基于腦電模糊熵的呼吸暫停事件自動檢測方法

王 瑤，楊天順，王金海，韋 然，趙曉赟

（1.天津工業大學 生命科學學院，天津 300387；2.天津大學 精密儀器與光電子工程學院，天津 300072；3.天津工業大學 電子與信息工程學院，天津 300387；4.天津市胸科醫院呼吸與危重癥醫學科睡眠中心，天津 300222）

睡眠呼吸暫停是一種常見的睡眠呼吸紊亂癥狀[1]。伴隨著呼吸間歇性地中止，呼吸暫停可導致人體血氧飽和度降低，增加心血管疾病、阿爾茲海默癥等多種疾病的患病風險[2-3]。目前多導睡眠監測是呼吸暫停診斷的標準方法[4]。在多導睡眠監測中，需要記錄腦電（electroencephalogram，EEG）、心電、呼吸氣流以及血氧飽和度等多種生理參數，并需要綜合分析這些生理參數來判定呼吸暫停的發生，此外，多導睡眠監測過程操作復雜，需要專業醫師在睡眠實驗室中進行，難以實現家用普及[5-6]。因此，研究者們嘗試減少生理信號的采集種類[7-8]，采用基于人工智能的方法實現呼吸暫停的自動檢測，從而降低呼吸暫停的檢測難度，為便攜式呼吸暫停檢測提供理論及技術支撐。

相對于心電、呼吸氣流等其他信號，腦電信號因受內源性疾病（如呼吸不規律、心律不齊等）干擾較小，在呼吸暫停檢測中得到了越來越廣泛的應用[9-12]。研究中對呼吸暫停患者的腦電主要采取2 種分析方法：一種是常規方法，如時域分析、頻域分析和時頻域分析；另一種為非線性動力學的方法，EEG 是由低維混沌神經過程產生的，不同的大腦活動狀態具有不同的非線性動力學特性，腦電非線性動力學分析已被成功地應用到癲癇診斷以及情緒識別等領域[13-15]。為了更好地表征呼吸暫停期間的腦電特性，越來越多的非線性動力學方法被用于腦電的特征提取。

Goshvarpour 等[16]對呼吸暫停患者腦電信號的最大李雅普諾夫指數（largest Lyapunov exponent）進行分析，發現呼吸暫停期間，腦電信號的最大李雅普諾夫指數低于正常時期。周靜[17]對呼吸暫停患者腦電信號的關聯維數（correlation dimension）進行分析，研究發現，呼吸暫停患者腦電的關聯維數在各個睡眠階段均低于正常人。然而，不管是關聯維數還是李雅普諾夫指數，其對信號噪聲、采樣率、信號長度等因素都比較敏感[18-19]，難以用作評估呼吸暫停腦電狀態的穩定性指標。相比之下，基于時間序列復雜性的度量能在一定程度上解決上述問題[20]，而且該方法所需數據量較少，更適合于有限長的腦電信號分析。

熵是一種廣泛應用于非穩態腦電信號中的基于時間序列復雜性的度量方法，對此，天津工業大學團隊[21-22]采用樣本熵和近似熵的特征提取方法，使用機器學習模型對呼吸暫停事件和正常事件分類，取得了約90%的準確率。然而，樣本熵和近似熵在定義向量相似性時使用Heaviside 函數，Heaviside 函數的不連續邊界問題導致其對小參數比較敏感。與樣本熵和近似熵不同，模糊熵引入模糊隸屬函數代替Heaviside 函數。模糊隸屬函數具備連續性和非突變性的特點[23-24]，當小參數發生細微變化時，在指數函數規則下，對熵值的影響不大，因而有效地解決了熵變異問題，對噪聲具有更好的魯棒性，可以實現更精確的復雜性的度量。因此，本研究將模糊熵的算法應用到睡眠腦電特征提取中，并建立機器學習自動分類模型，以實現呼吸暫停事件的快速識別。

1 基于腦電模糊熵的呼吸暫停自動檢測法

本研究所提出方法的技術路線如圖1 所示。首先，對腦電信號進行預處理，建立用于實驗的樣本庫；然后，使用基于模糊熵的算法對呼吸暫停腦電信號進行特征提取；最后，建立機器學習自動分類模型，對特征進行分類，從而實現呼吸暫停事件的自動識別。

圖1 檢測方法技術路線框圖Fig.1 Block diagram of technical route of detection method

1.1 數據預處理

由于腦電信號幅值微弱，隨機性強，極易受到噪聲影響，所以在特征提取前需要對腦電信號去噪。研究證明，巴特沃斯濾波器可以有效地用于處理非平穩信號[25]，因此，本研究采用了巴特沃斯濾波器對原始腦電信號進行濾波。其中，巴特沃思濾波器的階數設置為4，通帶頻率設置為0.2～49 Hz。為了更精確地捕捉呼吸暫停期間腦電信號的變化，本研究按照腦電節律將腦電信號劃分為delta[0.25～4）、theta[4～8）、alpha[8～12）、sigma[12～16）和beta[16～49）Hz 等5 個子帶信號[12]。

1.2 特征提取

模糊熵是衡量時間序列復雜性和規律性的一種分析方法[24]，表達了當維數變化時，時間序列中產生新模式的概率大小，產生新模式的概率越大，序列越復雜，模糊熵的值也就越大。本研究中腦電模糊熵的定義如下：

對長度為N 的腦電信號{u（i）∶1≤i≤N}，設嵌入維數為m，根據序列順序重構生成一組m 維向量

式中：1≤i≤N-m+1，u0（i）定義為：

式中：n 和r 分別為模糊函數邊界的梯度和寬度。

定義函數：

重復式（1）—式（5），構造m+1 維向量

最后得到腦電信號模糊熵為：

本研究中設置m=2，n=3，r=0.15×std（std 為腦電信號標準差）。這樣，對于每個呼吸事件對應的腦電片段，計算得到5 個模糊熵特征。

1.3 分類模型

為避免使用單一分類模型帶來偶然性結果，本研究使用了k 最近鄰（k-nearest neighbors，KNN）、支持向量機（support vector machines，SVM）和隨機森林（random forest，RF）等3 種機器學習分類算法對呼吸事件進行分類，所有的分類算法都在MATLAB R2018b 中設計完成。

KNN 是一種廣泛使用的機器學習分類算法[26]。它的基本思想是輸出樣本類別取決于該樣本k 個近鄰樣本的屬性，即在樣本空間中，如果某個樣本的大多數相鄰樣本都屬于一個類別，則該樣本也將被分類為這一類別。在本研究中，k 的值設置為7。

SVM 是基于結構風險最小化原則提出的一種機器學習方法，具有嚴格的理論和數學基礎，適用于解決小樣本、非線性和高維度的模式識別問題[27]。使用SVM 對目標進行分類的核心思想是尋求一個滿足分類要求的最優超平面，使訓練集中的點離超平面的距離盡可能的遠。對于線性不可分離的數據，在SVM 中使用核函數將低維空間中不可分離的特征向量映射到易于分離的高維特征空間。

RF 是一種基于分類樹的模型，具有良好的抗噪聲和抗過擬合性能[28]。它的基本原理是有放回的在樣本空間中抽取m 個樣本，構建若干個相互獨立的決策樹。當有新的樣本輸入時，每個決策樹都會給出一個該樣本的分類結果，最終被最多決策樹輸出的類別作為隨機森林模型的輸出。

1.4 分類實驗

按照臨床中各類呼吸暫停事件發病率的比例，本研究數據集中阻塞性、混合性和中樞性呼吸暫停事件的組成比例為6∶3∶1。將構建好的數據集以3∶1 的比例劃分為訓練集和測試集，其中訓練集采用10 折交叉驗證的方法對機器學習模型進行參數調優，測試集用來檢驗模型的分類效果。在模型的評價中使用了準確率（A）、靈敏度（S）和精確度（P）等指標。

（1）準確率表示分類結果的總體正確率：

式中：TP表示陽性樣本中被模型預測為陽性的數量；TN表示陰性樣本中被模型預測為陰性的數量；FP表示陰性樣本中被模型預測為陽性的數量；FN表示陽性樣本中被模型預測為陰性的數量。以下同理。

（2）靈敏度又稱為查全率，表示所有在實際為陽性的樣本中被預測為陽性的概率：

（3）精準度又叫查準率，表示所有被預測為陽性的樣本中實際為陽性的概率：

2 實驗驗證

2.1 實驗數據

為驗證方法的可靠性，本研究使用了來自2 個獨立數據庫的腦電信號。其中，臨床數據來自于天津市胸科醫院睡眠監測實驗室，共包含了30 名被試（7 名女性和23 名男性）的4 701 段腦電信號片段。受試年齡范圍為37～78 歲；身體質量指數在19.82～39.26 kg/m2范圍內；呼吸紊亂指數在8.2～68.9 范圍內；采樣率為100 Hz。公共數據庫數據來自柏林圣文森特大學睡眠障礙監測實驗室，共包含了25 名被試（4 名女性和21名男性）的3 200 段腦電信號片段。受試年齡范圍為32～51 歲；身體質量指數在25.1～42.5 kg/m2范圍內；呼吸紊亂指數在1.7～90.9 范圍內；采樣率為128 Hz。2 個數據庫中的腦電采集都使用了C3-A2 和C4-A1 導聯，并且由睡眠專家將腦電信號片段標記為呼吸暫停事件和正常呼吸事件。腦電信號片段如圖2 所示。

圖2 腦電信號Fig.2 EEG signals

2.2 特征提取結果

圖3 和圖4 分別展示了從公共數據庫和臨床腦電數據中提取的模糊熵特征值。

圖3 模糊熵特征值（公共數據庫）Fig.3 Features of fuzzy entropy（public data）

圖4 模糊熵特征值（臨床數據）Fig.4 Features of fuzzy entropy（clinical data）

由圖3 和圖4 可以看出，對于子帶信號delta、theta 和alpha，呼吸暫停期間的腦電模糊熵低于正常呼吸時期；對于子帶信號sigma 和beta，呼吸暫停期間的腦電模糊熵高于正常呼吸時期。由此可見，腦電模糊熵特征能有效地表征呼吸暫停引起的腦電信號的變化。

2.3 分類結果與分析

考慮到腦電信號隨機性強，不同個體之間差異往往比較大，為此本研究采用了2 個相互獨立的數據庫對所提出方法進行驗證，表1 和表2 分別呈現了基于數據庫和臨床數據的結果。

表1 公共數據庫分類結果Tab.1 Classification performance for public database

由表1 和表2 可以看出：

（1）基于雙導聯腦電信號，使用RF 模型在公共數據庫和臨床數據中取得的最高準確率分別為93.25%和94.50%；

（2）對比不同導聯下的結果可以發現，使用雙導聯腦電信號的呼吸暫停事件檢測效果要優于使用任何一種單導聯腦電信號；

（3）對比不同分類器的結果可以看出，使用RF的效果優于KNN 和SVM；

（4）采用相同導聯的腦電信號和分類器，對比基于公共數據和臨床數據得到的評價指標可以看出，除了基于C4 導聯腦電信號的評價指標的差距在5%左右，基于另外兩組腦電信號的差距都不超過2%，這表明本研究所提出的方法具有一定的穩定性和可靠性。

為了客觀比較基于模糊熵和文獻中其他非線性動力學方法[17，21，29]的呼吸暫停事件的分類效果，本研究采用相同的模型評價指標，基于相同的腦電數據集，對本文提出的特征提取方法和文獻中已有的方法進行驗證，基于雙導聯腦電信號和RF 分類模型的結果如圖5 所示。

圖5 不同非線性方法結果對比Fig.5 Comparison of results of different nonlinear methods

由圖5 可以看出，和基于腦電關聯維數[17]的方法相比，本研究所提出的方法在2 個數據庫中的結果波動較小，具有更好的算法穩定性；和樣本熵以及LZ 復雜度[29]等方法相比，基于模糊熵的方法在準確率，精確度和靈敏度3 個模型評價指標中都有了顯著提升。

3 結論

本研究提出了一種基于腦電模糊熵的呼吸暫停事件檢測方法。在該方法中，根據腦電節律將腦電劃分成不同頻率的子帶信號，在子帶信號中提取模糊熵特征，作為機器學習分類模型的輸入，以區分睡眠呼吸暫停事件和正常呼吸事件。特征提取結果顯示，模糊熵可以有效地表征呼吸暫停引起的腦電信號的變化；分類結果表明，隨機森林模型在公共數據和臨床數據中分別取得了93.25%和94.50%的準確率，并且具有更好的穩定性。該研究使用單一腦電信號實現了呼吸暫停事件的快速檢測，可移植到便攜式呼吸暫停檢測設備中，以彌補醫用多導睡眠監測無法家用普及的不足。