基于BP神經(jīng)網(wǎng)絡(luò)的大鼠睡眠腦電自動(dòng)分階方法的研究

申英霞

（唐山工業(yè)職業(yè)技術(shù)學(xué)院，河北 唐山 063299）

0 引言

隨著社會(huì)高速發(fā)展，人們的工作生活壓力變大，各種睡眠疾病也呈現(xiàn)高發(fā)態(tài)勢(shì)，因此各國(guó)研究人員也越來(lái)越重視對(duì)睡眠的研究。腦電圖（EEG）是分析和評(píng)估睡眠狀態(tài)與質(zhì)量的重要工具，在睡眠分階研究中有其重要意義[1]。經(jīng)典的分析方法是對(duì)連續(xù)的睡眠腦電圖形數(shù)據(jù)進(jìn)行目測(cè)分析與評(píng)估，然而，這種目測(cè)分析方法非常費(fèi)時(shí)、費(fèi)力。從70年代起，逐漸開(kāi)始自動(dòng)睡眠分階的研究，并取得很大的進(jìn)展[2]。

國(guó)際上將睡眠狀態(tài)分成2種[3]：一種為無(wú)快眼動(dòng)睡眠(No_rapid eye movement,NREM )狀態(tài)，另一種為快眼動(dòng)睡眠(Rapid eye movement,REM )狀態(tài)。整個(gè)睡眠過(guò)程中2種睡眠狀態(tài)交替出現(xiàn)，其中NREM睡眠狀態(tài)又被細(xì)分成4級(jí)，分別為淺度睡眠期S1、輕度睡眠期S2、中度睡眠期S3和深度睡眠期S4，睡眠程度呈現(xiàn)逐漸加深狀態(tài)。在睡眠的整個(gè)過(guò)程中，很難確定某一時(shí)刻的睡眠等級(jí)。通常將記錄的整個(gè)睡眠過(guò)程的EEG分成小的期間，然后根據(jù)期間EEG中各種基本波形（包括δ-波、θ-波 、α-波、s-紡錘波、β-波）的占有率，同時(shí)結(jié)合眼電圖EOG、肌電圖EMG的特征，對(duì)其進(jìn)行睡眠深度的分階評(píng)估。本文在國(guó)際睡眠分期標(biāo)準(zhǔn)的基礎(chǔ)上，利用Choi_Williams分布中的局部頻譜的特征提取EEG信號(hào)的特征值，通過(guò)BP網(wǎng)絡(luò)設(shè)計(jì)了一種睡眠自動(dòng)分階分析的新方法。

1 方法介紹

1.1 CWD原理

時(shí)頻分析方法被廣泛用于EEG信號(hào)的分析與處理，其中Choi_Williams分布（CWD）又是時(shí)頻分析中一種能夠有效抑制和消除交叉項(xiàng)的高分辨率時(shí)頻方法。離散Choi_Williams分布的公式如下：

(1)式中:σ>0為尺度因子，WK(k)為時(shí)間窗，當(dāng)時(shí)，WK(k)>0；WM(m)為矩形窗。DCWDf(n,l)的物理意義是：以n為中心時(shí)間間隔[n-ΔN,n+ΔN]里，信號(hào)f(n)中包含的頻率信息，以及這些頻率上攜帶的能量分布，DCWDf(n,l)為信號(hào)在n時(shí)刻局部頻譜。因此，利用局部頻譜可以估計(jì)在相應(yīng)時(shí)間里腦電信號(hào)的波形。

將睡眠劃分成不同的睡眠階段主要是依據(jù)EEG中基本波形的占有率，從而確定睡眠深度。在分析腦電信號(hào)中不同波形的占有率時(shí)，不能簡(jiǎn)單地將這段信號(hào)某個(gè)分量在整段信號(hào)中占據(jù)的時(shí)間比例直接與該分量所攜帶的能量與這段信號(hào)總能量的比例完全等同。因此不能利用離散Choi_Williams功率譜直接估計(jì)各個(gè)波形的占比率。下面是本文改進(jìn)的方法來(lái)估計(jì)睡眠中的各種基本波形占有率，并為BP神經(jīng)網(wǎng)絡(luò)提取特征值[4]。

1.2 預(yù)處理

由于睡眠大鼠的腦電特征相對(duì)于人不明顯，本文把睡眠分為清醒W、過(guò)渡睡眠S1和S2、深度睡眠S3和S4、REM4個(gè)階段，如圖1所示。實(shí)驗(yàn)中的大鼠睡眠腦電數(shù)據(jù)采樣頻率為125Hz，實(shí)驗(yàn)環(huán)境為matlab7.0。每100個(gè)樣點(diǎn)的睡眠大鼠EEG信號(hào)為一個(gè)分析數(shù)據(jù)段，分別選擇睡眠4個(gè)階段各100組數(shù)據(jù)分析數(shù)據(jù)段進(jìn)行處理。由于腦電基本節(jié)律主要集中在0～25HZ這個(gè)頻段，因此采用截止頻率為25HZ低通濾波器可以在有效保留有用信號(hào)的同時(shí)最大限度的消除噪音的影響。

圖1 清醒W、過(guò)渡睡眠S1、2、深度睡眠S3、4和REM4個(gè)階段睡眠腦電圖

1.3 主波形估計(jì)算法

根據(jù)基本節(jié)律和一些瞬變信號(hào)將EEG信號(hào)重新劃分為5個(gè)波段：δ-波(0～3Hz)、θ-波(4～7Hz)、α-波(8～13Hz)、s-紡錘波和較高頻(14～16)、β-波(17～25Hz)。為了能夠統(tǒng)計(jì)整段EEG信號(hào)中各種波形的時(shí)間占有率，在每一時(shí)刻應(yīng)當(dāng)只選定一種基本波形，即主波形。因此通過(guò)處理每一時(shí)刻的局部頻譜找出瞬時(shí)功率中幾個(gè)較大功率的峰值,再采用高頻優(yōu)先原則把最能代表這時(shí)波形特征的局部頻譜的譜峰挑選出來(lái)[5]。

在matlab仿真中，利用Choi_Williams分布（CWD）對(duì)分析段進(jìn)行時(shí)頻變換，得到EEG信號(hào)在各個(gè)時(shí)間上的頻率分布，即瞬時(shí)頻譜；并在分析數(shù)據(jù)段中求出每個(gè)樣點(diǎn)的瞬時(shí)頻譜彼此最小間隔為3HZ所有譜峰[6]；檢測(cè)其中最大的2個(gè)峰值，設(shè)P1、P2是峰值，P1>P2。L1、L2是局部頻譜中峰值P1、P2所在的位置，即頻率值。W(1)、W(2)、W(3)、W(4)、W(5)分別表示δ、θ、α、s、β波頻率段。

當(dāng)L1>L2時(shí)，k=L1；當(dāng)L1

如果 P2

C(i)初始值均設(shè)置為0。上式為求出數(shù)據(jù)段每一個(gè)樣點(diǎn)主波形所在的頻率，并在相應(yīng)的頻率段W(i)的記數(shù)器C(i)中加1記數(shù)。

1.4 統(tǒng)計(jì)EEG信號(hào)特征值

1)δ-波個(gè)數(shù)C（1）/數(shù)據(jù)段樣點(diǎn)總個(gè)數(shù)；

2)θ-波個(gè)數(shù)C（2）/數(shù)據(jù)段樣點(diǎn)總個(gè)數(shù)；

3)α-波個(gè)數(shù)C（3）/數(shù)據(jù)段樣點(diǎn)總個(gè)數(shù)；

4)s-波個(gè)數(shù)C（4）/數(shù)據(jù)段樣點(diǎn)總個(gè)數(shù)；

5)β-波個(gè)數(shù)C（5）/數(shù)據(jù)段樣點(diǎn)總個(gè)數(shù)；

6)α-波個(gè)數(shù) C（3）/θ-波個(gè)數(shù) C（2）；

7)δ-波個(gè)數(shù) C（1）/θ-波個(gè)數(shù) C（2）；

1.5 基于BP神經(jīng)網(wǎng)絡(luò)的睡眠EEG自動(dòng)分階

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)通常分為3層，即輸入層、隱含層和輸出層。對(duì)于睡眠EEG自動(dòng)分階問(wèn)題來(lái)說(shuō)，網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)為先前提取出來(lái)的7組特征值，輸出層為4個(gè)神經(jīng)元，分別代表睡眠的四個(gè)階段。網(wǎng)絡(luò)的輸出模式為：清醒W（1、0、0、0），過(guò)渡睡眠 S1、S2（0、1、0、0），深度睡眠 S3、S4（0、0、1、0）和REM（0、0、0、1）。選取4個(gè)睡眠階段各50個(gè)數(shù)據(jù)分析段作為訓(xùn)練樣本集，以最小均方誤差為選取原則，訓(xùn)練選出最佳隱含層神經(jīng)元數(shù)為15個(gè)。以快速、穩(wěn)定的Levenberg-Marquardt算法作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法[7]。實(shí)驗(yàn)中訓(xùn)練集和測(cè)試集的樣本數(shù)均為50個(gè)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 主波形估計(jì)算法特征提取結(jié)果如表1所示：

表1是清醒W、過(guò)渡睡眠S1和S2、深度睡眠S3和S4、REM4個(gè)睡眠階段100組數(shù)據(jù)分析段主波形個(gè)數(shù)統(tǒng)計(jì)平均值與標(biāo)準(zhǔn)偏差。清醒W階段β、α?xí)r間統(tǒng)計(jì)個(gè)數(shù)明顯較高，θ、δ明顯較低。睡眠過(guò)渡S1、S2階段時(shí)高頻成分β開(kāi)始減少，較低頻率s、α、θ波形數(shù)增加。深度睡眠S3、S4時(shí)高頻成分β、s、α明顯減少，低頻成分θ、δ波形數(shù)開(kāi)始增加。在REM階段，δ、θ、α混雜，高頻成分β基本消失。

表1 主波形統(tǒng)計(jì)數(shù)據(jù)

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的睡眠EEG自動(dòng)分階結(jié)果如表2所示

表2 睡眠分階結(jié)果

表2是通過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)睡眠的分階結(jié)果，清醒W分類(lèi)正確率最好，過(guò)渡睡眠S1、S2由于與清醒W和REM階段混淆，分類(lèi)正確率較差。

3 結(jié)論

本文采用的時(shí)頻分析中，Choi_Williams分布具有抑制交叉項(xiàng)的高分辨率特性，因此根據(jù)局部頻譜的特征提取睡眠EEG信號(hào)的特征值，并通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)清醒W、深度睡眠、REM階段進(jìn)行自動(dòng)分階，結(jié)果顯示具有較高的識(shí)別率，可以很好地實(shí)現(xiàn)睡眠自動(dòng)分階。因?yàn)檫^(guò)度睡眠S1、S2易與清醒W和REM階段混淆，識(shí)別率相對(duì)較低，同時(shí)本文還進(jìn)行了過(guò)度睡眠S1與S2之間，深度睡眠S3與S4之間的分階研究，結(jié)果顯示過(guò)度睡眠S1與S2之間、深度睡眠S3與S4之間特征值不明顯，分階識(shí)別率也相對(duì)較低。為了達(dá)到更好分階效果，下步工作可以考慮在本文方法的基礎(chǔ)上，提取不同睡眠EEG更多的特征值送BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分階。睡眠腦電信號(hào)所含的生理和病例的信息具有很高的臨床研究意義，睡眠研究也一直是人類(lèi)非常重視的研究方向。自動(dòng)分階研究也是近幾年重點(diǎn)的研究熱點(diǎn)，各種信號(hào)處理方法廣泛應(yīng)用于睡眠腦電信號(hào)的自動(dòng)分階上，分階正確率基本都在70%以上，但是分析方法之間沒(méi)有進(jìn)行有效的比較、分析、評(píng)估。目前還沒(méi)有非常完善的自動(dòng)分階方法，這也是本文下步對(duì)睡眠腦電信號(hào)研究的方向。