一種基于小波信息熵的非接觸呼吸暫停檢測(cè)技術(shù)研究

祁富貴，張 華，李 盛，李川濤，薛慧君，安 強(qiáng)，劉 淼，路國華

一種基于小波信息熵的非接觸呼吸暫停檢測(cè)技術(shù)研究

祁富貴，張 華，李 盛，李川濤，薛慧君，安 強(qiáng)，劉 淼，路國華

目的：利用小波信息熵非接觸呼吸暫停檢測(cè)技術(shù)研究人體睡眠狀態(tài)下的呼吸信號(hào)并自動(dòng)判斷是否發(fā)生了呼吸暫停。方法：首先使用生物雷達(dá)非接觸檢測(cè)到人體的呼吸信號(hào)，然后對(duì)呼吸信號(hào)進(jìn)行小波信息熵法分析，最后根據(jù)自適應(yīng)閾值自動(dòng)判斷是否發(fā)生呼吸暫停。結(jié)果：小波信息熵法在信噪比大于-5 dB的條件下，能夠較好地判斷出是否發(fā)生了呼吸暫停，檢測(cè)準(zhǔn)確率達(dá)到79%。結(jié)論：小波信息熵法能夠有效判斷人體睡眠中是否發(fā)生了呼吸暫停，為生物雷達(dá)用于睡眠非接觸檢測(cè)奠定了基礎(chǔ)。

非接觸；呼吸暫停；生物雷達(dá)；小波信息熵

0 引言

睡眠呼吸暫停綜合征（sleep apneasyndrome，SAS）又稱睡眠呼吸暫停低通氣綜合征，是一種具有潛在危險(xiǎn)且發(fā)病率高的常見疾病，它會(huì)造成睡眠過程中氣道嚴(yán)重阻塞、口鼻氣流減少甚至中斷，長期呼吸暫停會(huì)對(duì)人體造成嚴(yán)重的危害甚至危及生命。研究證明，阻塞性睡眠呼吸暫停低通氣綜合征（obstructive sleep apnea-hypopnea syndrome，OSAHS）中93%的女性和82%的男性沒有得到診斷，2%～26%成年人受此疾病的影響，睡眠呼吸暫停在世界范圍內(nèi)存在嚴(yán)重的診斷和治療不足[1]。

目前，常用的睡眠呼吸監(jiān)測(cè)主要包括多導(dǎo)睡眠圖法、睡眠床墊和腕式活動(dòng)記錄儀等。多導(dǎo)睡眠圖法被稱為監(jiān)測(cè)睡眠的黃金方法，但該法限制了人的自由，測(cè)量時(shí)間長，施加給患者的心理負(fù)擔(dān)較重，易影響測(cè)量結(jié)果。睡眠床墊通過床墊下的壓力傳感器測(cè)量人體睡眠呼吸信號(hào)，但此種床墊較為特殊，會(huì)影響受試者的睡眠感覺，從而影響測(cè)量結(jié)果。腕式活動(dòng)記錄儀雖然測(cè)量方便，但數(shù)據(jù)區(qū)分較為困難。

呼吸波形是生理監(jiān)測(cè)中一個(gè)非常重要的參數(shù)，對(duì)其進(jìn)行非接觸、動(dòng)態(tài)的監(jiān)測(cè)，對(duì)睡眠疾病診斷具有重要意義[2]。美國睡眠協(xié)會(huì)的研究報(bào)告表明，呼吸信號(hào)的監(jiān)測(cè)對(duì)睡眠呼吸暫停綜合征的分析診斷具有重要的價(jià)值[3]。生物雷達(dá)技術(shù)[4]是融合生物醫(yī)學(xué)工程、雷達(dá)技術(shù)，能夠?qū)崿F(xiàn)非接觸監(jiān)測(cè)生命信號(hào)的一種前沿技術(shù)，可以通過檢測(cè)胸腹部表面的微動(dòng)，實(shí)現(xiàn)低生理和心理負(fù)荷條件下呼吸信號(hào)的監(jiān)測(cè)。由于該測(cè)量方法對(duì)人體無任何約束，因此可廣泛應(yīng)用于社區(qū)、家庭等對(duì)特殊人群生理信號(hào)（呼吸、體動(dòng)等）的非接觸監(jiān)測(cè)。本文主要討論利用小波信息熵法提取睡眠呼吸暫停的次數(shù)，為呼吸暫停的輔助診斷提供科學(xué)依據(jù)。

1 材料與方法

1.1 實(shí)驗(yàn)儀器

生物雷達(dá)采用本課題組自主研發(fā)的連續(xù)波雷達(dá)（最大輻射功率為1 μW），其輸出直接連接PowerLab系統(tǒng)（澳大利亞Adinstruments公司生產(chǎn)），通過其自帶的LabChart軟件進(jìn)行數(shù)據(jù)采集和處理，將處理結(jié)果導(dǎo)入自編小波信息熵分析軟件進(jìn)行呼吸暫停檢測(cè)。

1.2 實(shí)驗(yàn)方法

小波信息熵是小波能譜和信息熵結(jié)合的產(chǎn)物，可以精確表征非平穩(wěn)信號(hào)復(fù)雜度在時(shí)域上的動(dòng)態(tài)變化信息，具有更好的低頻分辨率且能夠更好地檢測(cè)信號(hào)的局部變化[5]。由于呼吸信號(hào)為低頻非平穩(wěn)信號(hào)，呼吸暫停時(shí)信號(hào)的紊亂度和復(fù)雜度大于正常呼吸信號(hào)，故其小波信息熵值也大。

1.2.1 小波能譜

根據(jù)Parseval定理，信號(hào)經(jīng)小波變換后能量與原始信號(hào)能量等價(jià)[6]。本研究采用多分辨率分析的小波變換，首先利用db1小波對(duì)信號(hào)X（n）進(jìn)行多分辨率分析的小波分解，得到信號(hào)x（n）進(jìn)行上述j層小波分解后，第j層分解尺度下k時(shí)刻的高頻系數(shù)為dj（k），低頻系數(shù)為aj（k），如圖1所示[7]。然后利用式（1）進(jìn)行單子帶重構(gòu)后得到小波重構(gòu)系數(shù)Dj（k）和Aj（k）。

圖1 多分辨率分析的小波變換二抽取示意圖

式中：h1（k）和h0（k）分別表示高通濾波器和低通濾波器。

經(jīng)過小波重構(gòu)，原始信號(hào)序列X（n）可表示為各重構(gòu)系數(shù)之和（如圖2所示[8]），即

圖2 多分辨率分析的小波重構(gòu)結(jié)構(gòu)

在本研究中，由于信號(hào)經(jīng)過預(yù)處理和去直流后，其頻率范圍為0～0.9 Hz，故采用多分辨率分析的3層小波分解與重構(gòu)就已經(jīng)符合需求。

在基于多分辨率分析的小波能譜中，某尺度下信號(hào)的能量為

式中：N為采樣點(diǎn)長度；D（jk）為j尺度下的小波重構(gòu)系數(shù)；E=[E1，E2，…，Ej]為信號(hào)x（n）在j個(gè)尺度上的小波能譜。

1.2.2 小波信息熵

香農(nóng)信息熵定義如下[9]：

式中：pj代表信號(hào)取值的概率。香農(nóng)信息熵表示越不確定越復(fù)雜的信號(hào)其熵值越大[9]。

在本研究中，選擇時(shí)窗長為L，由式（3）可以得到時(shí)窗內(nèi)j尺度下的能量為

求得時(shí)窗內(nèi)各尺度下信號(hào)能量總和為

式中：pj表征了不同尺度的能量分布情況。由于

pj∈[0，1]，滿足廣義分布條件，用其替換式（4）中香農(nóng)信息熵中的概率pj，對(duì)數(shù)以2為底，則可得到信號(hào)x（n）在時(shí)窗內(nèi)小波信息熵為

隨著時(shí)窗的滑動(dòng)得到信號(hào)小波信息熵隨時(shí)間變化的規(guī)律。由于越不確定越復(fù)雜的信號(hào)小波信息熵越大，在發(fā)生呼吸暫停時(shí)，呼吸頻率加快，紊亂度增加，其小波信息熵值大于正常呼吸信號(hào)的小波信息熵。

1.3 實(shí)驗(yàn)設(shè)計(jì)

本實(shí)驗(yàn)流程如圖3所示。

首先根據(jù)發(fā)生呼吸暫停的生理特點(diǎn)利用函數(shù)構(gòu)造呼吸暫停模擬仿真信號(hào)，并計(jì)算其小波信息熵譜。通過對(duì)比正常信號(hào)與呼吸暫停信號(hào)的小波熵譜特點(diǎn)，利用小波信息熵法判斷雷達(dá)采集的實(shí)測(cè)呼吸信號(hào)。

1.4 實(shí)驗(yàn)過程

1.4.1 仿真實(shí)驗(yàn)

睡眠呼吸暫停綜合征[10]分為阻塞性睡眠呼吸暫停綜合征、中樞性睡眠呼吸暫停綜合征以及混合性睡眠呼吸暫停綜合征3類。在睡眠呼吸暫停的臨床表現(xiàn)方面，根據(jù)張鵬飛[10]對(duì)呼吸暫停仿真信號(hào)的模擬可知，呼吸暫停主要分為4種情況：（1）呼吸運(yùn)動(dòng)幅值、頻率均為零；（2）呼吸運(yùn)動(dòng)幅值降低，并且頻率加快；（3）呼吸運(yùn)動(dòng)頻率不變，但是幅值降低50%以上；（4）呼吸運(yùn)動(dòng)幅值、頻率均不確定。

圖3 試驗(yàn)流程

由于采樣頻率為100 Hz，而且呼吸暫停發(fā)生時(shí)間在10 s以上，現(xiàn)用以下函數(shù)構(gòu)造上述4種情況下的呼吸暫停信號(hào)，并且其發(fā)生時(shí)間為20 s：

由于呼吸暫停時(shí)呼吸信號(hào)復(fù)雜多變，并非上述4種情況的其中一種，因此，在本實(shí)驗(yàn)中，模擬仿真的呼吸暫?？捎蓌1、x2、x3、x4兩兩組合表示，即有6種組合。將6種呼吸暫停仿真信號(hào)隔段嵌入正常呼吸仿真信號(hào)x=4cos（0.5πt）中，即得到伴有呼吸暫停的模擬仿真呼吸暫停信號(hào)：

對(duì)以上構(gòu)造的模擬仿真呼吸暫停信號(hào)加高斯白噪聲，然后對(duì)其用小波信息熵法進(jìn)行處理。

1.4.2 實(shí)測(cè)實(shí)驗(yàn)

人體平躺，與雷達(dá)正對(duì)，距離1.2 m，每位受試者經(jīng)過訓(xùn)練后最大限度模擬睡眠呼吸暫停和正常呼吸，進(jìn)行呼吸暫停信號(hào)的采集。每位受試者采集一組包含10次呼吸暫停的呼吸暫停信號(hào)，共采集10位受試者的呼吸信號(hào)。

2 實(shí)驗(yàn)結(jié)果

2.1 仿真實(shí)驗(yàn)結(jié)果

用函數(shù)awgn對(duì)所構(gòu)造的呼吸信號(hào)加入高斯白噪聲，信噪比是-5 dB，加噪聲后呼吸暫停模擬仿真信號(hào)如圖4所示。

圖4 加噪聲模擬呼吸暫停仿真信號(hào)

對(duì)仿真信號(hào)加時(shí)窗后進(jìn)行處理，所加窗寬大小為2 048點(diǎn)，且按50%的窗寬進(jìn)行疊加，通過計(jì)算每段信號(hào)的小波信息熵得到信號(hào)小波信息熵譜并利用自動(dòng)閾值法得到信號(hào)小波信息熵閾值曲線。本研究自動(dòng)閾值設(shè)置如下：

第1階段閾值=e（1）×q（n=1）

式中：q為系數(shù)。

在小波信息熵法中，并沒有對(duì)呼吸暫停信號(hào)小波信息熵值的定義，通過對(duì)比雷達(dá)采集的10組實(shí)測(cè)人體呼吸信號(hào)中呼吸暫停和正常呼吸的小波信息熵值，以提高判斷準(zhǔn)確性為原則，確定小波信息熵閾值為正常水平的1.2倍，即q=1.2。則信號(hào)小波信息熵譜和閾值曲線如圖5所示。

對(duì)各段信號(hào)進(jìn)行判斷，以閾值為標(biāo)準(zhǔn)，高于閾值則判斷為呼吸暫停，輸出“1”；低于閾值則判斷為正常呼吸，輸出“0”。小波信息熵法判斷輸出結(jié)果如圖6所示。

2.2 實(shí)測(cè)實(shí)驗(yàn)結(jié)果

對(duì)生物雷達(dá)采集的人體呼吸信號(hào)利用小波信息熵法進(jìn)行呼吸暫停判斷，原始信號(hào)、預(yù)處理信號(hào)、自動(dòng)閾值曲線和閾值判斷、判斷輸出如圖7所示。

圖5 仿真信號(hào)小波信息熵譜及閾值曲線

圖6 仿真信號(hào)小波信息熵法判斷輸出

圖7 雷達(dá)采集信號(hào)及處理結(jié)果

觀察圖7（d）可知，一組呼吸信號(hào)中呼吸暫停的次數(shù)即為判斷輸出值由“0”跳變?yōu)椤?”的次數(shù)，利用算法對(duì)跳變次數(shù)進(jìn)行累計(jì)輸出，記為N。由于每組雷達(dá)采集信號(hào)中共包含10處呼吸暫停，則能量法對(duì)一組呼吸信號(hào)中呼吸暫停次數(shù)判別的精確度為

與此相似，對(duì)10位受試者的實(shí)測(cè)呼吸信號(hào)利用小波信息熵法進(jìn)行呼吸暫停判斷，最終結(jié)果見表1。

綜合以上10組數(shù)據(jù)可得，能量法對(duì)睡眠呼吸信號(hào)中呼吸暫停判斷總的精確度為

3 結(jié)論

小波信息熵是小波變換和小波能譜的結(jié)合體，由于其有更高的低頻分辨率且能更好地檢測(cè)非平穩(wěn)信號(hào)的局部非線性變化，在較穩(wěn)定的環(huán)境中能夠判斷是否發(fā)生呼吸暫停。仿真和實(shí)測(cè)信號(hào)利用算法處理結(jié)果較好，為睡眠呼吸暫停的診斷奠定了理論依據(jù)。但是該方法目前還缺乏一個(gè)合理有效的閾值，其閾值的設(shè)定直接影響判斷結(jié)果。非接觸式睡眠呼吸監(jiān)測(cè)技術(shù)能夠較好地克服接觸式睡眠監(jiān)護(hù)技術(shù)的缺點(diǎn)，實(shí)現(xiàn)低生理和心理壓力條件下長時(shí)間無約束監(jiān)測(cè)人體呼吸，適于家用，而且利用小波信息熵法能夠?qū)λ吆粑盘?hào)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

表1 實(shí)測(cè)信號(hào)小波信息熵法判斷結(jié)果

[1] Lettieri C J，Eliasson A H，Andrada T，et al．Obstructive sleep apnea syndrome：are we missing an at－risk population[J].J Clin Sleep Med，2005，1（4）：381－385．

[2] 席濤，楊國勝，湯池．呼吸信號(hào)檢測(cè)技術(shù)的研究進(jìn)展[J]．醫(yī)療衛(wèi)生裝備，2004，25（12）：26-28．

[3] Quan S F，Gillin J C，Littner M R，et al．Sleep—related breathing disorders in adults：recommendations for syndrome definition and measurement techniques in clinical research．Editorials[J]．Sleep，1999，22：662-689．

[4] 李釗，王健琪，荊西京，等．用于生命探測(cè)的人體呼吸運(yùn)動(dòng)模擬系統(tǒng)研制[J].醫(yī)療衛(wèi)生裝備，2010，31（3）：40-41．

[5] 張景川，曾周末，賴平，等.基于小波能譜和小波信息熵的管道異常振動(dòng)事件識(shí)別方法[J].振動(dòng)與沖擊，2010，29（5）：1-4.

[6] LI Zhen-mei，SHEN Jin，WEI Pei-yu，et al.Voltage fluctuation and fli-cker monitoring system using labVIEW and wavelet transform[J]. Journal of Computers，2010，5（3）：417-424.

[7] Rafiee J，Rafiee M A，Prause N，et al.Wavelet basis functions in biomedical signal processing[J].Expert Systems with Applications，2011，38：6 190-6 201.

[8] Mallat S.A theory for multi-resolution signal decomposition：the wavelet representation[J].IEEE Transactions on Pattern Analysls and MachineIntelligence，1989，11（7）：674-693.

[9] AI-Nashash H A，Thakor N V.Monitoring of global cerebralischemia using wavelet entropy rate of change[J].IEEE Transactions on Biomedical Engineering，2005，52（12）：2 119-2 122.

[10]張鵬飛，拜軍，荊西京，等.一種基于能量譜非接觸呼吸暫停檢測(cè)技術(shù)的研究[J].醫(yī)療衛(wèi)生裝備，2012，33（11）：13-15.

（收稿：2014-03-10 修回：2014-07-20）

Study on technique for non-contact detection of apnea based on wavelet information entropy

QI Fu-gui,ZHANG Hua,LI Sheng,LI Chuan-tao,XUE Hui-jun,AN Qiang,LIU Miao,LU Guo-hua（Teaching and Research Section of Electronics,School of Biomedical Engineering,the Fourth Military Medical University,Xi'an 710032,China）

ObjectiveTo realize auto judgment of respiration signals in sleep state and determine if apnea occurs by wavelet information entropy non-contact detection technique.MethodsRespiration signals were acquired with bio-radar, and then were analyzed with wavelet information entropy,finally the occurrence of apnea was determined by adaptive threshold.ResultsThe method of wavelet information entropy could detect apnea with the SNR higher than-5 dB and the accuracy of 79%.ConclusionThe method of wavelet information entropy can determine the apnea during sleeping, and thus lay a foundation for non-contact sleep detection with bio-radar.[Chinese Medical Equipment Journal，2015，36（4）：1-4]

contact-free;apnea;bio-radar;wavelet information entropy

R318

A

1003-8868（2015）04-0001-04

10.7687/J.ISSN1003-8868.2015.04.001

國家自然科學(xué)基金課題（61271102）

祁富貴（1992—），男，研究方向?yàn)樗吆粑鼤和７墙佑|監(jiān)測(cè)，E-mail：690151258@qq.com。

710032西安，第四軍醫(yī)大學(xué)生物醫(yī)學(xué)工程學(xué)院電子教研室（祁富貴，張 華，李 盛，李川濤，薛慧君，安 強(qiáng)，劉 淼，路國華）

路國華，E-mail：lugh1976@fmmu.edu.cn