基于支持向量機(jī)的睡眠監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

鐘佳良，易 鋼

（湖南中醫(yī)藥大學(xué) 信息科學(xué)與工程學(xué)院，長(zhǎng)沙 410208）

0 引言

睡眠是人們生活中不可缺少的重要生命活動(dòng)，但如今快節(jié)奏的生活，以及各方面的壓力，使得人們出現(xiàn)了各種嚴(yán)重的睡眠障礙問(wèn)題。例如：失眠、呼吸暫停等，會(huì)對(duì)人們次日的學(xué)習(xí)和工作造成負(fù)面影響。其中，睡眠呼吸暫停低通氣綜合征（sleep apneahypopnea syndrome，SAHS）是其中較為典型的一種疾病。其臨床表現(xiàn)為：患者上呼吸道塌陷，使得在睡眠時(shí)出現(xiàn)呼吸阻塞甚至呼吸暫停的現(xiàn)象。SAHS 不僅僅影響著人們?nèi)粘５乃哔|(zhì)量，還帶來(lái)了一系列的隱性并發(fā)癥。如心律失常、心肌梗塞、高血壓、中風(fēng)等［1］。根據(jù)調(diào)查發(fā)現(xiàn)，全球大約有9%－38%的人深受SAHS 的困擾。而肥胖人口增加和老齡化程度加深的社會(huì)情況加劇之下，該病的發(fā)病率也在逐年增高［2］。但是，由于患者對(duì)SAHS 了解不深，該病往往得不到應(yīng)有的重視，使患者深受其并發(fā)癥的困擾。因此，對(duì)睡眠狀態(tài)的監(jiān)測(cè)和識(shí)別作為診治SAHS 的前提，越來(lái)越多科研人員投入對(duì)其研究工作中。

現(xiàn)今臨床上，對(duì)SAHS 進(jìn)行分析診斷的最權(quán)威方法是多導(dǎo)睡眠監(jiān)測(cè)儀（Polysomnography，PSG），PSG對(duì)患者睡眠時(shí)的一系列相關(guān)生理數(shù)據(jù)進(jìn)行采集（如：腦電、心電等），再由專業(yè)的實(shí)驗(yàn)記錄人員針對(duì)這些數(shù)據(jù)進(jìn)行手動(dòng)評(píng)估得出診斷結(jié)果［3］。雖然PSG 的診斷具有高度的可靠性，但不僅對(duì)操作人員專業(yè)要求高，而且受試者需要佩戴一系列傳感設(shè)備，嚴(yán)重影響受試者的真實(shí)睡眠狀態(tài)。因此，PSG 這類傳統(tǒng)睡眠監(jiān)測(cè)系統(tǒng)不僅不適合作為對(duì)SAHS 等睡眠疾病的初步篩查手段，也難以布置在居家環(huán)境中使用。

為了使患者能夠早期了解自身的患病情況，本文基于物聯(lián)網(wǎng)設(shè)計(jì)了一套適用于居家環(huán)境的無(wú)線睡眠監(jiān)測(cè)系統(tǒng)。該系統(tǒng)通過(guò)采集患者睡眠時(shí)的呼吸和心率信號(hào)，采用無(wú)線模塊將得到的睡眠信號(hào)傳輸至上位機(jī)進(jìn)行分析處理，采用機(jī)器學(xué)習(xí)方法對(duì)SAHS進(jìn)行判斷，最后將初步的診斷結(jié)果傳送至手機(jī)終端，方便患者了解自己的病情，也能夠給醫(yī)生提供較為準(zhǔn)確的診斷依據(jù)。

1 系統(tǒng)設(shè)計(jì)

1.1 整體設(shè)計(jì)方案

系統(tǒng)結(jié)構(gòu)由睡眠監(jiān)測(cè)終端、上位機(jī)服務(wù)器和移動(dòng)端APP 3 部分組成，如圖1 所示。

圖1 系統(tǒng)結(jié)構(gòu)Fig.1 System Structure

其中，睡眠監(jiān)測(cè)終端將生物傳感器獲取到的使用者的生理信息，通過(guò)無(wú)線模塊將睡眠信號(hào)傳輸至上位機(jī)中對(duì)睡眠信號(hào)進(jìn)行分析處理，最后獲得使用者的診斷信息并使用戶能夠通過(guò)移動(dòng)端APP 查看報(bào)告。

1.2 系統(tǒng)硬件設(shè)計(jì)

系統(tǒng)硬件主要由心率監(jiān)測(cè)模塊、呼吸監(jiān)測(cè)模塊、無(wú)線模塊組成：

（1）心率監(jiān)測(cè)模塊：心率監(jiān)測(cè)模塊采用手環(huán)的形式，供使用者在睡眠時(shí)佩戴，選用光電反射式傳感器PAH8011ET 作為監(jiān)測(cè)使用者心率的芯片。該芯片是一款具有集成DSP 的低功耗CMOS 工藝光學(xué)心率監(jiān)測(cè)芯片，與3 個(gè)板載芯片LED 封裝在一起：其中3 個(gè)LED 分別為兩個(gè)綠色光源，一個(gè)紅外光源。其基于光學(xué)傳感技術(shù)，可捕獲比傳統(tǒng)光電二極管更高分辨率的圖像，然后通過(guò)集成的DSP 處理圖像，獲得PPG（光電容積描記）數(shù)據(jù)，用來(lái)推斷心率。

（2）呼吸監(jiān)測(cè)模塊：呼吸監(jiān)測(cè)模塊選用Novalda公司生產(chǎn)的X4M03 型號(hào)的超寬帶雷達(dá)模塊作為核心器件，將其封裝在一個(gè)床頭擺件中充當(dāng)手環(huán)的放置平臺(tái)，該雷達(dá)是一種超寬帶短程脈沖雷達(dá)收發(fā)SoC（System on Chip），工作中心頻率為7.29 GHz，工作帶寬為1.5 GHz，有效范圍在10 m 左右。其主要的組件是一組發(fā)射－接收天線和微型控制模塊。其基本工作流程為：先由發(fā)射天線將電磁波發(fā)射出去，再將人體反射回的電磁波由接收天線接收，最后由微型控制模塊對(duì)信號(hào)進(jìn)行初步的處理，并將其通過(guò)SPI 接口傳輸至無(wú)線模塊中。

（3）無(wú)線模塊：無(wú)線模塊主要是將心率監(jiān)測(cè)和呼吸監(jiān)測(cè)兩大模塊的數(shù)據(jù)，通過(guò)Wi－Fi 方式傳輸至上位機(jī)中。本系統(tǒng)選用樂(lè)鑫公司開(kāi)發(fā)的ESP8266芯片，該芯片集成了完整且自成體系的Wi－Fi 網(wǎng)絡(luò)功能，集成的32 位內(nèi)核處理器和片上SRAM，使其作為數(shù)據(jù)傳輸橋梁的同時(shí)還有較強(qiáng)的片上計(jì)算和存儲(chǔ)能力。本系統(tǒng)中，ESP8266 主要承擔(dān)數(shù)據(jù)通道的作用，并不涉及到數(shù)據(jù)的相關(guān)運(yùn)算。

鑒于導(dǎo)游工作的特殊性，如面對(duì)游客多元的服務(wù)需求，需要協(xié)調(diào)各類旅游產(chǎn)品要素，非常熟悉景區(qū)景點(diǎn)等，有必要對(duì)導(dǎo)游主動(dòng)行為的內(nèi)涵進(jìn)行深入探討。本文采用訪談法，運(yùn)用扎根理論的編碼方法對(duì)導(dǎo)游主動(dòng)行為的內(nèi)涵進(jìn)行探究，通過(guò)對(duì)原始訪談資料進(jìn)行編碼、分類，最終提煉出了導(dǎo)游主動(dòng)行為的內(nèi)涵。本研究從理論上拓展了主動(dòng)行為在導(dǎo)游這一特定職業(yè)領(lǐng)域的研究范疇；在實(shí)踐上，有利于企業(yè)采取有效措施去激發(fā)導(dǎo)游的主動(dòng)行為，促進(jìn)導(dǎo)游自我提升、職業(yè)發(fā)展的同時(shí)，也幫助旅行社建立起自身的競(jìng)爭(zhēng)優(yōu)勢(shì)。

1.3 系統(tǒng)軟件設(shè)計(jì)

本系統(tǒng)的軟件設(shè)計(jì)主要分為兩部分，一是系統(tǒng)功能的實(shí)現(xiàn)，二是移動(dòng)終端APP 的設(shè)計(jì)與制作，具體實(shí)現(xiàn)步驟如下：

（1）系統(tǒng)的初始化。其中包括無(wú)線傳輸模塊內(nèi)部寄存器的初始化，芯片各種外設(shè)接口的初始化，兩個(gè)監(jiān)測(cè)模塊的初始化，Wi－Fi 服務(wù)的初始化等。

（2）兩個(gè)監(jiān)測(cè)模塊分別實(shí)時(shí)采集使用者的心率和呼吸信號(hào)后，通過(guò)無(wú)線傳輸模塊將以上數(shù)據(jù)通過(guò)Wi－Fi 傳輸至上位機(jī)中，上位機(jī)通過(guò)設(shè)計(jì)好的機(jī)器學(xué)習(xí)算法根據(jù)使用者的睡眠信號(hào)進(jìn)行分類，來(lái)判斷是否出現(xiàn)SAHS 的癥狀，并生成睡眠報(bào)告。

（3）移動(dòng)終端APP 的工作主要是通過(guò)圖表等報(bào)告形式，使得用戶能夠方便地了解自己的睡眠狀況；監(jiān)控人員能夠?qū)崟r(shí)的查看使用者的心率和呼吸數(shù)據(jù)，在病情嚴(yán)重時(shí)能夠利用這些數(shù)據(jù)供醫(yī)生進(jìn)行初步評(píng)估，方便患者進(jìn)一步的治療。

系統(tǒng)軟件流程如圖2 所示。

圖2 系統(tǒng)軟件流程Fig.2 Process of System Software

2 SVM 分類算法

2.1 原理簡(jiǎn)述

現(xiàn)階段性能優(yōu)秀的分類算法有很多。例如：?jiǎn)我坏姆诸惙椒ǎQ策樹(shù)、K 近鄰），支持向量機(jī)（Support Vector Machine，SVM）和人工神經(jīng)網(wǎng)絡(luò)等，也有像隨機(jī)森林和XGBoosting 這樣集成學(xué)習(xí)算法［4］。上述這些分類算法并不是照搬即可使用，而需要針對(duì)應(yīng)用場(chǎng)景和識(shí)別目標(biāo)對(duì)分類器進(jìn)行改善。下面具體介紹SVM 算法。

SVM 是一種能夠?qū)⒕€性數(shù)據(jù)進(jìn)行分類的算法，由于其直觀的原理和較優(yōu)的性能，在許多領(lǐng)域得到了應(yīng)用。其基本分類原理是：在給定的樣本空間中尋找一個(gè)性能最佳的超平面，該平面能夠?qū)⒄?fù)樣本最大程度地分離。SVM 的基本原理如圖3 所示。

圖3 SVM 原理Fig.3 Principle of SVM

假設(shè)：已知的樣本集為（x1，x2），i ＝1，2，…，n。

表1 常用核函數(shù)表Tab.1 Several Kernels of SVM

2.2 特征提取

檢測(cè)是否發(fā)生睡眠呼吸暫停這樣的問(wèn)題，實(shí)際上是一個(gè)分類問(wèn)題，目的是將患有SAHS 的患者的睡眠數(shù)據(jù)和正常的睡眠數(shù)據(jù)區(qū)分開(kāi)。分類問(wèn)題的解決，通常都需要進(jìn)行特征提取和分類器設(shè)計(jì)兩方面的工作。其中，特征提取的數(shù)據(jù)準(zhǔn)備工作質(zhì)量，對(duì)后續(xù)分類器得出的結(jié)果有很大的影響。

2.2.1 心率信號(hào)

對(duì)心率信號(hào)的需要，主要是從其中得到兩個(gè)R波之間的時(shí)間間隔，這個(gè)間隔也被稱作RR 間期。該參數(shù)是分析連續(xù)心跳之間瞬時(shí)心率差異的關(guān)鍵，該差異在醫(yī)學(xué)上被冠名為心率變異性（Heart Rate Variability，HRV）。

臨床研究上，對(duì)RR 間期做HRV 分析主要采用線性分析方法，分別對(duì)HRV 進(jìn)行時(shí)域和頻域進(jìn)行分析?，F(xiàn)今在時(shí)域中，對(duì)于HRV 的分析方法已經(jīng)較為成熟，常常采用統(tǒng)計(jì)學(xué)的方法，根據(jù)RR 間期的生物學(xué)特征，來(lái)制定相應(yīng)的指標(biāo)進(jìn)行描述［5］。例如SDNN，意為RR 間期的標(biāo)準(zhǔn)差，能夠直觀地表征心率變化的集中程度。而頻域分析則根據(jù)人體正常的心率信號(hào)功率譜能量在0～0.4 Hz 這一依據(jù)［6］，采用小波變換的方法分別對(duì)極低頻段、低頻段和高頻段這3 方面進(jìn)行特征的提取，這3 種頻段的頻率分別為0～0.04 Hz、0.04～0.15 Hz 和0.15～0.4 Hz。

2.2.2 呼吸信號(hào)

根據(jù)PSG 中對(duì)SAHS 的判定標(biāo)準(zhǔn)，睡眠過(guò)程中口鼻氣流停止，呼吸幅度較基準(zhǔn)水平降低程度≥30%，且持續(xù)時(shí)間≥10 s［7］，也能夠利用統(tǒng)計(jì)學(xué)方法，對(duì)呼吸信號(hào)指定一些指標(biāo)，對(duì)其進(jìn)行時(shí)域分析。例如SDRP，意為呼吸波峰間隔標(biāo)準(zhǔn)差，表示呼吸變化的集中程度。對(duì)呼吸信號(hào)的頻域分析與心率信號(hào)類似，同樣采用小波變換對(duì)3 個(gè)頻段進(jìn)行特征提取。

2.3 分類器設(shè)計(jì)

經(jīng)過(guò)對(duì)心率信號(hào)和呼吸信號(hào)的特征提取后，就能夠根據(jù)這些特征來(lái)對(duì)SAHS 進(jìn)行分類。但是，由于各項(xiàng)特征的量綱不同，直接將特征作為輸入向量會(huì)導(dǎo)致分類效果較差，因此需要對(duì)這些特征做歸一化處理，不僅能夠降低運(yùn)算的復(fù)雜度還能提高收斂的效率。SVM 能夠利用不同的核函數(shù)對(duì)非線性的數(shù)據(jù)進(jìn)行分類，所以選擇一個(gè)合適的核函數(shù)來(lái)尋找更優(yōu)的超平面顯得極為重要。

在對(duì)SVM 進(jìn)行訓(xùn)練的過(guò)程中，設(shè)計(jì)采用了交叉驗(yàn)證的方式，其工作思想是將訓(xùn)練數(shù)據(jù)按一定比例分為訓(xùn)練樣本集與測(cè)試樣本集。在訓(xùn)練過(guò)程中，只使用拆分得到的訓(xùn)練樣本集對(duì)SVM 進(jìn)行訓(xùn)練，完成模型的訓(xùn)練后，對(duì)訓(xùn)練得到的SVM 使用測(cè)試樣本集進(jìn)行驗(yàn)證，最后根據(jù)一些評(píng)判標(biāo)準(zhǔn)對(duì)分類結(jié)果進(jìn)行評(píng)估，再選取效果最優(yōu)的SVM 分類器［8］。

SVM 算法的具體流程如圖4 所示。

圖4 SVM 算法流程Fig.4 Process of SVM Algorithm

3 數(shù)據(jù)與驗(yàn)證

3.1 數(shù)據(jù)集獲取

本研究中用來(lái)建立和測(cè)試模型的心率信號(hào)是來(lái)自于PhysioNet Apnea－ECG 數(shù)據(jù)集，該數(shù)據(jù)集由Phillips University 的Dr.Tomas Penzel 提供。其中包含了一組開(kāi)放和一組封閉的數(shù)據(jù)集合，分別用作模型的訓(xùn)練和測(cè)試，各集合中有35 條從PSG 記錄中提取得到的ECG 信號(hào)數(shù)據(jù)。這些ECG 信號(hào)的分辨率為16 bit，采樣頻率為100 Hz。醫(yī)學(xué)專家結(jié)合PSG 中的其它信號(hào)，以分鐘為單位，對(duì)ESG 信號(hào)進(jìn)行標(biāo)注，并根據(jù)AHI的值，將其分為3 個(gè)等級(jí)。當(dāng)記錄的AHI低于5 時(shí)，該時(shí)間段被標(biāo)注為C 級(jí)，意為正常的呼吸狀況；當(dāng)記錄的AHI高于10 時(shí)，該時(shí)間段被標(biāo)注為A，意為出現(xiàn)呼吸暫停癥狀；在當(dāng)AHI值介于5～10之間，表示臨界狀態(tài)，該時(shí)間段被標(biāo)注為B。

3.2 RR 間期特征提取

在實(shí)驗(yàn)過(guò)程中選擇了6 項(xiàng)時(shí)域特征和3 項(xiàng)頻域特征，作為SVM 分類器的分類特征。其中6 項(xiàng)時(shí)域特征分別為：MRR（RR 間期平均值）、MHR（心率平均值）、RMSSD（相鄰竇性間期的均方根）、SDNN、NN50（相鄰竇性間期之差超過(guò)50 ms 的個(gè)數(shù)）和pNN50（NN50 的占比數(shù)）［9］。主要特征計(jì)算如式（1）～式（3）。

其中，RR（n）表示RR間期信號(hào)，N為RR間期的個(gè)數(shù)。

3.3 性能評(píng)估

模型的性能評(píng)估根據(jù)準(zhǔn)確率（Accuracy）、精確率（Precision）和召回率（Recall）這3 個(gè)指標(biāo)來(lái)進(jìn)行評(píng)定。其計(jì)算公式如下：

其中，TP和TN分別表示被分類器正確分為陽(yáng)性樣例和陰性樣例的數(shù)量，F(xiàn)P和FN分別表示被分類器錯(cuò)分為陽(yáng)性樣例和陰性樣例的數(shù)量［10］。

3.4 結(jié)果與分析

首先，將預(yù)處理后的數(shù)據(jù)輸入采用不同核函數(shù)進(jìn)行非線性變換的SVM 分類器，通過(guò)對(duì)模型的訓(xùn)練和驗(yàn)證，其結(jié)果見(jiàn)表2。

表2 不同核函數(shù)SVM 性能比較Tab.2 Comparison of SVM Using Different Kernels

根據(jù)表2 數(shù)據(jù)可以看出，SVM 選擇不同核函數(shù)對(duì)非線性問(wèn)題進(jìn)行分類，確實(shí)會(huì)得到性能不同的SVM分類器。在對(duì)本次研究中處理過(guò)后的數(shù)據(jù)進(jìn)行分類可知，選取高斯核作為SVM 分類器的核函數(shù)，能夠得到較為優(yōu)秀的超平面實(shí)現(xiàn)對(duì)SAHS 的檢測(cè)。

為了驗(yàn)證本研究中所使用的SVM 算法的有效性，選取了一些傳統(tǒng)的機(jī)器學(xué)習(xí)算法對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，其比較的結(jié)果見(jiàn)表3。

表3 模型性能比較Tab.3 Comparison of Several Models

由表3 可以看出，SVM 算法在根據(jù)預(yù)處理后的心率信號(hào)進(jìn)行SAHS 檢測(cè)具有一定的優(yōu)越性，但由于數(shù)據(jù)集的限制，無(wú)法將呼吸信號(hào)也加入分類器中作為特征輸入。因此，當(dāng)本設(shè)計(jì)收集完初期數(shù)據(jù)后，將心率信號(hào)和呼吸信號(hào)分別建立SVM 模型，最后將兩者的性能進(jìn)行對(duì)比驗(yàn)證，能夠得到性能更加優(yōu)越的SVM 模型，為SAHS 患者進(jìn)行初步診斷提供了較為可靠的支持。

4 結(jié)束語(yǔ)

睡眠問(wèn)題在現(xiàn)今社會(huì)人們?cè)絹?lái)越重視生命健康和生活質(zhì)量的背景下，逐漸獲得了更多人的重視，但由于醫(yī)院專業(yè)設(shè)備的繁重復(fù)雜和緊缺，使得很多有睡眠問(wèn)題的患者并不能及時(shí)得到診療。本文利用物聯(lián)網(wǎng)技術(shù)將無(wú)線終端及睡眠監(jiān)測(cè)相結(jié)合，提出的睡眠監(jiān)測(cè)系統(tǒng)能夠使得患者在居家環(huán)境中對(duì)自己的病情有初步的了解，為進(jìn)一步尋求專業(yè)醫(yī)生提供了幫助。該系統(tǒng)的推出，不僅對(duì)提高人們的睡眠質(zhì)量有很大的幫助，同時(shí)也能夠大大減輕公共醫(yī)用資源的壓力。