基于自適應向量機檢測睡眠呼吸暫停綜合征的最優特征組合篩選

王新康 劉磊 王量弘

[摘要] 基于自適應向量機監測睡眠呼吸暫停綜合征（SAS）時可提取出的特征參數較多，篩選這些特征參數中與SAS相關度較大的組合，可以有效降低算法的計算量，具有重要的實踐意義。本文基于V2導聯心電信號，首先對ECG信號進行去噪和R波提取，得到心率變異性信號（HRV）和心電呼吸導出信號，并從中提取出時域頻域特征共22組，利用特征參數與SAS的相關系數對特征參數篩選后進行支持向量機（SVM）分類。對比22組特征參數與篩選后的15組特征參數分類結果，準確率降低不足0.5%，但計算復雜度大大降低，可作為對臨床長時間心電圖檢測的擴展，減少對專業醫護人員的依賴，具有良好的經濟性和普及性。

[關鍵詞] 睡眠呼吸暫停綜合征；相關系數；支持向量機

[中圖分類號] R563.8 [文獻標識碼] A [文章編號] 1673-7210（2019）04（c）-0165-04

Screening best combination of features based on adaptive vector machine for detecting sleep apnea syndrome

WANG Xinkang1 LIU Lei2 WANG Lianghong2 FAN Minghui2

1.Department of ECG Diagnosis， Fujian Provincial Hospital， Fujian Province， Fuzhou 350001， China； 2.College of Physics and Information Engineering， Fuzhou University， Fujian Province， Fuzhou 350108， China

[Abstract] There are so much characteristic parameters can be extracted based on adaptive vector machine for detecting sleep apnea syndrome. It has important significance which is selected the characteristic parameters to reduce the amounts of calculation applied in sleep apnea syndrome. This study adopted the electrocardiogram signals from limb guided lead-Ⅱ and then denoised the signal interference and detected the R-wave to get the heart rate variability data and ECG-derived respiratory data. Analysis these two data that we can obtain the twenty-two features in time domain and frequency domain， moreover， using support vector machines algorithm to classify the sleep apnea syndrome feature parameters. Compared the twenty-two features with optimal fifteen feature parameters we proposed， the amounts of calculation are decrease obviously without decay the classification accuracy. It can be used as an extension of clinical long time electrocardiogram detection because it can reduce the dependence on health care professional. Therefore， it has good economy and popularity.

[Key words] Sleep apnea syndrome； Correlation coefficient； Support vector machines

隨著社會的不斷進步，人們的生活節奏越來越快，生活質量不斷提高，睡眠問題也日益受到人們的重視。以睡眠呼吸暫停綜合征（SAS）為代表睡眠呼吸障礙類疾病正在不斷地威脅著人類健康。據統計，全球睡眠呼吸紊亂的患病率男性約為4%，女性約為2%，65歲以上的老年人患病率在20%～40%[1]。它發生在夜間睡眠過程中，患者往往伴隨有白日困倦、頭疼、高血壓或心臟病等疾病[2]。

SAS具體是指每晚7 h的睡眠時間中出現超過30次呼吸暫停，且每次暫停的時間超過10 s，或者每小時呼吸暫停的次數大于5[3]。隨著近年來便攜式心電采集設備的廣泛應用，ECG信號獲取極為簡便，隨著心電呼吸導出（EDR）信號[4]和心率變異性信號[5]提取算法日趨完善，統計這兩種信號特征參數檢測睡眠呼吸暫停綜合征準確度已經越來越高[6]。與此同時帶來的問題是特征參數越來越多，計算量越來越大，嚴重制約了算法的實時性。為解決這一問題，本文將篩選出與SAS相關性較大的特征參數進行疾病檢測，可以在幾乎不影響檢測準確度的基礎上大大降低計算量，提高計算速度，改善便攜式檢測設備的實用性。

1 資料與方法

1.1 數據庫

本文采用Physionet的Apnea數據庫[7]，該數據庫是通過心電信號檢測睡眠呼吸暫停綜合征的權威數據庫，信號采樣率為100 Hz[8]。數據庫有35組訓練集數據和35組測試集數據，每條數據都有V2導聯的7～10 h的ECG信號。每組數據包含有一個ECG信號、一個R波信號以及一個注釋文件。其中，注釋文件由專家根據此時的呼吸信號和血氧信號對著1 min進行判定，這分鐘內呼吸暫停被標記為“Apnea”，若無則標記為“normal”[9]。 圖1所示為訓練集A01的部分心電圖。

1.2 ECG去噪

ECG信號是一種微弱的電信號，由于外界噪聲和采集設備電路噪聲的存在，心電信號會受噪聲影響。由于噪聲的存在，ECG信號真實的特征波形信息被掩蓋，其自動化檢測往往會被干擾。ECG信號噪聲的主要來源有以下3個方面[10]：①工頻干擾，主要是由電力系統以及用電設備造成的50 Hz噪聲及其諧波干擾。工頻干擾掩蓋了ECG信號中的某些細微變化，難以識別和診斷心電疾病。②肌電干擾，主要是由人體肌肉震顫而引起的干擾噪聲。肌電干擾的頻率范圍較廣，一般為5～2000 Hz。肌電干擾會在ECG信號上產生不規則的毛刺，影響心電圖檢測。③基線漂移，主要由人體呼吸和采集設備引起，其頻率范圍在0.05 Hz到幾赫茲之間。基線漂移使得ECG信號上下波動，造成信號形變，對極值點的檢測干擾較大。

本文采用小波分解算法，由于噪聲和特征波信號分布頻率范圍不同，利用小波變換對含有噪聲的ECG信號進行分解，使得噪聲和有用信號分離到不同的尺度上[11]，見表1。由于信號經過小波變換分解后，工頻干擾和肌電干擾主要集中分布在前三層的小波系數中，有用信號對應的小波系數的幅值較大，而噪聲干擾所對應的小波系數的幅值一般較小，則可以利用某一閾值使得有用信號的小波系數保留下來，幅值較小的小波系數被置零，就可以濾除工頻干擾和肌電干擾[12]。而基線偏移噪聲頻率很低，且其能量主要集中在1 Hz以下，主要分布在表1中的第6層近似系數中，將其置零，重構即可去除基線漂移[13]。

1.3 R波提取

ECG波形中R波信號幅度最大，斜率最大。本文通過對其進行小波變換三層分解，分解得到高頻系數的模極大值，去除孤立的偽極值點，檢測得到的模極大值對的過零點就是R波波峰的位置[14]。為了減少R波波峰的漏檢和誤檢，本文采用以下兩種方法：

①人體心臟在每次收縮后將會出現一段“不應期”，即這段時間不會產生新的QRS波群，時間約為200 ms[15]。所以，在檢測R波時，每檢測到一個R波需跳過這200 ms不應期，直接檢測下一個R波，這樣在提高檢測效率同時，也減少了因噪聲產生的R波誤檢。

②在R波的檢測過程中，有時會出現R波幅度或斜率偏小的情況，這就可能造成R波漏檢。取前5個R-R間期的平均值為基準，如果1.6倍時間內未檢測到R波，將原降低50%進行回溯檢測，進一步避免漏檢。

圖2所示為R波檢測仿真結果，R波峰位置用圓圈表示。仿真結果表明，基于小波變換的R波檢測算法R波定位準確，可以用于下一步的特征參數提取。

1.4 特征參數提取與篩選

睡眠呼吸暫停綜合征患者再出現呼吸暫停的過程中，會出現心率減慢，甚至心動過緩現象；而患者在突然憋醒過程中，會出現心率突然加快，甚至心動過快的征狀。反復出現的迷走神經與交感神經調節的改變，會導致患者出現較為嚴重的自主神經系統功能紊亂，自主神經損害導致交感神經和迷走神經張力的變化又是心律失常發生的基礎[16]。心率變異性是目前公認的判斷自主神經功能活動的重要的定量指標[17]。

除此之外，睡眠呼吸暫停綜合征的臨床檢測中呼吸信號具有著重要的應用，但是呼吸信號的采集需要專業的設備，相對比較麻煩。阻塞性睡眠呼吸暫停和潮氣量的變化在心源性呼吸信號中清晰可見。使用心電圖信號處理得到的信號與原始呼吸信號具有很大的相關性，有著顯著的臨床應用價值。

本文通過將ECG數據按1 min分割，每條取前370 min用于特征參數提取，去除掉噪聲干擾較大的第一分鐘數據。目前，常用特征參數包括由心率變異性信號（HRV）提取的20個時域頻域參數和2個由心電呼吸導出信號（EDR）提取的時域頻域信號[18]。見表2。

由于每個特征與類別的相關系數不同，不同的特征數量也會影響支持向量機的學習性能，所以需要采用一種成熟的特征選取技術獲得最佳的一組特征來對機器進行訓練。本文使用Weka的Correlation Attribute Eval計算每種特征與疾病的相關系數[19]，表2所示加粗的參數表示對檢測結果影響較大，是本文最終選取的特征組合。

1.5 SVM分類

傳統分類器以經驗風險最小化為目的，往往會導致過學習問題，使得分類器的泛化能力下降，而SVM分類器在考慮經驗風險的同時也考慮了置信風險，追求結構風險最小化，能夠有效提高泛化能力，使得到的分類模型更具有實際意義，能較好地解決小樣本、非線性、高維數和局部極小點等問題[20]。因此，本文將使用MATLAB軟件的SVM分類器對前文提取的心率變異性和心電呼吸導出信號的時域頻域特征參數進行睡眠呼吸暫停綜合征檢測模型訓練，將35組訓練集數據進行對比研究，驗證睡眠呼吸暫停綜合征檢測算法的精確度，并比較全部特征集合與篩選相關度較大的特征集合在分類時的表現。

2 結果

對于算法的分類結果，往往采用準確率（Acc）、靈敏度（Se）、特異性（Sp）等3個指標來評價。

其中，TP為真陽性（true positives）、TN為真陰性（true negatives）、FP為假陽性（false positives）和FN為假陰性（false negatives）。

訓練過程采用交叉驗證法，即每次采用34組數據作為訓練集，1組數據作為測試集，將此過程循環35次，最終得到的數據作為本次實驗的結果，這里給出兩組不同特征參數集合下訓練集A1～A10的檢測結果，見表3，Acc1為所有特征參數進行SVM分類的檢測結果，Acc2為篩選出的特征參數進行SVM分類的檢測結果。可以看出，全部22組特征參數進行SVM分類時的檢測準確度為89.97%，篩選后的15組特征參數檢測準確度為89.50%，準確度下降了0.47%，但在計算中少用到7組特征參數，計算量大大降低，給快速檢測睡眠呼吸暫停綜合征提供了依據。

3 小結

本文提出相關性篩選特征參數的方法，將從單導心電信號用于睡眠呼吸暫停綜合征檢測的22組特征參數中篩選出15組與SAS相關性大于0.1的特征參數。相比于全部的特征參數用于SVM分類，篩選出的特征參數集合在SVM分類時檢測準確率下降不足0.5%，但計算量大大降低，是在臨床廣為應用的長時間動態心電圖檢測的基礎上所附加的新功能，有很高的敏感性和特異性，無需添加新儀器，也無需睡眠監測技術人員，對被測試人員的影響性小，有良好的經濟性和普及性。

[參考文獻]

[1] Hiestand DM，Britz P，Goldman M，et al. Prevalence of symptoms and risk of sleep apnea in the US population：Results from the national sleep foundation sleep in America [J]. Chest，2006，130（3）：780-786.

[2] Finkel KJ，Searleman AC，Tymkew H，et al. Prevalence of undiagnosed obstructive sleep apnea among adult surgical patients in an academic medical center[J]. Sleep Med，2009，10：753-758.

[3] 孫薇.睡眠呼吸暫停綜合征的監測與治療關鍵算法研究[D].廣州：南方醫科大學，2014.

[4] 余曉敏，涂岳文，黃超，等.基于心電信號的睡眠呼吸暫停綜合征檢測算法[J].生物醫學工程學雜志，2013，30（5）：999-1002.

[5] 吳憲文.基于單導心電檢測睡眠呼吸暫停綜合癥[D].南京：東南大學，2010.

[6] de Chazal P，Heneghan C，Sheridan E，et al. Automatic classification of sleep apnea epochs using the electrocardiogram [J]. Comput Cardiol，2000，27：745-748.

[7] MIT-BIH Arrhythmia Database[EB/OL].（2016-06-16）. http：//www.physionet.org/physiobank/database/mitdb/

[8] Penzel T，Moody GB，Mark RG，et al. The apnea-ECG database [J]. Computers in Cardiology，2000（27）：255-258.

[9] Moody GB，Mark RG，Goldberger A，et al. Stimulating rapid research advances via focused competition：the computers in cardiology challenge [J]. Computers in Cardiology，2000（27）：207-210.

[10] 毋斌.基于小波變換的心電信號閾值去噪[J].山西科技，2018，33（1）：77-79.

[11] 鄭敏敏，高小榕，謝海鶴.心電信號小波去噪的改進算法研究[J].中國生物醫學工程學報，2017，36（1）：114-118.

[12] 王春雨.基于小波變換的ECG信號分析研究與硬件實現[D].福建：福州大學，2017.

[13] Hu X，Xiao Z，Zhang N. Removal of baseline wander from ECG signal based on a statistical weighted moving average filter [J]. J Zhejiang Univ Sci，2011，12（5）：397-403.

[14] 張清麗，蘇士美，王猛.基于改進小波變換的QRS特征提取算法研究[J].鄭州大學學報：理學版，2017，49（4）：100-103.

[15] 李忠杰.臨床心臟不應期檢測[J].心電學雜志，2007（1）：52-55.

[16] 林璨璨，劉梅顏.動態心電圖初篩睡眠呼吸暫停綜合征進展[J].中華醫學雜志，2017，97（1）：76-78.

[17] 劉雙艷.睡眠呼吸暫停病人HRV和PRV的相關性研究[D].濟南：山東大學，2017.

[18] Cai H， Chen Y， Han J，et al. Study on feature selection methods for depression detection using three-electrode EEG data [J]. Interdiscip Sci， 2018，10（3）：558-565.

[19] de Chazal P，Heneghan C，Sheridan E，et al. Automated processing of the single-lead electrocardiogram for the detection of obstructive sleep apnoea [J]. IEEE Trans Biomed Eng，2003，50（6）：686-696.

[20] 拓守恒.基于QPSO訓練的SVM核函數集成學習研究[J].系統仿真技術，2010，6（3）：202-208，240.

（收稿日期：2018-07-26 本文編輯：蘇 暢）