基于特征融合的ARMA短時(shí)睡眠狀態(tài)分析

張俊民,　王　蓓,　王行愚

(華東理工大學(xué)信息科學(xué)與工程學(xué)院,上海 200237)

?

基于特征融合的ARMA短時(shí)睡眠狀態(tài)分析

張俊民,王蓓,王行愚

(華東理工大學(xué)信息科學(xué)與工程學(xué)院,上海 200237)

針對(duì)短時(shí)睡眠的特點(diǎn),結(jié)合自回歸-移動(dòng)平均模型(Auto-Regressive and Moving Average Model,ARMA)對(duì)短時(shí)睡眠過(guò)程中的睡眠狀態(tài)變化進(jìn)行分析研究。以白天短時(shí)睡眠中記錄的腦電信號(hào)為研究對(duì)象,首先,從腦電信號(hào)中提取了3個(gè)與短時(shí)睡眠過(guò)程相關(guān)的特征參數(shù),采用條件概率方法對(duì)特征參數(shù)進(jìn)行融合處理,計(jì)算得到一個(gè)表征睡眠狀態(tài)的參數(shù);然后,通過(guò)ARMA模型分析睡眠狀態(tài)的變化趨勢(shì);最后,采用支持向量機(jī)(Support Vector Machine,SVM)方法將整個(gè)短時(shí)睡眠過(guò)程進(jìn)行了睡眠狀態(tài)的自動(dòng)判別,并與人工判別進(jìn)行比較。結(jié)果表明,基于特征融合的ARMA模型顯著提高了睡眠狀態(tài)分析的準(zhǔn)確率,7組測(cè)試數(shù)據(jù)得到的平均準(zhǔn)確率為88.7%。一方面,特征融合能夠有效地提高數(shù)據(jù)處理速度,為睡眠狀態(tài)實(shí)時(shí)檢測(cè)提供有利的數(shù)據(jù)處理方式;另一方面,ARMA模型的預(yù)測(cè)作用,能夠分析受試者的睡眠狀態(tài)變化趨勢(shì),為進(jìn)一步調(diào)整和控制睡眠時(shí)長(zhǎng)提供客觀評(píng)價(jià)依據(jù)。

短時(shí)睡眠; 腦電信號(hào); 特征融合; ARMA模型

睡眠是人體一種重要的生理現(xiàn)象。根據(jù)R&K(Alan Rechtschaffen、Anthony Kales)國(guó)際睡眠分期準(zhǔn)則[1],將睡眠狀態(tài)分為3個(gè)基本階段:覺(jué)醒期(Awake,SW)、快速眼動(dòng)睡眠期(Rapid Eye Movement,REM)和非快速眼動(dòng)睡眠期(Non-Rapid Eye Movement,NREM)。非快速眼動(dòng)睡眠又可以進(jìn)一步劃分為4個(gè)階段,其中睡眠1期(S1)和睡眠2期(S2)為淺睡眠狀態(tài),睡眠3期(S3)和睡眠4期(S4)為深睡眠狀態(tài)。在整夜的長(zhǎng)時(shí)睡眠中,NREM和REM兩者交替進(jìn)行,形成90～120 min的睡眠周期。

睡眠問(wèn)題會(huì)對(duì)人的身體和精神狀態(tài)產(chǎn)生嚴(yán)重的干擾。隨著社會(huì)的發(fā)展,生活節(jié)奏不斷加快,人們的生活壓力陡增,越來(lái)越多的人受到睡眠問(wèn)題的困擾[2]。一方面,在一些特殊崗位,例如護(hù)士等崗位要求工作人員24 h輪班工作,又如飛行員等崗位要求注意力高度集中,其疲勞度和覺(jué)醒度對(duì)工作的影響較大,特殊的工作環(huán)境決定了他們特殊的作息狀況[3-4]。另一方面,普通人群因?yàn)楣ぷ鲏毫Φ仍虿坏貌粔嚎s睡眠時(shí)間,不良的作息規(guī)律造成睡眠不足,在日間極易產(chǎn)生困倦疲勞、注意力無(wú)法集中而效率變低,影響正常的工作和學(xué)習(xí)。如果這種狀態(tài)不能得到及時(shí)的調(diào)整和緩解,很可能會(huì)產(chǎn)生睡眠障礙,從而嚴(yán)重影響人們的日常生活[5]。在整晚睡眠質(zhì)量不足的情況下,日間的短時(shí)睡眠是緩解睡眠問(wèn)題的一個(gè)很好的途徑[6]。

短時(shí)睡眠根據(jù)其功能可以分為兩類:補(bǔ)償型短時(shí)睡眠和預(yù)防型短時(shí)睡眠。前者主要作為因夜間失眠導(dǎo)致睡眠嚴(yán)重不足的補(bǔ)償,補(bǔ)充人體活動(dòng)必要的精力,通常持續(xù)時(shí)長(zhǎng)大約120 min;后者可以作為因持續(xù)工作而導(dǎo)致的精力不足的一種修復(fù),通過(guò)這種短時(shí)睡眠,可以有效地改善身體和精神狀態(tài),持續(xù)時(shí)長(zhǎng)大約20～30 min[7]。相對(duì)于補(bǔ)償型短時(shí)睡眠,預(yù)防型短時(shí)睡眠在人們的日常工作中更易實(shí)現(xiàn),可以有效地減緩疲勞、恢復(fù)體力,提高工作效率[8]。與夜晚的長(zhǎng)時(shí)睡眠不同的是,日間短時(shí)睡眠主要包括3個(gè)階段:覺(jué)醒期(SW)、睡眠1期(S1)和少量的睡眠2期(S2)。然而,人往往會(huì)由于睡眠慣性逐步進(jìn)入深睡眠狀態(tài),如果經(jīng)過(guò)一個(gè)睡眠周期(一般為90～120 min)再次恢復(fù)到淺睡眠狀態(tài),則需要花費(fèi)更長(zhǎng)的時(shí)間,不宜實(shí)現(xiàn);如果中途從睡眠狀態(tài)中被喚醒過(guò)來(lái),人會(huì)感覺(jué)更加疲勞無(wú)力[9-10]。因此,控制睡眠時(shí)長(zhǎng)并使人們從淺睡眠狀態(tài)中逐漸清醒過(guò)來(lái)是保持短時(shí)睡眠積極作用的關(guān)鍵問(wèn)題。

本文針對(duì)短時(shí)睡眠的特點(diǎn),從實(shí)時(shí)檢測(cè)睡眠狀態(tài)的目的出發(fā),結(jié)合ARMA模型對(duì)短時(shí)睡眠過(guò)程中的睡眠狀態(tài)變化進(jìn)行分析研究。以白天短時(shí)睡眠中同步記錄的4導(dǎo)腦電信號(hào)為研究對(duì)象,共采集了8名被試者的睡眠腦電數(shù)據(jù),其中一組作為分類判別的訓(xùn)練數(shù)據(jù),7組作為測(cè)試數(shù)據(jù)。首先,從腦電信號(hào)中提取了3個(gè)與短時(shí)睡眠過(guò)程相關(guān)的特征參數(shù),采用條件概率方法對(duì)特征參數(shù)進(jìn)行融合處理,計(jì)算得到一個(gè)表征睡眠狀態(tài)的參數(shù);然后,通過(guò)ARMA模型分析睡眠狀態(tài)的變化趨勢(shì);最后,采用SVM方法將整個(gè)短時(shí)睡眠過(guò)程進(jìn)行了睡眠狀態(tài)的自動(dòng)判別,并與人工判別進(jìn)行比較來(lái)評(píng)價(jià)特征融合和ARMA模型分析的效果。

1　方　法

1.1數(shù)據(jù)采集

本文的數(shù)據(jù)采集于日本佐賀大學(xué)的先進(jìn)控制系統(tǒng)實(shí)驗(yàn)室。7組測(cè)試數(shù)據(jù)均采集于年齡21～23歲的健康被試者,采集時(shí)間安排在午飯后12∶00～15∶00,在一個(gè)光線較暗且低噪聲的安靜、舒適環(huán)境中入睡。采用標(biāo)準(zhǔn)多導(dǎo)睡眠檢測(cè)系統(tǒng)記錄原始數(shù)據(jù)[11],采集了4導(dǎo)睡眠相關(guān)腦電信號(hào)(Electro-encephalogram,EEG),數(shù)據(jù)采集時(shí)長(zhǎng)約為30 min。圖1示出了EEG信號(hào)的采集位置圖。根據(jù)國(guó)際10～20電極配置法[12],將電極放置于頭皮的中部和枕部,采集位置分別為C3、C4、O1、O2,參考電位分別采用異側(cè)耳垂A1和A2,得到C3-A2、C4-A1、O1-A2、O2-A1共4導(dǎo)腦電信號(hào)。EEG的采樣頻率為100 Hz,時(shí)間常數(shù)為0.3 s,最高頻截止頻率為70 Hz,靈敏度為0.5 cm/mV。

圖1　睡眠腦電采集位置Fig.1　Electrodes for EEG recording

1.2特征參數(shù)提取

主要采用睡眠腦電數(shù)據(jù)進(jìn)行睡眠狀態(tài)估計(jì)。首先將數(shù)據(jù)以5 s時(shí)長(zhǎng)為單位分段,對(duì)原始數(shù)據(jù)進(jìn)行快速傅里葉變換,提取其頻域特征,并計(jì)算不同特征波的能量占比作為特征參數(shù)。

根據(jù)R&K睡眠分期準(zhǔn)則[1],在覺(jué)醒期,腦電中的α波(8～13 Hz)含量很高,可以作為覺(jué)醒期的主要判別依據(jù)。睡眠1期是覺(jué)醒狀態(tài)到睡眠狀態(tài)的過(guò)渡階段,此時(shí)θ波(2～7 Hz)取代α波,成為主要特征波,而且睡眠1期到睡眠2期θ波含量逐漸增加。因此本文選取以下3個(gè)特征參數(shù):

(1)

(2)

(3)

式中:R表示比率,R1表示8～13 Hz頻段的能量與2～7 Hz頻段能量和的比值,R2表示2～7 Hz頻段的能量和與8～13 Hz頻段能量和的比值,R3表示12～16 Hz頻段的能量占0.5～25 Hz頻段能量和的比值。選取左、右半球腦區(qū)的最大值得到3個(gè)特征參數(shù)R1、R2和R3;S為能量和;下標(biāo)α表示8～13 Hz;θ表示2～7 Hz;spindle表示12～16 Hz;T表示0.5～25 Hz。

1.3特征參數(shù)融合

為了提高數(shù)據(jù)處理的效率,采用條件概率方法將3個(gè)特征參數(shù)進(jìn)一步融合[13]。根據(jù)已知睡眠狀態(tài)的人工判讀結(jié)果,選用高斯分布得到各特征參數(shù)在不同睡眠狀態(tài)下的概率密度分布:

(4)

式中:μ為平均值;σ為方差;y為特征參數(shù)。訓(xùn)練數(shù)據(jù)根據(jù)已知結(jié)果分為3組:SW、S1和S2,分別計(jì)算每個(gè)分組的特征參數(shù)值,最后可獲得特征參數(shù)對(duì)應(yīng)3個(gè)睡眠分期的概率密度分布。

對(duì)于測(cè)試睡眠參數(shù),根據(jù)已經(jīng)得到的特征參數(shù)概率密度分布,求取參數(shù)的聯(lián)合分布值:

(5)

式中:M為參數(shù)的數(shù)量(M=3);ζi為睡眠分期。這里假設(shè)參數(shù)之間互相獨(dú)立。

計(jì)算各睡眠分期的條件概率:

(6)

式中:P(ζi)為各個(gè)睡眠狀態(tài)的先驗(yàn)概率;N為不同睡眠狀態(tài)的數(shù)量(N=3)。由于短時(shí)睡眠過(guò)程的復(fù)雜性,較難獲得各睡眠狀態(tài)的先驗(yàn)概率以及睡眠狀態(tài)之間變化的轉(zhuǎn)移概率。本文中,將各睡眠狀態(tài)的先驗(yàn)概率取等值1/3,對(duì)式(6)進(jìn)行簡(jiǎn)化。

根據(jù)得到的條件概率,定義睡眠狀態(tài)統(tǒng)計(jì)變量(L):

(7)

式中:ζ0表示覺(jué)醒期;ζ1表示睡眠1期;ζ2表示睡眠2期。為了區(qū)分不同分期,定義系數(shù)a0、a1和a2分別對(duì)應(yīng)覺(jué)醒期、睡眠1期和睡眠2期的睡眠狀態(tài)值。對(duì)于測(cè)試數(shù)據(jù),由式(7)可以得到5s數(shù)據(jù)段對(duì)應(yīng)的睡眠狀態(tài)估計(jì)值。

1.4睡眠趨勢(shì)估計(jì)

人們的睡眠狀態(tài)會(huì)隨著時(shí)間的推移發(fā)生變化,對(duì)其睡眠趨勢(shì)進(jìn)行分析有利于全面地監(jiān)控睡眠狀態(tài),提高睡眠狀態(tài)分析的合理性和準(zhǔn)確性。時(shí)間序列分析是數(shù)據(jù)趨勢(shì)分析的有效手段,常用的時(shí)間序列分析方法有回歸分析法、移動(dòng)平均法、指數(shù)平滑法、自回歸-移動(dòng)平均模型(Auto-Regressive and Moving Average Model,ARMA)等,常見(jiàn)的時(shí)間序列分析方法比較見(jiàn)表1。

表1　時(shí)間序列分析方法比較Table 1　Time series analysis methods compare

本文選擇ARMA進(jìn)行睡眠趨勢(shì)的分析。一方面,ARMA模型對(duì)數(shù)據(jù)量要求較少,計(jì)算方法比較靈活,運(yùn)算精度較高,是時(shí)間序列分析中非常有效的方法[14];另一方面,從原理上講,ARMA模型認(rèn)為序列中第n個(gè)時(shí)刻的觀察值不僅與前n-1個(gè)觀察值有關(guān),而且與前n-1個(gè)時(shí)刻進(jìn)入系統(tǒng)的擾動(dòng)有依存關(guān)系。人們的睡眠狀態(tài)會(huì)隨著時(shí)間的推移發(fā)生變化,而且每一時(shí)刻的睡眠狀態(tài)也都前后關(guān)聯(lián),這與ARMA模型描述的過(guò)程特性相似,因此,采用ARMA模型能夠?qū)θ诤咸卣髯兓M(jìn)行擬合。由于計(jì)算融合特征時(shí),睡眠狀態(tài)的先驗(yàn)知識(shí)較難獲取,因此對(duì)條件概率的計(jì)算進(jìn)行了簡(jiǎn)化,而ARMA模型的特點(diǎn)能夠彌補(bǔ)這方面的缺陷,并能夠針對(duì)不同實(shí)驗(yàn)對(duì)象的數(shù)據(jù)進(jìn)行擬合,從而實(shí)現(xiàn)睡眠狀態(tài)的估計(jì)。

睡眠狀態(tài)趨勢(shì)估計(jì)ARMA模型可表述為

(8)

式中:ak為自回歸系數(shù);bk為移動(dòng)平均系數(shù);x(n)為標(biāo)準(zhǔn)化后的睡眠特征參數(shù)時(shí)間序列;ε(n)為估計(jì)值相對(duì)原值的誤差項(xiàng);p、q為模型階數(shù)。

建立睡眠特征參數(shù)的ARMA模型可以分為4個(gè)部分:數(shù)據(jù)檢驗(yàn)、模型識(shí)別、模型參數(shù)估計(jì)和模型檢驗(yàn)。圖2示出了ARMA建模過(guò)程。

圖2　ARMA建模過(guò)程Fig.2　Block of building ARMA model

(1) 數(shù)據(jù)檢驗(yàn)。采用ARMA建模要求原始時(shí)間序列具備平穩(wěn)性和隨機(jī)性,因此需對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)性和隨機(jī)性檢驗(yàn)。平穩(wěn)性值主要通過(guò)單位根(ADF)檢驗(yàn)來(lái)確定,當(dāng)ADF值小于1%時(shí),即可認(rèn)為該時(shí)間序列為平穩(wěn)時(shí)間序列。如果序列非平穩(wěn),可以通過(guò)差分處理。通常情況下,經(jīng)過(guò)1～2次差分處理,特征參數(shù)即變?yōu)槠椒€(wěn)時(shí)間序列。本文中睡眠特征參數(shù)未必滿足時(shí)間序列的平穩(wěn)性,因此單位根檢驗(yàn)是必不可少的。隨機(jī)性主要通過(guò)檢測(cè)數(shù)據(jù)的殘差序列來(lái)判定,如殘差不具備隨機(jī)性,則不能采用ARMA模型。本文研究的睡眠腦電信號(hào)本身具有隨機(jī)性的特點(diǎn),因此滿足隨機(jī)性時(shí)間序列的要求。

(2) 模型識(shí)別。模型識(shí)別就是對(duì)待建的模型進(jìn)行判斷,是否符合時(shí)間序列建模要求以及采用哪種模型。根據(jù)Box-Jenkins模型識(shí)別方法[14],對(duì)原始序列的自相關(guān)函數(shù)和偏相關(guān)函數(shù)進(jìn)行分析,根據(jù)表2確定模型類型。如果自相關(guān)函數(shù)是“拖尾”的,偏相關(guān)函數(shù)是“截尾”的,則應(yīng)采用自回歸(AR)模型;如果自相關(guān)函數(shù)是“截尾”的,偏相關(guān)函數(shù)是“拖尾”的,則應(yīng)采用移動(dòng)平均模型(MA)模型;如果自相關(guān)函數(shù)和偏相關(guān)函數(shù)都是“拖尾”的,則應(yīng)采用ARMA模型。

(3) 模型參數(shù)估計(jì)。模型的參數(shù)識(shí)別包括模型階次判定和模型系數(shù)估計(jì)。模型的階次決定了模型的優(yōu)劣。在模型類型的確定過(guò)程中,采用Box-Jenkins模型識(shí)別方法,根據(jù)序列自相關(guān)函數(shù)(AC)和偏相關(guān)函數(shù)(PAC)的“拖尾”性和“截尾”性即可判定模型階次,但此方法需要人工觀察來(lái)確定階次,而且很難準(zhǔn)確判斷時(shí)序列“截尾”的具體階次,故通常采用準(zhǔn)則函數(shù)確定模型階次,便于編程實(shí)現(xiàn)。常用的準(zhǔn)則函數(shù)有赤池信息量準(zhǔn)則(Akaike Information Criterion,AIC)、貝葉斯信息準(zhǔn)則(Bayesian Information Criterions,BIC)準(zhǔn)則、最小最終預(yù)報(bào)誤差準(zhǔn)則(Final Prediction Error,FPE)準(zhǔn)則等。本文采用AIC準(zhǔn)則來(lái)確定睡眠特征函數(shù)的模型階次。

表2　模型類型選擇Table 2　Model select

模型的系數(shù)估計(jì)主要是為了確定式(8)中ak和bk的具體值,會(huì)直接影響模型的精度。常用的模型參數(shù)估計(jì)方法有矩估計(jì)方法、最小二乘法、最大似然估計(jì)法等。其中,最小二乘法基本原理成熟、計(jì)算量較小、估計(jì)精度較高,本文選擇最小二乘法對(duì)模型進(jìn)行參數(shù)估計(jì)。

(4) 模型檢驗(yàn)。在對(duì)睡眠特征參數(shù)進(jìn)行ARMA建模之后,需要對(duì)模型進(jìn)行檢驗(yàn)和修正,例如可以通過(guò)過(guò)擬合檢驗(yàn)來(lái)刪掉模型中多余的參數(shù),優(yōu)化建模過(guò)程。通過(guò)對(duì)睡眠狀態(tài)參數(shù)建立AMRA模型,得到融合了睡眠趨勢(shì)的狀態(tài)參數(shù)值。

1.5分類識(shí)別

分類識(shí)別是睡眠狀態(tài)分析的定量問(wèn)題。近年來(lái),隨著智能計(jì)算方法的廣泛應(yīng)用,帶有自適應(yīng)和學(xué)習(xí)能力的分類方法也被應(yīng)用到睡眠的分析中來(lái),例如神經(jīng)網(wǎng)絡(luò)[15-16]、模糊算法[17]、支持向量機(jī)(SVM)[18-19]等。從提高算法的普適性角度出發(fā),本文選取具有學(xué)習(xí)能力的支持向量機(jī)方法。

支持向量機(jī)[20]是一種監(jiān)督式學(xué)習(xí)方法，本文將SVM用于分類識(shí)別時(shí),首先選取一名被試者的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),將其人工判讀分期結(jié)果作為訓(xùn)練標(biāo)簽。選取多項(xiàng)式核函數(shù),并采用默認(rèn)參數(shù)建立分類模型,采用該模型對(duì)睡眠狀態(tài)參數(shù)進(jìn)行分類識(shí)別。然后將被試者的數(shù)據(jù)作為測(cè)試數(shù)據(jù)進(jìn)行分類,將人工判讀分類結(jié)果作為分類標(biāo)簽,測(cè)試得到的結(jié)果和人工判讀結(jié)果進(jìn)行比較,計(jì)算分類準(zhǔn)確率。

2　結(jié)　果

2.1特征參數(shù)提取和特征融合

本文共分析了7組睡眠腦電數(shù)據(jù),將采集到的原始數(shù)據(jù)分割為以5 s為時(shí)長(zhǎng)的數(shù)據(jù)段。對(duì)各導(dǎo)腦電的頻域特征根據(jù)式(1)～ 式(3)計(jì)算能量比,得到最終的特征參數(shù)R1、R2和R3。

由式(4)得到特征參數(shù)的概率密度分布,結(jié)果如圖3所示。

圖3　特征參數(shù)的概率密度分布Fig.3　Probability density functions of parameters

從分布曲線中可以看到,R1和R2能夠較好地區(qū)分3個(gè)睡眠分期。8～13 Hz節(jié)律的特征波在覺(jué)醒狀態(tài)下約為70%,進(jìn)入到睡眠狀態(tài)后明顯減弱,到了睡眠2期,約為5%;2～7 Hz節(jié)律的特征波與8～13 Hz節(jié)律大致相反,在覺(jué)醒狀態(tài)下約為10%,進(jìn)入睡眠狀態(tài)后明顯增加,睡眠2期大約占60%;12～16 Hz節(jié)律特征波在睡眠狀態(tài)下變化不大,占比約為70%～80%,但要明顯高于覺(jué)醒狀態(tài)下的40%～50%。R3在覺(jué)醒期比較少,隨著睡眠深度的加深而增多,在覺(jué)醒期和睡眠期睡眠紡錘波的含量變化比較明顯,而在睡眠1期和睡眠2期睡眠紡錘波含量近似。R3可以作為區(qū)分睡眠和覺(jué)醒的輔助參數(shù)。

由式(5)～ 式(7)可以得出測(cè)試數(shù)據(jù)的睡眠狀態(tài)統(tǒng)計(jì)量。

2.2ARMA模型趨勢(shì)估計(jì)

根據(jù)圖2中的步驟,對(duì)得到的睡眠狀態(tài)參數(shù)建立時(shí)間序列模型,首先檢驗(yàn)數(shù)據(jù)的平穩(wěn)性和隨機(jī)性,分析其自相關(guān)函數(shù)和偏相關(guān)函數(shù),如圖4所示。

圖4(a)所示為為自相關(guān)函數(shù)圖,圖4(b)所示為為偏相關(guān)函數(shù)圖,圖中虛線之間為置信區(qū)間。通過(guò)自相關(guān)分析,可得其自相關(guān)函數(shù)最終均落入置信區(qū)間,且逐漸減小,由此得出該序列具備隨機(jī)性和平穩(wěn)性。結(jié)合偏相關(guān)分析可得,其自相關(guān)函數(shù)和偏相關(guān)函數(shù)均沒(méi)有明顯的“截尾”性,因此應(yīng)采用ARMA(p,q)模型建模。進(jìn)一步根據(jù)AIC準(zhǔn)則可知,應(yīng)該采用ARMA(3,3)建立模型,得到其睡眠狀態(tài)統(tǒng)計(jì)量如圖5所示。

圖5的橫軸表示時(shí)間,被試者的睡眠過(guò)程大約持續(xù)15 min;縱軸表示睡眠狀態(tài),其中實(shí)線表示睡眠狀態(tài)參數(shù),虛線表示建模后的結(jié)果。從圖5可以看出,被試者在經(jīng)歷了約5 min的覺(jué)醒狀態(tài)后進(jìn)入睡眠狀態(tài),約7～8 min時(shí)睡眠狀態(tài)進(jìn)一步加深,逐漸過(guò)渡到睡眠2期,在12～14 min時(shí),睡眠狀態(tài)有所波動(dòng),最后被試者覺(jué)醒,結(jié)束睡眠過(guò)程。由圖5可以觀察到,5 s的數(shù)據(jù)段細(xì)分可以得到更多的睡眠細(xì)節(jié),尤其是不同睡眠狀態(tài)之間過(guò)渡階段的細(xì)微變化。

圖4　自相關(guān)函數(shù)和偏相關(guān)函數(shù)Fig.4　Auto-correlation & partial auto-correlation

圖5　ARMA建模結(jié)果Fig.5　ARMA modeling result

2.3睡眠狀態(tài)估計(jì)

為了分析睡眠狀態(tài)估計(jì)方法的有效性,本文采用支持向量機(jī)方法進(jìn)行睡眠分期自動(dòng)判別,并將其與人工判別結(jié)果進(jìn)行比較。首先,選取訓(xùn)練數(shù)據(jù),并將其人工判讀分期結(jié)果作為訓(xùn)練標(biāo)簽。經(jīng)過(guò)多次實(shí)驗(yàn),選取C-SVC模型支持向量機(jī)以及線性核函數(shù),對(duì)得到的睡眠狀態(tài)參數(shù)建模結(jié)果進(jìn)行分類識(shí)別,結(jié)果如圖6所示。

圖6　睡眠狀態(tài)估計(jì)結(jié)果Fig.6　Sleep stage classification compared with visual inspection

圖6中,“o”代表采用SVM方法分類識(shí)別結(jié)果,“*”代表人工判讀結(jié)果,以人工判讀結(jié)果為依據(jù),兩者重合表示分類正確,反之則分類錯(cuò)誤。從圖中可以看出,在覺(jué)醒狀態(tài),被試者狀態(tài)比較穩(wěn)定,分類的效果也很好,到了睡眠1期,由于此時(shí)被試者處在覺(jué)醒期與睡眠狀態(tài)的過(guò)渡階段,雖然人工判別結(jié)果為睡眠1期,但實(shí)際上被試者在這段時(shí)間里的睡眠狀態(tài)并不穩(wěn)定,因此分類效果不夠理想。在隨后的時(shí)間里,被試者進(jìn)入睡眠2期,睡眠狀態(tài)趨于穩(wěn)定,分類效果較好。統(tǒng)計(jì)5 s時(shí)長(zhǎng)數(shù)據(jù)段的分類結(jié)果,如表3、表4所示。

表3　睡眠狀態(tài)估計(jì)結(jié)果分析Table 3　Analysis of sleep stage evaluation result

表4　睡眠狀態(tài)估計(jì)準(zhǔn)確率Table 4　Accuracy of sleep stage evaluation

表3示出了各睡眠狀態(tài)的估計(jì)結(jié)果,每一列代表人工判讀結(jié)果,對(duì)角線上的值代表估計(jì)結(jié)果與人工判讀結(jié)果一致,其他位置的值表示原屬于列所在睡眠分期被錯(cuò)分到行所在的睡眠分期。表4示出了估計(jì)準(zhǔn)確率。結(jié)合表3、表4和圖6可知,當(dāng)被試者的睡眠狀態(tài)相對(duì)穩(wěn)定時(shí),狀態(tài)估計(jì)的效果比較好,而在過(guò)渡階段,睡眠狀態(tài)有所波動(dòng)時(shí),狀態(tài)估計(jì)的效果就會(huì)有所下降?？傮w來(lái)說(shuō),綜合準(zhǔn)確率為91.28%,說(shuō)明該方法可以有效地估計(jì)被試的睡眠狀態(tài)。

為了說(shuō)明ARMA模型在睡眠估計(jì)中的作用,將采用ARMA模型和未采用ARMA模型的結(jié)果進(jìn)行對(duì)比,結(jié)果見(jiàn)表5。

表5　建模前后的結(jié)果比較Table 5　Comparasion of results with or without modeling

表5中No-ARMA表示沒(méi)有采用ARMA模型得到的睡眠狀態(tài)估計(jì)結(jié)果,ARMA表示采用ARMA模型的睡眠狀態(tài)估計(jì)結(jié)果。由7組數(shù)據(jù)的測(cè)試結(jié)果可以看出,采用了ARMA模型后,睡眠狀態(tài)估計(jì)結(jié)果普遍有所提高,準(zhǔn)確率提高了0.5%～5%,平均準(zhǔn)確率達(dá)到89.04%,提高了2.82%,ARMA模型對(duì)于提高睡眠狀態(tài)估計(jì)的準(zhǔn)確率起到了顯著的作用。

3　討論與總結(jié)

3.1日間短時(shí)睡眠的特征參數(shù)

在傳統(tǒng)的夜間長(zhǎng)時(shí)睡眠分析中,一般采用20 s或30 s時(shí)長(zhǎng)對(duì)原始數(shù)據(jù)劃分,這在長(zhǎng)達(dá)8～12 h的睡眠分析中有其合理性,然而對(duì)于時(shí)長(zhǎng)僅為20～30 min的日間短時(shí)睡眠,可能會(huì)丟失過(guò)渡階段的睡眠信息。因此本文對(duì)于采集到的睡眠腦電數(shù)據(jù),將原本的20 s數(shù)據(jù)段進(jìn)一步細(xì)分為5 s數(shù)據(jù)段。采取5 s睡眠數(shù)據(jù)段的分析,可以觀察到更多的睡眠狀態(tài)細(xì)節(jié),也可以更好地反映睡眠的連續(xù)性與漸變性。在睡眠特征參數(shù)的提取過(guò)程中,采用頻域方法提取腦電頻域特征之后,結(jié)合已知的睡眠狀態(tài)分期結(jié)果,分析了各睡眠特征參數(shù)在不同睡眠狀態(tài)下的概率密度分布,并以此為依據(jù)將3個(gè)特征參數(shù)融合為一個(gè)參數(shù)——睡眠狀態(tài)統(tǒng)計(jì)量。通過(guò)特征融合,對(duì)特征進(jìn)行降維處理,一方面能夠降低后續(xù)建模的運(yùn)算量,加快數(shù)據(jù)處理速度;另一方面,生物電信號(hào)隨機(jī)性強(qiáng),適合采用統(tǒng)計(jì)學(xué)方法分析,所獲得的基于條件概率的融合特征,對(duì)應(yīng)了當(dāng)前特征參數(shù)下睡眠狀態(tài)出現(xiàn)的概率,不僅蘊(yùn)含了睡眠分期的信息,同時(shí)給出了睡眠分期在持續(xù)和過(guò)渡期間的連續(xù)變化情況。

3.2日間短時(shí)睡眠的狀態(tài)判別

在進(jìn)一步的睡眠狀態(tài)分析過(guò)程中,引入時(shí)間序列分析方法——ARMA模型分析,對(duì)睡眠狀態(tài)統(tǒng)計(jì)量進(jìn)行時(shí)間序列分析,通過(guò)建立ARMA模型,將原本獨(dú)立的睡眠狀態(tài)參數(shù)轉(zhuǎn)化為相互關(guān)聯(lián)的時(shí)序列。一方面,可以對(duì)睡眠狀態(tài)參數(shù)起到平滑的作用；另一方面,建模后的數(shù)據(jù),每個(gè)5 s時(shí)間段的參數(shù)不僅與當(dāng)前時(shí)刻有關(guān),還與過(guò)去一段時(shí)間的睡眠狀態(tài)參數(shù)有關(guān),即每個(gè)狀態(tài)參數(shù)值都融合了當(dāng)前睡眠狀態(tài)和睡眠趨勢(shì)量,能夠更好地體現(xiàn)睡眠的連續(xù)性和完整性,使后續(xù)的睡眠狀態(tài)估計(jì)結(jié)果更加準(zhǔn)確?？紤]到傳統(tǒng)睡眠分期方法普適性較差的問(wèn)題,選取具有自學(xué)習(xí)能力的支持向量機(jī)方法驗(yàn)證睡眠狀態(tài)估計(jì)準(zhǔn)確率。與傳統(tǒng)分類方法相比,SVM應(yīng)用VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,借助于最優(yōu)化方法等,在很大程度上克服了傳統(tǒng)機(jī)器學(xué)習(xí)面臨的維數(shù)災(zāi)難、局部最小點(diǎn)以及過(guò)度學(xué)習(xí)等難以克服的困難。在SVM用于睡眠狀態(tài)的評(píng)估中,圖6顯示了一名被試者的睡眠分析結(jié)果,從圖中可以看出,該被試者先后經(jīng)歷了覺(jué)醒期、睡眠1期和睡眠2期,并從睡眠2期逐漸清醒過(guò)來(lái),是非常典型的淺睡眠過(guò)程,其中覺(jué)醒期和睡眠2期睡眠狀態(tài)比較穩(wěn)定,所以睡眠狀態(tài)的分析結(jié)果和人工判讀結(jié)果相比準(zhǔn)確率較高。在睡眠1期,由于該狀態(tài)處在覺(jué)醒狀態(tài)和睡眠狀態(tài)的過(guò)渡階段,特征不夠明晰,分析結(jié)果不夠理想,該被試者經(jīng)歷了約15 min的淺睡眠并逐步覺(jué)醒,這樣避免了從深睡眠覺(jué)醒引起的睡眠慣性,說(shuō)明本文所提出的基于ARMA模型的短時(shí)睡眠狀態(tài)分析方法取得了較好的效果,可以作為分析短時(shí)睡眠狀態(tài)的客觀依據(jù)。

3.3總結(jié)與展望

本文主要研究了日間短時(shí)睡眠的狀態(tài)估計(jì)問(wèn)題,提出了基于ARMA模型的睡眠分析方法,在睡眠特征參數(shù)的提取過(guò)程引入了統(tǒng)計(jì)方法——條件概率,將原有的3個(gè)特征參數(shù)進(jìn)行融合,并得到一個(gè)表征睡眠狀態(tài)的統(tǒng)計(jì)量,然后采用了時(shí)間序列分析方法,對(duì)其建立ARMA模型,分析數(shù)據(jù)隨時(shí)間變化的趨勢(shì),得到結(jié)合睡眠趨勢(shì)的睡眠狀態(tài)統(tǒng)計(jì)參數(shù),較好地反映了睡眠的連續(xù)性與漸變性,最后選取具有自學(xué)習(xí)能力的分類方法——支持向量機(jī),以睡眠狀態(tài)統(tǒng)計(jì)參數(shù)為依據(jù)對(duì)被試者的睡眠過(guò)程進(jìn)行自動(dòng)的判別分期,并將得到的結(jié)果與人工判別結(jié)果相比較,得到了較高的判別準(zhǔn)確率,得到的睡眠狀態(tài)估計(jì)結(jié)果可以作為合理控制睡眠時(shí)長(zhǎng)的客觀依據(jù)。在本文的研究中發(fā)現(xiàn),不同被試者的特征參數(shù)差異很大,得到的結(jié)果也有較大差異,在今后的研究中,可以進(jìn)一步分析不同被試者特征參數(shù)的差異,通過(guò)對(duì)比人工判別結(jié)果分析誤判的原因,優(yōu)化特征參數(shù)的處理過(guò)程,盡量減少個(gè)體差異對(duì)睡眠狀態(tài)估計(jì)帶來(lái)的影響。另外,在采用SVM方法分類驗(yàn)證的過(guò)程中,可以進(jìn)一步通過(guò)優(yōu)化分類參數(shù),包括核函數(shù)種類、懲罰函數(shù),來(lái)提高分類準(zhǔn)確率。

[1]RECHTSCHAFFEN A,KALES A.A Manual of Standardized Terminology Techniques and Scoring Systems for Sleep Stages of Human Subjects[M].Los Angeles:UCLA Brain Information Service/Brain Research Institute,1968.

[2]王祖承.睡眠與睡眠障礙[M].上海:上?？萍冀逃霭嫔?2005.

[3]付兆君,劉玉華,崔麗,等.睡眠障礙飛行員認(rèn)知功能研究[J].中國(guó)行為醫(yī)學(xué)科學(xué),2008,17(9):825-825.

[4]CHANG Yusan,WU Yuhsuan.Did a brief nap break have positive benefits on information processing among nurses working on the first 8 h night shift[J].Applied Ergonomics,2015,5(48):104-108.

[5]賈麗娜,王興娟.睡眠不足對(duì)機(jī)體代謝的影響[J].現(xiàn)代預(yù)防醫(yī)學(xué),2007,34(6):1061-1062.

[6]STANG A.Daytime napping and health consequences:Much epidemiologic work to do[J].Sleep Medicine,2015,16(7):809-810.

[7]HAYASHI M,ITO S,HORI T.The effects of a 20 min nap at moon on sleepiness performance and EEG activity[J].International Journal of Psychophysiology,1999,32(2):173-180.

[8]LAU Ether Yuet Ying,WONG Mark.Rapid-eye-movement-sleep (REM) associated enhancement of working memory performance after a daytime nap[J].PLoS ONE,2015,10(5):1-16.

[9]GORGONI M,FERRARA M,D′ATRI A,etal.EEG topography during sleep inertia upon awakening after a period of increased homeostatic sleep pressure[J].Sleep Medicine,2015,16(7):883-900.

[10]THOMPSON A,JONES H,GREGSON W,etal.Effects of dawn simulation on markers of sleep inertia and post-waking performance in humans[J].European Journal of Applied Physiology,2014,114(5):1049-1056.

[11]KRYGER M H,ROTH T.Principles and Practice of Sleep Medicine[M].5th ed.USA:Elsevier Medicine,2010.

[12]JASPER H H.Ten-twenty electrode system of the international federation[J].Electroenceph Clin Neurophysiol,1958,10:371-375.

[13]王蓓,張俊民,王行愚,等.基于條件概率的短時(shí)睡眠狀態(tài)實(shí)時(shí)估計(jì)[J].北京生物醫(yī)學(xué)工程,2015,34(4):383-388.

[14]BOX G E P,JENKINS M.Time Series Analysis Forecasting and Control[M].USA:Holden Day Inc,1976.

[15]張涇周,周釗,滕炯華,等.基于神經(jīng)網(wǎng)絡(luò)的睡眠分期處理算法研究[J].計(jì)算機(jī)仿真,2010,27(8):141-145.

[16]TAGLUK M E,SEZGIN N,AKIN M.Estimation of sleep stages by an artificial neural network employing EEG,EMG and EOG[J].Journal of Medical Systems,2010,34(4):717-725.

[17]JO H G,PARK J Y,LEE C K,etal.Genetic fuzzy classifier for sleep stage identification[J].Computers in Biology and Medicine,2010,40(7):629-34.

[18]阿伯德,汪豐.基于支持向量機(jī)的睡眠自動(dòng)分期[J].健康必讀,2013,12(8):5-6.

[19]葛家怡,周鵬,趙欣.基于支持向量機(jī)的睡眠結(jié)構(gòu)分期研究[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(8):5-8.

[20]VAPNIK V.The Nature of Statistical Learning Theory[M].2nd ed.USA:Springer,2000.

Sleep Level Evaluation by Feature Fusion and ARMA for Nap

ZHANG Jun-min,WANG Bei,WANG Xing-yu

(School of Information Science and Engineering,East China University of Science and Technology,Shanghai 200237,China)

According to the characteristic of nap,this work proposes a sleep level estimation method based on ARMA model for analyzing the sleep status varying in nap.By using the sleep data during day nap,3 relevant parameters are calculated from Electroencephalogram(EEG),which are further fused into one parameter via the conditional probability for describing different sleep levels.And then,Auto Regressive and Moving Average (ARMA) model is adopted to analyze the sleep tendency.Finally,Support Vector Machine(SVM) is utilized to classify the sleep progress automatically.Compared with the visual inspection,the proposed estimation method can raise the sleep level recognition up to the average 88.7% of all 7 subjects.On one hand,feature fusion can improve the calculation speed significantly and provide an effective method for real-time sleep level detection.On the other hand,the prediction feature of ARMA model can be utilized to analyze the sleep tendency and provide an objective evaluation for further adjusting and controlling the sleep duration.

nap; EEG; feature fusion; ARMA model

A

1006-3080(2016)03-0404-08

10.14135/j.cnki.1006-3080.2016.03.018

2015-09-25

國(guó)家自然科學(xué)基金(61074113,91420302);上海市自然科學(xué)基金(16ZR1407500)

張俊民(1989-),男,山東人,碩士生,研究方向?yàn)殡娚硇盘?hào)的研究及應(yīng)用。

通信聯(lián)系人：王行愚,E-mail:xywang@ecust.edu.cn

TP181;R318.04