500-114333050225）。

本文作者：劉冬冬，講師。

武文芳，副教授，專業(yè)方向：生理信號分析，睡眠醫(yī)學。

通訊作者郵箱：pqu2@163．com