基于子時段呼吸暫停和睡眠階段的腦網絡分析與分類*

趙今朝,劉銘, 江秀全,史維友,婁宜泰,冷建材,徐舫舟△,馮超,楊清波,唐吉友,魯珊珊

(1．齊魯工業大學(山東省科學院) 光電工程國際化學院,濟南 250353;2．齊魯工業大學(山東省科學院)數學與統計學院,濟南 250353;3．山東第一醫科大學附屬第一醫院(山東省千佛山醫院) 神經內科,山東省免疫研究所,山東省風濕免疫與轉化醫學重點實驗室,濟南 250014)

0 引言

睡眠呼吸暫停使測試者的睡眠結構發生變化,從而影響睡眠分期的準確評估。為此,睡眠呼吸暫停和睡眠分期的準確檢測在睡眠質量評估中至關重要[1]。腦電圖(electroencephalogram, EEG)、心電圖(electrocardiogram, ECG)、肌電圖(electromyography, EMG)和其他生理信號可用于睡眠階段劃分[2]。腦電信號包含更多的信息,高振幅的信號通常表示大腦處于更興奮的狀態,通過觀察腦電信號的振幅變化,可了解大腦的興奮程度,而頻率變化則反映大腦神經元之間的同步性。不同頻率范圍內的腦電節律活動,如α、β、θ節律等,結合在一起形成了多種特定振蕩模式。這些節律活動對應不同的大腦狀態,如放松、專注、睡眠等。通過分析腦電信號的頻率和節律,可更好地了解大腦的整體功能和狀態。

許多學者利用腦電信號,運用機器學習和深度學習技術進行睡眠階段檢測和睡眠分期。Zhao等[3]將C3-A2和C4-A1的EEG信號分為五個子帶,提取了每個子帶的樣本熵和方差,采用鄰域組成分析(neighbourhood component analysis, NCA)方法進行特征選擇、支持向量機 (support vector machine,SVM)作為分類器,進行呼吸暫停事件的檢測。Diykh等[4]使用中值、峰度等特征進行睡眠分期。Li等[5]針對腦電信號的時域、頻域和非線性特征,采用隨機森林方法進行分類,并考慮了睡眠階段之間的轉移特征,選擇適當的特征,將其輸入機器學習分類器,進行睡眠分期。隨著深度學習的發展,許多研究開始直接從生理信號中學習特征。例如,Zhang等[6]提出了一種高效的卷積神經網絡,通過在第一層的每個卷積核上附加可訓練的系數,以增強學習能力和靈活性。Zhuang等[7]則提出了一種基于多通道腦電信號的自動睡眠分期方法,結合長短期記憶(long short term memory, LSTM)作為分類網絡。

大多數研究并未關注不同通道之間的相互協同,難以從全局層面探索睡眠階段信息[8-9]。fMRI已經證實,每個睡眠階段都與特定的功能連接模式相關聯[10-12]。An等[13]研究了不同年齡段的睡眠腦電圖的連接性,發現不同睡眠階段的連接性不同。相位耦合反映了不同腦區之間的相互作用和協調程度。因為鎖相值(phase locking value, PLV)對相位敏感,可提供腦電信號中不同腦區之間相位耦合的信息[14-16],所以被廣泛應用于分析腦電圖的連接。di Biase等[14]通過構建大腦連接,根據其連通性區分帕金森病患者和健康者。

針對多通道研究的不足,本研究通過探索呼吸暫停患者在不同睡眠階段下腦電信號中的連通性,嘗試以此為基礎闡述呼吸暫停患者呼吸暫停和睡眠階段的變化規律,并將不同腦區之間的連通性作為特征,實現呼吸暫停檢測和睡眠分期。針對睡眠過程中的特殊波形會對腦電圖的連接產生影響[17],本研究設計了一個基于子時段呼吸暫停和睡眠階段的分類策略,主要包括:(1)使用鎖相值構建不同睡眠階段的大腦網絡,將鎖相值當作特征,尋找出最優的頻段和通道數目。(2)利用提出的多子時段決策的方式,進行睡眠階段分類和睡眠呼吸暫停檢測。(3)根據構建的大腦功能網絡分析不同睡眠階段及呼吸暫停健康者的大腦相互作用和連接機制。

1 材料和方法

1.1 材料

本研究使用循環交替模式(cyclic alternating pattern, CAP)睡眠數據庫[18-19]。CAP數據庫中有108個樣本,包括92名睡眠障礙患者和16名健康受試者,本研究選擇10名受試者用于分析。此外,使用ISRUC-SLEEP 數據庫,此數據庫的Data of Subgroup_1包含100名受試者的數據,本研究去除其中患有其他疾病及信號質量差的受試者,選擇其中27名受試者的數據。

1.2 方法

1.2.1數據預處理 首先,將腦電信號分為多個不同的頻段。由于睡眠頻率范圍一般集中在0～30 Hz,因此在濾波過程中,本研究將信號分別在δ波(0.5～4 Hz),θ波(4～8 Hz),α波(8～13 Hz),β波(13～30 Hz),γ(30～40 Hz)五個頻段進行濾波。將濾波后的數據分別劃分為5段(6 s)、10段(3 s)、15段(2 s)、20段(1.5 s)和30段(1 s)方法。設L為30 s睡眠腦電數據樣本。當子時段的數量被設置為長Ls時,被劃分的子時段的長度滿足以下約束:

L=Ls×Ns

(1)

Ns是子時段數目。CAP數據庫中的采樣頻率為512 Hz,數據樣本持續時間為30 s,則子時段長度的計算如下:

Ls=L/Ns=(30×512)/Ns=15 360/Ns

(2)

由式(2)可知,子時段數Ns在實驗中起著重要作用。通過設置適當數量的子時段,可從中獲得有效的分類特征。然后,將數據在δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)和γ(30～40 Hz)五個頻帶中濾波。

1.2.2構建功能網絡 本研究采用PLV評估大腦的功能連接[20],計算如下:

(3)

其中,N代表睡眠信號的樣本數,t代表采樣周期,兩個時間序列分別為x(t)和y(t),兩個瞬時相位是φx(t)和φy(t)。實驗得到PLV對稱矩陣,矩陣中的每個值代表一對通道的耦合關系。

1.2.3選擇最優頻段和通道數目 為降低算法復雜度,提高運行效率,減少計算負擔,本研究將CAP數據庫中12個通道的數據逐一連接,在矩陣中設置不同的閾值,以尋找連通性佳的通道。為進行對比,本研究選擇五個不同數量的EEG通道,包括12、10、8、6和4通道,在2.1章劃分的5個頻段中使用,選出最優頻段,并采用10折交叉驗證來驗證所提算法的有效性。

1.2.4分類器及分類策略 LibSVM使用一對一法(one-versus-one,OVO)進行多分類。該方法通過設計一個SVM來處理任意兩類樣本之間的分類問題,因此,對于k個類別的樣本,需要設計k(k-1)/2個SVM。當對未知樣本進行分類時,根據得票最多的類別確定該未知樣本的類別。

為評估不同頻帶和不同數量的子時段中的腦功能連接,本研究使用三種特征處理策略對睡眠階段進行分類。(1)從30 s腦電數據中直接提取功能連接特征;(2)融合多個子時段提取的功能連接性特征,然后將特征作為一個整體輸入到分類器;(3)直接分析子時段的功能連通性特征并進行分類,然后將分類結果作為整個30 s片段的結果。具體描述見圖1—圖3。

圖1 用子時段數據構建PLV矩陣

圖2 構建PLV矩陣并特征融合

圖3 構建PLV矩陣并經過分類決策

2 結果

2.1 頻段和通道選擇結果

由表1可知,選擇六個通道時可獲得最佳性能。本研究分別測試了δ、θ、α、β和γ五個頻率范圍的5類睡眠階段任務,具體分類結果見表2。其中,六通道獲得了最好的睡眠分期效果,且α頻段的指標優于其他頻段,分類精度為69.4%。

表1 選擇不同通道數目及每百次事件運行時間

表2 從5種頻段提取特征對5種睡眠階段分類結果

2.2 分類策略對睡眠階段分類的結果

由表3可知,多段特征融合方法可獲得更高的分類性能。其中,30段法準確率最高,α頻帶睡眠分期準確率達到76.89%。多子段策略是將子時段提取的特征直接分類,分類結果是子時段的結果,不能代表原始腦電的類別,因此將分割的數據按時間順序重新組合。在組合的分類結果中,找到類別最多的分類結果。由表4可知,30個子時段在α頻段仍具有最佳分類性能,準確率達到89.73%。

表3 子時段特征融合方法下,5頻段5子時段數目對睡眠階段分類的準確率

表4 子時段分類決策方法下,5個頻段和5個子時段數目對睡眠階段分類準確率

2.3 分類策略對呼吸睡眠暫停分類的結果

在ISRUC-SLEEP數據庫Data of Subgroup_1的27個受試者數據中,找出相同數量的睡眠呼吸暫停和正常呼吸的數據。使用2.2所提方法進行呼吸睡眠暫停信號和正常呼吸信號分類,準確率達到了94.2%。

2.4 PLV的大腦網絡分析

由2.2和2.3小節得到的結果可見,α頻段具有分類的效果。圖4為在α頻段不同睡眠階段的連通性,紅線代表連通性高,藍線則相反。可見,N1階段的整體連接性大于快速眼動階段;N2階段的整體連接性大于N3階段;N3和W階段的連接性一般小于快速眼動階段。N1階段左右腦之間的連通性比N2階段強,但枕葉、頂葉和額葉之間的連通性比N2階段弱。與N3階段相比,N1階段的左右腦較弱,但連通性比N3階段強,且不同腦區的額葉和頂葉之間的連通性也比N3階段強。比較N2、W和REM階段,N2階段左右腦之間的連通性比REM階段弱,而在W階段,不同腦區之間的連通性更強。

圖4 α頻段不同睡眠階段大腦網絡連接性的比較

研究發現,睡眠呼吸暫停測試者的各睡眠階段的數量會發生變化,其中深度睡眠階段N3的數量減少,過渡階段N1的數量增加。由圖5可知,睡眠呼吸暫停時的連通性明顯大于正常呼吸時,與N1階段和REM階段的連通性非常相似。

圖5 睡眠呼吸暫停和正常呼吸大腦網絡連接性的比較

2.5 交叉驗證

根據以上實驗,本研究通過PLV特征提取、多子時段特征融合和多子時段決策方法,最終發現30個子時段特征對決策具有最佳分類效果。為驗證該方法的有效性,在被試之間進行了10次交叉驗證實驗。睡眠階段分類的最終交叉驗證結果見圖6,結果是88.87%。正常呼吸和呼吸暫停分類的最終交叉驗證結果見圖7,結果是93.64%。

圖6 睡眠階段分類的結果

圖7 正常呼吸和呼吸暫停分類的結果

3 討論

本研究算法在N1階段的左右腦區的協同性大于REM階段,呈現出明顯的左右腦區對稱,N2階段全腦的活躍度明顯大于N3階段,因此,N2階段相對N3階段全腦連接更加活躍,N3階段和W階段的連通性小于REM階段,原因在于N3處于深度睡眠階段,腦區之間的活動減少,而W階段呈現出不規則的變化,相對REM階段的連接較弱。對于N2和REM階段,N2階段左右腦區的協同性比REM階段小,但同側活躍性大于REM階段。呼吸暫停期間的腦區更加活躍,明顯大于正常呼吸時,原因在于從深度睡眠逐步到REM階段和W期間過渡,因此腦區活動增加呈現出更加活躍的趨勢。不同數目的子時段對區分睡眠階段有不同的表現。30-Sub的情況顯示了良好的性能,但在α頻段使用30-Sub在N1和W級之間具有更高的錯誤率。本研究后續計劃將CAP數據庫中的多通道EEG信號用于不同的睡眠障礙的分類,如失眠和REM運動障礙。

4 結論

本研究通過探討多通道腦電信號在睡眠分期上的表現,利用多個子時段獲得有效的融合特征,提出分類優化策略,利用腦功能網絡分析睡眠分期的生理現象。不同的子時段對特征學習有不同的分類效果,在20-Sub的情況下,REM階段的分類比其他子時段的劃分更好,表明在20-Sub中提取的特征更適合REM階段的分類。最優時段劃分數目與特征之間的關系將在后續工作中開展進一步研究。本研究探索了子時段腦電特征學習在多通道腦電睡眠分期中的應用,實驗結果證明,本研究的多通道EEG睡眠階段算法的有效性和魯棒性較強,對提高睡眠分期的應用具有重要潛力。