黃文漢， 張 偉， 胡立剛， 周陳旺， 向丹陽

(同濟(jì)大學(xué) 電子與信息工程學(xué)院， 上海 201804)

引言

睡眠是人體的一項(xiàng)重要的生理過程，占據(jù)了生活接近三分之一的時(shí)間，睡眠是人體消除身體疲勞的主要方式，在深度睡眠期間，機(jī)體可以通過代謝使組織器官自我修復(fù)。睡眠質(zhì)量不佳和相關(guān)的睡眠障礙容易導(dǎo)致記憶力減退、精神不振和免疫力下降。此外，很多疾病在潛伏期和征兆期可以從睡眠情況中表現(xiàn)出來，睡眠情況也與疾病的康復(fù)息息相關(guān)。因此，睡眠的監(jiān)控和評價(jià)在醫(yī)學(xué)等領(lǐng)域有很大的應(yīng)用價(jià)值，睡眠分期是睡眠監(jiān)控的一項(xiàng)重要內(nèi)容。人體的睡眠時(shí)期主要可以分為清醒期(Wake period, WAKE)、快速眼動期(Rapid eye movements period, REM)和非快速眼動期(Non-rapid eye movements period, NREM)。其中，非快速眼動期又可以分為1、2、3、4期：1期和2期為淺度睡眠，3期和4期為深度睡眠。傳統(tǒng)的睡眠分期主要是多導(dǎo)睡眠圖方法，也就是利用腦電、眼電和肌電信號來展開分析，但其缺點(diǎn)卻是價(jià)格昂貴，操作復(fù)雜和對測試者本身睡眠有影響。所以基于便攜式設(shè)備測量的心電和呼吸等信號對睡眠進(jìn)行分期評價(jià)成為了現(xiàn)在的研究熱點(diǎn)[1-2]。

目前已有不少基于心電或呼吸信號的睡眠分期的研究，如Wang等人[3]使用長達(dá)5 min的心電信號提取的24個(gè)特征作為輸入，使用前向序列選擇(SFS)的特征選擇方法和DTB-SVM作為分類器，在WAKE-REM-NREM分類上獲得73.51%的平均準(zhǔn)確率。Tataraidze等人[4]使用呼吸信號提取的33個(gè)特征，并用bagging分類器進(jìn)行分類，在WAKE-REM-NREM分類上得到80.38%的平均準(zhǔn)確率。 Noviyanto等人[5]使用了基于心電及由心電提取的呼吸信號的特征，使用了隨機(jī)森林分類器得到最高79.78%的準(zhǔn)確率。而且，時(shí)下國內(nèi)基于便攜式信號對睡眠情況的研究分析也在陸續(xù)涌現(xiàn)。如俞夢孫等人基于心電、呼吸和體動等非腦電信號進(jìn)行參數(shù)融合來對睡眠結(jié)構(gòu)分期和對呼吸事件實(shí)現(xiàn)檢測[1-2, 6]。

在睡眠監(jiān)測中，睡眠呼吸障礙占據(jù)著顯著位置，因此對于睡眠呼吸障礙患者的睡眠情況進(jìn)行監(jiān)測和評價(jià)將具有重要的應(yīng)用意義。當(dāng)前的睡眠分期研究大部分都是針對健康人，而基于睡眠呼吸障礙患者的心電和呼吸信號的睡眠分期研究迄今為止卻仍不多見，對睡眠監(jiān)測和分期的準(zhǔn)確度就是限制便攜式睡眠監(jiān)測方案推廣的直觀原因。在本文的研究中，將會探討分析心電和呼吸信號相關(guān)特征對睡眠分期結(jié)果的影響，以及不同分類器對分期準(zhǔn)確率的影響。

1 方法

1.1 睡眠分期問題定義及算法流程

本文研究的睡眠分期問題是指，對一個(gè)給定的連續(xù)的生理體征監(jiān)測序列s，將其劃分為若干個(gè)段segmenti,i=[1…M]，M為segment的數(shù)量，且每個(gè)segment屬于某一個(gè)睡眠階段值Sk,k∈[1,2,3]，本文中S1=WAKE，S2=REM，S3=NREM。

文中涉及的算法流程設(shè)計(jì)則如圖1所示，流程步驟可依次表述為：

(1)將原始數(shù)據(jù)進(jìn)行預(yù)處理和分段。

(2)對分段的數(shù)據(jù)進(jìn)行特征提取。

(3)劃分訓(xùn)練集與測試集。

(4)在訓(xùn)練集上進(jìn)行模型訓(xùn)練。

(5)對模型進(jìn)行測試，獲得睡眠分期輸出。

此外，將基于訓(xùn)練集數(shù)據(jù)進(jìn)行特征選擇，輸入模型的特征來自特征選擇的結(jié)果。

1.2 數(shù)據(jù)集

本文中實(shí)驗(yàn)所用的數(shù)據(jù)來自于ST.Vincent University Hospital Sleep Apnea DataBase[7]。從該數(shù)據(jù)集中選取23位成人監(jiān)測對象的多導(dǎo)睡眠圖數(shù)據(jù)。23位監(jiān)測對象(19男，4女)年齡在28～68歲之間，BMI在25.1～42.5 kg/m2之間，AHI在1.7～90之間,可能帶有睡眠呼吸紊亂癥狀。心電的測量導(dǎo)聯(lián)是V2,測量時(shí)間隨機(jī)分布在6個(gè)月之間，每個(gè)樣本的平均測量長度在7 h左右。該數(shù)據(jù)集樣本共選擇出16 545個(gè)30 s時(shí)間段。其中，睡眠時(shí)期數(shù)據(jù)見表1。

圖1 睡眠分期流程圖Fig. 1 The flow chart of sleep stage classification

表1 數(shù)據(jù)集不同睡眠時(shí)期比例Tab. 1 Dataset of the proportions of sleep stages %

1.3 數(shù)據(jù)預(yù)處理

由于心電信號是帶有一定周期性的生物電變化信號，本身的強(qiáng)度較為微弱，容易受到人體其它生理系統(tǒng)、測量電極和周邊環(huán)境的影響，混入噪聲。研究中，多會涉及的噪聲種類[8]可見如下：

(1)工頻干擾。是電信號中常見的噪聲之一，與供電的頻率有關(guān)，一般是50 Hz。

(2)基線漂移。一般是由于人體的呼吸導(dǎo)致電極位置周期性地變化而相伴產(chǎn)生，特點(diǎn)是變化周期要明顯低于心電的頻率。

(3)電極噪聲。產(chǎn)生的原因往往是傳感器測量電極的不穩(wěn)定，比如測量時(shí)，電極接觸不良、松動或脫落等。

(4)肌電干擾。一般是由于測量對象的肌肉縮動而產(chǎn)生，此類噪聲與高頻的高斯噪聲類似。

為了解決噪聲干擾，采用了中值濾波器和截止頻率為30 Hz的低通濾波器。而呼吸信號由胸廓呼吸帶測量，實(shí)驗(yàn)中采用了截止頻率為2 Hz的低通濾波器對信號進(jìn)行測量，并將信號劃分為150 s的數(shù)據(jù)段，采用閾值方法去除部分信號異常的數(shù)據(jù)段。

1.4 特征提取

在睡眠分期過程中，需要對每個(gè)時(shí)間段的睡眠進(jìn)行評價(jià)，因此在特征提取環(huán)節(jié)前，先將ECG信號劃分為30 s的時(shí)間片，而呼吸信號劃分為150 s的時(shí)間片。特征提取的種類包括心電和呼吸信號的時(shí)域特征、頻域特征及耦合特征。

心電信號需要使用小波方法先求取其R峰[9]，然后根據(jù)RR序列計(jì)算特征，而心電和呼吸信號的時(shí)域特征可見表2。對于呼吸信號，在經(jīng)過低頻濾波后，結(jié)合閾值方法得到其呼吸波峰與波谷，進(jìn)而計(jì)算出時(shí)域特征。

表2 心電與呼吸信號時(shí)域特征Tab. 2 Time domain features from ECG or respiratory signal

此外，心電與呼吸信號頻域特征也是特征標(biāo)識的重要部分。本文中主要使用短時(shí)傅里葉變換來求出信號對應(yīng)頻率范圍的頻譜能量[10]，這一部分的特征呈現(xiàn)即見表3。

表3 心電與呼吸信號頻域特征Tab. 3 Frequency domain features from ECG or respiratory signal

考慮到心電與呼吸之間的關(guān)聯(lián)性可能表征睡眠結(jié)構(gòu)的不同時(shí)期，為此研究中采用了心肺耦合的方法來提取心電與呼吸信號中的耦合特征，獲取的特征的方法參考了Thomas等人[11]的研究，在本文中將心電提取呼吸信號轉(zhuǎn)換為胸廓測量的呼吸信號，提取的特征內(nèi)容見表4。

表4 心電與呼吸耦合特征Tab. 4 Features from cardiorespiratory interaction

1.5 特征選擇

經(jīng)過特征提取后，為了整合得到對當(dāng)前學(xué)習(xí)任務(wù)有用的特征，需要對這些特征進(jìn)行預(yù)處理，也就是特征選擇。利用這一過程，可以從心電與呼吸信號提取的特征集合中選擇出與分類任務(wù)相關(guān)的特征子集。

在本論文中，采用了序列前向選擇的方法，即對于給定的特征集合f1,f2,…,fn，可以將每個(gè)特征作為一個(gè)候選子集，先對所有n個(gè)特征選擇其一進(jìn)行評價(jià)，在結(jié)束一輪評價(jià)以后將最優(yōu)評價(jià)的特征作為第一輪的選定集，例如f3；接著開始第二輪選擇，在剩下的n-1個(gè)特征中，依次將每個(gè)特征加入選定的特征集，再對這個(gè)構(gòu)建形成的特征集進(jìn)行評價(jià)，當(dāng)歷經(jīng)第二輪評價(jià)后，亦將表現(xiàn)最優(yōu)的特征加入選定的特征集。而后，在循環(huán)往復(fù)中，按照相同的操作完成n輪評價(jià)，并且分別得到1,2,…,n個(gè)特征作為選定集的評價(jià)結(jié)果。最后，選擇評價(jià)結(jié)果最優(yōu)的特征集作為特征選擇的結(jié)果集，并將其輸入到分類器中。

1.6 分類器

1.6.1 支持向量機(jī)

支持向量機(jī)(SVM)[12]是一種有監(jiān)督學(xué)習(xí)方法，目前已廣泛運(yùn)用在統(tǒng)計(jì)分類和回歸分析領(lǐng)域中。同時(shí)，SVM屬于一般線性分類器，其特點(diǎn)是可以同時(shí)最小化經(jīng)驗(yàn)誤差與最大化幾何邊緣區(qū)。在研究過程中，將基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論而在特征空間中構(gòu)建最優(yōu)超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個(gè)樣本空間的期望將以某個(gè)概率滿足一定上界。針對線性不可分的情況，支持向量機(jī)可以通過核函數(shù)將特征向量映射到一個(gè)更高維的空間中，并在空間內(nèi)建立一個(gè)最大間隔超平面，分隔超平面與分開數(shù)據(jù)的2個(gè)互相平行的超平面間隔越大時(shí)，分類器的總誤差就越小。本文在數(shù)據(jù)分析中采用了LinearSVM，具體優(yōu)點(diǎn)就是參數(shù)較少，速度快。

1.6.2 AdaBoost

AdaBoost是Boosting算法族中的典型代表。Boosting算法可以將一組弱學(xué)習(xí)器提升為強(qiáng)學(xué)習(xí)器[13]，研究可得算法步驟如下[14]：

(1)先從初始訓(xùn)練集訓(xùn)練出一個(gè)基學(xué)習(xí)器。

(2)根據(jù)基學(xué)習(xí)器的表現(xiàn)對訓(xùn)練樣本分布進(jìn)行調(diào)整，使得先前在基學(xué)習(xí)器分類中出錯(cuò)的訓(xùn)練樣本可以在后面受到更多關(guān)注。

(3)基于調(diào)整后的樣本分布來訓(xùn)練下一個(gè)基學(xué)習(xí)器。

(4)重復(fù)(2)和(3)中的步驟，直到基學(xué)習(xí)器的數(shù)目達(dá)到原先指定的值，最終將這T個(gè)基學(xué)習(xí)器進(jìn)行加權(quán)結(jié)合。

而AdaBoost采用了指數(shù)損失函數(shù)。第一個(gè)基分類器h1是通過將學(xué)習(xí)算法直接用于初始數(shù)據(jù)分布而得，此后迭代生成ht和αt，基于分布Dt產(chǎn)生的基分類器ht的權(quán)重αt應(yīng)使得αtht最小化指數(shù)損失函數(shù), 由此推得數(shù)學(xué)計(jì)算公式為：

exp(αtht|Dt)=Εx～Dt[e-f(x)αtht(x)]

(1)

其中，f(x)是真實(shí)函數(shù)。

1.6.3 隨機(jī)森林

隨機(jī)森林(Random Forest)[15]是在以決策樹為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進(jìn)一步在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇。傳統(tǒng)決策樹在選擇劃分屬性時(shí)是在當(dāng)前結(jié)點(diǎn)的屬性集合中選擇一個(gè)最優(yōu)屬性；而在隨機(jī)森林中，對基決策樹的每個(gè)結(jié)點(diǎn)，則是先從該結(jié)點(diǎn)的屬性集合隨機(jī)選擇一個(gè)包含k個(gè)屬性的子集，再從子集中選擇一個(gè)最優(yōu)屬性用于劃分。

隨機(jī)森林具有易于實(shí)現(xiàn)和計(jì)算量相對較小的特點(diǎn)，但其基學(xué)習(xí)器的多樣性不僅來自樣本擾動，還來自屬性擾動，這就使得最終集成的泛化性能可以通過個(gè)體學(xué)習(xí)器之間的差異度增加而獲得更大提升。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 僅用心電和呼吸數(shù)據(jù)分期的可行性

在實(shí)驗(yàn)中，需要對每個(gè)30 s長的數(shù)據(jù)段進(jìn)行睡眠分期評價(jià)，判斷其屬于WAKE-REM-NREM時(shí)期之一。在對數(shù)據(jù)賦以預(yù)處理和分段設(shè)計(jì)后，把實(shí)驗(yàn)數(shù)據(jù)集按照測試編號奇數(shù)和偶數(shù)劃分為A,B兩部分，即A部分包括002、006、008、010、012、014、018、020、022、024、026序號的11個(gè)測試樣本，B部分包括003、005、007、009、011、013、015、017、019、021、023、025序號的12個(gè)樣本。在A部分?jǐn)?shù)據(jù)集上進(jìn)行特征提取和特征選擇，然后根據(jù)選取出來的特征對B部分實(shí)施特征提取和采用留一法進(jìn)行分類檢驗(yàn)，即選取B部分中的一個(gè)樣本作為測試集，其余所有的A與B部分樣本也作為訓(xùn)練集對模型進(jìn)行訓(xùn)練，最后求取平均值。

在采用隨機(jī)森林分類器對樣本進(jìn)行分類后，得到71.9%的準(zhǔn)確率(Kappa=0.36)，與之前的研究作對比，可得結(jié)果見表5。由此，發(fā)現(xiàn)準(zhǔn)確率有所提高，但是Kappa值稍有下降。實(shí)驗(yàn)結(jié)果表明僅用心電和呼吸數(shù)據(jù)進(jìn)行睡眠分期是具備可行性的，可以獲取一定準(zhǔn)確率的分期結(jié)果。

表5睡眠分期結(jié)果對比(WAKE-REM-NREM)

Tab.5Comparisonofsleepstageclassificationresults(WAKE-REM-NREM)

文章準(zhǔn)確率/%Kappa采用數(shù)據(jù)樣本數(shù)/人RedmondandHeneghan(2006)[10]670．32ECG/EDR/RIP37Willemenetal(2015)[16]700．41ECG/RIP25本文71．90．36ECG/RIP23

圖2是數(shù)據(jù)集中ucddb005號患者的睡眠分期結(jié)果示意圖(采用隨機(jī)森林分類器)，由分期結(jié)果中可以看到，算法區(qū)分WAKE和NREM時(shí)期較為準(zhǔn)確，而區(qū)分REM睡眠結(jié)果尚顯遜色，這可能與訓(xùn)練集中REM睡眠期數(shù)據(jù)比例較小有關(guān)。

圖2 WAKE-REM-NREM睡眠分期結(jié)果示意圖Fig. 2 The result of sleep stage classification

2.2 不同分類算法的差異

實(shí)驗(yàn)中分別采用了SVM、Adaboost和RandomForest三種分類器對選取出的特征進(jìn)行了研究分析。其中，各個(gè)分類器選取的特征見表6。

表6 不同分類器特征選擇表Tab. 6 Feature selection table for different classifiers

研究可知，在訓(xùn)練集中，屬于WAKE和REM時(shí)期的樣本較少，因此對這2個(gè)時(shí)期的樣本進(jìn)行了過采樣，使其數(shù)量較原始數(shù)據(jù)增大兩倍，最終可得實(shí)驗(yàn)結(jié)果見表7。3種分類器的分類準(zhǔn)確度比較接近，但隨機(jī)森林分類器的準(zhǔn)確度較支持向量機(jī)與Adaboost分類器要略高。

表7不同分類器分期結(jié)果對比表(WAKE-REM-NREM)

Tab.7Comparisonofsleepstageclassificationresultsofdifferentclassifiers(WAKE-REM-NREM)

分類器平均準(zhǔn)確率/%KappaSVM70．40．35Adaboost69．20．25RandomForest71．90．36

3 結(jié)束語

傳統(tǒng)的睡眠分期主要依憑多導(dǎo)睡眠圖，價(jià)格與操作均限制了其有效推廣，而睡眠呼吸障礙是較為普遍的一類睡眠問題，相關(guān)患者對睡眠監(jiān)測的需求也漸趨迫切。基于便攜式設(shè)備即可對采集的心電和呼吸信號來展開分析的方式具有可觀前景，但是目前睡眠評價(jià)的準(zhǔn)確率卻已成為制約便攜式設(shè)備推廣的重要原因。

本文采用了心電和呼吸信號的時(shí)域特征、頻域特征和耦合特征來對睡眠呼吸障礙患者的睡眠情況進(jìn)行分析，并在WAKE-REM-NREM睡眠上獲得了71.9%的準(zhǔn)確率(Kappa=0.36)，表明從心電和呼吸等信號可以獲取患者的睡眠情況信息，通過心電與呼吸信號來研究睡眠分期具有可行性，但由于準(zhǔn)確率距目前多導(dǎo)睡眠圖的標(biāo)準(zhǔn)仍有較大差距，所以在實(shí)際應(yīng)用中仍亟待改進(jìn)完善。此外，通過不同分類器對實(shí)驗(yàn)中的數(shù)據(jù)集進(jìn)行分類比較，發(fā)現(xiàn)隨機(jī)森林分類器在睡眠分期問題上獲得了比SVM及Adaboost分類器略好的效果。

[1] 楊軍, 俞夢孫, 王宏山, 等. 多參數(shù)信息融合實(shí)現(xiàn)非腦電的睡眠結(jié)構(gòu)分期[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào), 2006, 25(3)：315-321.

[2] 王海濤, 鄭慧君, 曹征濤, 等. 考慮個(gè)體特征的非腦電睡眠分期[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào), 2010，29(3)：161-165.

[3] WANG J S, SHIH G R, CHIANG W C. Sleep stage classification of sleep apnea patients using decision-tree-based support vector machines based on ECG parameters[C]//Ieee-Embs International Conference on Biomedical and Health Informatics. Hongkong:IEEE, 2012:285-288.

[4] TATARAIDZE A, ANISHCHENKO L, KOROSTOVTSEVA L, et al. Sleep stage classification based on respiratory signal[C]//Engineering in Medicine & Biology Society. Milan, Italy: IEEE, 2015:358-361.

[5] NOVIYANTO A, ISA S M, WASITO I, et al. Selecting features of single lead ECG signal for automatic sleep stages classification using correlation-based feature subset selection[J].International Journal of Computer Science Issues, 2011,8(5):139-148.

[6] 吳鋒, 周玉彬, 成奇明,等. 多參數(shù)監(jiān)護(hù)中睡眠呼吸事件信息的提取[J]. 中國數(shù)字醫(yī)學(xué), 2016，11(7)：41-43.

[7] HENEGHAN C. St. Vincent's University Hospital / University College Dublin Sleep Apnea Database[EB/OL].[2016-10-28]. https://www.physionet.org/physiobank/database/ucddb/

[8] 余曉敏. 基于心電信號的睡眠呼吸暫停綜合征檢測算法[D]. 杭州：浙江大學(xué), 2013.

[9] QI Haibing, LIU Xiongfei, CHAO Pan. A method of continuous Wavelet transform for QRS vave detection in ECG signal[C]//International Conference on Intelligent Computation Technology and Automation. Changsha:IEEE, 2010:22-25.

[10]REDMOND S J, HENEGHAN C. Cardiorespiratory-based sleep staging in subjects with obstructive sleep apnea[J]. IEEE transactions on bio-medical engineering, 2006,53(3): 485-496.

[11]THOMAS R J, MIETUS J E, PENG C K, et al. An electrocardiogram-based technique to assess cardiopulmonary coupling during sleep[J]. Sleep, 2005,28(9):1151-1161.

[12]BURGES C J C. A tutorial on Support Vector Machines for pattern recognition[J]. Data Mining & Knowledge Discovery, 1998, 2:121-167.

[13]ZHU Ji, ROSSET S, ZOU Hui, et al. Multi-class AdaBoost[J]. Statistics & Its Interface, 2006,2:349-360.

[14]周志華. 機(jī)器學(xué)習(xí) : = Machine learning[M]. 北京：清華大學(xué)出版社, 2016.

[15]LIAW A, WIENER M. Classification and regression by randomForest[J]. R News, 2002,2:18-22.

[16]WILLEMEN T, VARON C, DORADO A C, et al. Probabilistic cardiac and respiratory based classification of sleep and apneic events in subjects with sleep apnea[J]. Physiological Measurement, 2015, 36: 2103-2118.