基于生物電阻抗技術的睡眠姿勢識別方法的探討

許歡，張平

浙江省人民醫院 臨床醫學工程部，浙江 杭州 310000

基于生物電阻抗技術的睡眠姿勢識別方法的探討

許歡，張平

浙江省人民醫院 臨床醫學工程部，浙江 杭州 310000

對于睡眠姿勢的有效監測可以對某些疾病的診斷、預防、治療提供直接參考。本文提出了一種基于生物電阻抗技術的睡眠姿勢識別新方法。該方法采用無創、連續的生物電阻抗技術采集左右胸部呼吸電阻抗信號，從呼吸電阻抗信號中提取睡眠姿態信息，達到睡眠姿勢識別的目的。該系統硬件部分采用Agilent E4980A電阻抗儀，通過多通道開關實時采集人體左右胸部兩通道的呼吸信號。軟件部分分為實時的計算機Labview顯示和存儲部分以及線下Matlab分類識別處理算法部分。實驗共召集了19名測試者參與，每人4次實驗。測試者在指導下依次保持仰臥位、左側臥位、右側臥位、俯臥位4種姿勢，分別在4種姿勢下做正常呼吸運動。根據提取的特征值使用支持向量機的方法對4種姿勢進行分類識別，結果顯示測試組的最高分類識別精度可以達到94.6%。

生物電阻抗技術；呼吸信號；睡眠姿勢識別；特征提取；支持向量機

引言

在人類平均每天約7～9 h的睡眠過程中，身體會自身調節、修復和生長。睡眠對人的身心健康以及情緒有著重要的影響[1]。主觀評價法和客觀評價法是目前慣用的評估睡眠質量的兩種方法，各有優缺點。在客觀評價法方面，評估夜間睡覺質量大多用到腦電圖研究，如多導睡眠儀，患者在睡眠實驗室或在家中都能接受相關檢測[2]。在連續睡眠監測中，睡眠姿勢的改變是客觀評價睡眠質量的重要方式之一[3]。睡眠姿勢也是睡眠分期和睡眠困難評估的關鍵指標之一，廣泛用于臨床中。

睡眠姿勢對呼吸暫停的影響引起了諸多學者的廣泛關注。近年來，許多有關于分析睡眠呼吸暫停和睡眠姿勢關系的研究工作也取得了巨大的進展。韓國高麗大學的Lee等[4]研究報道，側臥位睡姿能夠有效地減輕中度/輕度睡眠呼吸暫停綜合征患者的睡眠障礙。Liu等[5]研究表明，呼吸疾病患者應避免仰臥位的睡姿。體位性阻塞性睡眠呼吸暫停（Obstructive Sleep Apnea，OSA）患者在仰臥位睡眠時會發生為呼吸異常。然而在側臥位時，他們發生呼吸暫停和低通氣的次數顯著降低甚至完全消除[6]。因此，睡眠姿勢的實時識別與調節將有效地減輕睡眠呼吸暫停患者的睡眠呼吸障礙。

睡眠姿勢已被證明是評估睡眠質量和預防壓瘡的關鍵因素[7]。德克薩斯大學的Yousefi等[8]研制出一個人體壓力分布示意圖測量系統，可實時監測臥床病人全身的壓力分布，根據監測數據的指示，幫助臨床護理人員對病人姿勢做出及時調整。

由此可見，對于睡眠姿勢的實時監測可以實現相關呼吸疾病的早診斷、早預防、早預警。睡眠姿勢監測儼然已成為睡眠監測的重要指標，對人類的健康產生直接影響。

基于以上背景，本課題提出了一種基于生物電阻抗技術的睡眠姿勢識別新方法。利用電阻抗技術實時監測左側胸部和右側胸部的呼吸電阻抗信號，從兩通道呼吸信號中提取睡眠姿態信息，深入分析左右胸部呼吸阻抗相關性與睡眠姿態之間的關系，結合支持向量機（Support Vector Machine，SVM）等分類算法，實現睡眠姿勢精確識別。

1 材料與方法

1.1 生物電阻抗技術

生物電阻抗技術是一種運用生物組織與器官的電生理特性及其變化規律，提取出與人體生理、病理狀況相關的生物醫學信息的檢測技術[9]。通常是借助置于體外（表）的電極系統向受試對象注入一個微小的交流激勵電流，檢測電壓變換，最后換算得到相應部位的電阻抗變化。根據不同的應用目的，可以獲取相應的生理和病理信息。作為一種非侵入的方法，生物電阻抗法提取信息快[10]，無創、安全、廉價、操作簡便、功能完備、信息豐富，醫生和病人易于接受。

對人體相應組織注入一個穩定的微小的交電流，檢測相應組織部位的電壓，根據電壓與電流比值關系計算出生物電阻抗值[11]：Z=U/I。

生物電阻抗技術的一大應用領域就是用于呼吸信號的檢測，包括呼吸通氣功能檢測[12-13]及電阻抗成像用于呼吸通氣的檢測[14]。研究表明，可以通過測量呼吸過程中胸部的電阻抗變化來檢測呼吸頻率、潮氣量等指標[15]。

1.2 實驗信號采集總體結構

基于生物電阻抗技術的睡眠姿勢識別實驗方案，見圖1。主要包括計算機一臺、Agilent E4980A阻抗儀一臺、多通道開關轉接板、一次性心電電極等。本實驗可實現人體左胸、右胸兩個位置同步采集電阻抗呼吸信號。兩個通道注入的人體電流均為1 mA、50 kHz的正弦交流電流，符合人體安全要求。

圖1 睡眠姿勢識別實驗方案

實驗時，通過Agilent E4980A電阻抗儀向人體提供一激勵電流，同時檢測相應部位的電壓值，通過阻抗計算的相關運算法則計算得到電阻抗值，在計算機上顯示并能存儲數據。整體框圖，見圖2。

圖2 基于生物電阻抗技術的睡眠姿勢總體流程框圖

1.3 實驗方案

1.3.1 電極貼放

本實驗采用一次性醫用Ag-Agcl心電電極，導電性能良好，耐受度強，使用時間長。本實驗實際測量時激勵電極與測量電極的佩戴示意圖，見圖3。

圖3 電極貼法示意圖

1.3.2 實驗步驟

選擇19個健康志愿者參與本實驗，采用仰臥位、左側臥位、右側臥位、俯臥位4種睡眠姿勢。4種睡眠姿勢示意圖，見圖4。

圖4 4種睡眠姿勢示意圖

具體實驗步驟：

（1）按圖3方式貼好兩個位置的電極，貼電極前，用砂紙去除貼電極部位的角質，然后用醫用消毒酒精對皮膚進行消毒。

（2）讓受試者處于仰臥狀態，啟動電阻抗儀，開啟計算機Labview軟件，發出指令，讓受試者開始正常呼吸。持續5 min。

（3）5 min后暫停計算機讓受試者換成左側臥位姿勢。開啟軟件，發出指令，讓受試者開始正常呼吸。持續5 min。

（4）接著，休息2 min，暫停計算機。讓受試者換成右側臥位姿勢。開啟軟件，發出指令，讓受試者開始正常呼吸。持續5 min。

（5）最后，休息2 min，暫停計算機。讓受試者換成俯臥位姿勢。開啟軟件，發出指令，讓受試者開始正常呼吸。持續5 min。

（6）完成全部數據的測試，存好數據，關閉軟件和阻抗儀，摘除電極。

1.4 硬件部分

硬件部分由Agilent E4980A電阻抗儀、多路開關、導線、Ag-Agcl心電電極、計算機組成。阻抗儀用來向被試者輸入一個恒定的安全電流，然后檢測相應部位的電壓，通過計算得到阻抗值。多路開關用來使單一輸出的電阻抗分路輸出，達到左右胸部兩通道同時采集的目的。電極線和電極作用于被試者，實現信號的傳輸。計算機用來對電阻抗數據的顯示和存儲。

1.5 軟件部分

軟件由Labview 2010實時采集和Matlab R2010b線下處理共同實現。其中，在線采集部分分為4個模塊：信號讀取模塊、數據轉化模塊、顯示模塊和數據存儲模塊。線下處理部分包括：數據讀取模塊、預處理模塊、特征提取模塊和分類算法模塊。將軟件系統分開進行設計，將獲得更加清晰明確的設計流程，節約開發時間，并且使系統調整和修改具有更加靈活的空間。Labview在線采集部分，見圖5。Matlab線下處理部分，見圖6。

圖5 在線采集部分

圖6 線下處理部分

信號讀取模塊實現連接Agilent E4980A電阻抗儀，接口匹配，函數調用的功能；數據轉化模塊實現獲得信號的轉化，將模擬量轉化為數字量；顯示模塊實兩通道電阻抗呼吸信號的實時顯示，包括阻抗值的實部和虛部；數據存儲模塊實現最終呼吸信號數據的存儲，存儲形式為“.excel”格式。在線采集部分的軟件設計流程圖，見圖7。Matlab線下處理部分是本實驗的數據處理的關鍵部分，對能否實現姿勢的正確識別至關重要；數據讀取模塊功能是用Matlab將存為Excel格式的數據正確讀取，便于后面的算法處理；預處理模塊功能是對數據去噪、濾波、分段等處理；特征提取模塊用于對所要選取的特征值的算法實現，并進行分段的存儲；分類算法模塊則是根據所提取到的特征值，用模式識別方法，達到分類識別的目的。

圖7 在線采集部分的軟件設計流程

2 結果

2.1 特征提取

對左右胸部兩通道采集的呼吸電阻抗信號進行分析，獲得有用的信息作為分類的指標。而特征提取是分類識別的初級運算，是對不同信號所具有特點的深度提煉和總結，為接下來的各種分類算法做準備。

實驗通過佩戴在患者左右兩側胸部對應位置的測試電極，采集生物電阻抗數據。首先采集左側胸部電阻抗呼吸信號ZL(k)，同時采集右側胸部電阻抗呼吸信號ZR(k)，采集得到的呼吸信號經過Matlab初步濾波、去過載點等預處理，得到仰臥、左側臥、右側臥、俯臥4種姿勢下的原始呼吸波形，分為上下兩個通道顯示。初步處理得到的兩通道生物電阻抗呼吸信號波形圖，見圖8。

圖8 采集到的左右胸電阻抗呼吸信號

對原始信號ZL(k)、ZR(k)進行相關特征的提取，作為特征值，輸入到SVM方法訓練集。本實驗得到6個原始特征值：ZL、ZR、FL、FR、SL、SR，進過相應的整合處理，得到可以反映整合后左右通道呼吸信號和不同姿勢關系的參數，最后確定用整合后的6個參數作為本實驗的特征值。總體框圖，見圖9。

圖9 特征提取總體框圖

2.1.1 特征值M1、M2的提取

根據對兩通道原始呼吸信號的初步觀察，左側臥時，右側通道的呼吸信號基線值要明顯高于左側通道；右側臥時情況相反。

根據所述左側胸部的電阻抗呼吸信號，計算出左側胸部的電阻抗均值，即

其中ZL為左側胸部的電阻抗均值，ZL(k)為左側胸部在當前時刻k的電阻抗值，N為采集數據的長度。

根據所述右側胸部的電阻抗呼吸信號，計算出右側胸部的電阻抗均值，即

其中ZR為右側胸部的電阻抗均值，ZR(k)為右側胸部在當前時刻k的電阻抗值，N為采集數據的長度。

接下來，計算出當前時刻k的左側胸部的電阻抗均值ZL與右側胸部的電阻抗均值ZR之差(ZL-ZR)，將差值(ZL-ZR)作為第一參考特征值，記做M1；計算出當前時刻k的左側胸部的電阻抗均值ZL與右側胸部的電阻抗均值ZR之和(ZL+ZR)，并將和(ZL+ZR)作為第二參考特征值，記做M2。

由此，我們得到了第一組需要的特征值M1和M2。

2.1.2 特征值F1、F2的提取

進一步觀察，左側臥時，左側通道的呼吸信號波形幅度要高于右側通道；右側臥時情況相反。仰臥和俯臥時兩通道的呼吸信號波形幅度要稍高于另外兩種姿勢。

根據所述左側胸部的電阻抗呼吸信號，找出極大值點ZLmax和極小值點ZLmin。對阻抗值求微分，為找到極值點做準備，即

其中DiffL(k-1)為當前阻抗的微分值，ZL(k)為左側電阻抗呼吸信號的當前阻抗值。

若DiffL(k-1)>0且DiffL(k)<0，則為阻抗呼吸波形的波峰值ZLmax(k)；

若DiffL(k-1)<0且DiffL(k)>0，則為阻抗呼吸波形的波谷值ZLmin(k)；

計算出當前時刻k的左側胸部的電阻抗極大值點和極小值點差的平均值，即呼吸信號幅值的平均值:

其中，FL表示左側呼吸信號的平均幅值，ZLmax表示左側胸部的電阻抗極大值，ZLmin表示左側胸部的電阻抗極小值，N為采集數據的長度。

同理得到右側胸部的電阻抗極大值點和極小值點差的平均值，即呼吸信號幅值的平均值:

其中，FR表示右側呼吸信號的平均幅值，ZRmax表示右側胸部的電阻抗極大值，ZRmin表示右側胸部的電阻抗極小值，N為采集數據的長度。

把兩個通道的信號特征通過簡單計算用一個時域特征來表示。因此，將左右胸部電阻抗呼吸信號平均幅值的差值(FL-FR)作為第3參考特征值，記做F1；將左右胸部電阻抗呼吸信號平均幅值的和值(FL+FR)作為第4參考特征值，記做F2。

由此，我們得出了第二組所需要的特征值F1和F2。

2.1.3 特征值S1、S2的提取

在吸氣和呼氣過程中，呼吸信號的積分值經過Biopac呼吸流量計的定標，分別反映了吸氣和呼氣的氣量。在本實驗中，采集的電阻抗呼吸信號是一個個離散的阻抗值點，因此求離散點的積分值為離散點的累加之和。

根據所述左側胸部的電阻抗呼吸信號，對左側胸部在當前時刻k的電阻抗值進行積分累加運算，得到積分累加值，即：

其中，SL表示得到的積分累加值，ZL(k)表示左側胸部在當前時刻k的電阻抗值，N為采集數據的長度。

根據所述左側胸部的電阻抗呼吸信號，對右側胸部在當前時刻k的電阻抗值進行積分累加運算，得到積分累加值，即：

其中，SR表示得到的積分累加值，ZR(k)表示右側胸部在當前時刻k的電阻抗值，N為采集數據的長度。

把兩個通道的信號特征值通過簡單計算用一個時域特征來表示。因此將左右胸部電阻抗呼吸信號積分累加值的差值(SL-SR)作為第5參考特征值，記做S1；將左右胸部電阻抗呼吸信號平均幅值的和值(SL+SR)作為第6參考特征值，記做S2。由此，我們得到了第3組需要的特征值S1和S2。

2.2 基于SVM的睡眠姿勢識別

2.2.1 SVM算法

SVM是一種極為高效的用于解決各種分類和回歸問題的技術。SVM由Vapnik[16]首先提出，是一種新型的統計學習方法[17]。SVM的中心思想是建立一個高維超平面作為決策面，從而讓各類樣本點的間隔邊沿達到最大程度，從而找到一個最優的分類面。

SVM實現了從低維到高維樣本空間的非線性映射過程，見圖10。

圖10 低維到高維樣本空間的非線性映射過程

在用SVM對樣本進行分類識別時，通常會用到以下的步驟：① 把樣本的特征值數據轉化成SVM所需要的數據包格式進行存儲；② 在有必要的情況下對數據進行統一的規范化，按比例縮放到某個區間范圍；③ 考慮使用哪種核函數，包括線性核函數（Linear）、多項式核函數（Polynomial）、徑向基核函數（Radial Basis Function，RBF）、S型核函數（Sigmoid），優先考慮使用RBF核函數；④ 使用交叉驗證來找到最優的關聯參數c和γ；⑤ 選擇最優的關聯參數c和γ，接著應用于整個訓練集的訓練，建立訓練好的分類模型；⑥ 用建立好的模型對測試集進行預測，得出分類識別的識別精度。

2.2.2 基于SVM的睡眠姿勢識別結果分析

在使用以上不同的方法和參數進行測試比較之后，得到最終的一個用支持向量機方法的睡眠姿勢識別精確程度的評估，綜合評價，見表1。

表1 SVM各種方法綜合評估

由上表可知，進過規范化和交叉檢驗后得到了最高的分類準確率94.5652% (87/92)。因此，用支持向量機的方法對睡眠姿勢有很好的分類識別效果。

3 討論

Lee等[18]開發和測試了一個系統，該系統使用12導聯和導電床單來獲取無約束的心電圖信號的方法來識別身體姿勢。RBF內核的支持向量機用來評估4個在床上的身體姿勢：仰臥、俯臥、左側臥和右側臥，最高的估計精度可達98.4%。Wrzus等[19]用綁在受試者胸部的三軸動態加速度計獲得的數據來識別睡眠姿勢，識別準確率達到99.7%。Hoque等[20]介紹了一種利用加速度計和基于WISP網絡平臺和無線射頻技術的睡眠監測系統。展示了準確從緊貼床墊的加速度計獲得的身體位置型號并通過WIPS網絡傳輸，動作發生和持續的時間同樣可以被檢測到。最后對單獨動作的識別準確率達到100%，而對于連續監測的識別準確率也達到90%。Liu等[5]提出的一種壓力感應床單結合算法的方法來識別和監測睡眠姿勢，最后識別精度達到83.0%。

該方法相比較其他睡眠姿勢檢測的方法有許多優點，不僅可以避免監測時佩戴過多傳感器對受試者造成的不舒適感，而且同時可以為醫護工作人員提供準確的監測信息，為某些疾病的診斷、預防、治療作指導。同時，分類識別精度最高可達到94.6%，也在一個較高的可接受范圍內，能夠被用來對4種睡眠姿勢進行識別。

4 結論

通過實驗設計、數據采集和數據分析，各種睡眠姿勢識別方法進行對比，本研究得出以下兩點結論：① 提取的參考特征值相互間基本都有顯著性差異，對有效區分左側臥、右側臥、仰臥、俯臥4種睡眠姿勢有很好的分類基礎；② 用SVM的方法進行訓練然后進行分類預測，準確率達到94.6%，表明此方法也能對4種睡眠姿勢進行較好的區分。由此可見，本課題創造性的提出了一種基于生物電阻抗技術的兩通道睡眠姿勢識別新方法。利用電阻抗儀采集左、右胸兩通道的呼吸電阻抗信號，從呼吸信號中提取睡眠姿勢的信息，結合特征提取和支持向量機的高精度分類算法，實現4種姿勢的精確識別（精度94.56%），是一種低負荷睡眠姿勢監測新方法。

[1] Liu X,Payandeh S.Toward study of features associated with natural sleep posture using a depth sensor[A].IEEE Canadian Conference on Electrical and Computer Engineering[C].New York:IEEE,2016:1-6.

[2] Zhang L,Zhao ZX.Objective and subjective measures for sleep disorders[J].Neurosci Bull,2007,23(4):236-240.

[3] 胡弢,王蕾,侯琳琳,等.基于加速度傳感器的睡眠體位監測方法的研究[J].中國醫學物理學雜志,2012,29(4):3542-3545.

[4] Lee JB,Park YH,Hong JH,et al.Determining optimal sleep position in patients with positional sleep-disordered breathing using response surface analysis[J].J Sleep Res,2009,18(1):26-35.

[5] Liu JJ,Xu W,Huang MC,et al.Sleep posture analysis using a dense pressure sensitive bedsheet[J].Pervasive Mob Compu, 2014,10:34-50.

[6] Oksenberg A,Gadoth N.Are we missing a simple treatment for most adult sleep apnea patients? The avoidance of the supine sleep position[J].J Sleep Res,2014,23(2):204-210.

[7] Xu X,Feng L,Wang A,et al.body-earth mover’s distance: a matching-based approach for sleep posture recognition[J].IEEE Trans Biomed Circuits Syst,2016,10(5):1023-1035.

[8] Yousefi R,Ostadabbas S,Faezipour M,et al.Bed posture classification for pressure ulcer prevention[A].Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE[C].New York:IEEE,2011:7175-7178.

[9] 董秀珍.生物電阻抗技術研究進展[J].中國醫學物理學雜志, 2004,21(6):311-317.

[10] Mialich MS,Sicchieri JMF,Junior AAJ.Analysis of body composition: a critical review of the use of bioelectrical impedance analysis[J].Int J Clin Nut,2014,2(1):1-10.

[11] Kyle UG,Bosaeus I,De Lorenzo AD,et al.Bioelectrical impedance analysis-part I: review of principles and methods[J]. Clin Nutr,2004,23(5):1226-1243.

[12] Stansley W,Washuta EJ.Comparison of thoracic impedance pneumography and inductive plethysmography in the assessment of respiratory function[J].J Pharmacol Toxicol Methods,2012,66(2):198.

[13] Grivans C,Lundin S,Stenqvist O,et al.Positive end-expiratory pressure-induced changes in end-expiratory lung volume measured by spirometry and electric impedance tomography[J]. Acta Anaesthesiol Scand,2011,55(9):1068-1077.

[14] Stankiewicz-Rudnicki M,Gaszyński T,Gaszyński W.Assessment of regional ventilation in acute respiratory distress syndrome by electrical impedance tomography.[J].Anaesthesiol Intensive Ther,2015,47(1):77-81.

[15] Balleza-Ordaz M,Perez-Alday E,Vargas-Luna M,et al.Tidal volume monitoring by electrical impedance tomography (EIT) using different regions of interest (ROI): Calibration equations[J].Bio Sign Proc Contr,2015,18:102-109.

[16] Vapnik V,Izmailov R.Knowledge transfer in SVM and neural networks[J].An Math Artific Intel,2017,1-17.

[17] 李正最,謝悅波.洞庭湖富營養化支持向量機評價模型研究[J].人民長江,2010,41(10):75-78.

[18] Lee H,Hwang S,Lee S,et al.Estimation of body postures on bed using unconstrained ECG measurements[J].IEEE J Biomed Health Inform,2013,17(6):985-993.

[19] Wrzus C,Brandmaier AM,Von Oertzen T,et al.A new approach for assessing sleep duration and postures from ambulatory accelerometry[J].PloS one,2012,7(10):e48089.

[20] Hoque E,Dickerson RF,Stankovic JA.Monitoring body positions and movements during sleep using wisps[A].Wireless Health 2010[C].New York:ACM,2010:44-53.

本文編輯 袁雋玲

Study on Sleep Posture Recognition Based on Bioelectrical Impedance Technology

XU Huan, ZHANG Ping
Department of Clinical Equipment, Zhejiang Provincial People’s Hospital, Hangzhou Zhejiang 310000, China

The effective monitoring of sleep posture provides a direct reference for diagnosis, prevention and treatment of some disease. This paper proposed a new method based on bioelectrical impedance technology for sleep posture recognition. To recognize sleeping posture, this method collected information of sleeping posture from the respiratory impedance signal using non-invasive, continuous bioelectrical impedance technology around the chest. The hardware part acquired human’s respiratory signal through two channels multi-channel switch around the chest in real-time based on Agilent E4980A electrical impedance instrument. The software part was composed of Labview which acted as a realtime display and storage online system and the Matlab which could classify and recognize the algorithm offline. In this study, 19 volunteers were recruited to participate experiment for 4 cycles. All of the volunteers were separately perform normal breathing exercises in posture of supine position, left lateral position, right lateral position and prone position. Support vector machine (SVM) was used to recognize and classify these 4 kinds of postures according to the extraction of characteristic values. The results showed that the highest classification accuracy of test group could reach 94.6% by using SVM.

bioelectrical impedance technology; respiratory signal; sleeping posture recognition; feature extraction; support vector machine

R318.04

A

10.3969/j.issn.1674-1633.2017.06.011

1674-1633(2017)06-0039-06

2016-12-13

2017-04-11

浙江省醫學會醫學工程學青年發展基金（2016-005）。通訊作者：張平，教授，高級工程師，主要研究方向為醫學電子儀器。

郵箱：yxgcb3590@163.com