基于支持向量機的睡眠監測系統設計

鐘佳良，易 鋼

（湖南中醫藥大學 信息科學與工程學院，長沙 410208）

0 引言

睡眠是人們生活中不可缺少的重要生命活動，但如今快節奏的生活，以及各方面的壓力，使得人們出現了各種嚴重的睡眠障礙問題。例如：失眠、呼吸暫停等，會對人們次日的學習和工作造成負面影響。其中，睡眠呼吸暫停低通氣綜合征（sleep apneahypopnea syndrome，SAHS）是其中較為典型的一種疾病。其臨床表現為：患者上呼吸道塌陷，使得在睡眠時出現呼吸阻塞甚至呼吸暫停的現象。SAHS 不僅僅影響著人們日常的睡眠質量，還帶來了一系列的隱性并發癥。如心律失常、心肌梗塞、高血壓、中風等［1］。根據調查發現，全球大約有9%－38%的人深受SAHS 的困擾。而肥胖人口增加和老齡化程度加深的社會情況加劇之下，該病的發病率也在逐年增高［2］。但是，由于患者對SAHS 了解不深，該病往往得不到應有的重視，使患者深受其并發癥的困擾。因此，對睡眠狀態的監測和識別作為診治SAHS 的前提，越來越多科研人員投入對其研究工作中。

現今臨床上，對SAHS 進行分析診斷的最權威方法是多導睡眠監測儀（Polysomnography，PSG），PSG對患者睡眠時的一系列相關生理數據進行采集（如：腦電、心電等），再由專業的實驗記錄人員針對這些數據進行手動評估得出診斷結果［3］。雖然PSG 的診斷具有高度的可靠性，但不僅對操作人員專業要求高，而且受試者需要佩戴一系列傳感設備，嚴重影響受試者的真實睡眠狀態。因此，PSG 這類傳統睡眠監測系統不僅不適合作為對SAHS 等睡眠疾病的初步篩查手段，也難以布置在居家環境中使用。

為了使患者能夠早期了解自身的患病情況，本文基于物聯網設計了一套適用于居家環境的無線睡眠監測系統。該系統通過采集患者睡眠時的呼吸和心率信號，采用無線模塊將得到的睡眠信號傳輸至上位機進行分析處理，采用機器學習方法對SAHS進行判斷，最后將初步的診斷結果傳送至手機終端，方便患者了解自己的病情，也能夠給醫生提供較為準確的診斷依據。

1 系統設計

1.1 整體設計方案

系統結構由睡眠監測終端、上位機服務器和移動端APP 3 部分組成，如圖1 所示。

圖1 系統結構Fig.1 System Structure

其中，睡眠監測終端將生物傳感器獲取到的使用者的生理信息，通過無線模塊將睡眠信號傳輸至上位機中對睡眠信號進行分析處理，最后獲得使用者的診斷信息并使用戶能夠通過移動端APP 查看報告。

1.2 系統硬件設計

系統硬件主要由心率監測模塊、呼吸監測模塊、無線模塊組成：

（1）心率監測模塊：心率監測模塊采用手環的形式，供使用者在睡眠時佩戴，選用光電反射式傳感器PAH8011ET 作為監測使用者心率的芯片。該芯片是一款具有集成DSP 的低功耗CMOS 工藝光學心率監測芯片，與3 個板載芯片LED 封裝在一起：其中3 個LED 分別為兩個綠色光源，一個紅外光源。其基于光學傳感技術，可捕獲比傳統光電二極管更高分辨率的圖像，然后通過集成的DSP 處理圖像，獲得PPG（光電容積描記）數據，用來推斷心率。

（2）呼吸監測模塊：呼吸監測模塊選用Novalda公司生產的X4M03 型號的超寬帶雷達模塊作為核心器件，將其封裝在一個床頭擺件中充當手環的放置平臺，該雷達是一種超寬帶短程脈沖雷達收發SoC（System on Chip），工作中心頻率為7.29 GHz，工作帶寬為1.5 GHz，有效范圍在10 m 左右。其主要的組件是一組發射－接收天線和微型控制模塊。其基本工作流程為：先由發射天線將電磁波發射出去，再將人體反射回的電磁波由接收天線接收，最后由微型控制模塊對信號進行初步的處理，并將其通過SPI 接口傳輸至無線模塊中。

（3）無線模塊：無線模塊主要是將心率監測和呼吸監測兩大模塊的數據，通過Wi－Fi 方式傳輸至上位機中。本系統選用樂鑫公司開發的ESP8266芯片，該芯片集成了完整且自成體系的Wi－Fi 網絡功能，集成的32 位內核處理器和片上SRAM，使其作為數據傳輸橋梁的同時還有較強的片上計算和存儲能力。本系統中，ESP8266 主要承擔數據通道的作用，并不涉及到數據的相關運算。

鑒于導游工作的特殊性，如面對游客多元的服務需求，需要協調各類旅游產品要素，非常熟悉景區景點等，有必要對導游主動行為的內涵進行深入探討。本文采用訪談法，運用扎根理論的編碼方法對導游主動行為的內涵進行探究，通過對原始訪談資料進行編碼、分類，最終提煉出了導游主動行為的內涵。本研究從理論上拓展了主動行為在導游這一特定職業領域的研究范疇；在實踐上，有利于企業采取有效措施去激發導游的主動行為，促進導游自我提升、職業發展的同時，也幫助旅行社建立起自身的競爭優勢。

1.3 系統軟件設計

本系統的軟件設計主要分為兩部分，一是系統功能的實現，二是移動終端APP 的設計與制作，具體實現步驟如下：

（1）系統的初始化。其中包括無線傳輸模塊內部寄存器的初始化，芯片各種外設接口的初始化，兩個監測模塊的初始化，Wi－Fi 服務的初始化等。

（2）兩個監測模塊分別實時采集使用者的心率和呼吸信號后，通過無線傳輸模塊將以上數據通過Wi－Fi 傳輸至上位機中，上位機通過設計好的機器學習算法根據使用者的睡眠信號進行分類，來判斷是否出現SAHS 的癥狀，并生成睡眠報告。

（3）移動終端APP 的工作主要是通過圖表等報告形式，使得用戶能夠方便地了解自己的睡眠狀況；監控人員能夠實時的查看使用者的心率和呼吸數據，在病情嚴重時能夠利用這些數據供醫生進行初步評估，方便患者進一步的治療。

系統軟件流程如圖2 所示。

圖2 系統軟件流程Fig.2 Process of System Software

2 SVM 分類算法

2.1 原理簡述

現階段性能優秀的分類算法有很多。例如：單一的分類方法（決策樹、K 近鄰），支持向量機（Support Vector Machine，SVM）和人工神經網絡等，也有像隨機森林和XGBoosting 這樣集成學習算法［4］。上述這些分類算法并不是照搬即可使用，而需要針對應用場景和識別目標對分類器進行改善。下面具體介紹SVM 算法。

SVM 是一種能夠將線性數據進行分類的算法，由于其直觀的原理和較優的性能，在許多領域得到了應用。其基本分類原理是：在給定的樣本空間中尋找一個性能最佳的超平面，該平面能夠將正負樣本最大程度地分離。SVM 的基本原理如圖3 所示。

圖3 SVM 原理Fig.3 Principle of SVM

假設：已知的樣本集為（x1，x2），i ＝1，2，…，n。

表1 常用核函數表Tab.1 Several Kernels of SVM

2.2 特征提取

檢測是否發生睡眠呼吸暫停這樣的問題，實際上是一個分類問題，目的是將患有SAHS 的患者的睡眠數據和正常的睡眠數據區分開。分類問題的解決，通常都需要進行特征提取和分類器設計兩方面的工作。其中，特征提取的數據準備工作質量，對后續分類器得出的結果有很大的影響。

2.2.1 心率信號

對心率信號的需要，主要是從其中得到兩個R波之間的時間間隔，這個間隔也被稱作RR 間期。該參數是分析連續心跳之間瞬時心率差異的關鍵，該差異在醫學上被冠名為心率變異性（Heart Rate Variability，HRV）。

臨床研究上，對RR 間期做HRV 分析主要采用線性分析方法，分別對HRV 進行時域和頻域進行分析。現今在時域中，對于HRV 的分析方法已經較為成熟，常常采用統計學的方法，根據RR 間期的生物學特征，來制定相應的指標進行描述［5］。例如SDNN，意為RR 間期的標準差，能夠直觀地表征心率變化的集中程度。而頻域分析則根據人體正常的心率信號功率譜能量在0～0.4 Hz 這一依據［6］，采用小波變換的方法分別對極低頻段、低頻段和高頻段這3 方面進行特征的提取，這3 種頻段的頻率分別為0～0.04 Hz、0.04～0.15 Hz 和0.15～0.4 Hz。

2.2.2 呼吸信號

根據PSG 中對SAHS 的判定標準，睡眠過程中口鼻氣流停止，呼吸幅度較基準水平降低程度≥30%，且持續時間≥10 s［7］，也能夠利用統計學方法，對呼吸信號指定一些指標，對其進行時域分析。例如SDRP，意為呼吸波峰間隔標準差，表示呼吸變化的集中程度。對呼吸信號的頻域分析與心率信號類似，同樣采用小波變換對3 個頻段進行特征提取。

2.3 分類器設計

經過對心率信號和呼吸信號的特征提取后，就能夠根據這些特征來對SAHS 進行分類。但是，由于各項特征的量綱不同，直接將特征作為輸入向量會導致分類效果較差，因此需要對這些特征做歸一化處理，不僅能夠降低運算的復雜度還能提高收斂的效率。SVM 能夠利用不同的核函數對非線性的數據進行分類，所以選擇一個合適的核函數來尋找更優的超平面顯得極為重要。

在對SVM 進行訓練的過程中，設計采用了交叉驗證的方式，其工作思想是將訓練數據按一定比例分為訓練樣本集與測試樣本集。在訓練過程中，只使用拆分得到的訓練樣本集對SVM 進行訓練，完成模型的訓練后，對訓練得到的SVM 使用測試樣本集進行驗證，最后根據一些評判標準對分類結果進行評估，再選取效果最優的SVM 分類器［8］。

SVM 算法的具體流程如圖4 所示。

圖4 SVM 算法流程Fig.4 Process of SVM Algorithm

3 數據與驗證

3.1 數據集獲取

本研究中用來建立和測試模型的心率信號是來自于PhysioNet Apnea－ECG 數據集，該數據集由Phillips University 的Dr.Tomas Penzel 提供。其中包含了一組開放和一組封閉的數據集合，分別用作模型的訓練和測試，各集合中有35 條從PSG 記錄中提取得到的ECG 信號數據。這些ECG 信號的分辨率為16 bit，采樣頻率為100 Hz。醫學專家結合PSG 中的其它信號，以分鐘為單位，對ESG 信號進行標注，并根據AHI的值，將其分為3 個等級。當記錄的AHI低于5 時，該時間段被標注為C 級，意為正常的呼吸狀況；當記錄的AHI高于10 時，該時間段被標注為A，意為出現呼吸暫停癥狀；在當AHI值介于5～10之間，表示臨界狀態，該時間段被標注為B。

3.2 RR 間期特征提取

在實驗過程中選擇了6 項時域特征和3 項頻域特征，作為SVM 分類器的分類特征。其中6 項時域特征分別為：MRR（RR 間期平均值）、MHR（心率平均值）、RMSSD（相鄰竇性間期的均方根）、SDNN、NN50（相鄰竇性間期之差超過50 ms 的個數）和pNN50（NN50 的占比數）［9］。主要特征計算如式（1）～式（3）。

其中，RR（n）表示RR間期信號，N為RR間期的個數。

3.3 性能評估

模型的性能評估根據準確率（Accuracy）、精確率（Precision）和召回率（Recall）這3 個指標來進行評定。其計算公式如下：

其中，TP和TN分別表示被分類器正確分為陽性樣例和陰性樣例的數量，FP和FN分別表示被分類器錯分為陽性樣例和陰性樣例的數量［10］。

3.4 結果與分析

首先，將預處理后的數據輸入采用不同核函數進行非線性變換的SVM 分類器，通過對模型的訓練和驗證，其結果見表2。

表2 不同核函數SVM 性能比較Tab.2 Comparison of SVM Using Different Kernels

根據表2 數據可以看出，SVM 選擇不同核函數對非線性問題進行分類，確實會得到性能不同的SVM分類器。在對本次研究中處理過后的數據進行分類可知，選取高斯核作為SVM 分類器的核函數，能夠得到較為優秀的超平面實現對SAHS 的檢測。

為了驗證本研究中所使用的SVM 算法的有效性，選取了一些傳統的機器學習算法對預處理后的數據進行對比實驗，其比較的結果見表3。

表3 模型性能比較Tab.3 Comparison of Several Models

由表3 可以看出，SVM 算法在根據預處理后的心率信號進行SAHS 檢測具有一定的優越性，但由于數據集的限制，無法將呼吸信號也加入分類器中作為特征輸入。因此，當本設計收集完初期數據后，將心率信號和呼吸信號分別建立SVM 模型，最后將兩者的性能進行對比驗證，能夠得到性能更加優越的SVM 模型，為SAHS 患者進行初步診斷提供了較為可靠的支持。

4 結束語

睡眠問題在現今社會人們越來越重視生命健康和生活質量的背景下，逐漸獲得了更多人的重視，但由于醫院專業設備的繁重復雜和緊缺，使得很多有睡眠問題的患者并不能及時得到診療。本文利用物聯網技術將無線終端及睡眠監測相結合，提出的睡眠監測系統能夠使得患者在居家環境中對自己的病情有初步的了解，為進一步尋求專業醫生提供了幫助。該系統的推出，不僅對提高人們的睡眠質量有很大的幫助，同時也能夠大大減輕公共醫用資源的壓力。