基于心肺活動(dòng)的睡眠分期研究

文/李濤 李昌興

1 前言

現(xiàn)如今，多導(dǎo)睡眠監(jiān)測(cè)（PSG）是國(guó)際上普遍公認(rèn)的睡眠分期“黃金標(biāo)準(zhǔn)”，它采集人體的14路信號(hào)，絕大多數(shù)對(duì)于睡眠分期的研究都是基于此作為參考標(biāo)準(zhǔn)。多導(dǎo)睡眠圖監(jiān)測(cè)儀雖然測(cè)量精度準(zhǔn)確，但它的價(jià)格十分昂貴、操作復(fù)雜，有可能會(huì)對(duì)受試者造成睡眠干擾?；谝陨显颍鄬?dǎo)睡眠圖監(jiān)測(cè)儀的實(shí)用性與普及性受到很大的影響。而心肺活動(dòng)信號(hào)的采集設(shè)備操作簡(jiǎn)單、價(jià)格便宜，采集時(shí)不易被人察覺(jué)，數(shù)據(jù)可以通過(guò)計(jì)算機(jī)進(jìn)行分析，這使得心肺信號(hào)替代多導(dǎo)睡眠監(jiān)測(cè)儀應(yīng)用于睡眠分期成為可能。

心肺信號(hào)的睡眠分期主要是應(yīng)用心率變異性（HRV）與呼吸的特性。Meng Xiao等人（2013）提出了基于心率變異性（HRV）的睡眠分期，通過(guò)統(tǒng)計(jì)方法分析RR間隔變化的時(shí)域特征，以及HRV的頻譜獲得各個(gè)頻率段的特征，最終通過(guò)隨機(jī)森林分類(lèi)器對(duì)睡眠的喚醒，快速眼動(dòng)（REM）睡眠和非快速眼動(dòng)（NREM）睡眠進(jìn)行分類(lèi)。M. Aktaruzzaman 等人（2015）通過(guò)計(jì)算RR間期序列的均值、標(biāo)準(zhǔn)偏差、低頻、高頻以及DFA自相關(guān)特性等心電特征 ，來(lái)區(qū)分睡眠和覺(jué)醒（WAKE），區(qū)分非快速眼動(dòng)（NREM）與快速眼動(dòng)（REM）。Pedro Fonseca等人（2013）使用Hamilton-Tompkins檢測(cè)器和后處理定位算法的組合檢測(cè)QRS波群并將其從ECG信號(hào)中定位，利用改進(jìn)的線(xiàn)性判別分類(lèi)器和十倍交叉驗(yàn)證對(duì)喚醒、快速眼動(dòng)（REM）睡眠、非快速眼動(dòng)（NREM）睡眠和深睡眠進(jìn)行分類(lèi)。然而，這些研究只是對(duì)睡眠進(jìn)行簡(jiǎn)單的三期或者四期分類(lèi)，沒(méi)有進(jìn)行更深層側(cè)的睡眠分類(lèi)。

本文提出了基于心肺活動(dòng)信號(hào)的睡眠分期方法，即采用心肺信號(hào)中的心電信號(hào)與呼吸信號(hào)相結(jié)合進(jìn)行睡眠六期分類(lèi)。與以前的研究相比，我們除了提取了傳統(tǒng)心電信號(hào)的RR間期的均值、標(biāo)準(zhǔn)偏差以及中值等時(shí)域特征，還提出了利用心電信號(hào)的QRSTP波之間的間距、幅值差以及RR間期的分位數(shù)等9項(xiàng)新特征參數(shù)，并結(jié)合呼吸信號(hào)的呼吸次數(shù)均值和呼吸周期均值作為睡眠分期的時(shí)域特征，進(jìn)行睡眠分期。

圖1：QRSTP波間距

圖2：QRSTP波幅值

2 特征提取

2.1 改進(jìn)的心電信號(hào)時(shí)域特征

一般研究者都常用心電信號(hào)RR間期的均值、標(biāo)準(zhǔn)偏差、中值以及均方根等進(jìn)行睡眠分期。本文在此引入一些新的時(shí)域特征，它們分別是心電信號(hào)QRSTP波之間的間距、幅值大小以及RR間期的分位數(shù)。利用小波包變換與窗口閾值法檢測(cè)QRSTP波，從QRS波上獲得各個(gè)相鄰P波與Q波、Q波與R波、R波與S波、S波與T波之間的位置差距的均值（即PQD、QRD、RSD、STD）作為特征值。此外，將一個(gè)心電信號(hào)片段內(nèi)的各個(gè)相鄰P波與Q波、R波與S波、S波與T波之間幅度值的均值作為一組特征值（PQA、QRA、RSA、STA）。如圖1、2所示。

表1

圖3：呼吸時(shí)域特征

圖4：睡眠分期結(jié)果

2.2 呼吸信號(hào)特征提取

呼吸次數(shù)（BR-times）和呼吸循環(huán)周期的均值（BR-mean）作為呼吸信號(hào)的時(shí)域特征。提取的方法：先采用窗口閾值法找到呼吸信號(hào)的波峰與波谷，然后計(jì)算在一個(gè)片段內(nèi)出現(xiàn)的波峰次數(shù)即為呼吸次數(shù)，兩波峰間時(shí)間間隔即為呼吸循環(huán)周期。如圖3所示。

3 睡眠分期

對(duì)于睡眠分期的分類(lèi)器有很多種，比較常用的是最小二乘支持向量機(jī)、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)以及隱馬爾可夫模型等。本文應(yīng)用的是最小二乘支持向量機(jī)分類(lèi)器。將心電信號(hào)與呼吸信號(hào)的特征值放入最小二乘支持向量機(jī)分類(lèi)器中進(jìn)行睡眠的分期，睡眠的分期結(jié)果如表1和圖4所示。從圖4中，可以看出融合心電信號(hào)與呼吸信號(hào)特征的睡眠分期準(zhǔn)確度為75.50%。說(shuō)明了融合了心電信號(hào)與呼吸信號(hào)特征的睡眠分期是一種針對(duì)睡眠分期的可行方法。

4 總結(jié)

本文介紹了一種基于心電信號(hào)以及呼吸信號(hào)睡眠分期方法，這種方法在國(guó)內(nèi)外都是屬于比較少用的方法。文中主要做了以下的工作：對(duì)心電信號(hào)和呼吸信號(hào)進(jìn)行特征的選擇與提取，應(yīng)用小波包變換以及傅里葉變換最終提取了16項(xiàng)心電時(shí)頻特征以及6項(xiàng)呼吸時(shí)頻特征。之后，設(shè)計(jì)性能良好的最小二乘支持向量機(jī)，用此分類(lèi)器對(duì)心電和呼吸融合后的信號(hào)進(jìn)行睡眠分期，證明了本文基于心電信號(hào)與呼吸信號(hào)對(duì)睡眠分期方法的可行性以及準(zhǔn)確性。

參考文獻(xiàn)

[1]Ye Y,Yang K,Jiang J,et al.Automatic sleep and wake classifier with heart rate and pulse oximetry:Derived dynamic time warping features and logistic model[C].IEEESystems Conference,2016:1-6.

[2]Aboalayon K A I,Faezipour M,Almuhammadi W S,et al.Sleep Stage Classification Using EEG Signal Analysis: A Comprehensive Survey and New Investigation[J].Entropy,2016,18(09):272.

[3]Xiao M,Yan H,Song J,et al.Sleep stages classification based on heart rate variability and random forest[J].Biomedical Signal Processing &Control,2013,8(06):624-633.

[4]Aktaruzzaman M,Migliorini M,Tenhunen M,et al.The addition of entropybased regularity parameters improves sleep stage classification based on heart rate variability[J].Medical &Biological Engineering & Computing,2015,53(05):415-425.

[5]Fonseca P,Teuling N D,Long X,et al.Cardiorespiratory Sleep Stage Detection Using Conditional Random Fields[J].IEEE Journal of Biomedical & Health Informati cs,2016,21(04):956-966.

[6]Ray P,Mishra D P,Lenka R K.Short term load forecasting by artificial neural network[C].IEEEInternational Conference on Next Generation Intelligent Systems,2017:1-6.