基于腦電波監測智能助睡眠耳機設計

衡 瑋 徐自強 陳璐瑤 楊金龍 喬天池 黃 闖

(江南大學物聯網工程學院 江蘇 無錫 214122)

0 引 言

良好的睡眠是人們一天高效率工作的基礎和保障，但失眠卻一直是困擾人們的一大難題。調查顯示，我國有將近 3 億人在夜間會出現失眠、打鼾的情況，約有 2 億人患有不同程度的睡眠呼吸暫停綜合征[1]。對于大多數的失眠患者來說，失眠多是因為一些外界原因導致精神壓力過大、神經緊張、憂慮過重、或者是過度興奮、難以平靜等，而由心理因素引起的失眠占失眠總數的 85%以上[1]。

國外基于腦電波睡眠已經有了一些研究，并取得了一定成果。SleepPhone睡眠降噪耳機可以隔絕外界噪音輔助睡眠，但單純通過音樂播放實現物理降噪不能適用于大部分失眠人群。國內的腦電波研究起步較晚，部分睡眠質量監測App可以監測睡眠質量并進行評分，但難以主動干預和幫助用戶提升睡眠質量。

針對上述問題，本文研究并設計了基于腦電波監測智能助睡眠耳機，以樹莓派(Raspberry Pi)為后臺服務器搭建硬件平臺，通過腦機接口技術，對人們在睡眠時的腦電波進行監測。依據神經科學的信號分析原理，采用K最近鄰(KNN)算法進行睡眠階段分析，為用戶呈現最直觀的睡眠分析，并將分析的睡眠結果反饋控制輕音樂的播放音量及播放曲目，使得用戶更快地進入深度睡眠階段，從根本上有效地調節用戶睡眠狀態。

腦機接口(BCI)技術是一種由外周神經和肌肉組成的輸出通路系統[2]，腦機接口系統的輸入信號從腦皮層表面神經元活動開始，通過電極放大，濾波后，進行特征提取，并通過轉譯環節將特征信息轉換為設備指令，最后由輸出設備對指令進行輸出[3]。

本文基于Rechtschaffen & Kales 睡眠分期標準[4]，針對人們睡眠時的三個不同階段，即覺醒期、非快速眼動睡眠階段(NREM)和快速眼動睡眠階段(REM)，通過對腦電信號分析的結果切換不同的輕音樂曲目，并適當調整音量，同時屏蔽外界干擾，可以使人在睡眠時盡早進入非快速眼動睡眠階段，減少在覺醒期因失眠而引發的疲憊和煩躁等。早上在合適的時間，通過該設備控制的智能喚醒模塊，采用溫柔的方式叫醒使用者，可去除被鬧鐘強制吵醒的煩惱。此外，根據睡眠期間對使用者睡眠情況的記錄，可自動生成一份睡眠監測報告，幫助使用者及時了解自己的睡眠情況。

1 系統總體設計

本文設計的智能助睡眠耳機系統以樹莓派3B+(Raspberry Pi 3B+)作為后臺服務器，安卓手機作為客戶端，并構建藍牙一主多從模式，即樹莓派作為主設備，安卓手機、藍牙耳機、腦電傳感模塊作為從屬設備，實現設備間的信息互通，搭建小型藍牙服務器系統。

系統結構示意圖如圖1所示，樹莓派通過CSR 4.0藍牙適配器和安卓手機進行全雙工通信，腦電傳感模塊通過藍牙串口透傳方式將數據傳輸到樹莓派，樹莓派通過藍牙音頻發射器將音頻信號傳輸給藍牙耳機。

圖1 系統結構示意圖

系統開始工作時，首先啟動后臺服務器，服務器將自動運行腳本以實現基本功能配置，并進入客戶端等待連接阻塞狀態，通過本系統開發的安卓App發送連接請求，即可獲取服務器資源。腦電傳感模塊上電，并將三個電極置于腦前額，通過藍牙串口將腦電信號上傳到服務器上，并進行相應的信號處理分析。通過藍牙音頻發射器可自動連接藍牙耳機，使用者戴上藍牙耳機便可感受設定模式下的音樂，并可通過安卓客戶端App調整模式，滿足用戶的個性化需求。

2 軟件架構與實現

系統配置包括后臺服務器搭建、安卓客戶端實現、腦電傳感模塊的數據采集、藍牙音頻信號發送與接收、智能喚醒機制的實現五個方面的要求。

2.1 后臺服務器的搭建

核心主控板為樹莓派3代B+版，如圖2所示。板載4個USB 2.0端口，1個RCA AV音頻端口，有Linux內核版本的支持，相比其他ARM系列的嵌入式微控制器，具有更廣闊的應用空間，便于搭建小型藍牙服務器系統。

圖2 Raspberry Pi 3 MODEL B+

樹莓派采用OMXPlayer硬解碼GPU命令行播放器，實現對mp3文件的解碼，在Linux系統中輸入omxplayer [OPTIONS] [FILE]命令，即可實現指定音頻文件的播放參數控制。

為OMXPlayer添加外圍Python 包裝，通過DBUS調用OMXPlayer進程，將其封裝成庫后，添加進程序可實現對樹莓派端音樂資源的控制需求。

利用Python 2.7環境編寫樹莓派開機自啟動腳本，將其放入后臺運行。在樹莓派上電后進行服務器功能初始化，執行以下操作：

(1) 遍歷系統目錄，獲取所有mp3音樂文件路徑，按文件修改時間排序生成音樂路徑列表；

(2) 讀取系統目錄下保存用戶信息的JSON文件，初始化控制變量(用戶上一次使用保存下的音量、播放模式、列表狀態等信息)；

(3) 開啟服務器的會話描述協議功能，配置流媒體服務器和服務器端的藍牙套接字，根據安卓設備藍牙串口服務的通用唯一識別碼開啟服務器的信號廣播與信道監聽。

在后臺服務器完成初始化后，有客戶端連接請求時給予響應，創建藍牙Socket后結合Python程序和封裝好的OMXPlayer調用類，完成諸如音樂切換、播放過程控制、進度和音量控制、播放模式切換、音量模式切換、列表操作、睡眠監測、報告獲取、智能鬧鐘設定、服務器啟停等復雜的控制指令。

2.2 安卓客戶端的實現

軟件開發的安卓客戶端App，主要實現四個功能：喚醒鬧鐘設定、睡眠質量監測、睡眠質量分析、音樂播放遠程控制。點擊App連接按鈕后，會嘗試搜尋對應的藍牙MAC地址，即樹莓派的藍牙適配器地址，App建立藍牙通信的流程如圖3所示。

圖3 App通信建立流程

建立通信后，可通過App發出對樹莓派端的控制指令，實現一款關聯腦波信號的遠程控制智能音樂播放器。App的功能模塊如下：

(1) 智能喚醒鬧鈴模塊。用戶根據個人早上起床時間設置鬧鈴時間段，睡眠耳機在設置的時間段內，當判斷用戶處在淺睡眠階段，即通過喚醒音樂喚醒用戶。

(2) 睡眠質量監測模塊。記錄用戶每晚睡眠數據，并實時更新存儲到樹莓派后臺。在App中以時間點為橫軸，以不同睡眠階段為縱軸，通過柱狀圖呈現用戶不同時間段所處不同睡眠階段的類型，通過餅狀圖清楚反映用戶每晚覺醒期、淺睡眠期、中度睡眠期、深度睡眠期和快速眼動睡眠階段的時間占比，讓用戶清晰地看到不同階段的睡眠時長，并根據下式計算用戶每晚的睡眠得分S[5]，范圍為0～100，供用戶參考。

(1)

式中：T表示睡眠總時長，tR表示快速眼動期(REM)的時長，t1表示非快速眼動期1(N1)的時長，t2表示非快速眼動期2(N2)的時長，t3表示非快速眼動期(N3)的時長。

可以看出，深度睡眠期和快速眼動睡眠階段所占整個睡眠時間的比例越大，睡眠質量越好，如果該比例低于25%，則需提醒用戶要提高睡眠質量。此外，通過統計夜間進入覺醒期的次數，得到用戶夜間的清醒次數，如果用戶清醒次數大于0，也需要提醒用戶提高睡眠質量。

(3) 睡眠質量分析模塊。對用戶近七天的睡眠情況進行評分，在App中以日期為橫軸，以睡眠得分為縱軸，通過折線圖反映用戶近七天的睡眠得分變化趨勢。如果用戶近七天睡眠得分持續低于80分，需提醒用戶改善睡眠狀況。

(4) 控制功能模塊。App對服務器端音樂播放的遠程控制界面如圖4所示。在App界面上點擊列表中歌曲名，可播放指定曲目；點擊或拖動播放進度條，改變音頻播放位置；點擊或拖動音量進度條，可調節音頻音量；長按列表中的曲目可對其進行屏蔽或恢復操作；在下拉菜單欄里可遠程控制服務器的連接狀態與關機重啟。

圖4 App音樂播放控制界面

所播放的音樂文件服務器目錄下的Music文件夾，在建立藍牙套接字的同時，安卓客戶端發送獲取音樂列表及歌曲信息請求，服務器響應請求后，將曲目的基本信息(歌名，作者，時長，大小)通過JSON字符串的方式傳輸到客戶端App，客戶端解析后將相應歌曲信息呈現到列表元素中，實現客戶端的遠程資源獲取。

圖4中，音量進度條上方的五個按鈕實現的功能分別為：

(1) 改變列表播放模式。播放模式包括順序、循環、隨機和智能模式，前三種和普通音樂播放器無異，最后一種智能模式能結合監測者的睡眠程度和習慣偏好，智能推薦播放曲目。

(2) 切換到上一首，除隨機模式選擇任意一首播放外，其他模式均為列表中所示位置的前一首。

(3) 播放暫停按鈕，點擊一下會暫停音樂，再點擊一下能夠繼續播放。

(4) 切換到下一首，除隨機模式選擇任意一首播放外，其他模式均為列表中所示位置的后一首。

(5) 改變音量播放模式。

該App設置了手動和自動模式。手動模式下用戶能夠自由改變音量，自動模式下音量將由服務器根據用戶腦波數據計算得出。音量進度條左右的兩個按鈕實現音量的降低和增加功能，在手動模式下，音量增長或降低5%，在自動模式下，將改變音量計算的偏移量，使音量輸出獲得一個整體的增幅或減弱效果。

項目中需要維持服務器和安卓客戶端的通信，以進行實時性的數據傳輸與控制功能。利用灰色保活機制，在程序中作Android SDK版本號判斷。當API版本號小于18時，啟動前臺Service時直接傳入Notification實例；當API版本號大于等于18時，同時啟動兩個ID相同的前臺Service，然后再停止后啟動的Service服務，以此來提高App應用進程的優先級。

2.3 腦電傳感模塊的數據采集

TGAM模塊是一款腦電傳感模塊，如圖5所示。它通過三個電極采集原始腦波數據，使用12位ADC，差模輸入電壓范圍小于等于1mV，可對腦電信號進行1 000倍放大。信息傳輸采用藍牙串口透傳方式，實現TGAM芯片中數據的傳送。

圖5 腦電波傳感器

TGAM芯片連接藍牙模塊，采用兩節干電池對其供電，可避免電源紋波和噪聲對模塊的影響；樹莓派通過USB轉TTL模塊轉換邏輯電平，連接配對好的另一個藍牙模塊，構成圖6所示的模塊結構框圖。

圖6 腦波采集部分結構框圖

在樹莓派上通過Linux命令查看USB擴展出的串口號，可得到ttyUSB0，利用Python的serial庫從該串口讀取小包數據，解析得出原始腦波數據。在大包數據里三個字節為一組，通過移位運算處理可解析得出不同頻率的基本腦波數值。當采集到的數據有效時，在樹莓派上開啟一個數據接收線程，以便進一步分析處理。

2.4 藍牙音頻信號發送與接收

OMXPlayer的音頻推廣方式可以選擇為HDMI、Local、ALSA(高級Linux聲音架構)，為了將音頻信號發送到藍牙耳機，嘗試了以下兩種方式。

(1) 音頻推廣到ALSA：樹莓派與藍牙耳機配對連接后，激活PulseAudio進程，PulseAudio是一個跨平臺的聲音服務器，ALSA會將音頻重定向輸出到Pulse-Audio，將其設置為A2DP模式后即可傳輸到藍牙耳機。

(2) 音頻推廣到Local，即本地3.5 mm音頻接口，將藍牙音頻發射器接入到樹莓派3.5 mm音頻口，發射器會自動配對連接藍牙耳機，實現音頻的過渡傳輸。

經過測試，第1種方式利用樹莓派自身音頻配置，可實現點對點連接，但配置過程較為繁瑣，在樹莓派系統自帶的ALSA驅動下音質效果也不夠理想；第2種方式通過外接設備，把音頻從樹莓派本地音頻接口經藍牙發射器傳輸到藍牙耳機，配置簡單且音頻保真性較好。因此本系統采取第2種方式。

2.5 智能喚醒機制的實現

樹莓派內部并不存在CMOS電池，沒有實時時鐘RTC(Real-time Clock)功能，在斷電之后，時間就停留在當前時間點。為實現智能喚醒機制，保證睡眠分析報告的可靠性，要考慮時間的準確性。

時間同步可以通過NTP網絡時間協議，但如果樹莓派未連接網絡，則無法實現時間同步。除此之外，還可為樹莓派添加一個DS1302時鐘芯片，實現硬件實時時鐘功能，使得樹莓派在離線的情況下從DS1302中同步時間，但時間精度依賴晶振質量。

考慮到已配置好安卓客戶端和樹莓派的藍牙套接字通信協議，因此，可以直接獲取安卓客戶端的時間，在創建藍牙Socket通信的同時，將時間信息發送到樹莓派上進行時間更新操作，實現后臺服務器時間與安卓客戶端時間的同步。

安卓客戶端獲取系統時間有多種方式，本文選擇Java中的Date類，用SimpleDateFormat規定顯示的信息格式，定義字符串timeStr，寫入timeStr = new SimpleDateFormat(″yyyy-MM-dd HH:mm:ss″). format(new Date())語句可獲取指定格式的時間字符串，再通過藍牙套接字發送到后臺服務器。

后臺服務器接收到時間字符串timeStr后，通過Python語句os.system(‘sudo date --s=″’+timeStr+’″’)調用Linux系統命令，強制修改系統時間使其和安卓客戶端一致。服務器可結合時間對使用者睡眠狀況進行具體分析，若在設定的時間段內檢測到睡眠程度達到一定閾值，便智能選擇曲目并自動調整音量實現相對溫和的喚醒過程。

3 核心算法實現

3.1 睡眠分期方法

本文采用的數據來自PhysioNet的CAP睡眠腦電數據庫[6-7]，PhysioNet是一個向科研人員免費提供的權威科學的生理信號庫及處理工具箱， 即PhysioBank和PhysioToolkit，官網為https://physionet.org/。

實驗選用的睡眠監測數據包含108例多導睡眠記錄，采樣頻率512 Hz，每例至少記錄了三導連的腦電信號(根據10-20 國際通用系統，電極為：F3 或F4、C3或C4、O1或O2，以A1或A2作為參考電極)，其中，16例由健康的成年受試者完成，這些受試者包括23歲至42歲的男性和女性。此外，在睡眠中心接受過訓練的神經病學家，根據Rechtschaffen&Kales[8]規則對每一例記錄進行以30 s為間隔的睡眠分期判定并作標記，本文以此分期結果測試算法的分期準確性。

首先，采用低通濾波對原始 EEG 信號進行預處理，去掉高頻噪聲部分，再對去噪后 EEG 進行傅里葉變換，求得功率譜，依據功率譜提取 α、β、δ、θ 四種特征波的功率比例[8]，然后將四種特征參數輸入KNN中進行訓練，最后測試其預測分期結果的準確性。算法流程如圖7所示。

圖7 睡眠分期算法流程

3.2 腦電信號預處理

由于腦電波在時域上屬于非平穩隨機信號，加上采集的腦電波為三導連，信號不穩定，噪聲嚴重。腦電信號有效頻率為0～30 Hz，因此，本文采用低通數字濾波器進行預處理，以抑制高頻噪聲來提高測量準確度。

數字濾波器包含FIR濾波器和無限沖激響應(IIR)濾波器。FIR濾波器的輸出信號可以保持嚴格線性，同時又可以具有任意的幅度特性，因此本文選用FIR濾波器[9]。

設FIR濾波器的單位沖激響應為h(n)，是一個長度為N的序列，計算公式為：

(2)

設阻帶頻率為fc，由離散傅里葉變換公式可求出理想濾波器的脈沖響應，即：

hidea(n)=2fcsinc(2fcn)

(3)

由于理想濾波器在邊界頻率處不連續，故其脈沖響應hidea(n) 是無限長的非因果序列。本文研究的系統需要做實時處理，因此，采用有限長序列來逼近無限長序列hidea(n)，即采用有限長度窗函數w(n)來截取hidea(n)。

h(n)=hidea(n)w(n)

(4)

本文選用曲線較平滑的漢明窗來做截取，漢明窗函數表達式為：

(5)

采用300點，取30 Hz作為頻率衰減帶上限，以 512 Hz作為采樣頻率，構造低通濾波器系數。低通濾波器的頻率響應曲線如圖8所示，脈沖響應曲線如圖9所示。兩圖分別從時頻域論證了加漢明窗的濾波器系數非常逼近理想濾波器系數，因此可以使用其進行濾波。

圖8 頻率響應曲線

圖9 脈沖響應曲線

截取測試對象n16的一段30 s的腦電信號進行低通濾波，濾波前后時域對比如圖10所示，濾波前后頻譜對比如圖11所示，可以明顯看出腦電信號去噪前后的波形變化。就時域波形來說，濾波后的波形更加平滑，特征更加突出；對頻譜來說，高頻部分可被濾掉，剩下腦電波的有效頻率部分，便于特征提取。

圖10 濾波前后腦電信號波形對比

圖11 濾波前后的腦電信號頻譜對比

3.3 腦電信號特征提取

依據美國睡眠醫學學會(AASM)的標準[10]，腦電波按頻率從高到低可劃分為以下頻段：β波(14～30 Hz)，α波(8～14 Hz) ，θ波(4～8 Hz)，δ波(0.5～4 Hz)。根據美國睡眠醫學會2007年的標準，睡眠分期的腦電標準如表1所示[1]。

表1 睡眠分期腦電標準

由表1可知，美國睡眠醫學會基于Rechtschaffen & Kales規則進行了改進，將NREM睡眠階段中的S3 和S4合并為N3。本文采用該改進后的劃分標準。

人的腦電信號會隨著睡眠階段的不同而發生相應的變化，通過分析不同睡眠狀態下的腦電信號的變化趨勢，可以對睡眠狀態進行分段。本文基于通用的Rechtschaffen & Kales睡眠分期標準，從實用性和兼容性方面考慮，選擇δ頻段的相對功率、θ頻段的相對功率、α頻段的相對功率、β頻段的相對功率作為睡眠分期的特征。由于需要求多個頻段的功率占比，因此需要先將信號從時域轉換到頻域，采用傅里葉變換求功率譜。需要注意的是，由于 EEG 信號并不是周期的，為防止傅里葉變換結果中出現頻譜泄漏，采用漢明窗使數據能平滑過渡[11]。由于腦電的頻譜特性不隨時間變化，本文分段進行傅里葉變換，再對每個頻率分量的功率求其平均值，作為測量信號的功率譜。

以被測試對象n16為例，每組數據長度15 360點(30 s)，分別對每數據進行特征提取，計算δ、θ、α、β波的功率比例，各特征波的全部時序功率比例如圖12所示，可以看出腦電存在一定的變化趨勢或規律。因此，可以采用上述 4 個特征參數作為分類器的輸入，實現睡眠分期。

圖12 四種特征波的時序功率比例

4 算法驗證與耳機應用

4.1 算法驗證

本文采用KNN算法[12-13]進行睡眠分期的判定，算法如下：

已知訓練樣本集合K={K1，K2，…，Km}，其中，m表示訓練集中樣本的數目，假設類別數為n。

(1) 設定待測樣本的最近鄰數目值為k。

(2) 樣本間的相似程度采用閔氏距離進行統計，測度值用M表示，閔氏距離計算公式為：

(6)

(3) 每個待測樣本用Z表示。

① 計算m個測度值，并使用排序算法對其進行排序，排序后為：M1，M2，…，Mk，Mk+1，…，Mm。

② 取出其相似度最高的k個樣本，然后遵守投票 規則進行待測樣本Z的類別值判定，Z類別值為得票數最多的類別。

提取n1樣本整夜睡眠數據(共1 147組，每組30 s)的4個特征屬性 δ、θ、α、β波的功率比例。其中，隨機選取70%作為訓練樣本，用來建立KNN的睡眠分類模型，剩余30%作為測試集。為驗證該方法，將每一睡眠分期的準確率都計算出來，并呈現錯誤識別的所有情況。表2表示分期結果，其縱列代表分類器的輸出，橫行代表實際睡眠階段。對應每個實際睡眠階段，得到分類器分類后的輸出睡眠階段，并統計相應數目記錄在表2中。隨機選取訓練、測試樣本，計算100次，得到各睡眠階段的平均準確率如圖13所示。

表2 各階段準確率表

圖13 各睡眠階段的平均準確率

由表2和圖13可以看出本文設計的分期方法在 N2、N3、REM識別較好，REM準確率最高，N2次之。W、N1的分期準確率最低。結合表1對分期結果進一步分析發現，W、N1、REM很少被誤判成N3，可見本文方法不會影響對睡眠深淺程度的判斷，達到預期使用要求。更進一步對N1狀態的誤判進行分析，N1容易被誤判為N2，由于N1與W、N2的分期較為接近，界限模糊、難以分辨。清醒狀態容易被識別為N1和REM，也是因為這些波形相近，特征相似。

4.2 耳機應用

用戶夜間佩戴耳機睡覺時，設備可以實時監測其腦電波狀態，分析睡眠狀態后，通過控制音樂播放使得用戶的腦電波狀態盡快進入到深度睡眠階段。同時，將用戶夜間的睡眠狀態監測結果通過App顯示，如圖14所示。其中：曲線圖可以反映用戶某一時刻所處的睡眠階段；餅狀圖可以反映用戶夜間五個睡眠階段的時間占比。

圖14 用戶睡眠監測App顯示圖

通過讀取服務器后臺保存的睡眠得分歷史記錄，可以得到用戶一段時間的睡眠分析報告，如圖15所示。通過折線圖可以反映用戶一段時間的睡眠得分情況，用戶可以看到自己睡眠質量的變化趨勢。

圖15 用戶睡眠分析App顯示圖

5 結 語

本文針對部分人群失眠問題，設計一套基于腦電波監測智能助睡眠耳機系統，通過腦機接口技術，實現對人們在睡眠時的腦電信號進行監測，并依據神經科學的信號分析原理，采用 KNN算法進行睡眠階段分析，將分析后的睡眠結果自適應地控制輕音樂的播放音量及播放曲目，以輔助調節人們的睡眠狀態。此外，設計的安卓手機可實現喚醒鬧鐘設定、睡眠質量監測、睡眠質量分析等，滿足不同用戶的需求。

本文采用的KNN方法，雖然在某些階段能夠較準確地完成睡眠分期，并對睡眠深淺程度進行判斷，但仍存在一定的局限性。未來將進一步加強對睡眠分期算法的研究，提高對睡眠分期的精度，進一步改善本助睡眠耳機系統的性能。