基于特征融合的ARMA短時睡眠狀態分析

張俊民,　王　蓓,　王行愚

(華東理工大學信息科學與工程學院,上海 200237)

?

基于特征融合的ARMA短時睡眠狀態分析

張俊民,王蓓,王行愚

(華東理工大學信息科學與工程學院,上海 200237)

針對短時睡眠的特點,結合自回歸-移動平均模型(Auto-Regressive and Moving Average Model,ARMA)對短時睡眠過程中的睡眠狀態變化進行分析研究。以白天短時睡眠中記錄的腦電信號為研究對象,首先,從腦電信號中提取了3個與短時睡眠過程相關的特征參數,采用條件概率方法對特征參數進行融合處理,計算得到一個表征睡眠狀態的參數;然后,通過ARMA模型分析睡眠狀態的變化趨勢;最后,采用支持向量機(Support Vector Machine,SVM)方法將整個短時睡眠過程進行了睡眠狀態的自動判別,并與人工判別進行比較。結果表明,基于特征融合的ARMA模型顯著提高了睡眠狀態分析的準確率,7組測試數據得到的平均準確率為88.7%。一方面,特征融合能夠有效地提高數據處理速度,為睡眠狀態實時檢測提供有利的數據處理方式;另一方面,ARMA模型的預測作用,能夠分析受試者的睡眠狀態變化趨勢,為進一步調整和控制睡眠時長提供客觀評價依據。

短時睡眠; 腦電信號; 特征融合; ARMA模型

睡眠是人體一種重要的生理現象。根據R&K(Alan Rechtschaffen、Anthony Kales)國際睡眠分期準則[1],將睡眠狀態分為3個基本階段:覺醒期(Awake,SW)、快速眼動睡眠期(Rapid Eye Movement,REM)和非快速眼動睡眠期(Non-Rapid Eye Movement,NREM)。非快速眼動睡眠又可以進一步劃分為4個階段,其中睡眠1期(S1)和睡眠2期(S2)為淺睡眠狀態,睡眠3期(S3)和睡眠4期(S4)為深睡眠狀態。在整夜的長時睡眠中,NREM和REM兩者交替進行,形成90～120 min的睡眠周期。

睡眠問題會對人的身體和精神狀態產生嚴重的干擾。隨著社會的發展,生活節奏不斷加快,人們的生活壓力陡增,越來越多的人受到睡眠問題的困擾[2]。一方面,在一些特殊崗位,例如護士等崗位要求工作人員24 h輪班工作,又如飛行員等崗位要求注意力高度集中,其疲勞度和覺醒度對工作的影響較大,特殊的工作環境決定了他們特殊的作息狀況[3-4]。另一方面,普通人群因為工作壓力等原因不得不壓縮睡眠時間,不良的作息規律造成睡眠不足,在日間極易產生困倦疲勞、注意力無法集中而效率變低,影響正常的工作和學習。如果這種狀態不能得到及時的調整和緩解,很可能會產生睡眠障礙,從而嚴重影響人們的日常生活[5]。在整晚睡眠質量不足的情況下,日間的短時睡眠是緩解睡眠問題的一個很好的途徑[6]。

短時睡眠根據其功能可以分為兩類:補償型短時睡眠和預防型短時睡眠。前者主要作為因夜間失眠導致睡眠嚴重不足的補償,補充人體活動必要的精力,通常持續時長大約120 min;后者可以作為因持續工作而導致的精力不足的一種修復,通過這種短時睡眠,可以有效地改善身體和精神狀態,持續時長大約20～30 min[7]。相對于補償型短時睡眠,預防型短時睡眠在人們的日常工作中更易實現,可以有效地減緩疲勞、恢復體力,提高工作效率[8]。與夜晚的長時睡眠不同的是,日間短時睡眠主要包括3個階段:覺醒期(SW)、睡眠1期(S1)和少量的睡眠2期(S2)。然而,人往往會由于睡眠慣性逐步進入深睡眠狀態,如果經過一個睡眠周期(一般為90～120 min)再次恢復到淺睡眠狀態,則需要花費更長的時間,不宜實現;如果中途從睡眠狀態中被喚醒過來,人會感覺更加疲勞無力[9-10]。因此,控制睡眠時長并使人們從淺睡眠狀態中逐漸清醒過來是保持短時睡眠積極作用的關鍵問題。

本文針對短時睡眠的特點,從實時檢測睡眠狀態的目的出發,結合ARMA模型對短時睡眠過程中的睡眠狀態變化進行分析研究。以白天短時睡眠中同步記錄的4導腦電信號為研究對象,共采集了8名被試者的睡眠腦電數據,其中一組作為分類判別的訓練數據,7組作為測試數據。首先,從腦電信號中提取了3個與短時睡眠過程相關的特征參數,采用條件概率方法對特征參數進行融合處理,計算得到一個表征睡眠狀態的參數;然后,通過ARMA模型分析睡眠狀態的變化趨勢;最后,采用SVM方法將整個短時睡眠過程進行了睡眠狀態的自動判別,并與人工判別進行比較來評價特征融合和ARMA模型分析的效果。

1　方　法

1.1數據采集

本文的數據采集于日本佐賀大學的先進控制系統實驗室。7組測試數據均采集于年齡21～23歲的健康被試者,采集時間安排在午飯后12∶00～15∶00,在一個光線較暗且低噪聲的安靜、舒適環境中入睡。采用標準多導睡眠檢測系統記錄原始數據[11],采集了4導睡眠相關腦電信號(Electro-encephalogram,EEG),數據采集時長約為30 min。圖1示出了EEG信號的采集位置圖。根據國際10～20電極配置法[12],將電極放置于頭皮的中部和枕部,采集位置分別為C3、C4、O1、O2,參考電位分別采用異側耳垂A1和A2,得到C3-A2、C4-A1、O1-A2、O2-A1共4導腦電信號。EEG的采樣頻率為100 Hz,時間常數為0.3 s,最高頻截止頻率為70 Hz,靈敏度為0.5 cm/mV。

圖1　睡眠腦電采集位置Fig.1　Electrodes for EEG recording

1.2特征參數提取

主要采用睡眠腦電數據進行睡眠狀態估計。首先將數據以5 s時長為單位分段,對原始數據進行快速傅里葉變換,提取其頻域特征,并計算不同特征波的能量占比作為特征參數。

根據R&K睡眠分期準則[1],在覺醒期,腦電中的α波(8～13 Hz)含量很高,可以作為覺醒期的主要判別依據。睡眠1期是覺醒狀態到睡眠狀態的過渡階段,此時θ波(2～7 Hz)取代α波,成為主要特征波,而且睡眠1期到睡眠2期θ波含量逐漸增加。因此本文選取以下3個特征參數:

(1)

(2)

(3)

式中:R表示比率,R1表示8～13 Hz頻段的能量與2～7 Hz頻段能量和的比值,R2表示2～7 Hz頻段的能量和與8～13 Hz頻段能量和的比值,R3表示12～16 Hz頻段的能量占0.5～25 Hz頻段能量和的比值。選取左、右半球腦區的最大值得到3個特征參數R1、R2和R3;S為能量和;下標α表示8～13 Hz;θ表示2～7 Hz;spindle表示12～16 Hz;T表示0.5～25 Hz。

1.3特征參數融合

為了提高數據處理的效率,采用條件概率方法將3個特征參數進一步融合[13]。根據已知睡眠狀態的人工判讀結果,選用高斯分布得到各特征參數在不同睡眠狀態下的概率密度分布:

(4)

式中:μ為平均值;σ為方差;y為特征參數。訓練數據根據已知結果分為3組:SW、S1和S2,分別計算每個分組的特征參數值,最后可獲得特征參數對應3個睡眠分期的概率密度分布。

對于測試睡眠參數,根據已經得到的特征參數概率密度分布,求取參數的聯合分布值:

(5)

式中:M為參數的數量(M=3);ζi為睡眠分期。這里假設參數之間互相獨立。

計算各睡眠分期的條件概率:

(6)

式中:P(ζi)為各個睡眠狀態的先驗概率;N為不同睡眠狀態的數量(N=3)。由于短時睡眠過程的復雜性,較難獲得各睡眠狀態的先驗概率以及睡眠狀態之間變化的轉移概率。本文中,將各睡眠狀態的先驗概率取等值1/3,對式(6)進行簡化。

根據得到的條件概率,定義睡眠狀態統計變量(L):

(7)

式中:ζ0表示覺醒期;ζ1表示睡眠1期;ζ2表示睡眠2期。為了區分不同分期,定義系數a0、a1和a2分別對應覺醒期、睡眠1期和睡眠2期的睡眠狀態值。對于測試數據,由式(7)可以得到5s數據段對應的睡眠狀態估計值。

1.4睡眠趨勢估計

人們的睡眠狀態會隨著時間的推移發生變化,對其睡眠趨勢進行分析有利于全面地監控睡眠狀態,提高睡眠狀態分析的合理性和準確性。時間序列分析是數據趨勢分析的有效手段,常用的時間序列分析方法有回歸分析法、移動平均法、指數平滑法、自回歸-移動平均模型(Auto-Regressive and Moving Average Model,ARMA)等,常見的時間序列分析方法比較見表1。

表1　時間序列分析方法比較Table 1　Time series analysis methods compare

本文選擇ARMA進行睡眠趨勢的分析。一方面,ARMA模型對數據量要求較少,計算方法比較靈活,運算精度較高,是時間序列分析中非常有效的方法[14];另一方面,從原理上講,ARMA模型認為序列中第n個時刻的觀察值不僅與前n-1個觀察值有關,而且與前n-1個時刻進入系統的擾動有依存關系。人們的睡眠狀態會隨著時間的推移發生變化,而且每一時刻的睡眠狀態也都前后關聯,這與ARMA模型描述的過程特性相似,因此,采用ARMA模型能夠對融合特征變化進行擬合。由于計算融合特征時,睡眠狀態的先驗知識較難獲取,因此對條件概率的計算進行了簡化,而ARMA模型的特點能夠彌補這方面的缺陷,并能夠針對不同實驗對象的數據進行擬合,從而實現睡眠狀態的估計。

睡眠狀態趨勢估計ARMA模型可表述為

(8)

式中:ak為自回歸系數;bk為移動平均系數;x(n)為標準化后的睡眠特征參數時間序列;ε(n)為估計值相對原值的誤差項;p、q為模型階數。

建立睡眠特征參數的ARMA模型可以分為4個部分:數據檢驗、模型識別、模型參數估計和模型檢驗。圖2示出了ARMA建模過程。

圖2　ARMA建模過程Fig.2　Block of building ARMA model

(1) 數據檢驗。采用ARMA建模要求原始時間序列具備平穩性和隨機性,因此需對數據進行平穩性和隨機性檢驗。平穩性值主要通過單位根(ADF)檢驗來確定,當ADF值小于1%時,即可認為該時間序列為平穩時間序列。如果序列非平穩,可以通過差分處理。通常情況下,經過1～2次差分處理,特征參數即變為平穩時間序列。本文中睡眠特征參數未必滿足時間序列的平穩性,因此單位根檢驗是必不可少的。隨機性主要通過檢測數據的殘差序列來判定,如殘差不具備隨機性,則不能采用ARMA模型。本文研究的睡眠腦電信號本身具有隨機性的特點,因此滿足隨機性時間序列的要求。

(2) 模型識別。模型識別就是對待建的模型進行判斷,是否符合時間序列建模要求以及采用哪種模型。根據Box-Jenkins模型識別方法[14],對原始序列的自相關函數和偏相關函數進行分析,根據表2確定模型類型。如果自相關函數是“拖尾”的,偏相關函數是“截尾”的,則應采用自回歸(AR)模型;如果自相關函數是“截尾”的,偏相關函數是“拖尾”的,則應采用移動平均模型(MA)模型;如果自相關函數和偏相關函數都是“拖尾”的,則應采用ARMA模型。

(3) 模型參數估計。模型的參數識別包括模型階次判定和模型系數估計。模型的階次決定了模型的優劣。在模型類型的確定過程中,采用Box-Jenkins模型識別方法,根據序列自相關函數(AC)和偏相關函數(PAC)的“拖尾”性和“截尾”性即可判定模型階次,但此方法需要人工觀察來確定階次,而且很難準確判斷時序列“截尾”的具體階次,故通常采用準則函數確定模型階次,便于編程實現。常用的準則函數有赤池信息量準則(Akaike Information Criterion,AIC)、貝葉斯信息準則(Bayesian Information Criterions,BIC)準則、最小最終預報誤差準則(Final Prediction Error,FPE)準則等。本文采用AIC準則來確定睡眠特征函數的模型階次。

表2　模型類型選擇Table 2　Model select

模型的系數估計主要是為了確定式(8)中ak和bk的具體值,會直接影響模型的精度。常用的模型參數估計方法有矩估計方法、最小二乘法、最大似然估計法等。其中,最小二乘法基本原理成熟、計算量較小、估計精度較高,本文選擇最小二乘法對模型進行參數估計。

(4) 模型檢驗。在對睡眠特征參數進行ARMA建模之后,需要對模型進行檢驗和修正,例如可以通過過擬合檢驗來刪掉模型中多余的參數,優化建模過程。通過對睡眠狀態參數建立AMRA模型,得到融合了睡眠趨勢的狀態參數值。

1.5分類識別

分類識別是睡眠狀態分析的定量問題。近年來,隨著智能計算方法的廣泛應用,帶有自適應和學習能力的分類方法也被應用到睡眠的分析中來,例如神經網絡[15-16]、模糊算法[17]、支持向量機(SVM)[18-19]等。從提高算法的普適性角度出發,本文選取具有學習能力的支持向量機方法。

支持向量機[20]是一種監督式學習方法，本文將SVM用于分類識別時,首先選取一名被試者的數據作為訓練數據,將其人工判讀分期結果作為訓練標簽。選取多項式核函數,并采用默認參數建立分類模型,采用該模型對睡眠狀態參數進行分類識別。然后將被試者的數據作為測試數據進行分類,將人工判讀分類結果作為分類標簽,測試得到的結果和人工判讀結果進行比較,計算分類準確率。

2　結　果

2.1特征參數提取和特征融合

本文共分析了7組睡眠腦電數據,將采集到的原始數據分割為以5 s為時長的數據段。對各導腦電的頻域特征根據式(1)～ 式(3)計算能量比,得到最終的特征參數R1、R2和R3。

由式(4)得到特征參數的概率密度分布,結果如圖3所示。

圖3　特征參數的概率密度分布Fig.3　Probability density functions of parameters

從分布曲線中可以看到,R1和R2能夠較好地區分3個睡眠分期。8～13 Hz節律的特征波在覺醒狀態下約為70%,進入到睡眠狀態后明顯減弱,到了睡眠2期,約為5%;2～7 Hz節律的特征波與8～13 Hz節律大致相反,在覺醒狀態下約為10%,進入睡眠狀態后明顯增加,睡眠2期大約占60%;12～16 Hz節律特征波在睡眠狀態下變化不大,占比約為70%～80%,但要明顯高于覺醒狀態下的40%～50%。R3在覺醒期比較少,隨著睡眠深度的加深而增多,在覺醒期和睡眠期睡眠紡錘波的含量變化比較明顯,而在睡眠1期和睡眠2期睡眠紡錘波含量近似。R3可以作為區分睡眠和覺醒的輔助參數。

由式(5)～ 式(7)可以得出測試數據的睡眠狀態統計量。

2.2ARMA模型趨勢估計

根據圖2中的步驟,對得到的睡眠狀態參數建立時間序列模型,首先檢驗數據的平穩性和隨機性,分析其自相關函數和偏相關函數,如圖4所示。

圖4(a)所示為為自相關函數圖,圖4(b)所示為為偏相關函數圖,圖中虛線之間為置信區間。通過自相關分析,可得其自相關函數最終均落入置信區間,且逐漸減小,由此得出該序列具備隨機性和平穩性。結合偏相關分析可得,其自相關函數和偏相關函數均沒有明顯的“截尾”性,因此應采用ARMA(p,q)模型建模。進一步根據AIC準則可知,應該采用ARMA(3,3)建立模型,得到其睡眠狀態統計量如圖5所示。

圖5的橫軸表示時間,被試者的睡眠過程大約持續15 min;縱軸表示睡眠狀態,其中實線表示睡眠狀態參數,虛線表示建模后的結果。從圖5可以看出,被試者在經歷了約5 min的覺醒狀態后進入睡眠狀態,約7～8 min時睡眠狀態進一步加深,逐漸過渡到睡眠2期,在12～14 min時,睡眠狀態有所波動,最后被試者覺醒,結束睡眠過程。由圖5可以觀察到,5 s的數據段細分可以得到更多的睡眠細節,尤其是不同睡眠狀態之間過渡階段的細微變化。

圖4　自相關函數和偏相關函數Fig.4　Auto-correlation & partial auto-correlation

圖5　ARMA建模結果Fig.5　ARMA modeling result

2.3睡眠狀態估計

為了分析睡眠狀態估計方法的有效性,本文采用支持向量機方法進行睡眠分期自動判別,并將其與人工判別結果進行比較。首先,選取訓練數據,并將其人工判讀分期結果作為訓練標簽。經過多次實驗,選取C-SVC模型支持向量機以及線性核函數,對得到的睡眠狀態參數建模結果進行分類識別,結果如圖6所示。

圖6　睡眠狀態估計結果Fig.6　Sleep stage classification compared with visual inspection

圖6中,“o”代表采用SVM方法分類識別結果,“*”代表人工判讀結果,以人工判讀結果為依據,兩者重合表示分類正確,反之則分類錯誤。從圖中可以看出,在覺醒狀態,被試者狀態比較穩定,分類的效果也很好,到了睡眠1期,由于此時被試者處在覺醒期與睡眠狀態的過渡階段,雖然人工判別結果為睡眠1期,但實際上被試者在這段時間里的睡眠狀態并不穩定,因此分類效果不夠理想。在隨后的時間里,被試者進入睡眠2期,睡眠狀態趨于穩定,分類效果較好。統計5 s時長數據段的分類結果,如表3、表4所示。

表3　睡眠狀態估計結果分析Table 3　Analysis of sleep stage evaluation result

表4　睡眠狀態估計準確率Table 4　Accuracy of sleep stage evaluation

表3示出了各睡眠狀態的估計結果,每一列代表人工判讀結果,對角線上的值代表估計結果與人工判讀結果一致,其他位置的值表示原屬于列所在睡眠分期被錯分到行所在的睡眠分期。表4示出了估計準確率。結合表3、表4和圖6可知,當被試者的睡眠狀態相對穩定時,狀態估計的效果比較好,而在過渡階段,睡眠狀態有所波動時,狀態估計的效果就會有所下降。總體來說,綜合準確率為91.28%,說明該方法可以有效地估計被試的睡眠狀態。

為了說明ARMA模型在睡眠估計中的作用,將采用ARMA模型和未采用ARMA模型的結果進行對比,結果見表5。

表5　建模前后的結果比較Table 5　Comparasion of results with or without modeling

表5中No-ARMA表示沒有采用ARMA模型得到的睡眠狀態估計結果,ARMA表示采用ARMA模型的睡眠狀態估計結果。由7組數據的測試結果可以看出,采用了ARMA模型后,睡眠狀態估計結果普遍有所提高,準確率提高了0.5%～5%,平均準確率達到89.04%,提高了2.82%,ARMA模型對于提高睡眠狀態估計的準確率起到了顯著的作用。

3　討論與總結

3.1日間短時睡眠的特征參數

在傳統的夜間長時睡眠分析中,一般采用20 s或30 s時長對原始數據劃分,這在長達8～12 h的睡眠分析中有其合理性,然而對于時長僅為20～30 min的日間短時睡眠,可能會丟失過渡階段的睡眠信息。因此本文對于采集到的睡眠腦電數據,將原本的20 s數據段進一步細分為5 s數據段。采取5 s睡眠數據段的分析,可以觀察到更多的睡眠狀態細節,也可以更好地反映睡眠的連續性與漸變性。在睡眠特征參數的提取過程中,采用頻域方法提取腦電頻域特征之后,結合已知的睡眠狀態分期結果,分析了各睡眠特征參數在不同睡眠狀態下的概率密度分布,并以此為依據將3個特征參數融合為一個參數——睡眠狀態統計量。通過特征融合,對特征進行降維處理,一方面能夠降低后續建模的運算量,加快數據處理速度;另一方面,生物電信號隨機性強,適合采用統計學方法分析,所獲得的基于條件概率的融合特征,對應了當前特征參數下睡眠狀態出現的概率,不僅蘊含了睡眠分期的信息,同時給出了睡眠分期在持續和過渡期間的連續變化情況。

3.2日間短時睡眠的狀態判別

在進一步的睡眠狀態分析過程中,引入時間序列分析方法——ARMA模型分析,對睡眠狀態統計量進行時間序列分析,通過建立ARMA模型,將原本獨立的睡眠狀態參數轉化為相互關聯的時序列。一方面,可以對睡眠狀態參數起到平滑的作用；另一方面,建模后的數據,每個5 s時間段的參數不僅與當前時刻有關,還與過去一段時間的睡眠狀態參數有關,即每個狀態參數值都融合了當前睡眠狀態和睡眠趨勢量,能夠更好地體現睡眠的連續性和完整性,使后續的睡眠狀態估計結果更加準確。考慮到傳統睡眠分期方法普適性較差的問題,選取具有自學習能力的支持向量機方法驗證睡眠狀態估計準確率。與傳統分類方法相比,SVM應用VC維理論和結構風險最小化原理,借助于最優化方法等,在很大程度上克服了傳統機器學習面臨的維數災難、局部最小點以及過度學習等難以克服的困難。在SVM用于睡眠狀態的評估中,圖6顯示了一名被試者的睡眠分析結果,從圖中可以看出,該被試者先后經歷了覺醒期、睡眠1期和睡眠2期,并從睡眠2期逐漸清醒過來,是非常典型的淺睡眠過程,其中覺醒期和睡眠2期睡眠狀態比較穩定,所以睡眠狀態的分析結果和人工判讀結果相比準確率較高。在睡眠1期,由于該狀態處在覺醒狀態和睡眠狀態的過渡階段,特征不夠明晰,分析結果不夠理想,該被試者經歷了約15 min的淺睡眠并逐步覺醒,這樣避免了從深睡眠覺醒引起的睡眠慣性,說明本文所提出的基于ARMA模型的短時睡眠狀態分析方法取得了較好的效果,可以作為分析短時睡眠狀態的客觀依據。

3.3總結與展望

本文主要研究了日間短時睡眠的狀態估計問題,提出了基于ARMA模型的睡眠分析方法,在睡眠特征參數的提取過程引入了統計方法——條件概率,將原有的3個特征參數進行融合,并得到一個表征睡眠狀態的統計量,然后采用了時間序列分析方法,對其建立ARMA模型,分析數據隨時間變化的趨勢,得到結合睡眠趨勢的睡眠狀態統計參數,較好地反映了睡眠的連續性與漸變性,最后選取具有自學習能力的分類方法——支持向量機,以睡眠狀態統計參數為依據對被試者的睡眠過程進行自動的判別分期,并將得到的結果與人工判別結果相比較,得到了較高的判別準確率,得到的睡眠狀態估計結果可以作為合理控制睡眠時長的客觀依據。在本文的研究中發現,不同被試者的特征參數差異很大,得到的結果也有較大差異,在今后的研究中,可以進一步分析不同被試者特征參數的差異,通過對比人工判別結果分析誤判的原因,優化特征參數的處理過程,盡量減少個體差異對睡眠狀態估計帶來的影響。另外,在采用SVM方法分類驗證的過程中,可以進一步通過優化分類參數,包括核函數種類、懲罰函數,來提高分類準確率。

[1]RECHTSCHAFFEN A,KALES A.A Manual of Standardized Terminology Techniques and Scoring Systems for Sleep Stages of Human Subjects[M].Los Angeles:UCLA Brain Information Service/Brain Research Institute,1968.

[2]王祖承.睡眠與睡眠障礙[M].上海:上海科技教育出版社,2005.

[3]付兆君,劉玉華,崔麗,等.睡眠障礙飛行員認知功能研究[J].中國行為醫學科學,2008,17(9):825-825.

[4]CHANG Yusan,WU Yuhsuan.Did a brief nap break have positive benefits on information processing among nurses working on the first 8 h night shift[J].Applied Ergonomics,2015,5(48):104-108.

[5]賈麗娜,王興娟.睡眠不足對機體代謝的影響[J].現代預防醫學,2007,34(6):1061-1062.

[6]STANG A.Daytime napping and health consequences:Much epidemiologic work to do[J].Sleep Medicine,2015,16(7):809-810.

[7]HAYASHI M,ITO S,HORI T.The effects of a 20 min nap at moon on sleepiness performance and EEG activity[J].International Journal of Psychophysiology,1999,32(2):173-180.

[8]LAU Ether Yuet Ying,WONG Mark.Rapid-eye-movement-sleep (REM) associated enhancement of working memory performance after a daytime nap[J].PLoS ONE,2015,10(5):1-16.

[9]GORGONI M,FERRARA M,D′ATRI A,etal.EEG topography during sleep inertia upon awakening after a period of increased homeostatic sleep pressure[J].Sleep Medicine,2015,16(7):883-900.

[10]THOMPSON A,JONES H,GREGSON W,etal.Effects of dawn simulation on markers of sleep inertia and post-waking performance in humans[J].European Journal of Applied Physiology,2014,114(5):1049-1056.

[11]KRYGER M H,ROTH T.Principles and Practice of Sleep Medicine[M].5th ed.USA:Elsevier Medicine,2010.

[12]JASPER H H.Ten-twenty electrode system of the international federation[J].Electroenceph Clin Neurophysiol,1958,10:371-375.

[13]王蓓,張俊民,王行愚,等.基于條件概率的短時睡眠狀態實時估計[J].北京生物醫學工程,2015,34(4):383-388.

[14]BOX G E P,JENKINS M.Time Series Analysis Forecasting and Control[M].USA:Holden Day Inc,1976.

[15]張涇周,周釗,滕炯華,等.基于神經網絡的睡眠分期處理算法研究[J].計算機仿真,2010,27(8):141-145.

[16]TAGLUK M E,SEZGIN N,AKIN M.Estimation of sleep stages by an artificial neural network employing EEG,EMG and EOG[J].Journal of Medical Systems,2010,34(4):717-725.

[17]JO H G,PARK J Y,LEE C K,etal.Genetic fuzzy classifier for sleep stage identification[J].Computers in Biology and Medicine,2010,40(7):629-34.

[18]阿伯德,汪豐.基于支持向量機的睡眠自動分期[J].健康必讀,2013,12(8):5-6.

[19]葛家怡,周鵬,趙欣.基于支持向量機的睡眠結構分期研究[J].計算機工程與應用,2008,44(8):5-8.

[20]VAPNIK V.The Nature of Statistical Learning Theory[M].2nd ed.USA:Springer,2000.

Sleep Level Evaluation by Feature Fusion and ARMA for Nap

ZHANG Jun-min,WANG Bei,WANG Xing-yu

(School of Information Science and Engineering,East China University of Science and Technology,Shanghai 200237,China)

According to the characteristic of nap,this work proposes a sleep level estimation method based on ARMA model for analyzing the sleep status varying in nap.By using the sleep data during day nap,3 relevant parameters are calculated from Electroencephalogram(EEG),which are further fused into one parameter via the conditional probability for describing different sleep levels.And then,Auto Regressive and Moving Average (ARMA) model is adopted to analyze the sleep tendency.Finally,Support Vector Machine(SVM) is utilized to classify the sleep progress automatically.Compared with the visual inspection,the proposed estimation method can raise the sleep level recognition up to the average 88.7% of all 7 subjects.On one hand,feature fusion can improve the calculation speed significantly and provide an effective method for real-time sleep level detection.On the other hand,the prediction feature of ARMA model can be utilized to analyze the sleep tendency and provide an objective evaluation for further adjusting and controlling the sleep duration.

nap; EEG; feature fusion; ARMA model

A

1006-3080(2016)03-0404-08

10.14135/j.cnki.1006-3080.2016.03.018

2015-09-25

國家自然科學基金(61074113,91420302);上海市自然科學基金(16ZR1407500)

張俊民(1989-),男,山東人,碩士生,研究方向為電生理信號的研究及應用。

通信聯系人：王行愚,E-mail:xywang@ecust.edu.cn

TP181;R318.04