基于 ECG 信號(hào)和體動(dòng)信號(hào)的睡眠分期方法研究

劉眾 王新安 李秋平 趙天夏

1. 北京大學(xué)深圳研究生院集成微系統(tǒng)科學(xué)與工程應(yīng)用實(shí)驗(yàn)室, 深圳 518055; 2. 北京大學(xué)信息科學(xué)技術(shù)學(xué)院,北京 100871; ? 通信作者, E-mail: anxinwang@pku.edu.cn

睡眠是人類日常基本行為之一, 睡眠質(zhì)量的好壞是判斷人體健康狀況的重要指標(biāo)。睡眠不佳容易引起日常生活規(guī)律紊亂, 甚至可能帶來(lái)疾病的困擾[1]。醫(yī)院通常采用多導(dǎo)睡眠儀[2–3]檢測(cè)睡眠質(zhì)量,被檢測(cè)人員的頭部、胸部和手腳等區(qū)域需要貼滿電極, 記錄腦電信號(hào)、眼動(dòng)信號(hào)和肌電信號(hào)等, 操作復(fù)雜, 人工成本高, 并且嚴(yán)重影響被檢測(cè)人員的正常睡眠。實(shí)際上, 大部分情況下, 人們只希望了解大致的睡眠狀況。因此, 需要一種既方便, 準(zhǔn)確率又高的方法判斷睡眠狀態(tài)。

通過分析 ECG (Electrocardiogram)信號(hào), 能夠獲得睡眠過程中心率變異性的變化情況。心率變異性(heart rate variability, HRV)與人體的自主神經(jīng)活動(dòng)關(guān)聯(lián)比較緊密, 其高頻段(HF)通常反映副交感神經(jīng)的活性, 低頻段(LF)同時(shí)受交感神經(jīng)與副交感神經(jīng)系統(tǒng)的調(diào)控[4–5]。在睡眠過程中, 交感神經(jīng)平靜下來(lái), 副交感神經(jīng)變得活躍。因此, 心率變異性能夠較好地呈現(xiàn)類似腦電波的周期性變化[6]。Yilmaz等[7]通過提取 ECG 信號(hào)特征, 采用貝葉斯分類器,獲得較好的分類結(jié)果, 但對(duì)清醒狀態(tài)的識(shí)別準(zhǔn)確率偏低。

除副交感神經(jīng)表現(xiàn)活躍外, 人類睡眠過程中的體動(dòng)狀況此覺醒期少得多, 尤其是周期性腿動(dòng)信號(hào)和翻身信號(hào)的差異比較顯著[8]。在不同的睡眠階段,周期性腿動(dòng)的特征有明顯差異, 其相對(duì)頻率、持續(xù)時(shí)間和引起覺醒的效應(yīng)都隨睡眠逐漸加深而下降,而腿動(dòng)的間隔時(shí)間增加?？焖傺蹌?dòng)期的腿動(dòng)持續(xù)時(shí)間最短, 間隔時(shí)間最長(zhǎng)[9–10]。因此, 利用體動(dòng)特征可以研究人的睡眠和覺醒情況。de Chazal 等[11]通過提取體動(dòng)信號(hào)特征, 采用經(jīng)驗(yàn)判斷, 能較好地區(qū)分清醒和睡眠狀態(tài), 但對(duì)睡眠狀態(tài)各階段的區(qū)分較為模糊。

本文采用多導(dǎo)睡眠儀和體動(dòng)記錄儀, 分別記錄ECG 信號(hào)和體動(dòng)信號(hào)。通過提取相應(yīng)的特征信號(hào),判斷睡眠的階段。由于需要實(shí)現(xiàn)便攜式睡眠質(zhì)量診斷, 而 BP 神經(jīng)網(wǎng)絡(luò)計(jì)算量小, 可行性高, 魯棒性強(qiáng)[12], 因此本文使用改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò)算法, 進(jìn)行全自動(dòng)睡眠分期識(shí)別。利用實(shí)驗(yàn)獲取的睡眠分期標(biāo)簽, 設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)算法。根據(jù)睡眠過程中心電信號(hào), 和體動(dòng)信號(hào)提取 HRV 和體動(dòng)特征值, 結(jié)合遺傳算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。最后, 用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)睡眠進(jìn)行分期, 與實(shí)際檢測(cè)結(jié)果進(jìn)行比較。

1 特征參數(shù)和模式識(shí)別

1.1 特征參數(shù)

ECG 信號(hào)記錄心臟每一次心動(dòng)周期產(chǎn)生的電活動(dòng)變化圖形, 每一段心電圖波段具有相應(yīng)的心電活動(dòng)意義, P 波代表心房除極, PR 間期代表房室傳導(dǎo)時(shí)間, QRS 波群代表心室除極, ST 段代表心室除極完成, T 波代表心室復(fù)極化, QT 間期代表心室除極到完全復(fù)極的時(shí)間[13]。

除心臟本身節(jié)律性放電引發(fā)的跳動(dòng)外, 心跳也受自律神經(jīng)系統(tǒng)調(diào)控。Lotti[14]的研究結(jié)果表明, 自律神經(jīng)系統(tǒng)的調(diào)控與心血管疾病(如心因性猝死、高血壓、出血性休克和敗血性休克等)相關(guān)的死亡率有顯著的關(guān)系。

心率變異性代表逐次心跳搏動(dòng)間期之間的微小變異特性, 可以作為預(yù)測(cè)心肌梗塞的重要指標(biāo)[15]。通常將心率變異性的頻域特征劃分為 3 個(gè)部分: 超低頻 VLF (<0.04 Hz)、低頻段LF (0.04～0.15 Hz)和高頻段 HF (0.15～0.4 Hz)。每個(gè)頻段都具有相應(yīng)的生理意義, 尤其是低頻段 LF 和高頻段 HF。低頻段LF 同時(shí)反映交感神經(jīng)和副交感神經(jīng)的活躍程度,高頻段 HF 主要反映副交感神經(jīng)的活躍程度[16]。白天人體活動(dòng)時(shí)交感神經(jīng)活躍, 晚上睡覺時(shí)副交感神經(jīng)活躍。高頻段 HF 和低頻段 LF 在一定程度上可以反映睡眠狀況。

本文采用多導(dǎo)睡眠儀(S2000, 采樣頻率為 200 Hz)記錄被試睡眠期間的 ECG 信號(hào), 然后對(duì)其進(jìn)行去除噪聲處理。圖 1 為 PSG 記錄的心電信號(hào)數(shù)據(jù)。采用 MATLAB 軟件對(duì)心電信號(hào)進(jìn)行計(jì)算, 獲得HRV 頻域特征。通過離散傅里葉變換, 將心跳間隔的時(shí)間序列轉(zhuǎn)換為頻域, 獲得頻譜分布圖, 進(jìn)而得到高頻段特征 HF、低頻段特征 LF 以及二者的比值(LF/HF)。

圖1 ECG 信號(hào)波形Fig. 1 ECG signal waveform

本文采用體動(dòng)記錄儀 ActiGraph GT3X+記錄實(shí)驗(yàn)人員的體動(dòng)數(shù)值(圖 2), 然后對(duì)數(shù)據(jù)進(jìn)行去除噪聲處理。

圖2 體動(dòng)信號(hào)變化Fig. 2 Body movement signal variation diagram

1.2 模式識(shí)別

神經(jīng)網(wǎng)絡(luò)模型是一種抽象的, 參考人腦結(jié)構(gòu)的數(shù)學(xué)模型, 從現(xiàn)代神經(jīng)科學(xué)中產(chǎn)生并發(fā)展起來(lái)。神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用非常廣泛, 可以應(yīng)用在規(guī)律比較復(fù)雜的分類與預(yù)測(cè)問題中。BP 神經(jīng)網(wǎng)絡(luò)是其中一種比較成熟的使用廣泛的模型[17]。BP 神經(jīng)網(wǎng)絡(luò)模型通常由輸入層、隱含層和輸出層組成, 可以完成任意n維到m維的映射, 進(jìn)而實(shí)現(xiàn)復(fù)雜繁瑣的識(shí)別與分類功能。

BP 神經(jīng)網(wǎng)絡(luò)模型能夠?qū)⒕哂胁煌卣鞯臉颖痉诸惓深A(yù)先標(biāo)定的類別。為了提升模型的準(zhǔn)確度,通常需要將樣本劃分為訓(xùn)練集和驗(yàn)證集。通過輸入訓(xùn)練集, 讓 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí), 根據(jù)輸出結(jié)果與期望值的差異, 反向傳播調(diào)整網(wǎng)絡(luò)的權(quán)重值, 進(jìn)而對(duì) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行新一輪訓(xùn)練, 直到訓(xùn)練結(jié)果達(dá)到預(yù)先誤差范圍內(nèi)或到預(yù)先設(shè)定的重復(fù)學(xué)習(xí)次數(shù)[18]。最終, 可以得到一個(gè)成熟的神經(jīng)網(wǎng)絡(luò)模型,通過驗(yàn)證集來(lái)判斷模型的好壞以及是否需要進(jìn)一步調(diào)整。

設(shè)每一個(gè)樣本為p, 樣本誤差準(zhǔn)則函數(shù)Ep[19]為

那么, 系統(tǒng)的總誤差準(zhǔn)則函數(shù)E[19]為

在 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中, 反向傳播是關(guān)鍵的一步。根據(jù)輸出層的輸出結(jié)果與預(yù)期值的差異,反向逐層計(jì)算每一層神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的輸出誤差, 再根據(jù)梯度下降法, 計(jì)算每一層新的權(quán)重值和閾值。然后, 根據(jù)新的權(quán)重值和閾值, 重新計(jì)算新一輪的輸出值, 實(shí)現(xiàn)更新后的神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果與期望值更加接近[20]。

為了避免陷入局部最優(yōu)解, 在原來(lái) BP 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入遺傳算法。遺傳算法是先將現(xiàn)實(shí)問題進(jìn)行編碼表示, 模擬生物學(xué)種群繁殖的概念, 通過交叉變異, 將種群迭代進(jìn)化, 獲得最適應(yīng)的群體,即現(xiàn)實(shí)問題的最優(yōu)解[21]。圖 3 為遺傳算法–BP 神經(jīng)網(wǎng)絡(luò)的流程。

圖3 遺傳算法–改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)流程Fig. 3 GA–impoved BP neural network flow

遺傳算法的核心是選擇算子、交叉算子和變異算子。選擇算子的傳統(tǒng)方法是通過輪盤進(jìn)行選擇,即把所有的個(gè)體累計(jì), 根據(jù)個(gè)體的相對(duì)適應(yīng)度進(jìn)行選擇。本文結(jié)合數(shù)據(jù)特點(diǎn), 優(yōu)先將選擇算子中適應(yīng)度低的個(gè)體直接淘汰, 不參與輪盤選擇, 既能避免劣勢(shì)個(gè)體對(duì)下一代種群的污染, 也可以提高遺傳算法的收斂速度。交叉算子通過親代個(gè)體交叉互換基因, 繁衍出下一代個(gè)體。本文在交叉計(jì)算前, 優(yōu)先判斷親代的基因特性, 并且復(fù)制保留最優(yōu)個(gè)體, 避免交叉后優(yōu)良基因被破壞。傳統(tǒng)的變異算子中, 變異的概率值為常數(shù)[22]。本文結(jié)合變異前后種群的優(yōu)良程度, 動(dòng)態(tài)地調(diào)整變異概率。如果種群整體上比較平穩(wěn), 則適當(dāng)加大變異概率; 如果種群差異較大,則適當(dāng)降低變異概率。

2 實(shí)驗(yàn)方法與識(shí)別結(jié)果

2.1 實(shí)驗(yàn)方法

本研究選擇 20 名被試(年齡為 18～50 歲, 男女各 10 名)參與實(shí)驗(yàn)。實(shí)驗(yàn)當(dāng)天, 采集被試當(dāng)晚睡眠過程中的睡眠分期狀況數(shù)據(jù)。實(shí)驗(yàn)前, 需要準(zhǔn)備體動(dòng)記錄檢測(cè)儀和多導(dǎo)睡眠儀, 并將儀器電極貼在被試對(duì)應(yīng)部位, 體動(dòng)記錄檢測(cè)儀則佩戴在受試者手腕上。實(shí)驗(yàn)同步記錄被試夜晚睡眠時(shí)的心電圖譜和體動(dòng)狀況信號(hào)。實(shí)驗(yàn)分為 10 組進(jìn)行采集, 每組兩個(gè)被試, 在盡可能不影響正常作息習(xí)慣情況下采集相關(guān)數(shù)據(jù)。實(shí)驗(yàn)測(cè)試環(huán)境如圖 4 所示。

圖4 實(shí)驗(yàn)測(cè)試環(huán)境Fig. 4 Experimental environment

根據(jù)采集到的心電圖數(shù)據(jù), 用 Kubios 軟件對(duì)心沖擊信號(hào)進(jìn)行時(shí)域和頻域分析, 獲得 HRV 信號(hào)的時(shí)域和頻域特征。通過頻域轉(zhuǎn)換, 計(jì)算心率變異性的低頻 LF 和高頻 HF 特征, 進(jìn)一步計(jì)算二者的比例。由于采集到的體動(dòng)信號(hào)分為X軸、Y軸和Z軸3 個(gè)方向的分量, 需要匯總為體動(dòng)總值。在數(shù)據(jù)處理前, 需要對(duì)體動(dòng)分量數(shù)據(jù)進(jìn)行濾波, 避免噪音干擾和基線漂移對(duì)數(shù)據(jù)準(zhǔn)確度的影響。同時(shí), 采用多導(dǎo)睡眠儀 PSG 采集被試人員的睡眠狀態(tài), 作為實(shí)驗(yàn)計(jì)算的對(duì)照結(jié)果。部分樣本特征數(shù)據(jù)如圖 5 所示。

圖5 部分樣本特征值Fig. 5 Partial sample eigenvalue

完成數(shù)據(jù)預(yù)處理后隨機(jī)分組, 其中 16 例為訓(xùn)練數(shù)據(jù), 4 例為測(cè)試數(shù)據(jù)。由于數(shù)據(jù)樣本有限, 本文對(duì) 16 例訓(xùn)練數(shù)據(jù)進(jìn)行交叉驗(yàn)證, 以便優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。通過改進(jìn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和驗(yàn)證, 識(shí)別睡眠和覺醒階段的不同狀況。

2.2 識(shí)別結(jié)果

根據(jù)特征數(shù)據(jù)和預(yù)期目標(biāo), 我們?cè)O(shè)計(jì)一個(gè) 3 層BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)。網(wǎng)絡(luò)結(jié)構(gòu)如圖 6 所示。輸入層為睡眠期間檢測(cè)到的生理信號(hào)特征, 隱含層有 7 個(gè)神經(jīng)元, 輸出層為 3 個(gè)神經(jīng)元。輸出層的 3 個(gè)神經(jīng)元分別代表覺醒期(WAKE)、非快速眼動(dòng)期(NREM)和快速眼動(dòng)期(REM)。

圖6 BP 網(wǎng)絡(luò)設(shè)計(jì)簡(jiǎn)化圖Fig. 6 Simplified diagram of BP network design

讀取劃分好的訓(xùn)練數(shù)據(jù)后, 將特征參數(shù)進(jìn)行歸一化處理到[–1, 1]區(qū)間保證訓(xùn)練效果。首先計(jì)算樣本數(shù)據(jù)的平均值, 再將樣本數(shù)據(jù)分別減去平均值;然后計(jì)算樣本數(shù)據(jù)的標(biāo)準(zhǔn)差, 將數(shù)據(jù)除以標(biāo)準(zhǔn)差,實(shí)現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化處理, 再輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

為了避免訓(xùn)練過程中出現(xiàn)大的波動(dòng), 設(shè)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率初值為 0.001, 目標(biāo)函數(shù)誤差為 1.0×10–12, 并引入遺傳算法計(jì)算神經(jīng)網(wǎng)絡(luò)的權(quán)重。保證當(dāng)前種群最優(yōu)個(gè)體不參與交叉和變異操作, 保留優(yōu)秀種群; 最劣個(gè)體不參與交叉操作, 防止劣質(zhì)基因遺傳到下一代。通過每一代優(yōu)化, 獲得或逼近全局最優(yōu)解。經(jīng)過計(jì)算, 本文最大的迭代次數(shù)為 20。

為盡可能避免出現(xiàn)局部最小值, 本文采用交叉驗(yàn)證的方法, 權(quán)衡網(wǎng)絡(luò)的擬合不足和過擬合情況。在劃分的 16 例訓(xùn)練數(shù)據(jù)中, 選擇 14 例進(jìn)行訓(xùn)練,其余兩例用來(lái)驗(yàn)證, 多次交叉驗(yàn)證結(jié)束后, 獲得較優(yōu)的神經(jīng)網(wǎng)絡(luò)。

利用 4 例測(cè)試集進(jìn)行測(cè)試, 將最終測(cè)試集分類情況作為衡量神經(jīng)網(wǎng)絡(luò)分類器性能的重要指標(biāo)。將LF, HF 和 LF/HF 分別與心率值和體動(dòng)值一并作為網(wǎng)絡(luò)輸入進(jìn)行訓(xùn)練, 睡眠分期結(jié)果如圖 7 所示, 其中數(shù)值 0 表示 WAKE 狀態(tài), 數(shù)值 1 表示 REM 狀態(tài),數(shù)值 2 表示 NREM 狀態(tài)。

圖7 睡眠分期結(jié)果Fig. 7 Sleep stage results

各算法的準(zhǔn)確率如表 1 所示, 可以看出, 基于改進(jìn)的 BP 算法, 以 LF/HF、心率值和體動(dòng)值作為網(wǎng)絡(luò)輸入的訓(xùn)練效果最好。另外, 將 LF, HF 和 LF/HF 進(jìn)行排列組合, 將 LF+HF, LF+LF/HF, HF+LF/HF 和 LF+HF+LF/HF 分別與心率值和體動(dòng)值一并作為輸入, 進(jìn)行分類。結(jié)果顯示, 這 4 種方法的分類結(jié)果相近, 均比 LF/HF+心率值+體動(dòng)值作為輸入的準(zhǔn)確率低。因此, 選取 LF/HF、心率值和體動(dòng)值作為網(wǎng)絡(luò)輸入中最好的一組參數(shù), 將模型固定下來(lái)。

表1 不同特征值的準(zhǔn)確率Table 1 Accuracy of different eigenvalues

如表 2 所示, 與其他研究分析的信號(hào)特征和采用的算法相比, 本文基于 ECG 信號(hào)和體動(dòng)信號(hào)進(jìn)行特征提取, 取得較好的識(shí)別效果, 綜合的識(shí)別準(zhǔn)確率為 86.29%。

表2 不同算法的準(zhǔn)確率Table 2 Accuracy of different algorithms

3 討論與結(jié)論

本文采用基于 ECG 信號(hào)和體動(dòng)信號(hào)的 BP 神經(jīng)網(wǎng)絡(luò)算法, 對(duì)睡眠和覺醒的判別結(jié)果與標(biāo)定的一致性較高, 尤其是對(duì)睡眠的正確識(shí)別。為了提高識(shí)別速度, 選取心率變異性和體動(dòng)值作為特征值, 計(jì)算量大大減少, 識(shí)別速度得以提高。同時(shí), 利用心率變異性的時(shí)頻域特性, 減少直接采用心電信號(hào)帶來(lái)的環(huán)境干擾, 提高算法的魯棒性。利用心率變異性和體動(dòng)值能夠較好地反饋睡眠不同階段的特征, 同時(shí)心電信號(hào)和體動(dòng)信號(hào)的采集過程較為方便。當(dāng)然, 實(shí)際應(yīng)用時(shí), 識(shí)別誤差可能會(huì)變大, 因此還需要從心電信號(hào)中提取更多的特征參數(shù), 并優(yōu)化神經(jīng)網(wǎng)絡(luò)模型, 進(jìn)一步提高睡眠分期的識(shí)別率。

本文利用心電信號(hào)和體動(dòng)信號(hào), 為睡眠分期的識(shí)別提供了一種較為簡(jiǎn)便有效的方法。該方法結(jié)合穿戴式設(shè)備, 可用于家庭睡眠監(jiān)測(cè), 也可用于睡眠疾病的初篩。該方法可以較好地解決多導(dǎo)睡眠儀在監(jiān)測(cè)過程中影響正常睡眠的問題。