基于腦電信號(hào)特征提取的睡眠分期方法研究

劉 戈，劉洪運(yùn)，石金龍，王國(guó)靜，胡敏露，王衛(wèi)東*

（1.解放軍總醫(yī)院海南醫(yī)院，海南三亞 572013；2.解放軍總醫(yī)院醫(yī)學(xué)創(chuàng)新研究部，北京 100853）

0 引言

睡眠是一項(xiàng)非常重要的生命過程，但至今人們對(duì)其了解甚少。關(guān)于睡眠的研究最早在20 世紀(jì)30年代，德國(guó)精神病學(xué)家Berger[1]發(fā)現(xiàn)人在睡眠和清醒期（wakefulness，W）的腦電（electroencephalogram，EEG）活動(dòng)呈現(xiàn)不同的節(jié)律。1953 年，Aserinsky 等[2]發(fā)現(xiàn)了快速眼動(dòng)（rapid eye movement，REM）睡眠與非快速眼動(dòng)（non-rapid eye movement，NREM）睡眠。1968年，Rechtschaffen 和 Kales[3]提出 R&K 睡眠分期標(biāo)準(zhǔn)，將 NREM 期細(xì)分為 S1、S2、S3、S4 4 個(gè)階段。S1、S2階段為淺度睡眠期（light sleep，LS），S3、S4 階段為慢波睡眠期（slow-wave sleep，SWS）。2007 年美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)（American Academy of Sleep Medicine，AASM）將R&K 金標(biāo)準(zhǔn)中的 S1、S2 期相應(yīng)更改為 N1（NREM 1）、N2（NREM 2）期，S3、S4 期合并為 N3（NREM 3）期。睡眠分期標(biāo)準(zhǔn)如圖1 所示。

圖1 睡眠分期標(biāo)準(zhǔn)

近年來，基于單通道EEG、多通道EEG、心電（electrocardiogram，ECG）、眼電（electro-oculogram，EOG）、肌電（electromyogram，EMG）和呼吸等生理信號(hào)提取特征并使用分類器進(jìn)行睡眠分期研究的國(guó)內(nèi)外學(xué)者越來越多。表1 列舉了一些代表性研究，可以發(fā)現(xiàn)，對(duì)單一信號(hào)而言，基于EEG 的睡眠分期效果最好，ECG 次之，EOG 和 EMG 更差一些。因此，本文以分期準(zhǔn)確率為重點(diǎn)，研究一種基于單通道EEG 特征提取的睡眠分期方法。

表1 睡眠分期國(guó)內(nèi)外代表性研究

傳統(tǒng)的睡眠EEG 特征提取方法主要有時(shí)域、頻域、非線性分析方法。時(shí)域分析是出現(xiàn)最早且最直觀的分析方法，頻域分析僅能發(fā)掘信號(hào)的頻域特征。這2 種分析方法對(duì)于EEG 這種非平穩(wěn)、非線性信號(hào)而言存在一定的局限性。非線性分析方法，如樣本熵、模糊熵、功率譜熵等適用于EEG 信號(hào)，但忽略了非高斯過程的某些有用信息，如相位信息。而高階譜分析就可以發(fā)現(xiàn)睡眠EEG 的相位耦合信息。本文將在傳統(tǒng)特征的基礎(chǔ)上提取EEG 雙譜特征、遞歸性特征和符號(hào)動(dòng)力學(xué)特征，有針對(duì)性地補(bǔ)充傳統(tǒng)特征未能表現(xiàn)的睡眠EEG 有用信息或改進(jìn)傳統(tǒng)特征的不足，組成一組信息表達(dá)較為全面的特征向量并使用分類器進(jìn)行睡眠自動(dòng)分期。

1 方法

本研究的技術(shù)路線如圖2 所示，首先獲取睡眠EEG 數(shù)據(jù)并進(jìn)行預(yù)處理，然后使用各種特征提取方法獲得EEG 樣本的特征參量，使用支持向量機(jī)（support vector machine，SVM）作睡眠時(shí)相分類，最后經(jīng)隱馬爾可夫模型（hidden Markov model，HMM）學(xué)習(xí)睡眠階段之間的過渡規(guī)則并對(duì)已分類得到的睡眠標(biāo)簽作修正，最終得到整夜睡眠分布及分期準(zhǔn)確率。下面將對(duì)各部分進(jìn)行具體介紹。

圖2 基于單通道EEG 進(jìn)行睡眠分期的技術(shù)路線圖

1.1 數(shù)據(jù)獲取和預(yù)處理

本文使用的睡眠EEG 數(shù)據(jù)來自于麻省理工學(xué)院（Massachusetts Institute of Technology，MIT）創(chuàng)建的睡眠生理信號(hào)開源數(shù)據(jù)庫(kù)（網(wǎng)址為https://physionet.org/physiobank/database/sleep-edfx/）[10]。隨機(jī)選取 10名受試者整夜睡眠實(shí)測(cè)數(shù)據(jù)，共10 組EEG 數(shù)據(jù)。其中6 組為健康志愿者的睡眠數(shù)據(jù)，另外4 組為有輕微失眠志愿者的睡眠數(shù)據(jù)。均使用Fpz-Cz 單導(dǎo)聯(lián)EEG 信號(hào)，受試者包括3 名男性和7 名女性，年齡21～65 歲。測(cè)試過程中未使用任何藥物進(jìn)行干擾。采樣頻率均為100 Hz。睡眠分期結(jié)果由專家進(jìn)行了人工標(biāo)注（以R&K 睡眠分期標(biāo)準(zhǔn)標(biāo)記），以專家標(biāo)注結(jié)果作為標(biāo)簽來測(cè)試本文提出方法的分期準(zhǔn)確性。定義30 s 的EEG 為一個(gè)樣本，本文所選取的10 名受試者睡眠樣本分布見表2。

表2 受試者睡眠樣本分布情況 單位：個(gè)

由于EEG 信號(hào)具有很強(qiáng)的變異性和隨機(jī)性，且易受到其他生理信號(hào)和外界環(huán)境的干擾，所以需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理以消除可能存在的噪聲干擾。本研究選用0.5～47 Hz 的FIR（finite impulse response）帶通濾波器對(duì)原始EEG 數(shù)據(jù)作去噪處理。

1.2 特征提取

本文提取了時(shí)域、頻域、雙譜、非線性特征共計(jì)48 個(gè)，詳見表3。下面將著重介紹本研究中使用到的部分特征。

表3 特征列表

1.2.1 頻域特征

使用自回歸（auto-regression，AR）參數(shù)模型法求得EEG 的功率譜密度分布函數(shù)，分別求取0.5～4 Hz（δ 波）、4～8 Hz（θ 波）、8～13 Hz（α 波）和 13～30 Hz（β波）4 個(gè)頻帶的功率以及0.5～30 Hz 頻率范圍的總功率（Ez）。以4 種特征波占總功率的比值作為其頻域的4 個(gè)特征。頻域能量特征被證實(shí)是應(yīng)用于睡眠分期的有效特征[7，11]。

將頻域的功率譜密度與香農(nóng)熵相結(jié)合，可得到功率譜熵。功率譜熵被發(fā)現(xiàn)對(duì)S2 期與SWS 期的區(qū)分有非常顯著的意義[12]。功率譜熵的計(jì)算公式為

式中，Pi為頻率值i 處的歸一化功率譜密度。

95%頻譜邊緣頻率（SEF95）是在功率譜密度分布函數(shù)的基礎(chǔ)上，計(jì)算95%曲線下面積的頻譜邊界頻率，指95%總功率譜處最高邊界的頻率。它將功率譜簡(jiǎn)化為單一的參數(shù)（即獨(dú)立的觀察指標(biāo)），能夠清楚地表示腦電圖功率與頻譜的移動(dòng)。麻醉過程中的SEF95 值反映EEG 信號(hào)從清醒時(shí)候的高頻波為主到麻醉后低頻波占優(yōu)勢(shì)的過程。而與麻醉深入過程類似，在睡眠由淺入深的過程中，SEF95 值也會(huì)隨著睡眠的加深而減小，REM 期又稍增大。圖3 為SC4112E0 受試者的982 個(gè)睡眠樣本6 個(gè)睡眠時(shí)相SEF95 值的平均值變化圖，其規(guī)律性明顯。說明SEF95 除可作為麻醉深度的指標(biāo)外，還可作為睡眠深度判別的依據(jù)之一。

圖3 SC4112E0 受試者睡眠6 期各期SEF95 平均值

1.2.2 雙譜特征

為補(bǔ)充傳統(tǒng)分析方法難以得到的EEG 信息或者改進(jìn)傳統(tǒng)特征的不足，本文引入了高階統(tǒng)計(jì)量。高階統(tǒng)計(jì)量是指階數(shù)大于二階的統(tǒng)計(jì)量，主要有高階矩、高階累積量和高階譜等[13]。高階統(tǒng)計(jì)量于傳統(tǒng)特征而言，其優(yōu)勢(shì)在于：（1）高階統(tǒng)計(jì)量可以展現(xiàn)EEG信號(hào)的相位耦合信息，而傳統(tǒng)特征僅能展現(xiàn)EEG信號(hào)的幅值信息。（2）高斯過程三階及以上累積量均為0，因此高階統(tǒng)計(jì)量可以有效抑制信號(hào)的背景高斯噪聲。

雙譜（即三階譜）是最常用、最簡(jiǎn)單的高階譜。雙譜是三階累積量的二維傅里葉變換，其公式表示如下：

式中，f1、f2為歸一化頻率；τ1、τ2為三階累積量 c3x的時(shí)延；ω1=2πf1，ω2=2πf2。雙譜值 B 反映的是（ω1，ω2）處的幅值相位耦合能量。本文將在雙譜值B 的基礎(chǔ)上，進(jìn)一步研究用于睡眠分期的定量特征。

（1）快慢同步比。

快慢同步比是應(yīng)用于麻醉深度檢測(cè)的EEG 雙頻指數(shù)（bispectral index，BIS）的子參數(shù)，能夠定量反映不同頻帶信號(hào)相位耦合的程度[14]。在BIS 指數(shù)中，快慢同步比的定義為

式中，B0.5～47代表 EEG 整個(gè)頻域 0.5～47 Hz 的雙譜值之和；B40～47代表高頻區(qū)域 40～47 Hz 的雙譜值之和。兩者之比取對(duì)數(shù)作為反映雙譜分析中相位耦合信息的指標(biāo)——快慢同步比。

基于前期的研究，定義用于睡眠分期的最優(yōu)快慢同步比公式如下[15]：

式中，B0.5～40代表 EEG 頻域 0.5～40 Hz 的雙譜值之和，B10～40代表高頻區(qū)域 10～40 Hz 的雙譜值之和。

（2）雙譜熵。

與功率譜熵類似，將香農(nóng)熵應(yīng)用到雙譜域可得雙譜熵[16]。雙譜熵反映包含有相位耦合信息的雙譜值的非線性特性，其計(jì)算步驟如下：

①計(jì)算求得EEG 信號(hào)的雙譜值Bx（k1，k2）；

②計(jì)算各點(diǎn)雙譜值占整個(gè)雙譜域雙譜值總和的概率：

③求出雙譜熵：

（3）快慢同步熵比。

基于雙譜熵的計(jì)算方法，結(jié)合快慢同步比的定義，可定義快慢同步熵比，公式如下：

式中，H0.5～40表示在 0.5～40 Hz 頻帶內(nèi)的雙譜熵，H10～40表示在10～40 Hz 頻帶內(nèi)的雙譜熵?？炻届乇确从? 個(gè)雙譜作用域的雙譜熵的比值。

1.2.3 符號(hào)動(dòng)力學(xué)與熵

研究表明，對(duì)比時(shí)域、頻域和時(shí)頻分析方法，采用非線性方法對(duì)非平穩(wěn)EEG 信號(hào)作睡眠分期的效果最優(yōu)[17]。而熵運(yùn)算在非線性分析中占有重要地位。目前，以樣本熵、模糊熵、多尺度熵為特征作睡眠時(shí)相劃分是使用較普遍的一種方法。大量研究證明，這些熵對(duì)睡眠分期效果顯著[18-20]。3 種特征具體的計(jì)算流程本文不再詳述[7，20]。但傳統(tǒng)熵存在其不足之處，主要包括：（1）傳統(tǒng)熵值易受非平穩(wěn)突變干擾的影響；（2）傳統(tǒng)熵受序列概率分布的影響，從而導(dǎo)致其并非單純反映序列的信息增長(zhǎng)率。為了改進(jìn)這些不足，本文使用了將符號(hào)動(dòng)力學(xué)與熵運(yùn)算相結(jié)合的生物電研究方法。具體步驟：首先，定義符號(hào)，對(duì)生物電信號(hào)進(jìn)行符號(hào)粗?；?；其次，定義維數(shù)m 和時(shí)延τ，得到短符號(hào)序列[21]；最后，對(duì)短符號(hào)序列作不同的熵運(yùn)算，可得符號(hào)化熵。符號(hào)化就是利用有限的符號(hào)實(shí)現(xiàn)數(shù)據(jù)的離散化。定義短符號(hào)序列的過程就是進(jìn)行相空間重構(gòu)，相空間重構(gòu)后的字包含有相鄰時(shí)間采樣點(diǎn)的動(dòng)態(tài)信息。因此，使用符號(hào)化熵作為睡眠分期的有效非線性特征以達(dá)到對(duì)生物電信號(hào)特征的有效提取和分析，本文中提取的符號(hào)化熵包括以下2 種：

（1）符號(hào)序列熵（F41）。

符號(hào)化序列求香農(nóng)熵可得符號(hào)序列熵[22]。將原始時(shí)間序列符號(hào)化，得到符號(hào)序列Y，定義短符號(hào)字長(zhǎng)（即維數(shù)m）為2、時(shí)延τ 為1 對(duì)符號(hào)序列進(jìn)行相空間重構(gòu)，得到符號(hào)嵌入矢量。對(duì)符號(hào)嵌入矢量中的所有短符號(hào)序列求熵即可得到符號(hào)序列熵。

（2）符號(hào)序列樣本熵（F42）。

將原始時(shí)間序列符號(hào)化和相空間重構(gòu)后得到的短符號(hào)序列求樣本熵可得到符號(hào)序列樣本熵。它與樣本熵的計(jì)算相似，不同之處在于將樣本熵中“嵌入矢量相似”的判斷轉(zhuǎn)化為“符號(hào)嵌入矢量相等”的判斷[23]。

2 種符號(hào)化熵的計(jì)算流程圖如圖4 所示。

圖4 2 種符號(hào)熵計(jì)算流程圖

符號(hào)的定義可以有各種不同的方法，本文使用如下函數(shù)進(jìn)行符號(hào)定義：

式中，xi為 EEG 序列 X 中的元素；yi為得到的符號(hào)序列Y 中的元素；μ1為原始序列X 中大于等于0 的取樣信號(hào)的平均值；μ2為序列X 中小于0 的取樣信號(hào)的平均值；a 是一個(gè)特殊的參數(shù)，其值過大會(huì)丟失原始數(shù)據(jù)的詳細(xì)信息，過小會(huì)造成時(shí)間序列受噪聲影響明顯，通常情況下取a=0.05[24]。圖5 為2 名受試者睡眠6 期符號(hào)序列樣本熵均值圖及組間統(tǒng)計(jì)學(xué)分析結(jié)果，可以發(fā)現(xiàn)，隨著睡眠的加深，符號(hào)序列樣本熵逐漸減小，S4 期達(dá)到最小，到REM 期又有大幅增加。對(duì)該特征做統(tǒng)計(jì)學(xué)分析，發(fā)現(xiàn)僅標(biāo)注出的組間符號(hào)序列樣本熵，無顯著統(tǒng)計(jì)學(xué)差異（P＞0.05），其他各組間均有顯著統(tǒng)計(jì)學(xué)差異。

圖5 2 名受試者睡眠6 期符號(hào)序列樣本熵均值圖

1.2.4 遞歸定量分析

遞歸性表述的是系統(tǒng)在特定時(shí)間狀態(tài)具有相似性，是動(dòng)態(tài)系統(tǒng)和非線性系統(tǒng)的基本特性之一。動(dòng)力學(xué)系統(tǒng)可以用向量集表示，當(dāng)動(dòng)力學(xué)系統(tǒng)中的某2個(gè)特定時(shí)刻的向量之間的歐氏距離小于一定數(shù)值時(shí)，定義為遞歸。1987 年，Eckmann 等[25]第一次提出遞歸圖（recurrence plot，RP）分析方法。若2 個(gè)時(shí)刻遞歸，定義為Ri，j=1，在遞歸圖中表現(xiàn)為黑色；若2 個(gè)時(shí)刻非遞歸，定義為 Ri，j=0，在遞歸圖上表示為白色。1994 年，Webber 等[26]首次提出用遞歸定量分析（recurrence quantification analysis，RQA）方法對(duì)遞歸圖中的遞歸點(diǎn)和規(guī)則線段所占的比例進(jìn)行定量分析。RQA 的主要量化參數(shù)有遞歸率（RR）、確定性測(cè)度（DET）、平均對(duì)角線長(zhǎng)度（DLL）、遞歸熵（ENTR）、層狀度（LAM）、捕獲時(shí)間（TT）等。

在不同的睡眠時(shí)相，EEG 信號(hào)的遞歸特性不同，且呈現(xiàn)有規(guī)律的變化。圖6 為隨機(jī)選取的不同睡眠時(shí)相的30 s EEG 樣本各12 個(gè)計(jì)算得到的6 個(gè)遞歸定量特征變化規(guī)律圖?？梢园l(fā)現(xiàn)，由W 期到NREM 期，隨著睡眠的不斷加深，EEG 信號(hào)遞歸性增強(qiáng)，混沌性變?nèi)?，隨機(jī)性減小，6 個(gè)定量特征值均逐漸增大，到S4期達(dá)到最大。在REM 期EEG 信號(hào)遞歸性減弱，6 個(gè)定量特征值又減小。本文使用RR、DET、DLL、ENTR、LAM、TT 這 6 種遞歸定量特征（F43～F48）作為睡眠自動(dòng)分期的特征值。

1.3 SVM

本文選擇臺(tái)灣的林智仁教授在2001 年開發(fā)的一套成熟、使用非常普遍的SVM 庫(kù)——Libsvm 工具包，采用徑向基核函數(shù)進(jìn)行非線性分類，同時(shí)使用網(wǎng)格搜索方法選取需要設(shè)置的2 個(gè)子參數(shù)c 和g，作多元分類。

使用Libsvm 工具包進(jìn)行分類的步驟如下：

（1）按照Libsvm 工具包要求的格式準(zhǔn)備數(shù)據(jù)集，要求格式為：＜label＞＜index1＞:＜value1＞＜index2＞:＜value2＞＜index3＞:＜value3＞……

（2）對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理。對(duì)數(shù)據(jù)集進(jìn)行簡(jiǎn)單的縮放處理?？s放的主要目的為：①避免一些特征值范圍過大而另一些特征值范圍過??；②避免計(jì)算過程過于復(fù)雜。本文使用Z-score 標(biāo)準(zhǔn)化方法（又叫零-均值規(guī)范化、標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化）處理數(shù)據(jù)，經(jīng)過處理的數(shù)據(jù)的均值為0，標(biāo)準(zhǔn)差為1。Z-score 標(biāo)準(zhǔn)化的公式如下：

（3）應(yīng)用徑向基核函數(shù)（RBF 核函數(shù)）將輸入樣本映射到高維特征空間，解決在低維空間中線性不可分的問題。

（4）選擇得到最優(yōu)的c 和g。c 為懲罰因子，表示對(duì)類中離群樣本的重視程度，c 值越大說明越重視離群樣本；g 為核函數(shù)參數(shù)。c 和g 的選擇對(duì)分類精度影響很大，在本研究中，使用SVMcgForClass 函數(shù)完成c 和g 的選擇。

（5）用得到的最優(yōu)c 和g 訓(xùn)練分類模型。使用Libsvm 工具包中的svmtrain 函數(shù)訓(xùn)練多分類模型。

圖6 睡眠6 期EEG 數(shù)據(jù)6 種遞歸定量特征均值變化圖

（6）利用獲得的模型進(jìn)行測(cè)試。使用Libsvm 工具包中的svmpredict 函數(shù)測(cè)試分類的準(zhǔn)確度。

1.4 隱馬爾可夫模型

睡眠各階段之間的過渡模式不是隨機(jī)的和沒有聯(lián)系的，而是遵循一定的規(guī)則，如：從清醒狀態(tài)不可能直接進(jìn)入深度睡眠期。HMM 模型就是為了學(xué)習(xí)睡眠階段的轉(zhuǎn)換規(guī)則，減少分類產(chǎn)生的誤差，提高睡眠分期的準(zhǔn)確性。

本文中HMM 模型的具體表達(dá)如下：

（1）隱含狀態(tài)C：受試者5、受試者10 的專家人工標(biāo)注的R&K 標(biāo)準(zhǔn)睡眠分期標(biāo)簽，C={W，REM，S1，S2，S3，S4}。

（2）可觀測(cè)狀態(tài) O：將表 2 中受試者 1～4、6～9 作為訓(xùn)練模型，分類得到的受試者5、受試者10 的睡眠 6 期分期標(biāo)簽，O={W，REM，S1，S2，S3，S4}。

（3）隱含狀態(tài)概率轉(zhuǎn)移矩陣A（Transmit_matix）：隱含狀態(tài)的6 種睡眠時(shí)相間相互轉(zhuǎn)變的概率矩陣。

（4）發(fā)射矩陣 B（Emission_matix）：即可觀測(cè)狀態(tài)轉(zhuǎn)移矩陣，為可觀測(cè)狀態(tài)6 種睡眠時(shí)相間相互轉(zhuǎn)變的概率矩陣。

基于HMM 模型作睡眠分期修正的流程如圖7所示。

2 結(jié)果

將10 名受試者共計(jì)10 925 個(gè)睡眠樣本整合在一起，總樣本睡眠各期分布見表2。由于樣本數(shù)據(jù)較多，使用90%的樣本作為訓(xùn)練集進(jìn)行SVM 分類模型的訓(xùn)練，另外10%作為測(cè)試集。睡眠6 期分類的測(cè)試準(zhǔn)確率達(dá)85.06%。具體睡眠各期的分類結(jié)果見表4。

從表 4 中可以看出，W 期、S2 期、S4 期和 REM期分期準(zhǔn)確率相對(duì)較高，分別為97.97%、91.68%、85.17%和82.50%。分期效果較差的是S1 期和S3 期，準(zhǔn)確率僅為41.27%和60.42%，測(cè)試集總體的睡眠分期準(zhǔn)確率達(dá)85.06%。在分期準(zhǔn)確率較低的S1 期和S3 期中，S1 期有 25.40%的樣本誤分為 REM 期，有17.46%的樣本誤分為W 期；S3 期有27.08%的樣本誤分為S2 期，有7.29%的樣本誤分為S4 期。本文使用十折交叉驗(yàn)證提高結(jié)果的可靠性，十折交叉驗(yàn)證的平均準(zhǔn)確率為83.68%。為使受試者睡眠分期結(jié)果更符合實(shí)際且改善個(gè)別睡眠時(shí)相分期結(jié)果較差的情況，本研究中增加了HMM 模型，構(gòu)造了SVM-HMM睡眠自動(dòng)分期模型提高睡眠分期的準(zhǔn)確率。

圖7 睡眠分期修正HMM 模型流程圖

表4 10 925 個(gè)樣本數(shù)據(jù)睡眠6 期測(cè)試結(jié)果（分類準(zhǔn)確率）單位：%

將表2 中10 名受試者共計(jì)10 925 個(gè)睡眠樣本作為訓(xùn)練集進(jìn)行SVM 分類模型的訓(xùn)練，得出訓(xùn)練模型用于全新受試者ST7052J0 的整夜睡眠樣本的睡眠時(shí)相分類，準(zhǔn)確率為79.16%。再增加隱馬爾可夫模型作睡眠分布修正后，得到睡眠6 期分期準(zhǔn)確率為87.34%。睡眠分期結(jié)果如圖8 所示?？梢园l(fā)現(xiàn)：（1）HMM 模型學(xué)習(xí)了睡眠階段之間的轉(zhuǎn)換規(guī)則，使分期結(jié)果較只使用SVM 分類器得到的分期結(jié)果更接近人的實(shí)際睡眠分布，能清晰地將睡眠時(shí)相的轉(zhuǎn)換表達(dá)出來。（2）專家標(biāo)注睡眠分布與經(jīng)HMM 模型修正后的該受試者的睡眠分布一致性高。

圖8 ST7052J0 受試者睡眠實(shí)際分布與分類結(jié)果分布圖

表5 給出了使用SVM-HMM 睡眠自動(dòng)分期模型ST7052J0 受試者的睡眠分期結(jié)果。由表5 可以看出，該睡眠分期模型對(duì)于S2 期、S4期與REM 期的分期準(zhǔn)確率分別為89.90%、99.21%和94.25%，準(zhǔn)確率較高。對(duì)比表4 中睡眠分期的測(cè)試結(jié)果，S1 期和S3 期的分期準(zhǔn)確率有了明顯的提升，S1 期的分期準(zhǔn)確率達(dá)到78.51%。說明HMM 模型的應(yīng)用大大提高了睡眠分期的準(zhǔn)確率，改進(jìn)了部分睡眠時(shí)相分期結(jié)果較差的不足。在眾多相關(guān)研究中，該模型對(duì)全新受試者睡眠6 期的分期準(zhǔn)確率較高，說明該方法泛化能力較強(qiáng)，可以用于全新受試者的睡眠分期，具有潛在的臨床價(jià)值?；诒疚奶岢龅腟VM-HMM 睡眠自動(dòng)分期方法得到的T7052J0 受試者的睡眠6 期分期準(zhǔn)確率達(dá)87.34%。

表5 ST7052J0 受試者睡眠6 期分類結(jié)果（預(yù)測(cè)準(zhǔn)確率） 單位：%

3 結(jié)論與討論

本文將研究的重點(diǎn)放在睡眠分期的特征提取及分期修正上，構(gòu)造了一個(gè)基于EEG 信號(hào)特征提取的睡眠自動(dòng)分期模型（SVM-HMM 模型）。在特征提取方面，創(chuàng)新性定義了應(yīng)用于睡眠分期的雙譜域快慢同步比、快慢同步熵比等雙譜特征。將EEG 的95%邊緣頻率、遞歸定量分析特征、符號(hào)動(dòng)力學(xué)與熵結(jié)合的特征（如符號(hào)序列樣本熵、符號(hào)序列熵）用于睡眠分期。在傳統(tǒng)特征的基礎(chǔ)上，新增了EEG相位耦合特征、遞歸性特征和符號(hào)熵特征用于睡眠分期，并用樣本數(shù)據(jù)證明了以上特征應(yīng)用于睡眠分期的有效性?？紤]睡眠分期的實(shí)際應(yīng)用場(chǎng)景，將SVM-HMM 睡眠自動(dòng)分期模型用于新的受試者ST7052J0 的整夜睡眠分期，睡眠分期結(jié)果與實(shí)際睡眠分布基本一致，睡眠6 期分期準(zhǔn)確率為87.34%。實(shí)驗(yàn)結(jié)果證實(shí)了本文所提出的EEG 自動(dòng)睡眠分期方法的可行性和有效性，且定義了幾種可應(yīng)用于睡眠分期的有效EEG 特征。

本研究避免了大量睡眠分期研究中數(shù)據(jù)樣本量較小、不作交叉驗(yàn)證及局限于單一受試者樣本進(jìn)行訓(xùn)練并測(cè)試等問題。在樣本量較大，使用十折交叉驗(yàn)證的情況下，所得模型可靠性較高。本文方法采用10名受試者的數(shù)據(jù)全部作為訓(xùn)練，1 名受試者數(shù)據(jù)全部做測(cè)試，測(cè)試結(jié)果與專家人工標(biāo)注結(jié)果的一致性較高，說明該方法泛化能力較強(qiáng)，具有一定的臨床價(jià)值，為自動(dòng)睡眠分期應(yīng)用于臨床提供了更廣的思路。