基于腦電信號的WVD的睡眠狀態辨識

周 強， 李俊雨， 田杏芝， 王 瑩

(1.陜西科技大學 電氣與信息工程學院， 陜西 西安 710021； 2.陜西科技大學 材料科學與工程學院， 陜西 西安 710021)

基于腦電信號的WVD的睡眠狀態辨識

周 強1， 李俊雨1， 田杏芝1， 王 瑩2

(1.陜西科技大學 電氣與信息工程學院， 陜西 西安 710021； 2.陜西科技大學 材料科學與工程學院， 陜西 西安 710021)

目前，大多數的人體睡眠狀態辨識方法都是采用幅值域、頻域或時-頻域的線性分析方法，來處理腦電信號這一含有大量非線性成分的非平穩隨機信號，因而其辨識效果的魯棒性和穩定性無法保證.為此，本文提出了一種非線性的時-頻辨識方法.該方法對腦電信號進行重排偽Wigner-Ville分布的時-頻分析，并利用Wigner-Ville分布邊緣聚集特性在不同頻段內提取特征量，最后通過支持向量機實現睡眠狀態的精確辨識.實驗表明，該方法辨識睡眠狀態的準確率達到91.6%，魯棒性得到顯著改善，為后續進行睡眠控制研究奠定了基礎.

腦電信號； 睡眠狀態辨識； 魏格納-威利分布； 支持向量機

0 引言

在人體的生命過程中，睡眠占據了三分之一的時間，充足的睡眠可以使大腦有效休息，消除疲勞，并增強機體免疫力[1]，并且，近來的研究中發現，睡眠可以對大腦白天所獲取的信息進行加工和整理，提高睡眠者的工作能力[2].

然而，隨著現代社會節奏的加快，工作壓力的增加，使得人們的睡眠質量面臨嚴重的影響.2015年中美共建睡眠健康工程會議上劉燕輝博士表示：“我國目前有30%以上的人存在失眠癥狀，超過3億人口有睡眠障礙，這已成為威脅人們健康的巨大隱患.”據專家估計，到2020年全球大約有7億多失眠者.因此，有效治療失眠方法的研究迫在眉睫.

研究治療失眠方法的前提是能夠對人體睡眠狀態進行精確的辨識，近些年，在睡眠檢測辨識方面，諸多科學研究者都有一定的成果.2007年，李谷等[3]在基于腦電信號Hilbert-Huang變換的睡眠分期研究中，通過對560個睡眠腦電信號辨識分期研究，最終辨識正確率達到81.7%.而在2010年，劉慧等[4]在基于模糊熵的腦電睡眠分期特征提取與分類的研究中，利用8名受試者進行腦電檢測，對數據進行模糊熵的分析，并且利用支持向量機(SVM)分類，達到的辨識正確率有87.1%.

近年來，Diykh M等[5]在對睡眠的分期研究中，利用結構圖相似和K-means的方法對提取的EEG信號的時-頻統計特征量進行分析，雖然在睡眠階段的辨識準確率達到91.93%，但是這個方法因實時性差而實用價值不大.近期，對于睡眠狀態辨識的研究中，周強等[6]應用短時功率譜估計的方法并且利用模糊融合技術，得到88.89%的睡眠狀態辨識率.然而，這些以線性幅值域頻域或時-頻域分析方法處理存在大量非線性和非平穩隨機成分的腦電信號，其魯棒性和穩定性都無法保證.

針對于以上問題，本文提出使用魏格納-威利(WVD)這種非線性的時-頻分析方法處理腦電信號，以其時間和頻率移不變性的二次型時-頻分布來提取睡眠特征量，并利用其具有時間和頻率邊緣聚集性，即時間和頻率的高精度分辨率[7]，準確辨識人體的睡眠狀態，提高睡眠辨識方法的魯棒性和穩定性.

1 人體睡眠機理

1.1 睡眠過程

人們普遍認為睡眠是“清醒+深睡”的一個簡單循環的過程.然而，諸多研究表明，人的睡眠是一個復雜的循環過程，其中包含了若干時期的循環交替.研究者根據睡眠時眼球的活動將一個完整的睡眠周期劃分為可以相互交替的快速眼動睡眠(Rapid Eye Movement,REM)時期和非快速眼動睡眠(Non-rapid Eye Movement,NREM)時期[6].

其中，快速眼動睡眠在1953年由美國科學家阿瑟林斯基和克萊特曼發現，并且證明了其與做夢有關，在1962年法國科學家研究發現在此時期還伴隨著肌肉緊張的消失，因此REM又被稱為異相睡眠[8]；同樣，研究者根據睡眠期間EEG演變的特點，將NREM進行了劃分，分為淺睡期和深睡期.更深入的研究發現，REM期的時間為33.8±7.79(分鐘)，各睡眠期在一個小時內的潛移次數為：6.08±1.39(次).此研究表明人體的睡眠過程存在睡眠延遲和睡眠期的循環潛移[9].

具體來說，健康人的睡眠過程主要是由“清醒—REM—淺睡—深度睡眠—REM”的睡眠“路徑”來完成深度睡眠循環，并且在此循環的大部分時間都處于深度睡眠時期；然而，失眠患者則不能順利的進入深度睡眠，睡眠大部分停留在“清醒—REM—淺睡—REM”的“路徑”中進行淺度睡眠循環，各睡眠循環如圖1所示.其中，虛線表示淺度睡眠循環，實線表示深度睡眠循環.

圖1 睡眠過程示意圖

正確辨識人體睡眠狀態，是準確把握睡眠進程，有效克服睡眠障礙的研究基礎.而睡眠狀態辨識的核心是睡眠特征量的獲取.

1.2 表征睡眠的特征量

研究表明腦電波是一種非平穩的隨機信號，其數學模型具有顯著的非線性和時變性.作為一種隱含睡眠狀態信息的物理量，其最主要的睡眠狀態特征是頻率特征.表1給出了能夠反映人體睡眠狀態下的主要腦電波.

表1 不同睡眠狀態下的主要腦電波

由表1可知，當人體腦電能量處于高頻部分時，人體處于清醒狀態，而隨著腦電能量分布向低頻部分移動時，人體將慢慢由安靜進入困倦，從而達到睡眠的狀態.無疑，腦電信號中最重要的睡眠特征是頻率特征.但是由于腦電波信號的非平穩性和模型非線性，使得其頻率特性(或頻率結構)是隨著時間發生變化的，且頻率模型結構具有明顯的非線性.

因此，采用頻域分析方法(如功率譜估計)將腦電信號投影到頻域空間而獲得的能夠反映睡眠狀態的特征量，必然因其時變特性而缺少必要的穩定性；而采用線性時-頻分析方法(如短時功率譜估計或小波變換)，將腦電信號投影到線性時-頻空間獲得的睡眠狀態特征量，可能出現不同特征量之間的耦合關系而破壞其分析的獨立性.因此，只有采用魏格納-威利分布這樣的非線性時-頻分析方法，將腦電信號放在時間-(非線性)頻率-能量這樣的三維空間內分析，才能獲得穩定、獨立并能夠顯著反映睡眠狀態的睡眠特征量.

2 睡眠狀態辨識的原理設計

一個完整的腦電波(EEG)信號辨識過程包括信號的預處理、睡眠特征量提取和睡眠狀態辨識3個步驟，如圖2所示，辨識出人體的REM、淺睡、深睡等狀態.

圖2 睡眠狀態辨識方法示意圖

2.1 EEG信號預處理

EEG是現階段睡眠辨識研究的熱點方法，本文在獲取人體EEG信號時，使用的采集設備是美國加州舊金山的神經科技公司繼英國埃塞克斯大學的科學家研發出附有電極的特殊帽子——Emotiv EPOC，如圖3所示.

圖3 Emotiv EPOC

該裝置由14個數據采集電極和兩個參考電極組成，根據國際標準，有效的位置電極有：AF3、AF4、F3、F4、F7、F8、FC5、FC6、T7、T8、P7、P8、O1以及O2電極，采樣頻率是128Hz，其通過配套的Testbench檢查實驗者的佩戴是否正確，它的界面如圖4所示.當Contact Quality界面框中所顯示的16個通道指示點全部變為綠色時，則連接正常.最終采集到的信號通過無線傳輸送達計算機進行處理.

圖4 采集裝置的顯示界面

經過前期的比對實驗，本文采用的是位于腦前部額頭位置的F3、F4電極以及位于腦后枕部的O1、O2電極作為主要EEG采集通道信號進行采集，采集到的信號濾波后進行腦電睡眠數據的分析.

本文睡眠特征量提取分為以下兩步驟：

(1)EEG信號的Cohen類Wigner-Ville分布的重排

魏格納-威利是一個非線性時-頻分析工具.信號x(t)的Wigner-Ville 分布定義為

(1)

其中，公式(1)會在原始頻率f1、f2之間產生嚴重交叉項，因此，公式(1)難以直接使用[10].改進的方法為Cohen類Wigner-Ville分布的重排算法.作為一種雙線性能量分布，Wigner-Ville分布不可避免地面臨相干項的衰減與信號項的時-頻聚集性的折衷，將WVD譜圖寫成信號的WVD與平滑核函數Πh(t-s,v-f)的二維卷積形式，

(2)

(3)

(4)

這樣就得到了重排后的頻譜

大多數研究生在入學前已具備本專業的基礎理論知識，有解決部分專業問題的潛能，但缺少解決專業問題能力的訓練和思維創新的引導。作為研究生教育的重要目標，要培養有創新能力的研究生，導師不僅要進行傳統的“傳道、授業、解惑”，更要在學生創新教育過程中起引導和示范作用，即導師要以自身的創新意識、思維及能力等因素去感染、帶動研究生創新能力的形成和發展。［12］導師的創新意識、思維和能力不僅在于能洞悉和把握學科發展的熱點和方向，還在于能跳出本學科的限制，有機融合多個相關學科和專業領域的知識對學生加以指導，及時發現學生的創新潛能，善于激發學生的興趣和創新意愿，多維度地培養和提高學生的創新思維和創新能力。

(5)

如果選擇合適的平滑核，重排后的分布能夠將相干擾的抑制與信號時-頻聚集性的提高有效結合起來[11].

因此，在本課題中，使用WVD對腦電信號進行分析，利用重排偽Wigner-Ville分布為所采集到的信號進行實時分析，從而辨識出信號所處的睡眠時期，進行睡眠狀態的辨識.

(2)特征量提取

利用公式(5)中WVD分析結果，對EEG信號的WVD譜按頻段進行邊緣聚集的特征量統計，分別在(0，50)、(50，100)、(100，150)、(150，200)四個頻率段內積分運算，

(6)

(7)

(8)

(9)

得到相應的特征量WV1、WV2、WV3和WV4等4個特征量.

2.3 基于SVM的睡眠狀態辨識

支持向量機(support vector machines,SVM)是一種新型機器學習方法，其具有強大的分類能力、泛化能力、分類方式靈活以及對特征參數數量不敏感等特點，已被廣泛應用于模式識別領域[12].其基本思想是把輸入空間的樣本通過非線性變換映射到高維特征空間,然后在特征空間中求取把樣本線性分開的最優分類面[13].

基于SVM的以上優點，本文建立一個3層SVM.以特征量WV1、WV2、WV3、WV4為輸入量，睡眠狀態辨識結果Slp為輸出量(Slp輸出0、1、2分別代表REM、淺睡和深睡三個睡眠狀態，分別記為Slp1、Slp2和Slp3)，以Sigmoid函數作為SVM隱層節點的核函數：

K(x·xi)tanh(γxTxi+r)

(10)

式(10)中：γ是一個標量，r為位移參數.隱層節點的個數將根據睡眠辨識的復雜程度，通過訓練過程而最終確定.

為了獲得SVM的訓練樣本，采集15～58歲的15位實驗者的104段腦電信號(每段30分鐘)，利用本文的預處理方法和公式(1)～(9)特征量提取方法獲得104組特征量WV1～WV4；由腦電圖醫師對104段腦電信號進行離線辨識，獲得104個睡眠狀態Slp，根據睡眠狀態不同分布標記為0、1或2.對應的WV1～WV4和Slp就構成了104組樣本.利用其中89組樣本對本文的SVM進行訓練，確定隱層核函數個數和參數以及各層間連接權值，從而獲得了具有根據睡眠WVD特征量進行睡眠辨識的SVM，并以未使用過的15組樣本驗證了其泛化能力.至此，經過訓練的SVM可用于本文方法的最后一步工作，即睡眠狀態的辨識.

3 辨識實驗與分析

通過人體睡眠辨識實驗驗證本文方法.

3.1 實驗條件和過程

(1)睡眠控制系統.該系統包含Emotiv EPOC腦電檢測裝置、惠普PC機、基于DSP的聲音生成器、EDIFIER R12U多媒體有源音箱.

(2)實驗對象.8男7女共15人，年齡范圍擴大至15～58歲進行實驗，以驗證實驗方法的魯棒性，身體健康.

(3)實驗過程.在實驗室內進行實驗，分別營造安靜與略有外界干擾的環境，實驗的時間從晚上21點至23點(多實驗點)進行，共持續36天.

(4)實驗軟件.采用OpenViBe軟件對EEG信號進行采集、實時預處理和保存，并借助MATLAB軟件進行信號的離線分析處理.

3.2 實驗結果

為了徹底驗證使用WVD時-頻分析方法對腦電信號分析，并通過SVM進行睡眠狀態辨識的效果，課題組進行大量實驗，即對不同個體在每一個睡眠時期進行實時腦電采集分析.由于篇幅限制，本文只列出部分的實驗.

3.2.1 REM階段

人體處于REM階段時，實驗采集腦電信號并利用重排偽Wigner-Ville分布進行分析，加入SVM中訓練得到了大量分析結果，如圖5所示.

(a)某時段EEG信號的重排偽WVD譜

(b)WVD譜的頻率邊緣能量聚集圖

3.2.2 淺睡階段

人體處于淺睡階段時，實驗采集腦電信號并利用重排偽Wigner-Ville分布進行分析，加入SVM中訓練得到了大量分析結果，如圖6所示.

(a)某時段EEG信號的重排偽WVD譜

(b)WVD譜的頻率邊緣能量聚集圖

3.2.3 深睡階段

同樣的，人體處于深睡階段時，實驗采集腦電信號并利用重排偽Wigner-Ville分布進行分析，加入SVM中訓練得到了大量分析結果，如圖7所示.

(a)某時段EEG信號的重排偽WVD譜

(b)WVD譜的頻率邊緣能量聚集圖

3.3 實驗分析

由以上的WVD-SVM分析EEG信號實驗結果圖可以看出，在睡眠過程中，其腦電特征量的能量分布不同，如圖5所示.在REM階段，得出腦電特征量的能量在整個頻率段內分布廣泛，由本文前述的分類類別得到SVM輸出為0，由此可知此階段屬于REM期；在淺睡階段中，如圖6所示，500個采樣點中，腦電特征量的能量分布有向低頻部分移動的現象，通過本文方法辨識出此階段睡眠處于非快速眼動期的淺睡期；在深睡階段，如圖7所示，同樣500個采樣點中，可以觀察到，腦電特征量的能量分布幾乎全部集中在低頻部分，通過本文方法辨識出，此時睡眠處于非快速眼動期的深睡期.

表2為通過本文方法所得到的實驗結果統計.由表2所述對15人的36天實驗分析結論統計可看出，在REM時期高頻部分能量與低頻部分能量分布較為均勻；淺睡時期，低頻部分的特征量能量有所增加；最后當人體進入深睡時，明顯的低頻特征量能量增加迅速.此外，對不同年齡段的受試者進行分析，其結論亦相同.

表2 實驗結論統計一攬表

在表2中，第一部分兩組為安靜情況下得到的實驗結論；后一部分三組為在略有外界干擾的情況下得到的實驗結論.可以明顯看出，深睡時低頻特征量WV1有所降低，但其分析實驗結果均為深睡.因此，實驗具有較好的魯棒性.

本文通過對不同個體的大量不同信號進行分析，得到了相同的實驗結論，辨識的準確率始終保持在91.6%以上，反映出本文方法出色的辨識率.

4 結論

本文在對腦電信號采集濾波處理的基礎上，對EEG信號進行重排偽Wigner-Ville分布的時-頻分析和分頻段的頻率邊緣聚集運算，得到了辨識人體睡眠的特征量，并通過SVM的大量實驗樣本訓練，得到了準確率高的睡眠辨識效果.并且，利用此方法解決了非線性隨機成分的腦電信號分析的魯棒性和穩定性無法保證的問題，為后期進行睡眠控制研究奠定了基礎.

[1] 金永壽.健腦,更要合理用腦[J].家庭醫藥,2014(4):24.

[2] 周 宏,李玉斌.睡眠對人生的重要作用[J].中國社區醫師,2002,18(14):11.

[3] 李 谷,范影樂,李 軼,等.基于腦電信號Hilbert-Huang變換的睡眠分期研究[J].航天醫學與醫學工程,2007,20(6):458-463.

[4] 劉 慧,謝洪波,和衛星,等.基于模糊熵的腦電睡眠分期特征提取與分類[J].數據采集與處理,2010,25(4):484-489.

[5] Diykh M,Li Y,Wen P.EEG sleep stages classification based on time domain features and structural graph similarity[J].IEEE Transactions on Neural Systems amp; Rehabilitation Engineering,2016,24(11):1 159-1 168.

[6] 周 強,陳 穎,李俊雨,等.基于EEG信號的STPS睡眠狀態在線辨識[J].陜西科技大學學報(自然科學版),2016,34(6):164-170.

[7] 張賢達,保 錚.非平穩信號分析與處理[M].北京: 國防工業出版社,1998.

[8] 楊貴琳.基于生物互感原理的粉紅噪聲睡眠儀的研究[D].西安:陜西科技大學,2014.

[9] Kawada T,Suzuki S,Aoki S,et al.Effects of noise on sleep.Part 2. A case report of the effects of three levels of stationary sound on sleep parameters[J].Nihon Eiseigaku Zasshi.Japanese Journal of Hygiene,1989,43(6):1 102-1 108.

[10] 周 強.基于噪聲分析的造紙軟測量理論方法研究和應用[D].西安: 西安交通大學,2009.

[11] Wu X,Liu T.Spectral decomposition of seismic data with reassigned smoothed pseudo Wigner-Ville distribution[J].Journal of Applied Geophysics,2009,68(3):386-393.

[12] Liu Dehua,Qian Hui,Dai Guang,et al.An iterative SVM approach to feature selection and classification in high-dimensional datasets[J].Pattern Recognition,2013,46(9):2 531-2 537.

[13] 李 鋼,王 蔚,張 勝.支持向量機在腦電信號分類中的應用[J].計算機應用,2006,26(6):1 431-1 433.

【責任編輯：蔣亞儒】

SleepstateidentificationbasedonWVDofEEGsignal

ZHOU Qiang1, LI Jun-yu1, TIAN Xing-zhi1, WANG Ying2

(1.College of Electrical and Information Engineering, Shaanxi University of Science amp; Technology, Xi′an 710021, China; 2.School of Materials Science and Engineering, Shaanxi University of Science amp; Technology, Xi′an 710021, China)

At present,most human sleep state recognition method based on time-frequency domain amplitude domain,frequency domain and the linear analysis method,processing EEG signal that contains a lot of nonlinear components of non-stationary random signal,thus recognition effect of robustness and stability cannot be guaranteed.To this end,this paper proposes a nonlinear identification of time-frequency method,the method of brain electric signal rearrangement pseudo Wigner Ville distribution-time-frequency analysis,and use the Wigner Ville distribution-gathered edge features in different frequency bands to extract the characteristic,finally,support vector machine (SVM) to realize precise identification of sleep.The results showed that the method recognized the accuracy of 91.6% and improved robustness,and laid the foundation for follow-up sleep control study.

EEG； sleep stage identification； WVD； SVM

2017-07-03

陜西省教育廳專項科研計劃項目(16JK1105)； 陜西省科技廳科技攻關計劃項目(2016GY-005)

周 強(1969-)，男，重慶人，教授，博士，研究方向：非平穩隨機信號分析、圖像處理技術

2096-398X(2017)06-0164-07

TN911.7; R338.63

A