基于腦電模糊熵的呼吸暫停事件自動檢測方法

王 瑤，楊天順，王金海，韋 然，趙曉赟

（1.天津工業(yè)大學(xué) 生命科學(xué)學(xué)院，天津 300387；2.天津大學(xué) 精密儀器與光電子工程學(xué)院，天津 300072；3.天津工業(yè)大學(xué) 電子與信息工程學(xué)院，天津 300387；4.天津市胸科醫(yī)院呼吸與危重癥醫(yī)學(xué)科睡眠中心，天津 300222）

睡眠呼吸暫停是一種常見的睡眠呼吸紊亂癥狀[1]。伴隨著呼吸間歇性地中止，呼吸暫?？蓪?dǎo)致人體血氧飽和度降低，增加心血管疾病、阿爾茲海默癥等多種疾病的患病風(fēng)險[2-3]。目前多導(dǎo)睡眠監(jiān)測是呼吸暫停診斷的標(biāo)準(zhǔn)方法[4]。在多導(dǎo)睡眠監(jiān)測中，需要記錄腦電（electroencephalogram，EEG）、心電、呼吸氣流以及血氧飽和度等多種生理參數(shù)，并需要綜合分析這些生理參數(shù)來判定呼吸暫停的發(fā)生，此外，多導(dǎo)睡眠監(jiān)測過程操作復(fù)雜，需要專業(yè)醫(yī)師在睡眠實驗室中進行，難以實現(xiàn)家用普及[5-6]。因此，研究者們嘗試減少生理信號的采集種類[7-8]，采用基于人工智能的方法實現(xiàn)呼吸暫停的自動檢測，從而降低呼吸暫停的檢測難度，為便攜式呼吸暫停檢測提供理論及技術(shù)支撐。

相對于心電、呼吸氣流等其他信號，腦電信號因受內(nèi)源性疾?。ㄈ绾粑灰?guī)律、心律不齊等）干擾較小，在呼吸暫停檢測中得到了越來越廣泛的應(yīng)用[9-12]。研究中對呼吸暫?；颊叩哪X電主要采取2 種分析方法：一種是常規(guī)方法，如時域分析、頻域分析和時頻域分析；另一種為非線性動力學(xué)的方法，EEG 是由低維混沌神經(jīng)過程產(chǎn)生的，不同的大腦活動狀態(tài)具有不同的非線性動力學(xué)特性，腦電非線性動力學(xué)分析已被成功地應(yīng)用到癲癇診斷以及情緒識別等領(lǐng)域[13-15]。為了更好地表征呼吸暫停期間的腦電特性，越來越多的非線性動力學(xué)方法被用于腦電的特征提取。

Goshvarpour 等[16]對呼吸暫停患者腦電信號的最大李雅普諾夫指數(shù)（largest Lyapunov exponent）進行分析，發(fā)現(xiàn)呼吸暫停期間，腦電信號的最大李雅普諾夫指數(shù)低于正常時期。周靜[17]對呼吸暫停患者腦電信號的關(guān)聯(lián)維數(shù)（correlation dimension）進行分析，研究發(fā)現(xiàn)，呼吸暫?；颊吣X電的關(guān)聯(lián)維數(shù)在各個睡眠階段均低于正常人。然而，不管是關(guān)聯(lián)維數(shù)還是李雅普諾夫指數(shù)，其對信號噪聲、采樣率、信號長度等因素都比較敏感[18-19]，難以用作評估呼吸暫停腦電狀態(tài)的穩(wěn)定性指標(biāo)。相比之下，基于時間序列復(fù)雜性的度量能在一定程度上解決上述問題[20]，而且該方法所需數(shù)據(jù)量較少，更適合于有限長的腦電信號分析。

熵是一種廣泛應(yīng)用于非穩(wěn)態(tài)腦電信號中的基于時間序列復(fù)雜性的度量方法，對此，天津工業(yè)大學(xué)團隊[21-22]采用樣本熵和近似熵的特征提取方法，使用機器學(xué)習(xí)模型對呼吸暫停事件和正常事件分類，取得了約90%的準(zhǔn)確率。然而，樣本熵和近似熵在定義向量相似性時使用Heaviside 函數(shù)，Heaviside 函數(shù)的不連續(xù)邊界問題導(dǎo)致其對小參數(shù)比較敏感。與樣本熵和近似熵不同，模糊熵引入模糊隸屬函數(shù)代替Heaviside 函數(shù)。模糊隸屬函數(shù)具備連續(xù)性和非突變性的特點[23-24]，當(dāng)小參數(shù)發(fā)生細(xì)微變化時，在指數(shù)函數(shù)規(guī)則下，對熵值的影響不大，因而有效地解決了熵變異問題，對噪聲具有更好的魯棒性，可以實現(xiàn)更精確的復(fù)雜性的度量。因此，本研究將模糊熵的算法應(yīng)用到睡眠腦電特征提取中，并建立機器學(xué)習(xí)自動分類模型，以實現(xiàn)呼吸暫停事件的快速識別。

1 基于腦電模糊熵的呼吸暫停自動檢測法

本研究所提出方法的技術(shù)路線如圖1 所示。首先，對腦電信號進行預(yù)處理，建立用于實驗的樣本庫；然后，使用基于模糊熵的算法對呼吸暫停腦電信號進行特征提?。蛔詈?，建立機器學(xué)習(xí)自動分類模型，對特征進行分類，從而實現(xiàn)呼吸暫停事件的自動識別。

圖1 檢測方法技術(shù)路線框圖Fig.1 Block diagram of technical route of detection method

1.1 數(shù)據(jù)預(yù)處理

由于腦電信號幅值微弱，隨機性強，極易受到噪聲影響，所以在特征提取前需要對腦電信號去噪。研究證明，巴特沃斯濾波器可以有效地用于處理非平穩(wěn)信號[25]，因此，本研究采用了巴特沃斯濾波器對原始腦電信號進行濾波。其中，巴特沃思濾波器的階數(shù)設(shè)置為4，通帶頻率設(shè)置為0.2～49 Hz。為了更精確地捕捉呼吸暫停期間腦電信號的變化，本研究按照腦電節(jié)律將腦電信號劃分為delta[0.25～4）、theta[4～8）、alpha[8～12）、sigma[12～16）和beta[16～49）Hz 等5 個子帶信號[12]。

1.2 特征提取

模糊熵是衡量時間序列復(fù)雜性和規(guī)律性的一種分析方法[24]，表達了當(dāng)維數(shù)變化時，時間序列中產(chǎn)生新模式的概率大小，產(chǎn)生新模式的概率越大，序列越復(fù)雜，模糊熵的值也就越大。本研究中腦電模糊熵的定義如下：

對長度為N 的腦電信號{u（i）∶1≤i≤N}，設(shè)嵌入維數(shù)為m，根據(jù)序列順序重構(gòu)生成一組m 維向量

式中：1≤i≤N-m+1，u0（i）定義為：

式中：n 和r 分別為模糊函數(shù)邊界的梯度和寬度。

定義函數(shù)：

重復(fù)式（1）—式（5），構(gòu)造m+1 維向量

最后得到腦電信號模糊熵為：

本研究中設(shè)置m=2，n=3，r=0.15×std（std 為腦電信號標(biāo)準(zhǔn)差）。這樣，對于每個呼吸事件對應(yīng)的腦電片段，計算得到5 個模糊熵特征。

1.3 分類模型

為避免使用單一分類模型帶來偶然性結(jié)果，本研究使用了k 最近鄰（k-nearest neighbors，KNN）、支持向量機（support vector machines，SVM）和隨機森林（random forest，RF）等3 種機器學(xué)習(xí)分類算法對呼吸事件進行分類，所有的分類算法都在MATLAB R2018b 中設(shè)計完成。

KNN 是一種廣泛使用的機器學(xué)習(xí)分類算法[26]。它的基本思想是輸出樣本類別取決于該樣本k 個近鄰樣本的屬性，即在樣本空間中，如果某個樣本的大多數(shù)相鄰樣本都屬于一個類別，則該樣本也將被分類為這一類別。在本研究中，k 的值設(shè)置為7。

SVM 是基于結(jié)構(gòu)風(fēng)險最小化原則提出的一種機器學(xué)習(xí)方法，具有嚴(yán)格的理論和數(shù)學(xué)基礎(chǔ)，適用于解決小樣本、非線性和高維度的模式識別問題[27]。使用SVM 對目標(biāo)進行分類的核心思想是尋求一個滿足分類要求的最優(yōu)超平面，使訓(xùn)練集中的點離超平面的距離盡可能的遠(yuǎn)。對于線性不可分離的數(shù)據(jù)，在SVM 中使用核函數(shù)將低維空間中不可分離的特征向量映射到易于分離的高維特征空間。

RF 是一種基于分類樹的模型，具有良好的抗噪聲和抗過擬合性能[28]。它的基本原理是有放回的在樣本空間中抽取m 個樣本，構(gòu)建若干個相互獨立的決策樹。當(dāng)有新的樣本輸入時，每個決策樹都會給出一個該樣本的分類結(jié)果，最終被最多決策樹輸出的類別作為隨機森林模型的輸出。

1.4 分類實驗

按照臨床中各類呼吸暫停事件發(fā)病率的比例，本研究數(shù)據(jù)集中阻塞性、混合性和中樞性呼吸暫停事件的組成比例為6∶3∶1。將構(gòu)建好的數(shù)據(jù)集以3∶1 的比例劃分為訓(xùn)練集和測試集，其中訓(xùn)練集采用10 折交叉驗證的方法對機器學(xué)習(xí)模型進行參數(shù)調(diào)優(yōu)，測試集用來檢驗?zāi)Ｐ偷姆诸愋ЧＴ谀Ｐ偷脑u價中使用了準(zhǔn)確率（A）、靈敏度（S）和精確度（P）等指標(biāo)。

（1）準(zhǔn)確率表示分類結(jié)果的總體正確率：

式中：TP表示陽性樣本中被模型預(yù)測為陽性的數(shù)量；TN表示陰性樣本中被模型預(yù)測為陰性的數(shù)量；FP表示陰性樣本中被模型預(yù)測為陽性的數(shù)量；FN表示陽性樣本中被模型預(yù)測為陰性的數(shù)量。以下同理。

（2）靈敏度又稱為查全率，表示所有在實際為陽性的樣本中被預(yù)測為陽性的概率：

（3）精準(zhǔn)度又叫查準(zhǔn)率，表示所有被預(yù)測為陽性的樣本中實際為陽性的概率：

2 實驗驗證

2.1 實驗數(shù)據(jù)

為驗證方法的可靠性，本研究使用了來自2 個獨立數(shù)據(jù)庫的腦電信號。其中，臨床數(shù)據(jù)來自于天津市胸科醫(yī)院睡眠監(jiān)測實驗室，共包含了30 名被試（7 名女性和23 名男性）的4 701 段腦電信號片段。受試年齡范圍為37～78 歲；身體質(zhì)量指數(shù)在19.82～39.26 kg/m2范圍內(nèi)；呼吸紊亂指數(shù)在8.2～68.9 范圍內(nèi)；采樣率為100 Hz。公共數(shù)據(jù)庫數(shù)據(jù)來自柏林圣文森特大學(xué)睡眠障礙監(jiān)測實驗室，共包含了25 名被試（4 名女性和21名男性）的3 200 段腦電信號片段。受試年齡范圍為32～51 歲；身體質(zhì)量指數(shù)在25.1～42.5 kg/m2范圍內(nèi)；呼吸紊亂指數(shù)在1.7～90.9 范圍內(nèi)；采樣率為128 Hz。2 個數(shù)據(jù)庫中的腦電采集都使用了C3-A2 和C4-A1 導(dǎo)聯(lián)，并且由睡眠專家將腦電信號片段標(biāo)記為呼吸暫停事件和正常呼吸事件。腦電信號片段如圖2 所示。

圖2 腦電信號Fig.2 EEG signals

2.2 特征提取結(jié)果

圖3 和圖4 分別展示了從公共數(shù)據(jù)庫和臨床腦電數(shù)據(jù)中提取的模糊熵特征值。

圖3 模糊熵特征值（公共數(shù)據(jù)庫）Fig.3 Features of fuzzy entropy（public data）

圖4 模糊熵特征值（臨床數(shù)據(jù)）Fig.4 Features of fuzzy entropy（clinical data）

由圖3 和圖4 可以看出，對于子帶信號delta、theta 和alpha，呼吸暫停期間的腦電模糊熵低于正常呼吸時期；對于子帶信號sigma 和beta，呼吸暫停期間的腦電模糊熵高于正常呼吸時期。由此可見，腦電模糊熵特征能有效地表征呼吸暫停引起的腦電信號的變化。

2.3 分類結(jié)果與分析

考慮到腦電信號隨機性強，不同個體之間差異往往比較大，為此本研究采用了2 個相互獨立的數(shù)據(jù)庫對所提出方法進行驗證，表1 和表2 分別呈現(xiàn)了基于數(shù)據(jù)庫和臨床數(shù)據(jù)的結(jié)果。

表1 公共數(shù)據(jù)庫分類結(jié)果Tab.1 Classification performance for public database

由表1 和表2 可以看出：

（1）基于雙導(dǎo)聯(lián)腦電信號，使用RF 模型在公共數(shù)據(jù)庫和臨床數(shù)據(jù)中取得的最高準(zhǔn)確率分別為93.25%和94.50%；

（2）對比不同導(dǎo)聯(lián)下的結(jié)果可以發(fā)現(xiàn)，使用雙導(dǎo)聯(lián)腦電信號的呼吸暫停事件檢測效果要優(yōu)于使用任何一種單導(dǎo)聯(lián)腦電信號；

（3）對比不同分類器的結(jié)果可以看出，使用RF的效果優(yōu)于KNN 和SVM；

（4）采用相同導(dǎo)聯(lián)的腦電信號和分類器，對比基于公共數(shù)據(jù)和臨床數(shù)據(jù)得到的評價指標(biāo)可以看出，除了基于C4 導(dǎo)聯(lián)腦電信號的評價指標(biāo)的差距在5%左右，基于另外兩組腦電信號的差距都不超過2%，這表明本研究所提出的方法具有一定的穩(wěn)定性和可靠性。

為了客觀比較基于模糊熵和文獻中其他非線性動力學(xué)方法[17，21，29]的呼吸暫停事件的分類效果，本研究采用相同的模型評價指標(biāo)，基于相同的腦電數(shù)據(jù)集，對本文提出的特征提取方法和文獻中已有的方法進行驗證，基于雙導(dǎo)聯(lián)腦電信號和RF 分類模型的結(jié)果如圖5 所示。

圖5 不同非線性方法結(jié)果對比Fig.5 Comparison of results of different nonlinear methods

由圖5 可以看出，和基于腦電關(guān)聯(lián)維數(shù)[17]的方法相比，本研究所提出的方法在2 個數(shù)據(jù)庫中的結(jié)果波動較小，具有更好的算法穩(wěn)定性；和樣本熵以及LZ 復(fù)雜度[29]等方法相比，基于模糊熵的方法在準(zhǔn)確率，精確度和靈敏度3 個模型評價指標(biāo)中都有了顯著提升。

3 結(jié)論

本研究提出了一種基于腦電模糊熵的呼吸暫停事件檢測方法。在該方法中，根據(jù)腦電節(jié)律將腦電劃分成不同頻率的子帶信號，在子帶信號中提取模糊熵特征，作為機器學(xué)習(xí)分類模型的輸入，以區(qū)分睡眠呼吸暫停事件和正常呼吸事件。特征提取結(jié)果顯示，模糊熵可以有效地表征呼吸暫停引起的腦電信號的變化；分類結(jié)果表明，隨機森林模型在公共數(shù)據(jù)和臨床數(shù)據(jù)中分別取得了93.25%和94.50%的準(zhǔn)確率，并且具有更好的穩(wěn)定性。該研究使用單一腦電信號實現(xiàn)了呼吸暫停事件的快速檢測，可移植到便攜式呼吸暫停檢測設(shè)備中，以彌補醫(yī)用多導(dǎo)睡眠監(jiān)測無法家用普及的不足。