葉 仙， 胡 潔， 田 畔， 戚 進(jìn)， 車大鈿， 丁 穎

(1. 上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院， 上海 200240； 2. 上海市兒童醫(yī)院， 上海 200240)

人類1/3的時(shí)間都在睡眠中度過.與睡眠相關(guān)的疾病，如睡眠呼吸暫停以及低通氣等睡眠障礙嚴(yán)重地影響了患者的生活質(zhì)量.調(diào)查顯示[1]，超過2%的成年女性以及4%的成年男性患有阻塞型呼吸暫停.在睡眠疾病的研究中，睡眠分期是必不可少的關(guān)鍵步驟.臨床上按照Rechtchaffen and Kales(簡(jiǎn)稱R&K)分期準(zhǔn)則[2]將睡眠過程分為清醒期(W)、非快速眼動(dòng)期(N)和快速眼動(dòng)期(R).N期又被分為非快速眼動(dòng)1期(N1)、非快速眼動(dòng)2期(N2)、非快速眼動(dòng)3期(N3)和非快速眼動(dòng)4期(N4)，其中N3和N4通常被整合成深睡眠期.醫(yī)療人員根據(jù)美國(guó)睡眠醫(yī)學(xué)會(huì)(AASM)標(biāo)準(zhǔn)[3]，通過觀察α節(jié)律波、紡錘波和K復(fù)合波等特征來判別睡眠階段.人的整夜睡眠時(shí)間為7～8 h，人工進(jìn)行睡眠分期通常需要花費(fèi) 2～4 h，并且不同專家的判讀結(jié)果一致度低于90%.針對(duì)人工睡眠分期效率低、準(zhǔn)確性不高的問題，研究人員提出采用自動(dòng)區(qū)分睡眠過程的方法代替?zhèn)鹘y(tǒng)的經(jīng)驗(yàn)判讀方法.

睡眠分期主要包含睡眠信號(hào)(1幀圖像)的特征提取以及睡眠時(shí)段的分類.睡眠信號(hào)的特征提取方法主要包括時(shí)域分析、頻域分析、時(shí)頻分析[4]和復(fù)雜性分析等方法.其中，復(fù)雜性分析方法是通過表征系統(tǒng)的動(dòng)態(tài)特性來研究信號(hào)內(nèi)在特征的，已經(jīng)成為生物信號(hào)時(shí)間序列的研究方向.熵作為表征系統(tǒng)復(fù)雜度的重要指標(biāo)，可用于區(qū)分人體生理信號(hào)的復(fù)雜度.Costa等[5]提出多尺度熵(MSE)方法，通過粗?；姆绞綄?duì)時(shí)間序列進(jìn)行多尺度劃分，以實(shí)現(xiàn)對(duì)時(shí)間序列的多尺度分析.MSE方法能夠分析時(shí)間序列隱藏在不同尺度的模式信息，但在多尺度樣本熵粗粒化序列的研究中，基于粗?；x的多尺度計(jì)算方法對(duì)時(shí)間序列長(zhǎng)度的依賴性較強(qiáng).對(duì)于生理信號(hào)中的常見噪聲(白噪聲和1/f噪聲)，當(dāng)時(shí)間尺度增加時(shí)，所得到的時(shí)間序列越短，MSE與復(fù)合多尺度熵(CMSE)算法引入未定義熵的可能性越大，從而導(dǎo)致算法的有效性降低.在另一方面，睡眠分期的分類算法也存在差異性.Flexer等[6]采用隱馬爾可夫方法(HMM)進(jìn)行睡眠分期，其準(zhǔn)確率達(dá)到了 80.0%；李谷等[7]利用希爾伯特-黃變換方法對(duì)睡眠進(jìn)行自動(dòng)分期，其平均準(zhǔn)確率為 81.7%.近年來，研究人員提出了基于決策樹的多分類支持向量機(jī)(SVM)算法[8]，并將其用于睡眠分期的多分類問題.

本文通過改進(jìn)CMSE算法，提出了基于精細(xì)復(fù)合多尺度熵(RCMSE)的睡眠分期算法.對(duì)于較短的生物信號(hào)時(shí)間序列，當(dāng)使用RCMSE算法時(shí)引入未定義熵的概率降低，所以RCMSE算法的有效性和準(zhǔn)確性優(yōu)于MSE以及CMSE算法，并且選擇特征區(qū)分度較高的RCMSE特征作為分類器的輸入，以保證輸入的穩(wěn)定性.另外，結(jié)合層次結(jié)構(gòu)以及SVM的優(yōu)勢(shì)，利用多層次的SVM分類器進(jìn)行睡眠分期，達(dá)到了快速準(zhǔn)確的分期效果.

1 RCMSE算法

睡眠分期算法的流程如圖1所示.首先，以30 s記錄1幀圖像，對(duì)睡眠的腦電(EEG)信號(hào)以及眼電(EOG)信號(hào)進(jìn)行分段，并且對(duì)原始信號(hào)進(jìn)行濾波處理；然后，對(duì)睡眠信號(hào)的復(fù)雜度進(jìn)行分析，提取分類器的輸入特征，即RCMSE；最后，運(yùn)用多層次的SVM來實(shí)施睡眠分期.

圖1 睡眠分期算法流程Fig.1 Flow chart of the proposed sleep scoring method

1.1 信號(hào)的提取與預(yù)處理

本文所用數(shù)據(jù)來源于美國(guó)生理信號(hào)數(shù)據(jù)庫PhysioBank[9]中的Sleep-EDF數(shù)據(jù)庫，選擇10位健康成人作為研究對(duì)象，并對(duì)每位研究對(duì)象睡眠階段的生理信號(hào)的記錄時(shí)間為20 h，選用熄燈以后其EEG(Fpz-Cz)和EOG通道的波形作為研究信號(hào).其中，選擇對(duì)象的睡眠狀態(tài)良好、各個(gè)睡眠時(shí)期已被完整地標(biāo)注.整夜的多導(dǎo)睡眠圖(PSG)包含F(xiàn)pz-Cz通道和Pz-Oz通道的EEG信號(hào)、EOG信號(hào)以及肌電(EMG)信號(hào).采集數(shù)據(jù)的幅值單位為μV，EEG信號(hào)以及EOG信號(hào)的采樣頻率均為100 Hz.EEG信號(hào)與EOG信號(hào)包含大量的生理信息，本文選取EEG(Fpz-Cz)和EOG通道的信號(hào)進(jìn)行分析.

根據(jù)睡眠分期的判讀規(guī)則，睡眠監(jiān)測(cè)開始后，按照每30 s記錄的1幀圖像[10]進(jìn)行判讀.由于EEG信號(hào)和EOG信號(hào)的頻率均為100 Hz，所以以 3 000 個(gè)樣本點(diǎn)為1段對(duì)數(shù)據(jù)進(jìn)行預(yù)分割.睡眠時(shí)，EEG信號(hào)極其微弱，背景噪聲較強(qiáng)，易于引入干擾，如面部肌肉以及眼球的移動(dòng)等；并且EEG信號(hào)和EOG信號(hào)均是非平穩(wěn)的隨機(jī)信號(hào)，難以提取特征，因此，需要利用有效的手段對(duì)其進(jìn)行降噪處理.根據(jù)AASM推薦的各通道濾波標(biāo)準(zhǔn)，EEG信號(hào)及EOG信號(hào)的帶通濾波標(biāo)準(zhǔn)均為 0.3～35.0 Hz，因此，設(shè)置巴特沃斯濾波器的通帶頻率為 0.3～35.0 Hz，以對(duì)信號(hào)進(jìn)行濾波處理.

1.2 精細(xì)復(fù)合多尺度熵特征提取

本文以生物信號(hào)的復(fù)雜度作為睡眠分期的判定標(biāo)準(zhǔn).目前，復(fù)雜度的量化方法包括近似熵[11]、樣本熵、多尺度樣本熵和RCMSE等.由于RCMSE的有效性及準(zhǔn)確性較高，所以本文利用RCMSE方法分析睡眠信號(hào)的時(shí)間序列復(fù)雜度，計(jì)算EEG信號(hào)以及EOG信號(hào)的多尺度熵.以下為RCMSE算法的步驟.

(1) 采集研究對(duì)象的EEG和EOG信號(hào)，每一通道的信號(hào)為一維的離散時(shí)間序列.令x={x1,x2,…,xN}為長(zhǎng)度為N的時(shí)間序列.粗?；^程如下：

(1)

式中：1≤j≤N/τ，τ為尺度值；1≤k≤τ.

通過式(1)可以得到不同時(shí)間尺度上的粗?；瘯r(shí)間序列.

(2)

式中：

式(2)可簡(jiǎn)化為

(3)

通過考慮多方面的因素來選擇合適的參數(shù).其中：嵌入的維數(shù)m越大，包含的細(xì)節(jié)信息越多，但m值越大，需要的數(shù)據(jù)長(zhǎng)度越長(zhǎng)，綜合考慮，本文選取m=2[12]；r值一般為原始數(shù)據(jù)標(biāo)準(zhǔn)差b的 0.10～0.25 倍，本文選取r=0.15b；由于選擇太大的τ值將會(huì)影響計(jì)算效率，而選擇太小的τ值將導(dǎo)致無法提取足夠多的有效信息，因而本文設(shè)置粗?；淖罡擀又禐?0.

1.3 多層次支持向量機(jī)分類器設(shè)計(jì)

本文使用SVM方法進(jìn)行模式分類.從本質(zhì)上來說，SVM是一種二分類的方法.假設(shè){(xi,yi),i=1,2,…,N}為訓(xùn)練集，其中xi∈Rd是輸入數(shù)據(jù)，yi∈{-1,+1}為分類的標(biāo)簽，分別代表不同的睡眠狀態(tài).將超平面定義為

wTx+b=0

其中：w是d維的向量；b是標(biāo)準(zhǔn)偏差.為獲得更大的邊界以及更強(qiáng)的泛化能力，引入正的松弛變量ξi.根據(jù)以下約束的二次優(yōu)化問題的求解來確定最優(yōu)的超平面：

(4)

使得

yi(wTxi+b)≥1-ξi,i=1,2,…,N

(5)

式中：C是懲罰參數(shù).通過求解優(yōu)化問題來估計(jì)w和b.然后，定義離散決策函數(shù)，對(duì)輸入數(shù)據(jù)進(jìn)行分類：

(6)

式中：αi是拉格朗日乘子；K(xi,xj)=φ(xi)φ(xj)，為核函數(shù)，φ(x)為非線性函數(shù)，形成從訓(xùn)練數(shù)據(jù)到高維特征空間的映射.

圖2 多層次SVM分類算法框圖Fig.2 Block diagram of the proposed multi-classification SVM

本文的研究目標(biāo)是將睡眠階段分為5個(gè)不同的時(shí)期，即W期、N1期、N2期、N3期和R期，該分期屬于多分類問題.針對(duì)睡眠分期的多分類問題[13]，一般采用將多分類問題轉(zhuǎn)化為兩分類問題來求解.具體方法：① 一對(duì)一法，即在每?jī)深愔g訓(xùn)練一個(gè)分類器.對(duì)于一個(gè)k類問題，存在k(k-1)/2個(gè)分類函數(shù).② 一對(duì)多分類法，在每一類別與其他類別之間構(gòu)造分類函數(shù)(K類問題構(gòu)造K個(gè)兩類分類器).該方法存在分類重疊以及不可分類的缺點(diǎn).與一對(duì)一以及一對(duì)多方法對(duì)比，多層次SVM分類方法的復(fù)雜度更低，能夠快速完成分類.多層次SVM分類算法的框圖如圖2所示.首先，對(duì)RCMSE進(jìn)行特征提取，然后，根據(jù)RCMSE曲線的分布特征來確定不同層次的輸入?yún)?shù).分類器由3層組成：第1層將信號(hào)分為睡眠期以及清醒期，第2層以及第3層分別在上一層分類結(jié)果的基礎(chǔ)上進(jìn)行更深層次的分類，直到將睡眠階段分為5個(gè)獨(dú)立的時(shí)期.其中，RCMSE 值為輸入特征，隨機(jī)選取其中的部分?jǐn)?shù)據(jù)進(jìn)行分類器訓(xùn)練，剩下的睡眠數(shù)據(jù)用于分類器的預(yù)測(cè).通過對(duì)比預(yù)測(cè)的睡眠分期結(jié)果與人工判讀的睡眠分期標(biāo)簽，獲得睡眠自動(dòng)分期的準(zhǔn)確率.

2 結(jié)果與分析

2.1 RCMSE分析

EEG信號(hào)是睡眠分期準(zhǔn)則的主要判別標(biāo)準(zhǔn)，所以本文首先選取EEG信號(hào)，參考導(dǎo)聯(lián)為Fpz-Cz通道，所得EEG信號(hào)的RCMSE的變化曲線如圖3所示.其中，不同的點(diǎn)表示各個(gè)時(shí)期的RCMSE均值，其上下豎線表示RCMSE標(biāo)準(zhǔn)差.根據(jù)RCMSE的變化趨勢(shì)確定分類器的層數(shù)以及設(shè)置每一層次的輸入?yún)?shù).由圖3可見：W期與其他時(shí)期EEG信號(hào)的RCMSE的差別較為明顯，所以在分類器的第1層將數(shù)據(jù)分為清醒期和睡眠期；N1期、R期與N2期、N3期的RCMSE的區(qū)分度較高，在第2層SVM中對(duì)其進(jìn)行分類；N2期與N3期的RCMSE的差異明顯，可在第3層分類器中對(duì)其分類.

圖3 腦電信號(hào)EEG通道的RCMSE變化曲線Fig.3 RCMSE curves of channel EEG

參考AASM睡眠及相關(guān)事件判讀手冊(cè)[14]，可以發(fā)現(xiàn)睡眠R期的低波幅混合頻率與N1期的相似，2個(gè)時(shí)期的EEG信號(hào)相似度較高，但其EOG信號(hào)存在差異.其中，N1期為緩慢眼動(dòng)，而R期出現(xiàn)了快速眼動(dòng)的現(xiàn)象.相應(yīng)地，由圖3可見，N1期與R期EEG信號(hào)的RCMSE變化趨勢(shì)非常相似，且其區(qū)分度較差，通過EEG信號(hào)的RCMSE變化特征難以區(qū)分這2個(gè)時(shí)期.為此，本文提取研究對(duì)象的EOG信號(hào)進(jìn)行N1期以及R期的分類.圖4所示為EOG信號(hào)的RCMSE變化曲線.可見，N1期與R期的區(qū)分效果得到了改善.

圖4 眼電信號(hào)EOG通道的RCMSE變化曲線Fig.4 RCMSE curves of channel EOG

人工的睡眠分期準(zhǔn)則對(duì)于特征的選擇具有重要的參考價(jià)值.這個(gè)睡眠分期準(zhǔn)則充分結(jié)合信號(hào)的整體與局部信息，根據(jù)不同的規(guī)則判別睡眠時(shí)期.具體方法：① 在判讀N1期時(shí)，1幀圖像中整體背景特征滿足低波幅混合頻率(3～7 Hz)的成分所占比例超過50%，即低波幅混合頻率波的寬度所占比例超過50%，該準(zhǔn)則表征了信號(hào)的整體特點(diǎn)；② 在判讀N2期時(shí)，需要運(yùn)用局部短時(shí)的K-復(fù)合波特征，該準(zhǔn)則表征了信號(hào)的局部特點(diǎn).與人工的睡眠分期準(zhǔn)則對(duì)應(yīng)，本文提出的基于RCMSE特征的睡眠分期方法能夠通過特征尺度的變化來表征信號(hào)的整體或局部特點(diǎn)：當(dāng)特征尺度τ=1時(shí)，能夠表征信號(hào)的整體特征；當(dāng)τ不斷增大時(shí)，能夠表征信號(hào)的局部特征.通過比較RCMSE的均值以及標(biāo)準(zhǔn)差，優(yōu)先區(qū)分差異性較大的睡眠時(shí)期，因此，將RCMSE作為信號(hào)的特征輸入能夠較好地反映睡眠信號(hào)的復(fù)雜度.

分析上述RCMSE的變化曲線可以看出，N1期與R期的區(qū)分度較低，N2期與N3期的變化趨勢(shì)相似.其中，N2期與N3期在τ處于1～10范圍內(nèi)的區(qū)分度較高.因此，選擇容易區(qū)分的尺度范圍作為多層次SVM分類算法的特征輸入，可以保證分類效果并且提高工作效率.對(duì)于每層的分類節(jié)點(diǎn)，選取的 RCMSE 特征尺度以及對(duì)應(yīng)的通道見表1.

表1多層次SVM分類的通道以及特征提取

Tab.1RCMSEfeaturesandchannelforSVMclassificationmethod

分類器τ通道清醒期與睡眠期1～20EEG(Fpz-Cz)N1期和R期與N2期和N3期1～20EEG(Fpz-Cz)N1期與R期1～20EOGN2期與N3期1～10EEG(Fpz-Cz)

2.2 睡眠分期結(jié)果

表2列出了睡眠的SVM自動(dòng)分期結(jié)果與人工判讀分期結(jié)果的對(duì)比.表中，對(duì)角線上的黑體數(shù)值為準(zhǔn)確判讀的數(shù)據(jù)量，非對(duì)角線的數(shù)值為誤判數(shù)據(jù).根據(jù)表2中的內(nèi)容，采用本文算法計(jì)算所得各個(gè)獨(dú)立睡眠時(shí)期的分類準(zhǔn)確率如表3所示.由表3可見：清醒期的分類在第1層SVM分類器中完成，其分類準(zhǔn)確率最高，達(dá)到了 92.4%；第3層SVM分類器完成對(duì)N1期的分類，由于N1期與R期的特征最相似，其中N1期的部分?jǐn)?shù)據(jù)被人工誤判為R期，同時(shí)，在整個(gè)睡眠階段的N1期數(shù)據(jù)較少，所以最終導(dǎo)致N1期的人工判讀準(zhǔn)確率較低；N2期及N3期的分類準(zhǔn)確率分別達(dá)到了 89.2% 以及 90.0%.SVM分類器每一層次的分類效果都會(huì)對(duì)最終的分類結(jié)果產(chǎn)生影響，其中W期、N2期、N3期、R期的分類準(zhǔn)確率均高達(dá)85%以上，從而保證了各個(gè)睡眠階段的分類效果.

表2 SVM分類和人工判讀結(jié)果Tab.2 The classification results of SVM

表3 獨(dú)立睡眠時(shí)期的準(zhǔn)確率Tab.3 Accuracy for individual stages

2.3 睡眠分期方法比較

將本文算法與文獻(xiàn)[15-17]中的算法進(jìn)行比較，所得到的分類準(zhǔn)確率如表4所示.由表4可見，與文獻(xiàn)[15-17]中的算法相比，本文所提出的算法的分類準(zhǔn)確率有所提高.另外，由表5可見，本文算法在W期、N1期、N2期以及N3期的分類效果均比文獻(xiàn)[18]中的算法更優(yōu)，同時(shí)，在R期也保持了較高的分類準(zhǔn)確率.針對(duì)文獻(xiàn)[19]中的算法不能準(zhǔn)確區(qū)分睡眠R期的問題，本文算法有所改進(jìn)，在該階段的分類準(zhǔn)確率有所提高，并且在其他階段也保持了較高的分類準(zhǔn)確率.通過對(duì)比各個(gè)獨(dú)立時(shí)期的分類結(jié)果可見，本文算法具有更加平衡的輸出，并且總體的分類準(zhǔn)確率更高.因此，相對(duì)其他的算法，本文提出的算法具有較好的穩(wěn)定性.

表4 不同算法的分類準(zhǔn)確率比較Tab.4 Comparison of classification accuracy

表5 獨(dú)立時(shí)期的分類準(zhǔn)確率比較Tab.5 Performance comparison of individual stages

3 結(jié)語

本文提出了基于RCMSE特征的多層次SVM睡眠自動(dòng)分期模型.從研究對(duì)象的EEG信號(hào)以及EOG信號(hào)中提取RCMSE特征，以RCMSE值作為研究的唯一特征，它可以從多個(gè)尺度表征生理信號(hào)的復(fù)雜度，對(duì)于較短的數(shù)據(jù)可得穩(wěn)定的RCMSE值，其抗噪能力強(qiáng)，為睡眠分期提供了良好的輸入?yún)?shù)來源.總體的分類器框架基于多層次SVM分類展開，根據(jù)RCMSE的變化曲線對(duì)分類器層次進(jìn)行設(shè)置，所得睡眠分期的準(zhǔn)確率達(dá)到了 85.3%，從而驗(yàn)證了所提算法對(duì)睡眠分期的可行性和有效性.

然而，在本文的研究中，僅選用EEG信號(hào)以及EOG信號(hào)作為評(píng)價(jià)標(biāo)準(zhǔn)，其分類準(zhǔn)確率有待于進(jìn)一步提高.研究表明，在不同的睡眠狀態(tài)下，周期性的腿動(dòng)信號(hào)與翻身信號(hào)有明顯的差異.其中，腿動(dòng)信號(hào)的相對(duì)頻率、持續(xù)時(shí)間和引起醒覺的效應(yīng)都隨著睡眠的加深而逐漸下降，而腿動(dòng)間隔時(shí)間將隨之增加，這對(duì)于判別睡眠階段有所幫助.因此，下一步將研究受試者的體動(dòng)信號(hào)，以獲取體動(dòng)能量值，并利用多信息融合技術(shù)分析受試者的睡眠階段.