基于頻域分析與統(tǒng)計計算的自動睡眠分期研究

陳濤

（佛山職業(yè)技術(shù)學院，廣州佛山，528000）

0 引言

睡眠是一項非常重要的生理活動。人類有1/3 的時間是在睡眠中度過。睡眠質(zhì)量與身心健康有著密切的關(guān)聯(lián)。好的睡眠質(zhì)量有助于放松大腦，緩解疲勞，促進健康；反之則容易造成倦怠乏力，注意力不集中，嚴重者可引發(fā)焦躁、抑郁等疾病，損害身心健康[1]。研究表明，睡眠質(zhì)量的改善可以通過在特定的睡眠時期施加適當?shù)耐饨绺深A實現(xiàn)[2-3]。因此，正確識別睡眠時期具有重要的意義。

依照Rechtschaffe 和Kales（簡稱R&K）分期準則，睡眠過程分為清醒期（Wakefulness,W）、非快速眼動期（Non-Rapid Eye Movement，NREM）和快速眼動期（Rapid Eye Movement，REM）[4]。其中，NREM 期可具體劃分為非快速眼動1 期（N1），非快速眼動2 期（N2），非快速眼動3 期（N3）和非快速眼動4 期（N4）。2007 年，美國睡眠醫(yī)學會（AASM）對R&K 睡眠分期準則進行修訂，將N1 期和N2 期整合為淺睡期（Light Sleep，LS）,N3 期和N4 期整合為深睡期（Slow Wave Sleep，SWS）[5]。本文遵照AASM 的睡眠分期標準。睡眠分期結(jié)構(gòu)圖如圖1 所示。

圖1 睡眠分期結(jié)構(gòu)圖

傳統(tǒng)的睡眠分期依靠睡眠專家標定實現(xiàn)。健康成年人整晚的睡眠時間為7～8h，相應的標定工作需要2～4 h，耗時久，工作量大，而且不同睡眠專家的判讀結(jié)果常存在出入，無法保證一致性。因此，發(fā)展自動睡眠分期算法具有重要的意義。

現(xiàn)階段，睡眠分期研究已經(jīng)取得了一定的進展。Liang等[6]研究20 位受試者的睡眠腦電（Elect roencephalogram，EEG）信號,提取多尺度熵（Multiscale Entropy）、自回歸模型（Autoregressive Model）作為特征，使用線性判別分類器（Linear Discriminant Analysis）對睡眠階段5 分類，準確率76.91%；Rodriguez 等[7]研究39 位受試者的睡眠EEG 信號，提取分形維數(shù)(Fractal Dimension，F(xiàn)D)、去趨勢流動分析(Detrended Fluctuation Analysi，DFA)、香農(nóng)熵(Shannon entropy，H)、近似熵(Approximate entrop，ApEn)、樣本熵(Sample Entrop，SampEn)以及多尺度熵(Multiscale Entropy,MSE)等特征，基于K-均值聚類算法對睡眠階段5 分類，準確率76.8%；Liang 等[8]研究4 位受試者的睡眠EEG 信號，提取功率譜（Power Spectrum），功率比（Power Ratio），譜頻率（Spectral Frequency）和時間比率（Duration Ratio）作為特征，使用帶有平滑規(guī)則的決策樹（Decision Tree）分類器對睡眠階段5 分類,準確率77.98%；Fraiwan[9]等研究16 位受試者的睡眠EEG 信號，應用Choi-Williams 分布提取Delta、Theta、Alpha 等節(jié)律波的能量譜特征，結(jié)合隨機森林分類器對睡眠階段5 分類，準確率78%；Flexer[10]等研究40 位受試者的睡眠EEG 信號，利用隱馬爾科夫模型(Hidden Markov Model，HMM)對睡眠階段3 分類，準確率接近80%。

本文提出了基于頻域分析與統(tǒng)計計算的自動睡眠分期算法。應用小波變換對原始腦電信號進行去噪，傅里葉變換提取頻譜特征，統(tǒng)計分析提取均值等特征，運用支持向量機（Support Vector Machine,SVM）對復合特征進行分類識別，達到了快速準確的分期效果。

1 算法描述

■1.1 實驗數(shù)據(jù)獲取

本文的睡眠腦電（Electroencephalogram，EEG）信號數(shù)據(jù)來自美國麻省理工大學BIH 生理信息庫中的Sleep-EDF 數(shù)據(jù)庫[11]。選擇10 位健康成年人作為研究對象，年齡21 ? 35歲，無病史。睡眠腦電數(shù)據(jù)統(tǒng)一標識格式為SC4ssnE0，其中ss 對應對象標號（0 ≤ ss ≤ 82）；n對應記錄的夜晚標號（1 或2）。數(shù)據(jù)采樣頻率100Hz，波幅單位μV，記錄時長20h，參考導聯(lián)Fpz?Cz、Pz?Oz。睡眠分期結(jié)果已由專家人工標注。

■1.2 特征提取及分類

1.2.1 EEG 信號預處理

由于睡眠EEG 信號極其微弱，容易受到眼電（Electrooculogram,EOG）、肌電（Electromyogram,EMG）等噪聲信號的干擾，因此需要對原始的EEG 信號進行去噪預處理。小波變換是在傅里葉變換的基礎(chǔ)上發(fā)展起來的一種時頻域分析方法，在處理非平穩(wěn)信號方面，具有良好的時頻特性，廣泛應用于腦電信號的處理[12,13]。

通過實驗對比，當使用db4 小波基，分解層數(shù)為7，依據(jù)無偏風險閾值估計準則（Rigrsure regulation）篩選小波系數(shù)時，EEG 信號的高頻和低頻信息保留最為完整，去噪效果最理想。圖2 是依據(jù)上述方法對30 s EEG 信號去噪后的結(jié)果。

圖2 原始EEG 信號和降噪后EEG 信號波形圖

1.2.2 頻譜特征提取

頻譜能量特征是EEG 信號中的重要特征參數(shù)。小波變換，傅里葉變換、Hilbert-Huang 變換，Wingner-Ville 分布以及Choi-Williams 分布等都是典型的EEG 信號頻譜能量分析方法。本文以傅里葉變換為基礎(chǔ)，提取睡眠EEG 信號能量特征[14]。

(1)頻譜中心值（Spectral centroid,Sc）

(2)頻譜寬度值（Spectral width,Sw）

(3)頻譜不對稱值（Spectral asymmetry,Sa）

(4)頻譜平坦度值（Spectral flatness,Sk）

(5)頻譜平坦度值（Spectrum flatness,SF）

(6)頻譜斜率（Spectral slop,Ss）

(7)頻譜衰減率（Spectral decrease,Sd）

ak代表信號做傅里葉變換后，的頻率值對應的頻譜幅值。

1.2.3 統(tǒng)計分析特征提取

研究表明睡眠EEG 信號是一種時變的、有源的、非平穩(wěn)的復雜的非線性動力學信號，可以結(jié)合統(tǒng)計分析方法，提取均值、方差以及信號的高階矩等統(tǒng)計特征[15]，反映睡眠的變化過程，實現(xiàn)睡眠分期。

(1)原始信號平均值

(2)原始信號標準差

（3）原始信號一階導數(shù)絕對值的平均值

（4）標準化后信號一階導數(shù)絕對值的平均值

（5）原始信號二階導數(shù)絕對值的平均值

（6）標準化后信號二階導數(shù)絕對值的平均值

其中，x(n),n=1,…,N代表具有N 個數(shù)據(jù)點的去噪后的睡眠EEG 信號。

1.2.4 支持向量機分類

支持向量機(Support Vector Machine,SVM)是一種線性判別分類器，通過找到最優(yōu)超平面，實現(xiàn)樣本的正確分類，同時滿足樣本間的分類間隔達到最大，在腦電信號處理領(lǐng)域得到了廣泛的應用[16,17]。

本文選用線性核函數(shù)構(gòu)造分類器，n 倍交叉驗證法計算分類準確率。首先將所有的樣本進行n 等分，以其中的1份樣本作為測試數(shù)據(jù)集，利用其余的n-1 份樣本訓練得到的分類器對其進行測試，得到單次實驗的準確率。順次抽取測試數(shù)據(jù)集，得到n 個準確率。對準確率求平均，以平均值作為交叉驗證準確率。同時，為進一步提高準確率的可信度，上述過程可重復k 輪進行。以k 輪的均值準確率作為最終結(jié)果。算法過程如圖3 所示。

圖3 k 輪n 倍交叉驗證法示意圖

2 實驗結(jié)果與分析

■ 2.1 睡眠分期結(jié)果

本文分別利用Sleep-EDF數(shù)據(jù)庫中的Fpz?Cz、Pz?Oz 通道的睡眠EEG 信號進行實驗。前者，平均準確率達到86.82%，卡帕系數(shù)0.83；后者，平均準確率達到86.01%，卡帕系數(shù)0.81。就單個睡眠時期分類準確率而言，兩個實驗中，清醒期和深睡期的分類準確率都超過90%。實驗結(jié)果驗證了本文算法的有效性和可靠性。

表1 Fpz ?Cz通道準確率與卡帕系數(shù)

表2 Pz ?Oz通道準確率與卡帕系數(shù)

■2.2 睡眠分期方法比較

將本文算法同文獻[18-21]中的算法進行比較，結(jié)果如表3 所示。由表3 可見，與文獻[18-21]中的算法相比，本文算法的準確率更高，算法結(jié)構(gòu)也更為簡單。

表3 不同算法的分類準確率比較

3 結(jié)語

本文提出了一種基于頻譜能量值與統(tǒng)計分析的自動睡眠分期算法。使用db4 小波對EEG 信號去噪，傅里葉變換提取頻譜能量值特征，統(tǒng)計分析提取均值等特征，支持向量機分類，準確率達到86.82%，驗證了本文算法對睡眠分期的可行性和有效性。

本文的研究只是基于EEG。在今后的研究中，還應將其他的生物電信號引入睡眠分期的研究中，如EOG、EMG，進一步提升算法的分類準確率。