基于RBF神經(jīng)網(wǎng)絡(luò)的睡眠分期方法研究與應(yīng)用

陳玉，楊濤，徐錚

基于RBF神經(jīng)網(wǎng)絡(luò)的睡眠分期方法研究與應(yīng)用

陳玉，楊濤*，徐錚

（福建理工大學(xué) 設(shè)計學(xué)院, 福州 350118）

提出一種基于徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)的睡眠分期方法，設(shè)計一套能夠根據(jù)用戶身心恢復(fù)狀態(tài)調(diào)節(jié)喚醒時間的智能喚醒系統(tǒng)，以優(yōu)化用戶睡眠時長，減輕醒后不適感。基于心率變異性和睡眠分期等相關(guān)理論知識，通過低功耗心率帶采集人體心電信號，選取最優(yōu)小波變換對采集到的心電信號精準(zhǔn)去噪，對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練后，篩選出10個關(guān)鍵的特征向量，以構(gòu)建睡眠分期模型。睡眠分期信息通過STM32處理器傳輸?shù)绞謾C(jī)客戶端，系統(tǒng)根據(jù)預(yù)先設(shè)計的優(yōu)化喚醒機(jī)制在用戶身心恢復(fù)到最佳狀態(tài)時將其喚醒。基于睡眠分期模型的算法平均識別準(zhǔn)確率可達(dá)88.9%，卡帕（Kappa）系數(shù)為0.839，相較于其他算法，該算法具有較高的準(zhǔn)確率。該智能喚醒系統(tǒng)的采集成本較低，算法簡便高效，其喚醒機(jī)制科學(xué)合理，可以使用戶舒適醒來，對改善用戶醒后狀態(tài)具有重要意義。

睡眠分期；心率變異性；小波變換；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；智能喚醒

隨著經(jīng)濟(jì)的發(fā)展和生活水平的提高，人們越來越重視睡眠健康問題。睡眠是保持機(jī)體正常運(yùn)轉(zhuǎn)的基礎(chǔ)，突然中斷睡眠容易導(dǎo)致人們心情煩躁、精神不佳，不合理的喚醒甚至?xí)绊懶押蟮恼J(rèn)知和決策。研究表明，適宜的睡眠時長和高質(zhì)量的睡眠有助于恢復(fù)體力、鞏固記憶。然而，睡眠質(zhì)量的高低與睡眠時間的長短并不呈正相關(guān)，過長的睡眠往往可能適得其反，造成人體軟弱無力、精神疲憊、代謝率降低等后果。目前，針對睡眠的研究主要集中在通過輔助手段促進(jìn)睡眠或監(jiān)測睡眠信息，并用于臨床診斷，很少關(guān)注到睡眠后的舒適喚醒問題。市場上現(xiàn)存的喚醒產(chǎn)品大多不能根據(jù)人體的睡眠狀態(tài)調(diào)節(jié)喚醒時間，不夠智能化。由此可見，針對睡眠時長和睡眠狀態(tài)進(jìn)行評估，在人體精神和體力恢復(fù)到最佳時期時進(jìn)行喚醒具有十分重要的意義。

1 睡眠類產(chǎn)品及技術(shù)研究現(xiàn)狀

傳統(tǒng)研究睡眠的工具為多導(dǎo)睡眠監(jiān)護(hù)儀（Polysomnogram，PSG），該方法操作復(fù)雜、成本高，需要在醫(yī)院通過醫(yī)師操作完成，很難在廣大普通家庭普及。近年來，很多學(xué)者嘗試?yán)脝瓮ǖ赖男碾姡‥lectrocardiogram，ECG）信號來分析睡眠，并取得了一定的成果。Mendez等[1]利用隱馬爾可夫模型，Xiao等[2]通過隨機(jī)森林算法，實現(xiàn)了三分類睡眠分期。還有一些學(xué)者[3-4]基于心率變異性，利用支持向量機(jī)分類器，實現(xiàn)了睡眠階段的自動劃分。劉眾等[5]將體動信號與ECG信號結(jié)合，通過改進(jìn)的反向傳播（Back Propagation, BP）神經(jīng)網(wǎng)絡(luò)有效實現(xiàn)了睡眠分期。雖然國外的一些學(xué)者[6-9]利用多種神經(jīng)網(wǎng)絡(luò)實現(xiàn)了睡眠階段的自動分類，并獲得了較高的準(zhǔn)確率，但他們?nèi)匀恍枰柚僮鲝?fù)雜的PSG采集腦電信號。彭程等[10]基于心率變異性，提出了一種根據(jù)用戶的精神壓力和睡眠狀態(tài)進(jìn)行調(diào)整的音樂推薦系統(tǒng)，有效地增加了用戶睡眠總時長，但依然未涉及睡眠后的智能喚醒問題。衡瑋等[11]設(shè)計了基于腦電波監(jiān)測的智能助眠耳機(jī)系統(tǒng)，研究的重點(diǎn)依然放在助眠問題上。

以上研究均聚焦于睡眠監(jiān)測的便捷性和睡眠分期的準(zhǔn)確性，較少關(guān)注睡眠后的智能喚醒問題，且系統(tǒng)較復(fù)雜，睡眠分期模型和算法有待進(jìn)一步優(yōu)化。針對以上不足，文中基于RBF神經(jīng)網(wǎng)絡(luò)算法，提出一種能夠在人體恢復(fù)到最佳時期時進(jìn)行叫醒的智能喚醒系統(tǒng)，并配以友好的人機(jī)交互界面，以期達(dá)到優(yōu)化睡眠時長、改善用戶醒后狀態(tài)的目的。

2 系統(tǒng)介紹

智能喚醒系統(tǒng)分為感知層、處理與傳輸層、應(yīng)用層等，系統(tǒng)結(jié)構(gòu)見圖1。感知層對應(yīng)數(shù)據(jù)采集系統(tǒng)，用于采集人體ECG信號，由心率帶（內(nèi)置STM32處理器）與配套的手機(jī)APP（Application software）共同實現(xiàn)數(shù)據(jù)采集功能。處理與傳輸層對應(yīng)程序控制系統(tǒng)，主要對采集到的心電信號進(jìn)行降噪、R波峰定位和特征提取等處理，進(jìn)而采用RBF神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)睡眠分期。這些功能由Matlab軟件實現(xiàn)，經(jīng)Matlab訓(xùn)練后得到睡眠分期閾值，并傳輸?shù)叫穆蕩?nèi)置的STM32處理器進(jìn)行后續(xù)處理。應(yīng)用層對應(yīng)音樂喚醒系統(tǒng)，主要將監(jiān)測到的睡眠階段可視化，并呈現(xiàn)在手機(jī)APP界面上，同時在判斷用戶機(jī)體恢復(fù)到最佳狀態(tài)后通過音樂實施喚醒，這些功能由智能喚醒系統(tǒng)應(yīng)用層中的NO SLEEP IN（不賴床）APP實現(xiàn)。其中STM32處理器不僅需要接收數(shù)據(jù)采集系統(tǒng)采集到的ECG信號，還需要將處理好的數(shù)據(jù)傳輸?shù)紸PP中，并承擔(dān)在特定時間驅(qū)動程序，實現(xiàn)音樂喚醒任務(wù)。

圖1 智能喚醒系統(tǒng)結(jié)構(gòu)

3 睡眠分期方法

3.1 信號預(yù)處理——小波變換

人體的ECG信號是一種低頻信號，頻率為0.01～ 100 Hz。其中，QRS復(fù)合波的能量主要集中在3～ 40 Hz，且極易受到環(huán)境的干擾。噪聲主要包括工頻干擾、肌電干擾和低頻的基線漂移等[12]，在分析ECG信號前需要對已獲取的信號進(jìn)行降噪處理。通過實驗對比分析了巴特沃斯低通濾波器、帶通濾波器、中值濾波法、小波變換等4種去噪方法，文中擬選取降噪效果最好的小波變換對ECG信號進(jìn)行降噪。小波變換具有多分辨率分析的特點(diǎn)，能夠?qū)⑿盘栠M(jìn)行多尺度細(xì)分，可改變窗口的大小，也可以同時局部分析時域和頻域[13]，具有較好的自適應(yīng)性。與傳統(tǒng)的基于傅里葉變換的數(shù)字濾波技術(shù)相比，小波變換在時頻領(lǐng)域具有不可比擬的優(yōu)勢。小波變換見式（1）。

式中：為尺度因子，控制小波函數(shù)的伸縮；為時間平移因子，控制小波函數(shù)的平移；()為基本小波。式（1）對應(yīng)的逆變換見式（2）。

()不具備唯一性，不同小波基的選取對濾波效果的影響很大。

3.2 睡眠分期算法——RBF神經(jīng)網(wǎng)絡(luò)

Rechtstaffen & Kales（R&K）分期標(biāo)準(zhǔn)將睡眠階段劃分為清醒期（Wake）、快速眼動期（Rapid eye movement，REM）和非快速眼動期（Non-rapid eye movement，NREM），NREM又包括N1—N4階段，一共分為6期。其中，N1、N2稱為淺睡期，N3、N4稱為深睡期。2007年，美國睡眠醫(yī)學(xué)學(xué)會（AASM）[14]將R&K標(biāo)準(zhǔn)中的N4并入N3，將睡眠階段共分為5期，目前最為常用。由于文中僅將分期結(jié)果用于智能喚醒，因此也將N1與N2合并為1期，將睡眠階段共分為4期進(jìn)行研究，即清醒期、淺睡期、深睡期、快速眼動期等4期。按順序依次經(jīng)歷這幾個睡眠階段為1個睡眠周期，在一般情況下健康成年人整晚的睡眠會循環(huán)4～6個睡眠周期，每個周期通常為90～ 120 min，不同年齡和性別的人各個睡眠階段的持續(xù)時間不同。

RBF神經(jīng)網(wǎng)絡(luò)是一種用于解決模式識別與分類的神經(jīng)網(wǎng)絡(luò)，而睡眠階段的劃分實際上就是一種模式識別問題，近些年已有研究者嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)來進(jìn)行睡眠分期[9,15]，并獲得了良好的結(jié)果。由于RBF神經(jīng)網(wǎng)絡(luò)不會局限于局部極值，因此不需要學(xué)習(xí)系數(shù)，適于在線實時辨識。與學(xué)習(xí)速度較慢、受到初始權(quán)值的影響較大、隱含層節(jié)點(diǎn)數(shù)較難確定的BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)的收斂速度更快、非線性逼近精度更高，在訓(xùn)練時權(quán)值不受限制，學(xué)習(xí)算法簡潔且更易實現(xiàn)[16]，因此這里采用RBF神經(jīng)網(wǎng)絡(luò)來進(jìn)行睡眠分期。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò)，主要包括輸入層、隱含層和輸出層等。輸入層主要用于接收外界信號。隱含層又叫基函數(shù)層，通過基函數(shù)實現(xiàn)非線性變化，一般選用高斯函數(shù)。輸出層對隱含層的輸出進(jìn)行線性加權(quán)，從而使整個網(wǎng)絡(luò)具有分類功能[17]。

RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。由輸入層接收訓(xùn)練樣本x∈R，則RBF網(wǎng)絡(luò)輸出如式（3）所示。

式中：Ri(x)為隱含層的輸出；x為m維輸入向量；Ci為中心向量；σi為歸一化參數(shù)，與基函數(shù)的寬度有關(guān)；n為隱含層的節(jié)點(diǎn)數(shù)。隱含層實現(xiàn)x到Ri(x)的非線性映射，輸出層實現(xiàn)Ri(x)到y(tǒng)j的線性映射，輸出層的輸出如式（4）所示。

式中：w為隱含層與輸出層的連接權(quán)值，即權(quán)重；為輸出節(jié)點(diǎn)數(shù)量。

運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)建立睡眠分期模型，實際上就是通過不斷訓(xùn)練網(wǎng)絡(luò)，最終確定中心向量C、寬度σ和權(quán)重w。

3.3 算法性能評估與分析

神經(jīng)網(wǎng)絡(luò)算法的整體性能采用準(zhǔn)確率（Accuracy）和均方誤差（MSE）2個指標(biāo)進(jìn)行分析。均方誤差指預(yù)測值與真實值之差的平方的期望值，用于衡量預(yù)測誤差，也是一種擬合優(yōu)度指標(biāo)，可以用于評估模型的擬合效果。MSE值越小，則模型的預(yù)測誤差越小、擬合程度越好。均方誤差的計算見式（5）。

式中：為總輸入樣本數(shù)量；Y為睡眠階段的標(biāo)定值；Z為睡眠階段的預(yù)測值。

為了進(jìn)一步分析誤差產(chǎn)生的原因，這里同時引入混淆矩陣作為衡量依據(jù)，具體考察各睡眠階段相關(guān)性的強(qiáng)弱。混淆矩陣是模式識別領(lǐng)域中常用的圖表形式，是評價模型精度的一種標(biāo)準(zhǔn)格式，可有效評價分類器性能[18]。為了驗證RBF神經(jīng)網(wǎng)絡(luò)用于睡眠分期的科學(xué)性、有效性，通過麥克尼馬爾檢驗（Mc Nemar test）方法對實驗結(jié)果進(jìn)行顯著性差異檢驗，并計算卡帕（Kappa）系數(shù)，進(jìn)一步確定實驗結(jié)果的一致性程度。麥克尼馬爾檢驗是一種非參數(shù)統(tǒng)計檢驗方法，用于比較2個相關(guān)樣本中差異的統(tǒng)計顯著性。Kappa系數(shù)是一個用于一致性檢驗的指標(biāo)，所檢驗的2個變量分別是實際標(biāo)記樣本和模型分類結(jié)果，因此Kappa系數(shù)可以用來評價模型預(yù)測結(jié)果與實際分類結(jié)果的一致性程度。在0.75≤Kappa系數(shù)≤1時，表示兩者具有很好的一致性；在0.4≤Kappa系數(shù)<0.75時，表示兩者的一致性一般；在Kappa系數(shù)<0.4時，表示兩者的一致性較差。

4 睡眠分期實驗與結(jié)果

4.1 實驗設(shè)計

接受睡眠監(jiān)測的研究生志愿者共有4名，年齡為23～28歲，男性2名，女性2名，分別記為志愿者1、志愿者2、志愿者3、志愿者4。每人采集5個整晚的有效睡眠數(shù)據(jù)，共計20個晚上，每晚數(shù)據(jù)均大于6 h。在實驗期間保證志愿者的作息規(guī)律，且不服用任何輔助睡眠類藥物，志愿者同時佩戴華為Watch gt 3手表和心率帶同步監(jiān)測其睡眠信息，將手表與由哈佛醫(yī)學(xué)院CDB中心測試認(rèn)證的TrueSleep技術(shù)配合使用，TrueSleep技術(shù)采用心肺耦合檢測睡眠算法，其睡眠檢測較精準(zhǔn)。專業(yè)醫(yī)師以TrueSleep睡眠分期結(jié)果為參考，判定實驗數(shù)據(jù)的睡眠階段，并做標(biāo)記，將神經(jīng)網(wǎng)絡(luò)判定的睡眠階段與手工判斷結(jié)果進(jìn)行對比，該標(biāo)記也作為驗證睡眠分期算法準(zhǔn)確性的標(biāo)準(zhǔn)。

實驗流程如圖3所示。首先通過心率帶采集信號，利用小波變換對采集的ECG信號進(jìn)行精準(zhǔn)去噪，最大限度地保留清晰有用的心電信號，即數(shù)據(jù)預(yù)處理。其次，利用Matlab中的findpeaks函數(shù)對R波的峰值進(jìn)行定位，將相鄰R波間隔記為RR間期（R-R Interval，RRI）。接著，以RRI為基礎(chǔ)，提取相應(yīng)的時頻域特征向量。最后，利用RBF神經(jīng)網(wǎng)絡(luò)對提取的特征值進(jìn)行反復(fù)訓(xùn)練，并篩選出關(guān)鍵的特征向量，以構(gòu)建睡眠分期模型。

4.2 數(shù)據(jù)采集及預(yù)處理

采用功耗較低的心率帶采集心電數(shù)據(jù)，以降低系統(tǒng)成本，采樣頻率為500 Hz，有效睡眠數(shù)據(jù)共計20個夜晚。心率帶由針織材質(zhì)制成，具有可伸縮性，使用時無束縛感，基本不會對睡眠者的實驗數(shù)據(jù)造成干擾。在信號采集過程中心率變化可通過配套的手機(jī)APP實時查看，不同睡眠階段采集到的心率變化如圖4所示。

為了精準(zhǔn)降噪，通過實驗反復(fù)對比，這里選取與QRS復(fù)合波最相似的coif4小波對心電信號進(jìn)行8個尺度的小波分解，分解如圖5所示。從圖5可以看出，QRS波的能量主要集中在尺度3～6上，肌電和工頻干擾主要集中在尺度1～2上，而基線漂移則分布在尺度7～8上。這里將噪聲所在的尺度系數(shù)置為0，以消除高低頻噪聲，用尺度3～6上的小波系數(shù)重構(gòu)心電信號，得到清晰干凈的ECG信號。ECG原始信號及信號去噪重構(gòu)示意圖如圖6所示。

心率變異性（Heart Rate Variability，HRV）指2次相鄰的心臟搏動周期之間存在的微小差異，換言之就是從本次心跳周期至下一次心跳周期的差異[19]。大量研究表明，HRV與睡眠分期存在密不可分的聯(lián)系，如心率的降低與NREM睡眠中HRV的降低有關(guān)，而心率的增加，會伴隨著清醒期和REM期睡眠中HRV的增加。低頻（LF，0.04～0.15 Hz）與高頻（HF，0.15～ 0.4 Hz）波段的功率比（LF/HF）的降低與NREM睡眠有關(guān)，而LF/HF的顯著增加則體現(xiàn)在REM睡眠中[2]。這里對ECG信號的特征提取主要基于RR間期的計算。通過Matlab中的findpeaks函數(shù)對ECG信號中的R波進(jìn)行定位，并計算出相鄰R波的時間間隔，記為RR間期（RRI）。由于2個R波的間隔不會小于200 ms，因此剔除間隔在0.2～2.0 s范圍之外的異常值，以提高R波檢測的準(zhǔn)確性。R波峰值定位結(jié)果如圖7所示，最終確定的RR間期序列用于特征向量提取。

4.3 特征提取

這里主要從時域和頻域2個方面進(jìn)行特征提取。HRV的時域特征直接基于RR間期序列計算得出。為了既精準(zhǔn)劃分睡眠階段又加快系統(tǒng)運(yùn)算速度，在對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練后，篩選了10個對睡眠階段的劃分起關(guān)鍵作用的特征向量，然后根據(jù)這10個特征向量的取值范圍構(gòu)建睡眠分期模型。其中，包括7個經(jīng)典時域特征[2,4,11,19]（見表1），以及3個頻域特征。HRV的頻域特征主要反映了ECG信號中各頻段的能量分布，對上述提取的RR間期序列進(jìn)行快速傅里葉變換，得到心率的功率譜信息，以時長30 s劃分?jǐn)?shù)據(jù)，進(jìn)行短時程頻域分析，進(jìn)而提取0.003～ 0.04 Hz（極低頻）、0.04～0.15 Hz（低頻）、0.15～0.4 Hz（高頻）這3個經(jīng)典頻域特征。

圖3 心率變異性分析流程

圖4 不同睡眠階段心率變化

圖5 ECG信號coif4小波8個尺度分解

圖6 ECG原始信號及信號的去噪重構(gòu)

圖7 R波波峰定位結(jié)果

表1 文中所提取的時域特征

Tab.1 Time domain features extracted for this research

注：表示RR間期序列的均值，mRRI；表示RR間期，RR；表示相鄰RR間期相差大于50 ms的數(shù)量，NN50；表示心率，HR；表示RR間期序列變異系數(shù)，CV。

4.4 睡眠分期

利用RBF神經(jīng)網(wǎng)絡(luò)，根據(jù)構(gòu)建好的睡眠分期模型，對數(shù)據(jù)進(jìn)行睡眠分期實驗。以某晚的睡眠數(shù)據(jù)為例，該數(shù)據(jù)睡眠總時長為6.05 h，以30 s為一段樣本，共劃分為726段數(shù)據(jù)樣本，以其中76%的550段數(shù)據(jù)樣本為訓(xùn)練集，以剩下的176段數(shù)據(jù)樣本為測試集進(jìn)行驗證。為了直觀分析每個睡眠階段具體的預(yù)測表現(xiàn)，將原本按時間排序的分類結(jié)果按睡眠階段的類別重新排序，該晚神經(jīng)網(wǎng)絡(luò)睡眠分期預(yù)測結(jié)果如圖8所示。從圖8可以看出，訓(xùn)練集和測試集預(yù)測的準(zhǔn)確率均在93%以上，效果良好，其MSE值分別為0.335 75、0.412 86，預(yù)測值與真實值大致吻合、重合度較高，符合分類要求。

各睡眠階段分類結(jié)果混淆矩陣圖如圖9所示，其中，1表示清醒期，2表示REM期，3表示淺睡期，4表示深睡期。從圖9中可以看出，在訓(xùn)練集中REM期和淺睡期表現(xiàn)較差，在測試集中深睡期的精準(zhǔn)率和召回率均為97.6%，綜合準(zhǔn)確率最高，預(yù)測效果最好。

對4個志愿者20個晚上的睡眠分期數(shù)據(jù)進(jìn)行統(tǒng)計，計算各自睡眠分期的預(yù)測準(zhǔn)確率和均方誤差。由于訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型分類效果主要由測試集體現(xiàn)，因此利用麥克尼馬爾檢驗方法計算測試集的漸進(jìn)顯著性（），并進(jìn)一步計算其Kappa值（kappa），以驗證測試集實驗結(jié)果的一致性，結(jié)果如表2所示。測試集的麥克尼馬爾檢驗結(jié)果顯示，漸進(jìn)顯著性（平均= 0.1）大于0.05，說明RBF神經(jīng)網(wǎng)絡(luò)模型的分類結(jié)果與實際分類具有一致性。kappa平均=0.839，大于0.75，說明實驗結(jié)果存在顯著一致性，具有統(tǒng)計學(xué)意義。訓(xùn)練集的準(zhǔn)確率均在90%以上，平均準(zhǔn)確率為92.7%，平均MSE值為0.399 27。測試集的平均準(zhǔn)確率為88.9%，平均均方誤差為0.511 87。可見，整體預(yù)測準(zhǔn)確率較高，誤差在可接受范圍內(nèi)，模型的擬合優(yōu)度良好，具有實際應(yīng)用價值。

此外，將文中提出的睡眠分期算法與其他研究者采用的算法進(jìn)行了對比，如表3所示。從表3可以看出，文中基于RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)的睡眠分期算法采集的信息較少，睡眠分期較多，準(zhǔn)確率更高，綜合識別效果更好，具有顯著的優(yōu)越性。

圖8 RBF神經(jīng)網(wǎng)絡(luò)睡眠分期預(yù)測結(jié)果

圖9 訓(xùn)練集和測試集各睡眠階段分類結(jié)果混淆矩陣

表2 各志愿者睡眠分期預(yù)測結(jié)果統(tǒng)計

Tab.2 Statistics of sleep staging prediction results for each volunteer

表3 不同睡眠分期算法的準(zhǔn)確率對比

Tab.3 Comparison of accuracy of different algorithms for sleep staging

5 智能喚醒系統(tǒng)設(shè)計

5.1 喚醒機(jī)制設(shè)計

為了使用戶在清晨舒適醒來，設(shè)計了一種智能喚醒機(jī)制，如圖10所示。根據(jù)心理學(xué)方面的研究成果，在人體處于第4個睡眠周期末時將其喚醒最理想。由此，在默認(rèn)狀態(tài)下，將智能喚醒系統(tǒng)設(shè)置為在監(jiān)測到用戶處于第4個睡眠周期末時將其喚醒，以保證用戶在身體恢復(fù)到最佳狀態(tài)時醒來。如果用戶需要預(yù)設(shè)喚醒時間段，則系統(tǒng)將用戶所處的睡眠階段與用戶預(yù)設(shè)的喚醒時間綜合起來作為喚醒的判斷條件。具體來說，用戶先預(yù)設(shè)一個起床時間段，由于深睡期一般只發(fā)生在凌晨5點(diǎn)前，因此喚醒系統(tǒng)會在這個時間段內(nèi)先判斷用戶是否處于淺睡期，如果是則叫醒用戶，如果不是則系統(tǒng)繼續(xù)監(jiān)測；當(dāng)監(jiān)測到用戶處于快速眼動期（REM）時，將用戶叫醒，如果不是則系統(tǒng)繼續(xù)監(jiān)測。這樣，系統(tǒng)既可在用戶預(yù)設(shè)的時間段內(nèi)將其喚醒，不耽誤其重要工作，又可使用戶在恰當(dāng)?shù)乃唠A段醒來，以最佳的狀態(tài)快速進(jìn)入工作。

圖10 智能喚醒機(jī)制

5.2 軟件功能及界面設(shè)計

系統(tǒng)將根據(jù)睡眠分期結(jié)果通過手機(jī)APP在恰當(dāng)?shù)臅r機(jī)用音樂將用戶喚醒。為了最大限度地實現(xiàn)智能喚醒系統(tǒng)的功能，并創(chuàng)造良好的用戶體驗，這里設(shè)計了與智能喚醒機(jī)制相匹配的NO SLEEP IN（不賴床）APP界面，如圖11所示。

在視覺上，整個界面色調(diào)和諧統(tǒng)一，符合夜間使用需求。在功能設(shè)計上，對于智能喚醒需求，該APP設(shè)置了4種模式：默認(rèn)最佳，系統(tǒng)將在用戶處于第4個睡眠周期末時實施喚醒；半智能，用戶可預(yù)設(shè)喚醒時間段及系統(tǒng)監(jiān)測最佳狀態(tài)的時長，系統(tǒng)將預(yù)設(shè)時段與用戶狀態(tài)結(jié)合起來，綜合判定喚醒時刻；非智能，僅具有普通鬧鐘功能；自然醒，不具備喚醒功能，系統(tǒng)僅分析用戶的睡眠狀態(tài)。此外，該APP還可顯示用戶累計時間段的睡眠監(jiān)測報告，并具有音樂助眠、社群交流等功能，以滿足用戶多樣化的睡眠需求。

6 結(jié)論

基于RBF神經(jīng)網(wǎng)絡(luò)提出了一種準(zhǔn)確率較高、模型擬合優(yōu)度較好的睡眠分期方法，并設(shè)計了一套低成本高效率的智能喚醒系統(tǒng)，優(yōu)化的喚醒機(jī)制可以有效避免用戶醒后情緒煩躁、狀態(tài)差等問題。通過低功耗心率帶采集人體心電信號，大大節(jié)約了系統(tǒng)成本。在信號預(yù)處理階段，通過實驗對比，優(yōu)選出coif4小波及其分解與重構(gòu)尺度，它對ECG信號具有更好的降噪效果，為提升睡眠分期的準(zhǔn)確率奠定了良好的基礎(chǔ)。利用RBF神經(jīng)網(wǎng)絡(luò)算法對提取的特征值反復(fù)訓(xùn)練，精選出對睡眠分期起關(guān)鍵作用的特征向量，從而構(gòu)建睡眠分期模型。實驗結(jié)果表明，基于該模型的RBF神經(jīng)網(wǎng)絡(luò)的計算負(fù)擔(dān)更小、運(yùn)算速度更快，與其他用于睡眠分期的算法相比，它具有更高的準(zhǔn)確率。此外，還基于用戶體驗設(shè)計了與喚醒機(jī)制相匹配的手機(jī)APP交互界面，提升了整個系統(tǒng)的智能性和完整性。

文中設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，雖然整體上能較準(zhǔn)確地完成睡眠階段的劃分，但在REM期和清醒期的分類表現(xiàn)上相對較弱，未來將進(jìn)一步研究神經(jīng)網(wǎng)絡(luò)的算法，以提高REM期和清醒期的分類精度。此外，不同性別和年齡的人在睡眠階段劃分標(biāo)準(zhǔn)上也存在差異，因此未來計劃擴(kuò)大實驗樣本數(shù)量，將性別和年齡作為特征值進(jìn)行提取，以提高神經(jīng)網(wǎng)絡(luò)睡眠分期的普適性，提升整個智能喚醒系統(tǒng)的實用價值。所設(shè)計的智能喚醒系統(tǒng)僅從理論上實現(xiàn)了喚醒機(jī)制和軟件界面設(shè)計的優(yōu)化，在實踐上，手機(jī)終端軟件的功能尚未完全實現(xiàn)。今后將把軟件功能的實現(xiàn)作為研究重點(diǎn)，增強(qiáng)智能喚醒系統(tǒng)的完整性和現(xiàn)實意義。

[1] MENDEZ M O, MATTEUCCI M, CERUTTI S, et al. Sleep Staging Classification Based on HRV: Time- Variant Analysis[C]// 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE, 2009: 9-12.

[2] XIAO M, YAN H, SONG J Z, et al. Sleep Stages Classification Based on Heart Rate Variability and Random Forest[J]. Biomedical Signal Processing and Control, 2013, 8(6): 624-633.

[3] 王金海, 孫微, 韋然, 等. 基于心率變異性分析的睡眠分期方法研究[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2016, 33(3): 420-425.WANG J H, SUN W, WEI R, et al. Study on Sleep Staging Methods Based on Heart Rate Variability Analysis[J]. Journal of Biomedical Engineering, 2016, 33(3): 420-425.

[4] 鄭捷文, 張悅舟, 蘭珂, 等. 基于心率變異性分析的睡眠分期算法研究和驗證[J]. 中國生物醫(yī)學(xué)工程學(xué)報, 2020, 39(4): 432-439. ZHENG J W, ZHANG Y Z, LAN K, et al. Sleep Stage Classification Based on Heart Rate Variability Analysis and Model Performance Validation[J]. Chinese Journal of Biomedical Engineering, 2020, 39(4): 432-439.

[5] 劉眾, 王新安, 李秋平, 等. 基于ECG信號和體動信號的睡眠分期方法研究[J]. 北京大學(xué)學(xué)報(自然科學(xué)版), 2021, 57(5): 833-840. LIU Z, WANG X A, LI Q P, et al. Research of Sleep Staging Algorithms Based on ECG and Body Motion Signals[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(5): 833-840.

[6] ZHU T Q, LUO W, YU F. Convolution-and Attention- Based Neural Network for Automated Sleep Stage Classification[J]. International Journal of Environmental Research and Public Health, 2020, 17(11): 4152.

[7] KWON K, KWON S, YEO W H. Automatic and Accurate Sleep Stage Classification via a Convolutional Deep Neural Network and Nanomembrane Electrodes[J]. Biosensors, 2022, 12(3): 155.

[8] YOU Y Y, ZHONG X Y, LIU G Z, et al. Automatic Sleep Stage Classification: A Light and Efficient Deep Neural Network Model Based on Time, Frequency and Fractional Fourier Transform Domain Features[J]. Artificial Intelligence in Medicine, 2022, 127: 102279.

[9] LEE H, CHOI J, KIM S, et al. A Compressive Sensing- Based Automatic Sleep-Stage Classification System with Radial Basis Function Neural Network[J]. IEEE Access, 2019, 7: 186499-186509.

[10] 彭程, 常相茂, 仇媛. 基于心率變異性分析的睡眠音樂推薦系統(tǒng)[J]. 計算機(jī)應(yīng)用, 2020, 40(5): 1539-1544. PENG C, CHANG X M, QIU Y. Heart Rate Variability Analysis Based Sleep Music Recommendation System[J]. Journal of Computer Applications, 2020, 40(5): 1539- 1544.

[11] 衡瑋, 徐自強(qiáng), 陳璐瑤, 等. 基于腦電波監(jiān)測智能助睡眠耳機(jī)設(shè)計[J]. 計算機(jī)應(yīng)用與軟件, 2020, 37(8): 219-226.HENG W, XU Z Q, CHEN L Y, et al. Design of Intelligent sleep-Assisted Earphone Based on Brain Wave Monitoring[J]. Computer Applications and Software, 2020, 37(8): 219-226.

[12] 冀常鵬, 李蓓蕾. 心電信號識別方法的研究與實現(xiàn)[J]. 計算機(jī)應(yīng)用與軟件, 2018, 35(3): 173-176. JI C P, LI B L. Research and Implement of ECG Signal Identification Method[J]. Computer Applications and Software, 2018, 35(3): 173-176.

[13] 付文亭, 鄧體俊, 陳海生. 小波變換系數(shù)奇異值分解數(shù)字水印防偽算法[J]. 包裝工程, 2015, 36(21): 128-132. FU W T, DENG T J, CHEN H S. A Watermarking Algorithm for Security Based on Discrete Wavelet Transform and Singular Value Decomposition[J]. Packaging Engineering, 2015, 36(21): 128-132.

[14] BERRY R B, BUDHIRAJA R, GOTTLIEB D J, et al. Rules for Scoring Respiratory Events in Sleep: Update of the 2007 AASM Manual for the Scoring of Sleep and Associated Events. Deliberations of the Sleep Apnea Definitions Task Force of the American Academy of Sleep Medicine[J]. Journal of Clinical Sleep Medicine: JCSM: Official Publication of the American Academy of Sleep Medicine, 2012, 8(5): 597-619.

[15] CHEN X Y, HE J, WU X Q, et al. Sleep Staging by Bidirectional Long Short-Term Memory Convolution Neural Network[J]. Future Generation Computer Systems, 2020, 109: 188-196.

[16] 唐艷, 孫劉杰, 王勇. 基于SIFT變換和RBF神經(jīng)網(wǎng)絡(luò)的彩色全景圖拼接算法[J]. 包裝工程, 2018, 39(21): 216-221. TANG Y, SUN L J, WANG Y. Color Panorama Mosaic Algorithm Based on SIFT Transform and RBF Neural Network[J]. Packaging Engineering, 2018, 39(21): 216- 221.

[17] 李丹, 翟震. 改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)PID算法在電磁振機(jī)中的應(yīng)用[J]. 包裝工程, 2019, 40(7): 192-196. LI D, ZHAI Z. Application of Improved RBF Neural Network PID Algorithm in Electromagnetic Vibrating Machine[J]. Packaging Engineering, 2019, 40(7): 192-196.

[18] 楊韞儀, 裴卉寧, 李書航, 等. 基于多項Logistic回歸的座面材質(zhì)預(yù)測模型[J]. 包裝工程, 2021, 42(16): 182-187.YANG Y Y, PEI H N, LI S H, et al. Seat Surface Material Prediction Model Based on Multiple Logistic Regression[J]. Packaging Engineering, 2021, 42(16): 182-187.

[19] 應(yīng)少飛. 基于心率變異性的多導(dǎo)睡眠監(jiān)護(hù)儀[D]. 成都: 電子科技大學(xué), 2020: 27-33. YING S F. PSG Base on Heart Rate Variability[D]. Chengdu: University of Electronic Science and Technology of China, 2020: 27-33.

Research and Application of Sleep Staging Method Based on RBF Neural Network

CHEN Yu, YANG Tao*, XU Zheng

(School of Design, Fujian University of Technology, Fuzhou 350118, China)

The work aims to propose a sleep staging method based on a radial basis function (RBF) neural network and use it to design an intelligent wake-up system that can adjust the wake-up time according to the user's recovery state, in order to optimize the user's sleep duration and reduce their discomfort after waking up. Based on theoretical knowledge of heart rate variability and sleep staging, the electrocardiogram (ECG) signal was collected from the human body through a low-power heart rate band, and the optimal wavelet transform was selected to precisely denoise the collected ECG signal. The radial basis function (RBF) neural network was trained repeatedly to filter out 10 key feature vectors, so as to build a model of sleep staging. The sleep staging information was transmitted to the mobile phone client via a STM32 processor, and the system woke up the user according to designed optimized wake-up mechanism when the user's body and mind recovered to the optimal state. The results showed that the algorithm based on the sleep staging model had an average accuracy of 88.9% with a Kappa coefficient of 0.839, which was higher than that of other algorithms. The intelligent wake-up system has a lower collection cost, a simpler and more efficient algorithm, and a scientific and reasonable wake-up mechanism, which enables the user to wake up comfortably and is of great significance in improving the user's state after awakening.

sleep staging; heart rate variability; wavelet transform; radial basis function neural network; intelligent wake-up

TP391.4；TB472

A

1001-3563(2024)04-0371-09

10.19554/j.cnki.1001-3563.2024.04.041

2023-09-16

福建省自然科學(xué)基金（2023J01947）；福建省社會科學(xué)基金（FJ2021B187）；福建理工大學(xué)科研啟動基金（GY-S20089）