用于睡眠呼吸暫停檢測的心電特征穩定性分析*

董孝彤，曲新亮，魏守水△

(1. 山東大學控制科學與工程學院，濟南 250061；2.山東第一醫科大學第一附屬醫院，濟南 250014)

1 引 言

睡眠呼吸暫停會導致患者白天嗜睡及生活萎靡不振，是高血壓，心血管疾病的高風險因素[1-2]。目前，對睡眠呼吸障礙的檢測主要是依據多導睡眠儀(PSG)，但其價格昂貴且需醫院專業技師操作，無法推廣，因此，尋求價格低廉且易于推廣的方法一直是醫學工程界的共識[3]。睡眠呼吸暫停是指口鼻氣流量低于正常的90%，且持續時間超過10 s，低通氣是指氣流量低于正常的30%且血氧飽和度下降4%[4]。研究表明，睡眠呼吸暫停能引起心率的周期性變化，發生呼吸暫停時心動過緩，呼吸暫停結束時，心動過速且血壓升高。呼吸暫停發作時，由于缺氧及高碳酸血癥，交感神經活動逐漸增加，在呼吸暫停結束時，交感神經活動最為明顯，隨著呼吸暫停和呼吸恢復，交感神經活動強度迅速減弱。與健康人相比，即使在白天，睡眠呼吸暫停患者的神經活動水平也很高，而且晝夜心率變異性(HRV)明顯減弱[5]。

因此，通過心電信號分析，實現睡眠呼吸暫停事件的檢測一直是熱門的研究課題。Penzel等[6]在PhysioNet發起的基于心電圖的呼吸暫停檢測和量化的挑戰賽總結中指出，表現最好的算法均使用了HRV的頻域特征或EDR(Electrocardiogram-derived Respiration)信號提取的特征。Correa等[7]對3種方法得到的EDR信號進行頻域分析，使用閾值法進行分類，實現Se=88.28%，Sp=88.66%。Bsoul等[8]對RR間期及EDR信號進行時、頻域分析，使用徑向基核支持向量機(RBF-SVM)建立分類模型并根據ROC和F1的表現進行特征選擇，實現Acc=86.24%。Manish等[9]使用雙正交反對稱小波濾波器組將心電信號片段分解為6個小波子帶，每個子帶信號計算模糊熵和對數能量特征，使用Mann -Whitney U檢驗進行特征選擇，使用35折交叉驗證及最小二乘支持向量機(LS-SVM)實現Acc=90.11%，Se=90.87%，Sp=88.88%。梁九興等[10]使用HRV時頻特征及概率神經網絡(PNN)構建分類模型，實現Acc=75.97%，Se=82.51%，Sp=76.22%。Sadr等[11]對HRV與EDR信號進行時頻分析并計算EDR信號的心肺耦合頻譜特征，實現Acc=86.5%。然而，很多研究致力于提高檢測的準確率卻忽視了特征的穩定性研究，本研究針對睡眠障礙檢測中的一些常用心電特征進行穩定性分析，并結合SVM建立睡眠呼吸暫停檢測模型。

2 數據與方法

2.1 數據來源

本研究使用的數據庫為Physionet的Apnea-ECG數據庫。它包含70例睡眠記錄，其中，心電信號為V2導聯，采樣頻率為100 Hz，時長約8 h。信號的每分鐘均由專家標記是否包含睡眠呼吸暫停和低通氣事件，若存在，標記為“A”，不存在，標記為“N”。由于僅訓練集的標注公開，本研究使用35例訓練集記錄，其中30例用作訓練，5例用作測試。基于1 min時長實現睡眠呼吸暫停事件的檢測。

2.2 數據預處理

基于心電信號提取RR間期信號及EDR信號。使用HRV分析工具箱[12]檢測QRS波的位置，將相鄰QRS波位置差分，得到RR間期序列，并對RR間期進行校正[13]。為了保留足夠的信息量，在分析中排除了校正后累計RR間期時長小于30 s的信號片段。

呼吸過程中，胸腔內的電阻抗會發生變化，當肺部的空氣量增加或減少時，電極相對于心臟的位置也會發生變化，因此呼吸運動的信息會反應在ECG中。本研究使用QRS的面積估計EDR信號[7]，圖1為真實呼吸信號與EDR信號。

圖1 真實呼吸信號與EDR信號

2.3 特征描述

對RR間期序列及EDR信號進行時域、頻域、非線性及相關性分析，共提取了45個特征，見表1。頻域分析中，使用三次樣條插值將RR間期和EDR信號重采樣到4 Hz，對重采樣后的RR間期與EDR信號進行9層DB4小波變換，計算第4-9層近似系數(頻域范圍約為0.007～0.5 Hz)的方差(var_RR4- var_RR9、var_EDR4- var_EDR9)[8]。使用快速傅里葉變換(FFT)對重采樣后的RR間期與EDR信號估計功率譜密度(PSD)，并分別計算極低頻功率VLF(0～0.04 Hz)、低頻功率LF(0.04～0.15 Hz)、高頻功率HF(0.15～0.4 Hz)及LF/HF。除上述特征外，EDR信號還計算了中心頻率(Fc)及主頻率(Fm)[7]兩個特征。計算公式如下，其中，fi表示頻率，N表示PSD的長度。

(1)

(2)

非線性分析中，RR間期的龐加萊圖可以反映RR間期的分布情況。其中，SD1為y=-x+2μ(μ為均值)方向上的方差，與高頻功率有關。SD2為y=x方向上的方差，與低頻及高頻功率均相關。兩者的比值SD1/SD2反映了長、短期HRV之間的平衡[14]。近似熵(sample entropy，ApEn)[15]是對不穩定時間序列復雜度的一種度量，其思想是檢測一個時間序列中產生新子序列的概率。模糊測度熵(fuzzy measure entropy，FMEn)[16]使用模糊函數的隸屬度代替ApEn中使用的Heaviside函數作為向量相似判斷標準。同時，FMEn利用模糊局部測度熵和模糊全局測度熵反映生理信號中隱含的整體復雜性，彌補了模糊熵只關注局部復雜性的弱點。

相關性分析中，Bianchi等[17]在研究中發現RR間期序列及EDR信號的頻譜相關系數在睡眠呼吸暫停事件的識別中表現良好，因此，本研究計算了RR間期序列及EDR信號在極低頻段、低頻段及高頻段的相關系數，分別用REv、REl及REf表示。除此之外，計算了RR間期序列及其延遲(1-5個樣本)序列的相關系數(RRcorr1- RRcorr5)[8]。

表1 基于RR間期及EDR信號的特征

2.4 mRMR-RRA穩定特征選擇

特征選擇可以加快數據挖掘算法的速度，提高學習精度，增強模型的可理解性，但特征選擇結果往往因樣本差異或噪聲等因素而出現不一致。為了獲取穩定的特征排序，本研究使用集成特征選擇方法進行特征選擇[18]。將訓練集隨機分成5組，分別使用最小冗余最大相關(mRMR)算法[19]進行排序，使用穩健排序聚合(RRA)[20]方法得到最終排序結果，我們將此方法稱為mRMR-RRA，整體結構見圖2。其中，RRA通過計算每個特征在各次排名間的差異顯著性對特征排序，其復雜度與輸入維度大小成線性關系，對異常值、噪聲和誤差具有較強的魯棒性。mRMR是一種基于相關關系的過濾式特征選擇方法，它不僅考慮了特征與標簽之間的相關性，而且考慮了特征之間的信息冗余。其中，相關性用互信息(MI)度量，兩個離散隨機變量X和Y的MI可以定義為:

圖2 mRMR-RRA方法的整體結構

Fig.2The overall structure of the mRMR-RRA method

(3)

其中p(x,y)是x和y的聯合概率密度函數，p(x)和p(y)分別是x和y的邊緣概率密度函數。MI越大，相關性越高。設S是所有特征的集合，Sm-1是已排序特征集合，根據最小冗余最大相關準則，添加到Sm-1中的第m個特征滿足以下條件:

(4)

其中，x表示特征，c表示樣本標簽。

2.5 分類模型及評價指標

使用斯皮爾曼排序相關系數(Ds)[21]對排序結果的穩定性進行評價。設r和r′分別為同一方法在不同數據上得到的排序向量，r(i)和r′(i)是特征i在排序向量r和r′中的位置，c為特征總數，計算方法如下：

(5)

Ds的值在[-1,1]之間，Ds越接近1，排序結果越穩定。對于n次排序結果，計算Ds的平均值：

(6)

使用RBF-SVM建立分類模型，通過10折交叉驗證選擇最佳特征數量，平臺為matlab2017b。為了加快訓練速度，對特征進行歸一化處理，為了提高分類性能，對分類結果進行中值濾波后處理[22]。使用準確率(Acc)、靈敏性(Se)、特異性(Sp)作為模型的評價指標。

3 結果與討論

3.1 特征穩定性分析

為了對比mRMR-RRA方法與mRMR方法的穩定性，在訓練集中隨機抽取數據，每次抽取數據量為總數的80%，共抽取5次，計算每兩次間的Ds值和平均Ds值，見表2。從表中可以看出，使用mRMR-RRA方法，特征排序穩定性明顯提高。

表2 mRMR- RRA方法和mRMR方法的排序穩定性

圖3列出了各個特征在呼吸暫停信號與正常信號間的分布差異及最終排序結果。每個子圖中左側為正常睡眠信號，右側為呼吸暫停信號。‘R’表示特征來自RR間期，‘E’表示特征來自EDR信號。根據mRMR-RRA排序結果，特征從左到右，從上到下依次排列。排名前10的特征包括：RR間期的頻域分析(RRd6，RRd7，LF/HF)，EDR信號的時域分析(var)、頻域分析(Fm)及非線性分析(FMEn)，相關性分析中的RRcorr2，RRcorr3，RRcorr4，REh。可以看出，排序靠前的特征在兩類間的差異明顯大于排序靠后的特征，說明差異性大的特征表現較穩定。雖然有些排序靠后的特征在兩類間的差異也很顯著，但由于其與排名靠前的特征相關性較高，因此排名靠后，如RRcorr2、RRcorr1等。

圖3正常睡眠信號與呼吸暫停信號間特征的分布差異(歸一化結果)

Fig.3Differences in the distribution of characteristics between normal sleep signals and apnea signals (Normalized results)

RR間期的頻域分析顯示，呼吸暫停信號的VLF，LF，LF/HF與正常睡眠信號相比偏高，這與睡眠呼吸暫停發生時，交感神經活性增強的生理學結果吻合。觀察RRd9-RRd4的變化可以發現，睡眠呼吸暫停與正常睡眠信號間的差異在低頻時更明顯。EDR的頻域分析與RR間期的相應特征分布相似，說明EDR信號與RR間期信號有較好的相關性。睡眠呼吸暫停信號的Fc和Fm相對正常呼吸信號降低。非線性分析中，RR間期與EDR信號的熵值均顯示與ApEn相比，FMEn在兩類間的差異更顯著，并且由于交感神經興奮會增加信號的確定度[23]，因此呼吸暫停信號的熵值顯著降低。相關性分析中，RR間期及其延遲序列相關性在呼吸暫停信號中顯著大于正常睡眠信號，RR間期與EDR在高頻段的相關性更能反映兩類間的差異。

3.2 特征驗證

圖4為兩種方法10折交叉驗證準確率隨特征數量的變化情況。可以看出，mRMR-RRA方法整體優于mRMR方法，說明特征的穩定性增加的同時，分類效果也得到了提升。當特征數量為14時，mRMR-RRA方法達到局部最優，此時Acc=83.22%。隨著特征數量繼續增加，Acc呈小幅度波浪式變化。雖然特征數量大于39時，準確率提高到了86%，但模型的復雜度過大。因此，在最終分類模型的訓練中，使用了mRMR-RRA方法得到的前14個特征。

圖4 10折交叉驗證準確率隨特征數量的變化

表3 分類結果

表3為分類模型在測試集上的表現。第一行顯示Se=71.30%，遠遠低于Sp=96.95%，說明假陰性(FN)較高，這在臨床中存在非常大的隱患。因此，在訓練模型時重新設置代價矩陣，將FN的誤分類代價(Cost)設置為假陽性(FP)的兩倍，此時得到Se=86.71%，相比之前提升了15.41%，Acc=90.03%，相比之前提升了1.77%。

4 結論

本研究針對心電信號檢測睡眠呼吸暫停事件中心電特征的穩定性進行研究。實驗結果表明，基于集成穩定特征選擇策略，將mRMR特征選擇方法與RRA方法結合進行特征穩定性分析，與單獨使用mRMR方法相比，特征穩定性及分類準確率均有所提高。ECG指標與EDR指標有較好的相關性，結合ECG信號重構呼吸信號值得進一步研究。本研究給出的特征排序方法與結果，可以為心電信號識別睡眠障礙等相關研究提供一定的參考意義。