基于單路腦電的睡眠分期判別方法研究

閆佳運，賓光宇，梁栗炎，

吳水才

北京工業大學 生命科學與生物工程學院，北京 100124

基于單路腦電的睡眠分期判別方法研究

閆佳運，賓光宇，梁栗炎，

吳水才

北京工業大學 生命科學與生物工程學院，北京 100124

睡眠是一種重要的生理現象，對睡眠進行合理分期，是研究睡眠質量、診斷睡眠疾病的基礎。腦電是睡眠過程中最顯著和直觀的信號，也是研究睡眠的重要且有力的工具。本研究提取了多種腦電相關特征作為識別睡眠腦電信號的指標，并采用多元逐步回歸分析法進行特征篩選，通過線性分類及支持向量機（SVM）算法實現了腦電睡眠分期的自動判別。實際測試結果表明，基于單路腦電的睡眠分期判別方法的平均正確率為78.85％，說明該方法較為準確。

睡眠監護系統；睡眠分期；單路腦電；多元逐步回歸分析；線性分類；支持向量機

0 前言

睡眠是一種遵循自身節律的周期性生理活動[1]，與日?；A活動中的許多表現均息息相關[2-4]。持續睡眠障礙將阻礙人體免疫系統正常工作，從而誘發高血壓、心血管疾病、肥胖、糖尿病等多種健康問題[3]。作為診斷睡眠障礙的重要方法，睡眠質量評估通常基于對整晚睡眠中不同時間的睡眠深度進行評估。目前國際上普遍使用Rechtschaffen和Kales提出的睡眠分期規則[4]，將睡眠分為覺醒期、非快速眼動睡眠期（NRME）和快速眼動睡眠期（REM）。其中非快速眼動睡眠期（NRME）又可分為1期（Stage 1，S1）、2期（Stage 2，S2）、3期（Stage 3，S3）和4期（Stage 4，S4）。通常將1期、2期稱為淺睡期，將3期、4期稱為深睡期。

睡眠質量評估的金標準采用多導睡眠腦電監護法（Polysomnography，PSG）。此方法需要對腦電、心電、肌電、血氧及呼吸同時進行檢測[5]，可較為準確地對睡眠進行分期。然而此方法價格比較昂貴，對操作條件要求較高，操作方法較為專業，難以滿足大眾日益增長的日常保健需求。近年來，國內外學者均著手開展基于個別腦電導聯信號的睡眠分期研究，但大多研究仍基于多路腦電信號，不夠便捷，且結果準確性均待提高[6-11]。為此，本研究開展了基于單路腦電的睡眠分期判別方法的研究，旨在為日后開發家用睡眠監護系統提供理論支持。

1 材料和方法

1.1 數據來源

研究采用M IT-BIH睡眠數據庫中17人的數據。由于1、2期為淺睡期，3、4期為深睡期，為簡化算法，本研究將其分別合并算作一類。因此共分覺醒期（Wake）、淺睡期（S1、S2）、深睡期（S3、S4）及快速眼動睡眠期（REM）。根據數據庫給出的專家分期標簽，設置30 s矩形窗進行分段，統計專家分期結果。

1.2 特征提取

腦電信號（EEG）常用特征包括時域特征、頻譜特征及非線性特征3類。腦電在不同睡眠階段呈現出不同的節律分布，故本研究主要采用頻譜特征進行睡眠分期的算法設計[12-13]，具體特征見表1。

表1 腦電睡眠分期特征表

1.2.1 Hjorth指數

利用Hjorth指數反映腦電的動態時域特性。Hjorth指數即分別計算輸入信號的方差、一介導數方差及二階導數的方差（F22-F25）[14-15]，計算公式如下：

1.2.2 頻譜特征

首先，利用平均周期圖法求得各30 s EEG信號的功率譜。之后從得到的EEG的頻譜中，將其分成4個標準頻段δ（2～4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz），分別計算這4個頻段的頻譜能量Pδ、Pθ、Pα、Pβ，并進一步計算求得特征F1～F21，F25～F27。

MPF（CGF）為重心頻率，計算公式如下：

其中，MPF為4～30 Hz全頻段的重心頻率，CGFδ、CGFθ、CGFα、CGFβ分別代表各頻段的重心頻率。FV代表頻率變異性，計算公式如下：

其中，FVδ、FVθ、FVα、FVβ分別代表各頻段的頻率變異性。

1.2.3 特征篩選

為驗證不同特征對模型的有效性，并簡化計算過程，需要對選取特征進行篩選處理。逐步回歸分析通常應用于篩選自變量以提高模型的顯著性，故本研究采用逐步回歸分析法對選取特征進行篩選處理，其原理是分別計算各特征的相關系數，按其絕對值從大到小排序，逐個引入并進行顯著性檢驗，剔除對結果貢獻小的變量，保留對結果貢獻大的變量。

1.2.4 分類方法

支持向量機（Support Vector Machine，SVM）是Vaonik首先提出的一種通用的前饋神經網絡，可用來解決模式分類與非線性映射問題[16]，目前已廣泛應用于十二維物體識別、文本自動分類、人臉檢測、手寫體數字識別等方面[17]。綜合考慮一致性與準確度，本研究采用線性核函數的SVM分類方法。

2 結果

分別構造特征矩陣，包涵17個人每30 s的27個特征；構造標簽矩陣，存儲17個人每30 s的專家分類結果。

2.1 特征逐步回歸

采用Matlab中stepw ise fi t函數進行逐步回歸分析，結果見表2。

表2 27個特征的逐步回歸結果

表2中列出了逐步線性回歸給出的各特征的系數、標準差、P值。本研究選取P值小于0.05的特征用于最終分類算法，故最終選取了F1、F3、F4、F5、F6、F7、F8、F13、F14、F15、F16、F19、F21、F25、F26、F27共16個特征，這16個特征的逐步回歸逐次特征標準誤差表，見表3。

次數特征標準誤差次數特征標準誤差0空0.80 9 4 0.71 1 3 0.74 10 6 0.71 2 21 0.72 11 5 0.71 3 26 0.71 12 27 0.71 4 14 0.71 13 8 0.71 5 16 0.71 14 7 0.71 6 15 0.71 15 19 0.70 7 25 0.71 16 1 0.70 8 13 0.71

由表3可知，根據逐步回歸每步得出的模型標準誤差值的大小，可看出從第5次的特征之后，R值基本趨于穩定，表征隨后添加的特征對整體模型的貢獻度減小。故研究同時選取前5項貢獻度最大的特征：F3、F14、F16、F21、F26，擬與16個特征結果進行對比分析。

2.2 分類結果

采用交叉分析法，將數據隨機分成5組，每次4組訓練SVM模型，1組用于測試模型，得到的分類結果見表4～6。

表4 全27個特征的SVM分類結果

表5 特征篩選后16個特征的SVM分類結果

表6 最顯著5個特征的SVM分類結果

表4、5、6分別為全27個特征、篩選16個特征、篩選最顯著5個特征的SVM分類結果，可以看出，特征16與特征27結果相近，證明了采用逐步回歸法進行變量篩選的有效性，可以減少模型中不必要的特征，提高運算速度。最顯著5個特征結果較前兩者略低，因此在硬件運算速度可以達到要求時應盡量采用16個特征分類。

2.3 ROC檢測

交叉測試中每個人訓練組及測試組分類結果的ROC檢驗均值，見表7?？梢钥闯?，整體靈敏度偏低為66％，特異度為89％，正確率為83％。

表7 分類結果ROC檢測數據表

3 討論

本研究對M IT-BIH睡眠數據庫的腦電信號進行分析，采用了Hjorth指數、各頻段能量及比例關系、重心頻率、頻率變異性等特征進行睡眠分期算法設計。在逐步回歸分析篩選特征后，采用SVM算法進行模式識別，最終采用16個特征分類判別的平均正確率為78.85％。

目前國內外一些學者在基于腦電的睡眠分期研究中取得了一定的成果。Koley等[6]自行采集睡眠腦電進行分期，結果較好，覺醒期和S2的正確識別率達到95％以上，但是其提取的特征多且復雜，很多特征不適用于硬件。Sim?es等[8]研究結果中對覺醒期、快速眼動期和非快速眼動期的判別正確率為82％，但是其采用六導聯腦電信號，腦電采集復雜，特征采用活動性、復雜度、熵、頻率峰態、R-squaer等復雜特征，且采用貝葉斯分類，計算量略大。Ebrahim i等[9]的研究雖然采用了與本研究一樣的單導聯腦電信號，但是其數據庫僅有7人數據，組數較少，同時采用決策樹分類方法的計算量較大。本研究僅通過單路腦電信號，提取了計算相對便捷的時域特征，采用SVM分類器，最終對睡眠分期判別的平均正確率達78.85％，且在保證準確率的基礎上，能夠滿足硬件要求，可方便地移植到可穿戴式設備中，具有一定的實際應用價值。

本研究存在的不足主要是ROC檢驗結果的靈敏度為66％，偏低。分析靈敏度偏低的主要原因如下：一方面，SVM訓練樣本中深度睡眠期及快速眼動睡眠期樣本量偏小，造成訓練總體的不均衡，致使一部分深度睡眠期及快速眼動睡眠期被誤判為淺睡期。由于正常的睡眠生理現象，覺醒期及淺睡眠1、2期占樣本的絕大多數，深睡期與快速眼動期樣本數量難以保證，造成了樣本的不均衡性。為解決這一問題，需要應用大量的實驗樣本，以保證其中有數量相對多的深度睡眠期和快速眼動睡眠期樣本，進而從中抽取各個睡眠期樣本量相對平衡的樣本進行分類。另一方面，本研究將睡眠階段分為4期，分別為覺醒期、淺睡期、深睡期、快速眼動睡眠期，基于目前所提取的特征可以達到相對高的準確率，若要對睡眠階段進行更細致的分期，例如將淺睡期具體分為S1、S2，深睡期具體分為S3、S4，則還需要考慮更多的時域特征及非線性特征。

4 結論

本研究以頻譜特征作為識別睡眠腦電信號的特征指標，采用多元逐步回歸分析法進行特征篩選，進一步采用線性分類及SVM算法實現腦電睡眠分期的自動判別，平均判別正確率為78.85％，得到了較為準確的分類結果，具有一定的應用價值。

[1]Randerath WJ,Sanner BM,Somers VK.Sleep apnea：current diagnosis and treatment[M].Rochester,MN,2006.

[2]White DP.Sleep apnea[J].Proc Am Thorac Soc,2006,（3）：124-128.

[3]Young T,Peppard PE,Gottlieb DJ.Epidem iology of obstructive sleep apnea：a population health perspective[J].Am J Respir Crit Care Med,2002,165（9）：1217-1239.

[4]Hori T,Sugita Y,Koga E et al.Proposed supplements and amendments to’A Manual of Standardized Terminology,Techniques and Scoring System for Sleep Stages of Human Subjects’, the Rechtschaffen＆ Kales（1968）standard[J].Psychiat Clin Neuros,2001,55（3）：305-310.

[5]Nieuwenhuijs DJ.Processed EEG in natural sleep[J].Best Pract Res Clin Anaesthesiol,2006,20（1）：49-56.

[6]Koley B,Dey D.An ensemble system for automatic sleep stage classi fi cation using single channel EEG signal[J].Comput Biol Med, 2012,42（12）：1186-1195.

[7]Estrada E,Nazeran H,Nava P,et al.EEG feature extraction for classification of sleep stages[C].26thAnnual International Conference of the IEEE,2004.

[8]Sim?es H,Pires G,Nunes U,et al.Feature Extraction and Selection for Automatic Sleep Staging using EEG[C].ICINCO,2010.

[9]Ebrahim i F,M ikaeili M,Estrada E,et al.Automatic sleep stage classi fi cation based on EEG signals by using neural networks and wavelet packet coefficients[C].30thAnnual International Conference of the IEEE,2008.

[10]李玲.睡眠腦電的分析處理和睡眠分期研究[D].北京：北京郵電大學,2010.

[11]劉冬冬,張玲,楊曉文.基于經驗模式分解的心肺耦合技術在睡眠分析中的應用[J].中國醫療設備,2015,30（6）：28-32.

[12]Japa BT,Lal S,Fiseher P,et al.Using EEG spectral components to assess algorithms for detecting fatigue[J].Expert Syst Appl,2009, 36（2）：2352-2359.

[13]Jung TP,Makeig S,Stensmo M,et al.Estimating Alertness from the EEG Power Spectrum[J].IEEE Trans Biomed Eng,1997,44（1）：60-69.

[14]劉秀,王長君,何慶.疲勞駕駛交通事故的特點分析與預防[J].中國安全生產科學技術,2008,1（1）：128-131.

[15]Charbonnier S,Zoubek L,Lesecq S,et al.Self-evaluated automatic classi fi er as a decision-support tool for sleep/wake staging[J].Comput Biol Med,2011,41（6）：380-389.

[16]Redmond SJ,Heneghan C.Cardiorespiratory-based sleep staging in subjects w ith obstructive sleep apnea[J].IEEE Trans Biomed Eng,2006,53（3）：485-496.

[17]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社, 2006.

A Sleep Staging M ethod Based on Single Channel EEG Signal

YAN Jia-yun, BIN Guang-yu, LIANG Li-yan, WU Shui-cai
College of Life Science and Bio-Engineering, Beijing University of Technology, Beijing 100124, China

Sleep is an important physiological phenomenon and sleep staging is the basis for evaluation of sleep quality and diagnosis of sleep diseases.As the most significant and intuitive signal, EEG（Electroencephalograph）signal has been w idely used in sleep studies.In this paper, a variety of EEG correlation characteristics were extracted to identify sleep EEG signals and feature selection was performed by the multiple stepw ise regression method.Then sleep staging was realized by linear classification and support vector machine（SVM）algorithm.According to the actual test results, the average accuracy of the sleep staging method based on single channel EEG signal was 78.85％, which proved the effectiveness of the method.

sleep monitoring system；sleep staging；single channel electroencephalograph；multiple stepw ise regression analysis；linear classi fi cation；support vector machine

R318.04；TN911.7

A

10.3969/j.issn.1674-1633.2015.12.009

1674-1633（2015）12-0034-04

2015-09-25

國家自然科學基金（7151101018）；北京市日新人才（015000514115006）。

賓光宇，副教授。

通訊作者郵箱：guangyubin@qq.com