基于單路腦電的睡眠分期判別方法研究

閆佳運(yùn)，賓光宇，梁栗炎，

吳水才

北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院，北京 100124

基于單路腦電的睡眠分期判別方法研究

閆佳運(yùn)，賓光宇，梁栗炎，

吳水才

北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院，北京 100124

睡眠是一種重要的生理現(xiàn)象，對睡眠進(jìn)行合理分期，是研究睡眠質(zhì)量、診斷睡眠疾病的基礎(chǔ)。腦電是睡眠過程中最顯著和直觀的信號，也是研究睡眠的重要且有力的工具。本研究提取了多種腦電相關(guān)特征作為識別睡眠腦電信號的指標(biāo)，并采用多元逐步回歸分析法進(jìn)行特征篩選，通過線性分類及支持向量機(jī)（SVM）算法實(shí)現(xiàn)了腦電睡眠分期的自動判別。實(shí)際測試結(jié)果表明，基于單路腦電的睡眠分期判別方法的平均正確率為78.85％，說明該方法較為準(zhǔn)確。

睡眠監(jiān)護(hù)系統(tǒng)；睡眠分期；單路腦電；多元逐步回歸分析；線性分類；支持向量機(jī)

0 前言

睡眠是一種遵循自身節(jié)律的周期性生理活動[1]，與日常基礎(chǔ)活動中的許多表現(xiàn)均息息相關(guān)[2-4]。持續(xù)睡眠障礙將阻礙人體免疫系統(tǒng)正常工作，從而誘發(fā)高血壓、心血管疾病、肥胖、糖尿病等多種健康問題[3]。作為診斷睡眠障礙的重要方法，睡眠質(zhì)量評估通常基于對整晚睡眠中不同時間的睡眠深度進(jìn)行評估。目前國際上普遍使用Rechtschaffen和Kales提出的睡眠分期規(guī)則[4]，將睡眠分為覺醒期、非快速眼動睡眠期（NRME）和快速眼動睡眠期（REM）。其中非快速眼動睡眠期（NRME）又可分為1期（Stage 1，S1）、2期（Stage 2，S2）、3期（Stage 3，S3）和4期（Stage 4，S4）。通常將1期、2期稱為淺睡期，將3期、4期稱為深睡期。

睡眠質(zhì)量評估的金標(biāo)準(zhǔn)采用多導(dǎo)睡眠腦電監(jiān)護(hù)法（Polysomnography，PSG）。此方法需要對腦電、心電、肌電、血氧及呼吸同時進(jìn)行檢測[5]，可較為準(zhǔn)確地對睡眠進(jìn)行分期。然而此方法價格比較昂貴，對操作條件要求較高，操作方法較為專業(yè)，難以滿足大眾日益增長的日常保健需求。近年來，國內(nèi)外學(xué)者均著手開展基于個別腦電導(dǎo)聯(lián)信號的睡眠分期研究，但大多研究仍基于多路腦電信號，不夠便捷，且結(jié)果準(zhǔn)確性均待提高[6-11]。為此，本研究開展了基于單路腦電的睡眠分期判別方法的研究，旨在為日后開發(fā)家用睡眠監(jiān)護(hù)系統(tǒng)提供理論支持。

1 材料和方法

1.1 數(shù)據(jù)來源

研究采用M IT-BIH睡眠數(shù)據(jù)庫中17人的數(shù)據(jù)。由于1、2期為淺睡期，3、4期為深睡期，為簡化算法，本研究將其分別合并算作一類。因此共分覺醒期（Wake）、淺睡期（S1、S2）、深睡期（S3、S4）及快速眼動睡眠期（REM）。根據(jù)數(shù)據(jù)庫給出的專家分期標(biāo)簽，設(shè)置30 s矩形窗進(jìn)行分段，統(tǒng)計(jì)專家分期結(jié)果。

1.2 特征提取

腦電信號（EEG）常用特征包括時域特征、頻譜特征及非線性特征3類。腦電在不同睡眠階段呈現(xiàn)出不同的節(jié)律分布，故本研究主要采用頻譜特征進(jìn)行睡眠分期的算法設(shè)計(jì)[12-13]，具體特征見表1。

表1 腦電睡眠分期特征表

1.2.1 Hjorth指數(shù)

利用Hjorth指數(shù)反映腦電的動態(tài)時域特性。Hjorth指數(shù)即分別計(jì)算輸入信號的方差、一介導(dǎo)數(shù)方差及二階導(dǎo)數(shù)的方差（F22-F25）[14-15]，計(jì)算公式如下：

1.2.2 頻譜特征

首先，利用平均周期圖法求得各30 s EEG信號的功率譜。之后從得到的EEG的頻譜中，將其分成4個標(biāo)準(zhǔn)頻段δ（2～4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz），分別計(jì)算這4個頻段的頻譜能量Pδ、Pθ、Pα、Pβ，并進(jìn)一步計(jì)算求得特征F1～F21，F(xiàn)25～F27。

MPF（CGF）為重心頻率，計(jì)算公式如下：

其中，MPF為4～30 Hz全頻段的重心頻率，CGFδ、CGFθ、CGFα、CGFβ分別代表各頻段的重心頻率。FV代表頻率變異性，計(jì)算公式如下：

其中，F(xiàn)Vδ、FVθ、FVα、FVβ分別代表各頻段的頻率變異性。

1.2.3 特征篩選

為驗(yàn)證不同特征對模型的有效性，并簡化計(jì)算過程，需要對選取特征進(jìn)行篩選處理。逐步回歸分析通常應(yīng)用于篩選自變量以提高模型的顯著性，故本研究采用逐步回歸分析法對選取特征進(jìn)行篩選處理，其原理是分別計(jì)算各特征的相關(guān)系數(shù)，按其絕對值從大到小排序，逐個引入并進(jìn)行顯著性檢驗(yàn)，剔除對結(jié)果貢獻(xiàn)小的變量，保留對結(jié)果貢獻(xiàn)大的變量。

1.2.4 分類方法

支持向量機(jī)（Support Vector Machine，SVM）是Vaonik首先提出的一種通用的前饋神經(jīng)網(wǎng)絡(luò)，可用來解決模式分類與非線性映射問題[16]，目前已廣泛應(yīng)用于十二維物體識別、文本自動分類、人臉檢測、手寫體數(shù)字識別等方面[17]。綜合考慮一致性與準(zhǔn)確度，本研究采用線性核函數(shù)的SVM分類方法。

2 結(jié)果

分別構(gòu)造特征矩陣，包涵17個人每30 s的27個特征；構(gòu)造標(biāo)簽矩陣，存儲17個人每30 s的專家分類結(jié)果。

2.1 特征逐步回歸

采用Matlab中stepw ise fi t函數(shù)進(jìn)行逐步回歸分析，結(jié)果見表2。

表2 27個特征的逐步回歸結(jié)果

表2中列出了逐步線性回歸給出的各特征的系數(shù)、標(biāo)準(zhǔn)差、P值。本研究選取P值小于0.05的特征用于最終分類算法，故最終選取了F1、F3、F4、F5、F6、F7、F8、F13、F14、F15、F16、F19、F21、F25、F26、F27共16個特征，這16個特征的逐步回歸逐次特征標(biāo)準(zhǔn)誤差表，見表3。

次數(shù)特征標(biāo)準(zhǔn)誤差次數(shù)特征標(biāo)準(zhǔn)誤差0空0.80 9 4 0.71 1 3 0.74 10 6 0.71 2 21 0.72 11 5 0.71 3 26 0.71 12 27 0.71 4 14 0.71 13 8 0.71 5 16 0.71 14 7 0.71 6 15 0.71 15 19 0.70 7 25 0.71 16 1 0.70 8 13 0.71

由表3可知，根據(jù)逐步回歸每步得出的模型標(biāo)準(zhǔn)誤差值的大小，可看出從第5次的特征之后，R值基本趨于穩(wěn)定，表征隨后添加的特征對整體模型的貢獻(xiàn)度減小。故研究同時選取前5項(xiàng)貢獻(xiàn)度最大的特征：F3、F14、F16、F21、F26，擬與16個特征結(jié)果進(jìn)行對比分析。

2.2 分類結(jié)果

采用交叉分析法，將數(shù)據(jù)隨機(jī)分成5組，每次4組訓(xùn)練SVM模型，1組用于測試模型，得到的分類結(jié)果見表4～6。

表4 全27個特征的SVM分類結(jié)果

表5 特征篩選后16個特征的SVM分類結(jié)果

表6 最顯著5個特征的SVM分類結(jié)果

表4、5、6分別為全27個特征、篩選16個特征、篩選最顯著5個特征的SVM分類結(jié)果，可以看出，特征16與特征27結(jié)果相近，證明了采用逐步回歸法進(jìn)行變量篩選的有效性，可以減少模型中不必要的特征，提高運(yùn)算速度。最顯著5個特征結(jié)果較前兩者略低，因此在硬件運(yùn)算速度可以達(dá)到要求時應(yīng)盡量采用16個特征分類。

2.3 ROC檢測

交叉測試中每個人訓(xùn)練組及測試組分類結(jié)果的ROC檢驗(yàn)均值，見表7?？梢钥闯觯w靈敏度偏低為66％，特異度為89％，正確率為83％。

表7 分類結(jié)果ROC檢測數(shù)據(jù)表

3 討論

本研究對M IT-BIH睡眠數(shù)據(jù)庫的腦電信號進(jìn)行分析，采用了Hjorth指數(shù)、各頻段能量及比例關(guān)系、重心頻率、頻率變異性等特征進(jìn)行睡眠分期算法設(shè)計(jì)。在逐步回歸分析篩選特征后，采用SVM算法進(jìn)行模式識別，最終采用16個特征分類判別的平均正確率為78.85％。

目前國內(nèi)外一些學(xué)者在基于腦電的睡眠分期研究中取得了一定的成果。Koley等[6]自行采集睡眠腦電進(jìn)行分期，結(jié)果較好，覺醒期和S2的正確識別率達(dá)到95％以上，但是其提取的特征多且復(fù)雜，很多特征不適用于硬件。Sim?es等[8]研究結(jié)果中對覺醒期、快速眼動期和非快速眼動期的判別正確率為82％，但是其采用六導(dǎo)聯(lián)腦電信號，腦電采集復(fù)雜，特征采用活動性、復(fù)雜度、熵、頻率峰態(tài)、R-squaer等復(fù)雜特征，且采用貝葉斯分類，計(jì)算量略大。Ebrahim i等[9]的研究雖然采用了與本研究一樣的單導(dǎo)聯(lián)腦電信號，但是其數(shù)據(jù)庫僅有7人數(shù)據(jù)，組數(shù)較少，同時采用決策樹分類方法的計(jì)算量較大。本研究僅通過單路腦電信號，提取了計(jì)算相對便捷的時域特征，采用SVM分類器，最終對睡眠分期判別的平均正確率達(dá)78.85％，且在保證準(zhǔn)確率的基礎(chǔ)上，能夠滿足硬件要求，可方便地移植到可穿戴式設(shè)備中，具有一定的實(shí)際應(yīng)用價值。

本研究存在的不足主要是ROC檢驗(yàn)結(jié)果的靈敏度為66％，偏低。分析靈敏度偏低的主要原因如下：一方面，SVM訓(xùn)練樣本中深度睡眠期及快速眼動睡眠期樣本量偏小，造成訓(xùn)練總體的不均衡，致使一部分深度睡眠期及快速眼動睡眠期被誤判為淺睡期。由于正常的睡眠生理現(xiàn)象，覺醒期及淺睡眠1、2期占樣本的絕大多數(shù)，深睡期與快速眼動期樣本數(shù)量難以保證，造成了樣本的不均衡性。為解決這一問題，需要應(yīng)用大量的實(shí)驗(yàn)樣本，以保證其中有數(shù)量相對多的深度睡眠期和快速眼動睡眠期樣本，進(jìn)而從中抽取各個睡眠期樣本量相對平衡的樣本進(jìn)行分類。另一方面，本研究將睡眠階段分為4期，分別為覺醒期、淺睡期、深睡期、快速眼動睡眠期，基于目前所提取的特征可以達(dá)到相對高的準(zhǔn)確率，若要對睡眠階段進(jìn)行更細(xì)致的分期，例如將淺睡期具體分為S1、S2，深睡期具體分為S3、S4，則還需要考慮更多的時域特征及非線性特征。

4 結(jié)論

本研究以頻譜特征作為識別睡眠腦電信號的特征指標(biāo)，采用多元逐步回歸分析法進(jìn)行特征篩選，進(jìn)一步采用線性分類及SVM算法實(shí)現(xiàn)腦電睡眠分期的自動判別，平均判別正確率為78.85％，得到了較為準(zhǔn)確的分類結(jié)果，具有一定的應(yīng)用價值。

[1]Randerath WJ,Sanner BM,Somers VK.Sleep apnea：current diagnosis and treatment[M].Rochester,MN,2006.

[2]White DP.Sleep apnea[J].Proc Am Thorac Soc,2006,（3）：124-128.

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

[4]Hori T,Sugita Y,Koga E et al.Proposed supplements and amendments to’A Manual of Standardized Terminology,Techniques and Scoring System for Sleep Stages of Human Subjects’, the Rechtschaffen＆ Kales（1968）standard[J].Psychiat Clin Neuros,2001,55（3）：305-310.

[5]Nieuwenhuijs DJ.Processed EEG in natural sleep[J].Best Pract Res Clin Anaesthesiol,2006,20（1）：49-56.

[6]Koley B,Dey D.An ensemble system for automatic sleep stage classi fi cation using single channel EEG signal[J].Comput Biol Med, 2012,42（12）：1186-1195.

[7]Estrada E,Nazeran H,Nava P,et al.EEG feature extraction for classification of sleep stages[C].26thAnnual International Conference of the IEEE,2004.

[8]Sim?es H,Pires G,Nunes U,et al.Feature Extraction and Selection for Automatic Sleep Staging using EEG[C].ICINCO,2010.

[9]Ebrahim i F,M ikaeili M,Estrada E,et al.Automatic sleep stage classi fi cation based on EEG signals by using neural networks and wavelet packet coefficients[C].30thAnnual International Conference of the IEEE,2008.

[10]李玲.睡眠腦電的分析處理和睡眠分期研究[D].北京：北京郵電大學(xué),2010.

[11]劉冬冬,張玲,楊曉文.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾男姆务詈霞夹g(shù)在睡眠分析中的應(yīng)用[J].中國醫(yī)療設(shè)備,2015,30（6）：28-32.

[12]Japa BT,Lal S,Fiseher P,et al.Using EEG spectral components to assess algorithms for detecting fatigue[J].Expert Syst Appl,2009, 36（2）：2352-2359.

[13]Jung TP,Makeig S,Stensmo M,et al.Estimating Alertness from the EEG Power Spectrum[J].IEEE Trans Biomed Eng,1997,44（1）：60-69.

[14]劉秀,王長君,何慶.疲勞駕駛交通事故的特點(diǎn)分析與預(yù)防[J].中國安全生產(chǎn)科學(xué)技術(shù),2008,1（1）：128-131.

[15]Charbonnier S,Zoubek L,Lesecq S,et al.Self-evaluated automatic classi fi er as a decision-support tool for sleep/wake staging[J].Comput Biol Med,2011,41（6）：380-389.

[16]Redmond SJ,Heneghan C.Cardiorespiratory-based sleep staging in subjects w ith obstructive sleep apnea[J].IEEE Trans Biomed Eng,2006,53（3）：485-496.

[17]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社, 2006.

A Sleep Staging M ethod Based on Single Channel EEG Signal

YAN Jia-yun, BIN Guang-yu, LIANG Li-yan, WU Shui-cai
College of Life Science and Bio-Engineering, Beijing University of Technology, Beijing 100124, China

Sleep is an important physiological phenomenon and sleep staging is the basis for evaluation of sleep quality and diagnosis of sleep diseases.As the most significant and intuitive signal, EEG（Electroencephalograph）signal has been w idely used in sleep studies.In this paper, a variety of EEG correlation characteristics were extracted to identify sleep EEG signals and feature selection was performed by the multiple stepw ise regression method.Then sleep staging was realized by linear classification and support vector machine（SVM）algorithm.According to the actual test results, the average accuracy of the sleep staging method based on single channel EEG signal was 78.85％, which proved the effectiveness of the method.

sleep monitoring system；sleep staging；single channel electroencephalograph；multiple stepw ise regression analysis；linear classi fi cation；support vector machine

R318.04；TN911.7

A

10.3969/j.issn.1674-1633.2015.12.009

1674-1633（2015）12-0034-04

2015-09-25

國家自然科學(xué)基金（7151101018）；北京市日新人才（015000514115006）。

賓光宇，副教授。

通訊作者郵箱：guangyubin@qq.com