李 斐，馬千里

(南京郵電大學 通信與信息工程學院，江蘇 南京 210003)

基于腦電信號特征提取的睡眠分期方法研究

李 斐，馬千里

(南京郵電大學 通信與信息工程學院，江蘇 南京 210003)

睡眠分期是研究睡眠其及相關疾病的基礎，是完成睡眠質量評估的前提，具有重要的意義。主要提出了一種新的腦電信號特征提取方法，能夠有效提高睡眠分期的準確率。傳統的自動睡眠分期方法都是以一個睡眠時期的時間片為單位進行特征參數提取，文中的睡眠分期按每30 s進行一次睡眠時期判斷，將特征提取的時間片分為30 s、90 s、150 s以及210 s，研究不同時間片提取的特征參數對睡眠分期準確率的影響。采用Weka工具中的隨機森林分類器對睡眠狀態(tài)進行判別。實驗結果表明，將210 s時間片得到的小波包系數、30 s時間片得到的排列熵以及90 s時間片得到的Petrosian分形維數作為自動睡眠分期的參數，可以得到85%的準確率；而采用30 s時間片得到的以上三類參數只能達到65%的準確率。

睡眠分期；腦電信號；小波包系數；排列熵；Petrosian分形維數

0 引 言

近年來，睡眠質量成為影響人類健康的隱形殺手，越來越多的人受到失眠等睡眠障礙的困擾。睡眠質量評估以及睡眠類疾病診斷成為研究熱點。人體生理學表明，一個健康的深睡眠階段可以加速物理療養(yǎng)[1-2]。此外，健康的快速眼動(REM)階段能夠提高學習能力和記憶力。睡眠評分結果是所有睡眠問題識別中所必需的。睡眠評分，即為在多導睡眠圖記錄(PSG)中得出的睡眠分期。數據庫中已經有部分病人的PSG樣本，這其中就包括腦電圖(EEG)、眼電圖(EOG)和肌電圖(EMG)數據[3]。1968年，專家遵循Rechtschaffen & Kales(R&K)規(guī)則，確定了評估PSG記錄得出睡眠分期的規(guī)則。依據R&K準則，每個時期(30 s的數據)被分為清醒(W)、非快速眼動(N-REM S1，N-REM S2，N-REM S3和N-REM S4：從淺睡眠到深睡眠)和快速眼動(REM)。

目前，已經提出了許多用于睡眠階段分類的模型[4]。下面列出了在文獻中常用于從腦電圖數據提取的特征參數，如標準偏差[5-6]、中位數[6-7]、算術平均值[7-8]、偏度[9-10]、峭度[9-10]、零交叉值[7,11]、方差值[7,12]、最大值和最小值[7,11]、平均能量[11,13-14]、平均teager能量[13]、彼得羅辛分形維數[14]、萊利熵[11,14]、頻譜熵[11,14-15]、排列熵[16]、近似熵[17]、維格納威樂系數[11-12]、小波變換[9,14,18-19]、平均曲線長度[13-14]、Hurst指數[17]和Hjorth參數[14,18]等。以上文獻的特征參數提取時都按照一個睡眠時期(30 s的數據)進行計算，但在實際人工進行睡眠時期判斷時，前后時間片的數據也會在專家的考慮范圍內。

文中提出一種新的提取特征參數的方式，即將前后時間片(每30 s)也作為當前睡眠時期特征參數的提取依據。以腦電信號為睡眠分期原始信號，分別取30 s，90 s，150 s，210 s時間片的小波包系數、排列熵(PEn)、彼得羅辛分形維數(Petrosian分形維數)，從中提取特征參數作為中間30 s睡眠時期判斷的依據。所提取的小波包系數、PEn、Petrosian分形維數作為睡眠各期特征參數組合，具有較高的分期準確率[20]。

1 數據來源

文中使用的數據集是由圣文森特大學醫(yī)院和都柏林大學[21]提供，對數據庫中全部25個人的數據進行研究。該數據的人口學特征如下：受試者25例，年齡：50±10歲，范圍28～68歲；BMI：31.6±4.0 kg/m2，范圍25.1～42.5 kg/m2；AHI：24.1±20.3，范圍1.7～90.9。多導睡眠記錄是通過Jaeger-Toennies系統獲得。Jaeger-Toennies系統通過使用10～20個電極位置獲得多導睡眠記錄，其中包括了2個EEG通道(C3-A2和C4-A1)，2個EOG通道和1個EMG通道，平均記錄時間為6.9 h。文中研究只采用單個腦電通道(C3-A2)，采樣率為128 Hz。EEG信號主要集中在0～30 Hz處，且采用的腦電數據在50 Hz處具有工頻干擾，通過5階IIR巴特沃斯低通濾波器對EEG信號進行預處理，獲得0～35 Hz的EEG信號。然后，對腦電圖信號進行分割，分為30 s一個時期，每個時期對應于單個睡眠階段。

表1顯示了睡眠專家進行睡眠狀態(tài)分類的25個受試者睡眠時期的分布，其中N-REM S1和N-REM S2期分別用N1、N2表示，且合并N-REMS3和N-REMS4期為N3期(即依據AASM準則分類)。

表1 睡眠狀態(tài)各期分布

2 特征提取與分類方法

2.1 離散小波變換(DWT)

小波變換克服了傅里葉變換的缺陷[22]，并且該方法對于噪聲不敏感，適用于非平穩(wěn)信號的分析。連續(xù)小波變換的系數具有相當大的冗余量，為了在不丟失原始信號信息的情況下，盡量減小小波變換系數的冗余度[23]，提高壓縮率[24]，引入了離散小波變換。定義如下：

(1)

其中，x(t)表示原信號；φ表示小波基。

DWT經常被用于分析EEG信號，主要問題是小波基以及分解層數的選擇，其中小波分解的層數由原信號頻率決定。分解層數的選擇依據為使得被保留的小波系數與原信號不同睡眠狀態(tài)的頻率的相關性良好。腦電信號主要集中在0～30Hz，因此分解層數設置為4。在分解層數低于4層的情況下，會丟失低頻段的信息。沒有必要選擇大于4的分解層，4層分解已經可以提取到所有EEG信號的有效頻帶。因此，信號被分解得到具有細節(jié)信息的D1-D4和含有低頻信息的A4。

在相關的EEG信號研究中發(fā)現，與10階Symmlet小波(sym10)和4階Coiflet小波(coif4)比較，Daubechies小波具有更高的精度，并且注意到4階Daubechies小波(db4)比2階Daubechies小波(db2)略優(yōu)[8,25-26]。所以，采用db4小波對EEG信號進行4層分解，并統計D2-D4與A4分量的絕對值的均值以及標準差。因為小波分解的特殊性，并不一開始就采用滑動窗進行小波分解計算90s，150s以及210s的參數，而是先計算30s時間片的小波系數，然后采用滑動窗以計算均值的方式得到90s，150s和210s的參數。

通過對EEG信號進行4層DWT分解獲得的子帶頻率范圍如下：A4分量包含δ頻段(1～4Hz)，D4分量包含θ頻段(4～8Hz)，D3分量包含α頻段(8～13Hz)，D3分量包含β頻段(13～30Hz)。D1分量具有高于30Hz的頻率信息，這部分基本不含EEG信號的信息。因此，在這項研究中，使用D2-D4細節(jié)分量和低頻分量A4。

2.2 排列熵(PEn)

PEn由Bandt和Pompe[27]提出。PEn用比較相鄰值的方式度量時間序列的復雜性。它具有簡單、健壯和計算成本極低的優(yōu)勢[28]。給定時間序列(xt,t=1,2,…,T)，相空間重構向量為Xt=[xt,xt+1,…,xt+(n-1)l]，嵌入維數n，延遲時間l(此處l=1)[29]。然后對每個重構分量Xt以升序排列，提取各個分量在原重構向量中的索引，可以得到不同的符號序列。n維相空間映射n!種不同的符號序列。設f(π)為時間序列π出現的概率，其相對概率為p(π)=f(π)/(T-(n-1)l)。排列熵定義為[28]：

(2)

文中按判斷每個睡眠狀態(tài)的30sEEG信號數據計算PEn，當計算90s、150s、210s的參數時，采用滑動窗口提取PEn，將當前睡眠狀態(tài)的30s前后的時間片加入到參數計算中。

2.3 Petrosian分形維數(PFD)

分形維數是用混沌方法計算信號的復雜性[30]。PFD便于分形維數的快速計算。PFD將信號轉化成二進制序列[31]。PFD可以由以下表達式計算：

PFD=log10k/(log10k+log10(k/(k+0.4Nδ)))

(3)

其中，k是信號的樣本數；Nδ表示信號符號改變的次數。

PFD與排列熵的計算采用相同的滑動窗獲得90s、150s、210s時間片的參數。

2.4 隨機森林分類器

Breiman于2001年提出一種新的組合分類算法——隨機森林算法(Random Forests,RF)[32]。相比其他優(yōu)秀的分類方法，如人工神經網絡和支持向量機，它揭示了快速計算的優(yōu)點，精度高、避免過擬合、抗噪能力好。因此，隨機森林算法已經廣泛應用于生物信息學的分類[33-34]。

隨機森林是通過自助法(Bootstrap)的重復采樣技術，即從原始訓練樣本集N中有放回地重復且隨機抽取k個樣本生成新的訓練樣本集合，然后根據所抽取的k個樣本生成k棵決策樹組成隨機森林。隨機森林的實質是對決策樹算法的改進，隨機森林中的每一棵決策樹都是由分類回歸樹(CART)算法所構建的未剪枝的決策樹。森林中的每棵樹的建立依賴一個獨立抽取的樣本，并且每棵樹都具有相同的分布，分類的誤差取決于每一棵決策樹的分類能力以及它們之間的相關性。

隨機森林的生成主要包括以下幾個步驟：

(1)采用Bootstrap方法在原始訓練樣本集N中抽取k個新的訓練樣本集，一般情況下要求每個新的訓練集的樣本容量與N一致。

(2)對抽取的k個訓練樣本集進行學習，并以此生成k個決策樹模型。在決策樹的生成過程中，假設輸入變量一共有M個，從這M個輸入變量中隨機抽取F個，每個內部節(jié)點均是選擇這F個特征變量上最優(yōu)的方式來分裂，且F的值在隨機森林模型的形成過程中恒定。

(3)針對分類問題，將k個決策樹的分類結果進行組合，形成最終的結果，組合方式是簡單多數投票法。

3 實驗結果

特征提取所得的各層小波系數的均值與方差(D4-Mean-Std，D4MS)、排列熵、Petrosian分形維數是從不同的角度取得的腦電信號的特征。其中D4MS與腦電信號δ頻段(1～4Hz)、θ頻段(4～8Hz)、α頻段(8～13Hz)、β頻段(13～30Hz)具有良好的相關性，而PEn與PFD計算了腦電信號的復雜度，對D4MS中對EEG信號的特征具有補充作用，所以文中選擇這三種參數作為睡眠分期的依據。

將特征提取所獲得的PFD、D4MS、PEn一共10項特征參數以及人工睡眠狀態(tài)分類結果作為分類器的輸入。采用Weka工具包，并選擇其中的隨機森林對睡眠狀態(tài)進行分類。

分類將隨機選取每一睡眠狀態(tài)80%的數據(16 656個樣本)作為訓練集，剩下的20%(4 158個樣本)作為測試集。表2給出了單參數輸入時隨機森林分類的準確率。

表2 單參數輸入分類準確率

由表2可以看出，把對不同時間片提取的PEn作為分類器輸入的分類準確率相近，在32%左右，而其他兩種參數的分類準確率在不同時間片上差距較大。其中PFD的分類準確率在時間片為90s時達到最高(42.85%)，各層小波系數的均值和標準差在時間片為210s時的分類準確率達到最大(76.03%)。以上結果為10次實驗的結果的平均值，是在隨機森林節(jié)點數為25，且隨機森林中每棵決策樹都隨機選擇60%的訓練樣本作為分類依據時得出。

傳統的每30s提取的特征參數D4MS、PEn、PFD作為分類器輸入得到的分類結果如圖1所示。

圖1 每30 s提取特征參數的分類結果

由圖1可見，N1、N3以及REM期的分類準確率較低，其中N1期誤判為覺醒期，分類準確率也最低，只有33.68%。

采用單參數輸入準確率最高的參數組合作為隨機森林輸入，各參數輸入順序為D4MS、PEn、PFD，圖2是測試樣本的自動睡眠分期結果。

圖2 優(yōu)化參數提取的分類結果

比較圖1與圖2可知，新的參數提取方式可以達到更高的分類準確率，覺醒期的分類結果并無明顯變化，其他各睡眠狀態(tài)的分類準確率都有所提高。其中對N2期的分類達到了91.91%的準確率，N1、N2以及N3期的誤判概率都減小了，N1期的分類準確率仍存在很大的提升空間。

圖3給出了部分的隨機森林分期結果與人工分期結果的比較。

圖3 部分分期結果比較

從圖中可見，隨機森林的分類結果大致與人工分期結果一致，其中REM期與N2期，N2與N3期之間存在的誤判相對較多，覺醒期中有小部分誤判成N1、N2期，結果基本與圖2相符。

4 結束語

文中主要介紹了一種新的睡眠分期特征參數提取方式，在自動睡眠分期中引入了單個睡眠狀態(tài)判斷時期前后的EEG信號對睡眠分期結果的影響。研究結果表明，采用新的方式所提取的特征參數有效提高了自動睡眠分期的準確率。

[1]PanST,KuoCE,ZengJH,etal.AtransitionconstraineddiscretehiddenMarkovmodelforautomaticsleepstaging[J].BioMedicalEngineeringOnLine,2012,11:52-71.

[2] 王小丹,高允鎖,郭 敏.大學生睡眠質量及其影響因素的綜述[J].中國熱帶醫(yī)學,2006,6(10):1906-1907.

[3] 唐向東,李廷利.首次中德睡眠研究學術討論會綜述[J].中國科學基金,2008,22(5):277-281.

[4] 謝松云,張振中,楊金孝,等.腦電信號的若干處理方法研究與評價[J].計算機仿真,2007,24(2):326-330.

[5]FathimaT,BedeeuzzamanM,FarooqO,etal.Waveletbasedfeaturesforepilepticseizuredetection[J].MESJofTechnolandManag,2010,2(1):108-112.

[6]YuenCT,SanWS,RizoniM,etal.ClassificationofhumanemotionsfromEEGsignalsusingstatisticalfeaturesandneuralnetwork[J].InternationalJournalofIntegratedEngineering,2010,1(3):71-79.

[7]AlbayrakM,KoklukayaE.ThedetectionofanepileptiformactivityonEEGsignalsbyusingdataminingprocess[J].e-JournalofNewWorldSci.Acad,2009,4(1):1-12.

[8]SubasiA.EEGsignalclassificationusingwaveletfeatureextractionandamixtureofexpertmodel[J].ExpertSystemswithApplications,2007,32(4):1084-1093.

[9]OzsenS.Classificationofsleepstagesusingclass-dependentsequentialfeatureselectionandartificialneuralnetwork[J].NeuralComputing&Applications,2013,23(5):1239-1250.

[10]GandhiTK,ChakrabortyP,RoyGG,etal.Discreteharmonysearchbasedexpertmodelforepilepticseizuredetectioninelectroencephalography[J].ExpertSystemswithApplications,2012,39(4):4055-4062.

[11]SenB,PekerM.NovelapproachesforautomatedepilepticdiagnosisusingFCBFfeatureselectionandclassificationalgorithms[J].Turk.J.Electr.Eng.Comput.Sci.,2013,21:2092-2109.

[12]MohseniHR,MaghsoudiA,ShamsollahiMB.SeizuredetectioninEEGsignals:acomparisonofdifferentapproaches[C]//Proceedingsofthe28thIEEEEMBSannualinternationalconference.NewYork,USA:IEEE,2006:6724-6727.

[13]AlessandroMD,VachtsevanosG,HinsonA,etal.Ageneticapproachtoselectingtheoptimalfeatureforepilepticseizureprediction[C]//Proceedingsofthe23rdannualinternationalconferenceonengineeringinmedicineandbiologysociety.Istanbul,Turkey:IEEE,2001:1703-1706.

[14]KannathalN,ChooM,AcharyaU,etal.EntropiesfordetectionofepilepsyinEEG[J].ComputMethodsProgBiomed,2005,80:187-194.

[15]SrinivasanV,EswaranC,SriraamN.Artificialneuralnetworkbasedepilepticdetectionusingtimedomainandfrequencydomainfeatures[J].JournalofMedicalSystems,2005,29(6):647-660.

[16]BruzzoAA,GesierichB,SantiM,etal.PermutationentropytodetectvigilancechangesandpreictalstatesfromscalpEEGinepilepticpatients-Apreliminarystudy[J].NeurologicalSciences,2008,29(1):3-9.

[17]GengS,ZhouW,YuanQ,etal.EEGnon-linearfeatureextractionusingcorrelationdimensionandHurstexponent[J].NeurologicalResearch,2011,33(9):908-912.

[18]BaoFS,LieDY,ZhangY.AnewapproachtoautomatedepilepticdiagnosisusingEEGandprobabilisticneuralnetwork[C]//Proceedingsofthe2008 20thIEEEinternationalconferenceontoolswithartificialintelligence.WashingtonDC,USA:IEEE,2008:482-486.

[19]SezerE,IsikH,SaracogluE.EmploymentandcomparisonofdifferentartificialneuralnetworksforepilepsydiagnosisfromEEGsignals[J].JournalofMedicalSystems,2012,36(1):347-362.

[20]SenB,PekerM,?avuogluA,etal.AcomparativestudyonclassificationofsleepstagebasedonEEGsignalsusingfeatureselectionandclassificationalgorithms[J].JournalofMedicalSystems,2014,38(3):1-21.

[21]GoldbergerAL,AmaralLA,GlassL,etal.PhysioBank,PhysioToolkit,andPhysioNet:componentsofanewresearchresourceforcomplexphysiologicsignals[J].Circulation,2000,101(23):215-220.

[22]HasilogluA.Rotation-invarianttextureanalysisandclassificationbyartificialneuralnetworksandwavelettransform[J].TurkishJournalofEngineeringandEnvironmentalSciences,2001(5):405-413.

[23] 曹懷信,趙建偉.小波分析發(fā)展綜述[J].咸陽師范學院學報,2002,17(6):5-8.

[24] 成禮智,王紅霞,羅 永.小波的理論與應用[M].北京:科學出版社,2004.

[25]SubasiA.Applicationofadaptiveneuro-fuzzyinferencesystemforepilepticseizuredetectionusingwaveletfeatureextraction[J].ComputersinBiologyandMedicine,2007,37:227-244.

[26]MahajanK,VargantwarMR,RajputMS.ClassificationofEEGusingPCA,ICAandneuralnetwork[J].InternationalJournalofEngineeringandAdvanceTechnology,2011(1):80-83.

[27]BandtC,PompeB.Permutationentropy:anaturalcomplexitymeasurefortimeseries[J].PhysicalReviewLetters,2002,88(17):174102.

[28]LiuXF,WangY.Fine-grainedpermutationentropyasameasureofnaturalcomplexityfortimeseries[J].ChinesePhysB,2009,18(7):2690-2695.

[29] 姚文坡,劉鐵兵,戴加飛,等.腦電信號的多尺度排列熵分析[J].物理學報,2014,93(7):419-425.

[30]PetrosianA.KolmogorovcomplexityoffinitesequencesandrecognitionofdifferentpreictalEEGpatterns[C]//Proceedingsofthe26thIEEEinternationalsymposiumoncomputerbasedmedicalsystems.Lubbock,Texas:IEEE,1995:212-217.

[31] 聶篤憲,曾文曲,文有為.分形維數計算方法的研究[J].微機發(fā)展(現更名:計算機技術與發(fā)展),2004,14(9):17-19.

[32]BreimanL.Randomforests[J].MachineLearning,2001,45(1):5-32.

[33]YuanM,HuXZ.Predictingmembraneproteintypesusingtherandomforestsalgorithm[J].ActaBiophysicaSinica,2009,25(5):349-355.

[34]AlanJ,BogunovicN.Randomforest-basedclassificationofheartratevariabilitysignalsbyusingcombinationsoflinearandnonlinearfeatures[J].IFMBEProceedings,2010,29(1):29-32.

Research on Sleep Staging Method Based on Feature Extraction of EEG

LI Fei,MA Qian-li

(College of Telecommunications & Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

Researches on sleep staging is not only the basis of diagnosing sleep related diseases,but also the precondition of sleep quality evaluation,which has vital significance.A new method to extract EEG features is proposed which effectively improves the accuracy of sleep staging.Different from traditional automatic sleep staging method,sleep stage is classified every 30 seconds and time slice for feature extraction is respectively divided into 30 seconds,90 seconds,150 seconds and 210 seconds to study characteristic parameters of difference time slices on the accuracy of sleep stage.Besides,a random forest classifier in Weka tools is adopted to identify sleep state.The result shows that putting wavelet packet coefficients obtained by the 210 s time slice,the permutation entropy from the 30 s time slice and the Petrosian fractal dimension from 90 s time slice as the parameters of the automatic sleep staging,it can get accuracy of 85%,while three kinds of parameters in 30 s time slice above can only reach accuracy of 65%.

sleep stage;EEG;wavelet packet coefficient;permutation entropy;Petrosian fractal dimension

2016-02-24

2016-06-23

時間：2016-11-22

國家自然科學基金資助項目(61201029)

李 斐(1991-)，女，碩士研究生，研究方向為無線通信與信號處理技術；馬千里，副教授，研究生導師，研究方向為嵌入式系統軟硬件設計、信號檢測與處理、圖像處理、生物醫(yī)學電子學等。

http://www.cnki.net/kcms/detail/61.1450.TP.20161122.1227.030.html

TP301

A

1673-629X(2017)01-0177-05

10.3969/j.issn.1673-629X.2017.01.040