基于多事件融合的睡眠質量評測算法研究

李晨洋，葉繼倫，張旭，周晶晶，檀雪，易紅良，關建

1.深圳大學醫學部生物醫學工程學院，廣東深圳518060；2.上海交通大學附屬第六人民醫院，上海200233；3.上海市睡眠呼吸障礙疾病重點實驗室，上海200233

前言

長期工作與生活的壓力已經導致許多人出現一系列的睡眠障礙，例如失眠、睡眠呼吸障礙疾病、過度嗜睡癥及睡眠行為異常癥等。但相關研究表明人體的生理健康狀況與睡眠質量有直接的關系［1］，睡眠質量差已經被專家列為導致一些未知原因生理疾病的幾大因素之一。整夜睡眠過程的好壞一般由睡眠質量來評價，連續的失眠等癥狀往往會造成人體的精神萎靡，免疫力減弱，癥狀情形嚴重的會引起一系列的急性心腦血管疾病，更有甚者，還會引起猝死［2］。

1 相關研究

對人體夜間睡眠質量進行評價，一般從主觀角度與客觀角度進行綜合評價［3］。主觀層面主要是觀察受試者的睡眠狀態，包括是否出現夜間經常驚醒、磨牙等癥狀；在客觀評價層面，目前國際公認的評價金標準是多參數睡眠監測，在獲取多導睡眠生理信號后進行分析，最終得到客觀的睡眠質量評價。考慮到我國睡眠監測醫療資源緊張以及患者體驗感較差等問題，一系列便攜式的睡眠監測設備陸續被推出市場，這些產品可以對人體睡眠指征進行一些簡單的采集與初篩，但是對于評價人體睡眠質量相關指標的全面性與準確性還有待進一步提升［4］。常見的多導睡眠監測儀采集的生理信號包括：電生理信號、呼吸氣流信號、血氧信號等。這些指標往往是評價睡眠質量必備的，也是能夠直接提供客觀依據的。這種方法是目前評價睡眠質量最可靠、最全面的方法，其主要原因是監測參數全面，客觀性良好［5-6］。

因此，對于睡眠醫生的臨床診斷與睡眠障礙患者的日常護理而言，睡眠質量的研究是非常重要的。本文基于臨床研究和日常保健提出一種基于多參數指標下評估睡眠質量的方法。系統整合目前實驗室成熟的生理信號采集模塊，搭建一整套多參數睡眠質量監測平臺。首先，系統采集心率、血氧飽和度、呼吸、腦電、肌電等人體生理信號，再通過多事件融合分析算法計算夜間睡眠狀態的相關指征，探討和量化心血管疾病等事件對睡眠質量的影響程度。以及利用腦電、下頜肌電和眼動對整夜睡眠狀態進行分階研究，最終通過多事件融合的事件判定對睡眠質量進行比較全面、系統的評價。

2 多事件融合睡眠質量評測算法研究

2.1 睡眠期呼吸紊亂事件判定

2.1.1 呼吸暫停低通氣綜合征判定臨床上，呼吸事件一般分為呼吸暫停事件與呼吸低通氣事件［7］。成人睡眠呼吸暫停事件的判定方法是口鼻呼吸氣流“暫停”時間超過10 s。若口鼻氣流運動暫停時，胸腹呼吸運動保持不變，判定為阻塞性呼吸暫停事件；若口鼻氣流運動暫停時，胸腹呼吸運動同步暫停，則判定為中樞性呼吸暫停事件；若口鼻氣流運動暫停時，前期沒有出現胸腹運動，后段又出現胸腹運動，則判定為混合性呼吸暫停事件［8］。臨床上區分中樞性呼吸暫停與混合性呼吸暫停可以通過觀察兩者的二氧化碳監測曲線加以判別，會發現中樞性呼吸暫停的曲線上存在心源性振動波，而混合性呼吸暫停曲線上沒有。對呼吸低通氣事件的判定要求口鼻呼吸氣流下降30%，而且血氧飽和度下降4%，事件持續的時間還需大于10 s。呼吸低通氣事件與呼吸暫停事件的分類方法一致，也是根據呼吸運動曲線的波動情況分為阻塞性、中樞性、混合性3類［9］。

2.1.2 陳-斯呼吸綜合征判定臨床觀察記錄發現，陳-斯呼吸綜合征主要出現在睡眠期外，但少部分出現在重癥病患者的睡眠清醒期。其在臨床中的一般表現特征為：起初呼吸幅度逐漸減弱，接著出現中樞性低通氣或中樞性呼吸暫停，隨后呼吸幅度逐漸增大，且上述過程反復出現。醫生在診斷時，將滿足以上3個條件且持續時間至少為10 s的漸減漸增現象，合并中樞性呼吸事件發生次數大于5 次的狀態判定為陳-斯呼吸綜合征［8］。

2.1.3 睡眠通氣不足綜合征判定臨床診斷中，將因某些呼吸系統疾病導致通氣不足，動脈二氧化碳分壓在清醒狀態下大于45 mmHg，在夜間睡眠狀態下大于55 mmHg且伴隨動脈血氧飽和度持續降低的臨床癥狀判定為睡眠通氣不足綜合征。

2.1.4 打鼾狀況分級對夜間睡眠期打鼾狀況分級也是評估睡眠質量好壞的重要方法。睡眠期間的鼾聲形成主要跟上氣道的開放程度相關，依據鼾聲的有無及猛烈程度，將睡眠期打鼾深度分為3 級［8］。0 級打鼾：人體氣道內氣流的阻力很小，幾乎不會出現鼾聲；1 級打鼾：人體氣道內氣流經過時，引起氣道的輕微振動，出現輕微的鼾聲；2 級打鼾：人體氣道阻塞程度加深，影響氣流的正常流通，使得鼾聲的嚴重程度加重；3 級打鼾：人體氣道幾乎完全阻塞，基本導致呼吸氣流停流，但一旦氣道稍微開啟，氣流會迅速通過，導致出現猛烈的打鼾行為。

2.2 睡眠期心血管事件分析

臨床研究發現，睡眠狀態出現問題的患者多數也存在心血管方面的心臟病癥［10］。所以，研究心率變異性和心律失常等事件對睡眠期心血管狀態的影響以及對睡眠質量的全面評價具有十分重要的意義。

多數研究心血管狀態評價方法的學者經常采用心率變異性（Heart Rate Variability,HRV）分析方法，圖1、圖2為人體HRV的分析結果。對HRV的常規分析方法主要有2 類：統計學分析法和幾何圖形分析法。統計學分析法主要計算如下幾個參數：R 波峰點間距的標準差、所有R波峰點間距差值平方和均值的平方根、相鄰R 波峰點間距差值大于50 ms 的總數(NN50)等。上述幾個參數的計算結果有利于醫生有效評估睡眠期間的心血管狀態［11］。

圖3、圖4為采用幾何圖形分析法分析得出的結果圖。圖3所示的間期直方圖反映人體夜間心率變化的情況；圖4所示的間期差值直方圖反映相鄰心搏間期的差值變化趨勢。

圖1 去除基線漂移后心電信號Fig.1 ECG signal after removing baseline drift

圖2 心率變異性波形曲線Fig.2 Heart rate variability waveform

圖3 心率間期直方圖Fig.3 R-R interval histogram

圖4 心率間期差值直方圖Fig.4 Histogram of R-R interval differences

在研究心血管事件時，Lorenz散點圖的形狀也可以反應RR間期的變化規律，如圖5所示，一般正常人的Lorenz 散點大都集中在圖象的45°附近。其中，散點圖的長短代表了心率在整夜中的變化大小。所以，描繪出不同形狀的Lorenz 散點圖也可以幫助醫生對睡眠期心血管事件進行有效的分析［12］。

圖5 心率間期Lorenz散點變化圖Fig.5 Lorenz scatter plot of R-R interval

2.3 睡眠期腦電醒覺反應事件分析

腦電醒覺反應事件的觀察與分析也可以為睡眠質量的評價提供十分有價值的依據。在臨床觀察中發現患者由睡眠狀態突然驚醒轉換至清醒狀態時伴隨醒覺反應事件。具體來說，腦電醒覺反應事件的發生是指夜間睡眠期間腦電頻率的突然性變化，但一般不包括突然變化至頻率范圍在12～14 Hz 的睡眠梭形波。

美國睡眠障礙聯合會公布的臨床觀察腦電醒覺反應事件發生的幾個主要規則如下［8］：首先，事件發生的主要標志是腦電信號頻率突然變化且持續時間≥3 s，且需要滿足事件發生前期必須存在已知或未知睡眠期的10 s以上的睡眠狀態。其次，不同的睡眠時期判定事件所需要的生理信號不同。一般在非快速眼動睡眠期（NREM）期，需要腦電信號，而在快速眼動睡眠期（REM）期，事件的判定需要結合腦電和肌電兩種生理信號同步分析判別。圖6、圖7 為NREM期腦電醒覺反應事件判定結果，圖8、圖9 為REM 期腦電醒覺反應事件判定結果。

事實上，腦電醒覺反應事件是一把雙刃劍。一方面來說，事件一般發生在患者呼吸氣道阻塞十分嚴重出現呼吸暫停時，此時事件的出現有利于及時喚醒患者，挽救生命；但另一方面來說，夜間睡眠期內頻繁出現該事件，會造成睡眠過程的不連續性，造成一系列新的疾病產生［13］。

圖6 NREM期腦電信號醒覺反應事件判定Fig.6 Determination of awakening response event by EEG signal in NREM stage

圖7 NREM期下頜肌電信號醒覺反應事件判定Fig.7 Determination of awakening response event by mandibular EMG signal in NREM period

圖8 REM期腦電信號醒覺反應事件判定Fig.8 Determination of awakening response event by EEG signal in REM stage

圖9 REM期下頜肌電信號醒覺反應事件判定Fig.9 Determination of awakening response event by mandibular EMG signal in REM period

2.4 睡眠期的分階研究

對睡眠期進行分階是研究睡眠障礙相關疾病的重要前提，分階結果對客觀評估睡眠質量也具有十分重要的意義。本文采用自主設計的睡眠生理信號采集系統，對來自不同年齡階段的30 名志愿者的整夜睡眠數據進行采集。系統將采集到的各生理數據先經過預處理后，再經過相關特征點算法處理選取了19 個特征，將每一例數據對應的19 個特征參數輸入至SVM分類器中進行分類識別處理。將經過睡眠專家標識的結果與經過分類輸出的結果進行比較，比較的結果顯示系統采用的方法得到的分階準確率達到了86%，該分類方法得到的準確率相比多數睡眠分階研究得到的分階結果都有所優化。

2.4.1 經驗模式分解法提取分階特征點采用Hilbert-Huang 變換方法處理非線性的腦電信號是一種很有效的分析方法，被大多數腦電研究者采用。Huang 等提出的這種分析方法對處理非平穩性及非線性的腦電信號的分析步驟就是將復雜的腦電信號分解成若干個內在的模態函數疊加和的形式［14］。采用該種分析方法可以為準確進行睡眠期分類提供有力支撐。

2.4.1.1 瞬時頻率與瞬時振幅在對采集到的腦電信號經過EMD分解以后可以得到腦電信號的各個IMF分量，接著對分解得到的各分量做Hilbert變換，就能夠得到各個分量對應的瞬時振幅和瞬時頻率（圖10、圖11）。從圖中能夠清楚地看出瞬時頻率是逐層遞減的。

圖10 各個IMF分量對應的瞬時振幅Fig.10 Instantaneous amplitude corresponding to each IMF component

2.4.1.2 Hilbert-Huang 譜與邊際譜圖腦電信號先后經過EMD 分解與Hilbert 變換后，得到了各分量對應的頻率和振幅示意圖，而Hilbert 譜的構成則是振幅在時間-頻率坐標面上的顯示范圍。得到了Hilbert譜后，對時間坐標進行積分處理，得到了一個描述腦電信號頻率對應幅值的狀態量—邊際譜，圖12、圖13分別為不含殘余分量與含殘余分量的邊際譜示意圖。

2.4.1.3 分階特征參數的選取從邊際譜圖中可以看出，采集的腦電信號在睡眠分期中的有用頻率范圍是0～30 Hz。大致可以將0～30 Hz 的范圍分為7 個頻率段進行研究。先求出7 個頻段中各個頻段的能量Ei，i=1,2,3…,7，再求出7個頻段的總能量。在實際選取分階特征參數時，由于7個分段中的能量差異比較大，直接將能量值作為特征進行睡眠分期無疑會降低準確率，將各分段的能量值在總能量值中的占比作為特征是較好的選擇。系統最終選取了表1所示的特征量作為輸入至SVM 分類器中睡眠分階的特征，取得了較好的結果。

2.4.2 小波系數特征能量比和樣本熵法提取分階特征點

圖11 各個IMF分量對應的瞬時頻率Fig.11 Instantaneous frequency corresponding to each IMF component

圖12 不含殘余分量的邊際譜圖Fig.12 Marginal spectrogram without residual components

圖13 含殘余分量的邊際譜圖Fig.13 Marginal spectrogram with residual components

2.4.2.1 預處理去噪由于硬件采集電路以及外界環境干擾的影響，采集到的原始信號中一定會存在著許多未知噪聲，對采集到的原始信號進行預處理就顯得尤為重要。由于腦電、肌電等信號不同于一般的線性信號可以采用簡單的濾波器進行處理，所以采用啟發式閾值法對原始采集到的腦電信號、心電信號以及肌電信號進行降噪預處理，能夠取得很好的去噪效果（圖14～19）。

2.4.2.2 Mallat分解算法Mallat分解算法的主要工作原理是由H分解濾波器和G分解濾波器對原始采樣信號進行分步分解濾波處理［15］。

表1 經驗模式分解法選取的特征參數Tab.1 Feature parameters selected by empirical mode decomposition

分解算法步驟為：

2.4.2.3 小波系數特征能量比小波系數特征能量比不同于經驗模式分解法分解得到的特征能量比，該能量比指的是特定層數的系數能量在總層數系數能量中的占比。且相關計算公式如下：

圖14 原始腦電信號Fig.14 Original EEG signal

圖15 去噪后的腦電信號Fig.15 EEG signal after denoising

圖16 原始心電信號Fig.16 Original ECG signal

圖17 去噪后的心電信號Fig.17 ECG signal after denoising

圖18 原始肌電信號Fig.18 Original EMG signal

圖19 去噪后的肌電信號Fig.19 EMG signal after denoising

其中，Di()k表示的是分解層數第i層上的系數，ηi表示第i層系數的能量占總能量的比例，Es為所有層數的總能量和，N為所有層數的數據個數。

腦電信號中α、β、θ、δ的頻率范圍分別為8～13 Hz、13～30 Hz、4～7 Hz、1～4 Hz，原始信號選取“db4”進行小波分解后，得到了具有實際物理意義的各個系數。臨床中可近似認為D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，計算這些系數在0～30 Hz上所占的能量特征比作為睡眠分階的4 個頻域特征。對于肌電信號，睡眠期間肌肉運動的高頻頻率范圍為30～125 Hz，選擇“sym3”小波基對肌電信號進行3 層小波分解后，可視D1+D2為30～125 Hz范圍的能量，計算其在0～125 Hz 范圍內所占比例得到EMG 信號的頻域特征ηh。

2.4.2.4 分階特征參數的選取對睡眠結構的分析是十分復雜的，選取少量的特征并不能對睡眠狀況進行準確的分階，所以在上述所提取特征的基礎上，又提取了部分特征一并作為分階特征（表2）。

表2 能量比及樣本熵特征參數Tab.2 Energy ratio and sample entropy characteristic parameters

圖20、圖21 為對心電信號與腦電信號進行樣本熵估計處理得到的樣本熵估計值曲線，分階結果表明基于樣本熵估計值的特征選擇對睡眠分階起到十分明顯的效果［16］。

2.4.3 小波包系數法提取分階特征點對于非線性的腦電信號，離散小波變換也是一種常用的分析方法。對比研究結果顯示，小波基選為“db4”的變換結果恰好能準確提取所有腦電信號的特征頻帶。對于經過離散小波變換后的腦電信號，變換得到的D1～D4系數分量以及A4系數分量是準確睡眠分階的關鍵參數。其中，A4分量包含EEG信號的0～4 Hz頻段，D4分量包含4～8 Hz 頻段，D3分量包含8～13 Hz 頻段，D2分量包含13～30 Hz 頻段。系統選取細節分量D2～D4和低頻分量A4作為特征參數進行睡眠分階研究（表3）。

圖20 心電信號樣本熵曲線估值圖Fig.20 Estimation of sample entropy curve of ECG signal

圖21 腦電信號樣本熵曲線估值圖Fig.21 Estimation of sample entropy curve of EEG signal

表3 DWT分解后各頻段特征點Tab.3 Characteristic points of each frequency band after DWT decomposition

2.4.4 排列熵與Petrosian分形維數法提取分階特征點排列熵算法也可以用于分析腦電信號的復雜性。排列熵定義式一般寫為：

一般對腦電信號計算排列熵值時，經常選取的嵌入維數為5，延遲時間為1。臨床觀察排列熵實驗結果顯示，排列熵值在清醒期數值最大。在REM 期的排列熵值一般比NREM1 期的排列熵值小，比NREM2 期的排列熵值大。而隨著睡眠程度的加深，NREM1 期～NREM4 期熵值是持續降低的。結果發現，睡眠不同階段的排列熵值存在明顯的差異，以排列熵值作為分類特征參數能夠有效區分出睡眠期的各個階段。

考慮到腦電信號的復雜性，算法對腦電信號計算了Petrosian分形維數，以此作為一個特征。分形維數的相關表達式如下所示：

其中，k是腦電信號的樣本個數，Nδ表示的是分形維數計算過程中腦電信號符號變化的次數。

對不同睡眠階段的腦電信號進行獨自分形維數的計算，根據計算結果的曲線表現可以看出，不同睡眠階段的分形維數值存在的差異比較明顯。將其作為一個分類特征參數有利于更準確的實現睡眠分階過程［17］。

2.4.5 支持向量機（SVM）分類識別判定目前針對睡眠自動分階的研究越來越多，許多研究者嘗試使用神經網絡分類方法、SVM 分類方法，還有一些學者采用決策樹技術解決睡眠自動分期問題［18］，都取得了不錯的分類準確率。對比多數研究者采用的分類方法后，本文決定采用SVM 分類方法進行睡眠分階。事實上，這是一種算法過程簡單，算法本質理論完備的方法，可用在許多分類場合。該種分類方法實際目的是尋求最小結構化風險，以期能夠達到最小的置信區間，使分類結果具有更好的泛化能力［19-20］。

本文算法進行睡眠分階的主要步驟如下：（1）首先用系統硬件部分采集30例志愿者的整夜8 h數據，將數據隨機打亂。將總數據的80%作為SVM 分類器的訓練集，將該80%的數據由睡眠專家做好分類標簽，將訓練集與專家的分類結果同時輸入至SVM分類器中，經過訓練后，得到一個睡眠分階的分類模型；（2）將剩余20%的隨機數據作為SVM 分類器的測試集，導入到第一步中已訓練出的分類模型中，得到這20%隨機數據的分類結果。將這20%數據的分類器分類結果與專家分析出的結果進行對比，計算出采用該算法的分類準確率。

在特征參數的選取上，系統最終共選取19類特征點作為SVM的分類基礎。在分類訓練數據上，系統共采集30名成人志愿者的整夜8 h數據（22:00～06:00），以30 s作為1幀數據來進行分類，系統共采用23 040例數據作為訓練集，5 760例數據作為測試集進行分類識別，最終與睡眠專家標定的結果驗證對比，得到睡眠分階的準確率達到86%。該結果與大多數睡眠分期研究的結果相比，本分類算法的分期準確率在原有算法模型的基礎上有了很大的提升。

3 結語

為了比較客觀、充分的評價睡眠質量，本文重點分析了睡眠期呼吸紊亂事件、睡眠期心血管事件、睡眠期腦電醒覺反應事件以及對睡眠期的分階進行研究。通過對事件類型的判定，參數計算結果的分析等，可以很好的指導睡眠醫生對睡眠質量進行精準、具體的評價。事實上，在睡眠分階的研究過程中，多數研究者的分階算法包括本文的算法模型都只是依據腦電、肌電、眼動等信號進行分析判定，但實際上這是不完整的，后期應該針對多導睡眠監測儀的全導聯信號，進行綜合分析研究，這樣才能科學、合理的解釋睡眠期間的人體真實狀況。

總而言之，要想對睡眠質量做出全面且準確的評價，需要通過多導睡眠監測系統實時監測評估結合患者的主訴睡眠資料，觀察患者的睡眠狀態等，多方面的綜合分析后再進行評價。