基于单路脑电的睡眠分期判别方法研究

闫佳运，宾光宇，梁栗炎，

吴水才

北京工业大学 生命科学与生物工程学院，北京 100124

基于单路脑电的睡眠分期判别方法研究

闫佳运，宾光宇，梁栗炎，

吴水才

北京工业大学 生命科学与生物工程学院，北京 100124

睡眠是一种重要的生理现象，对睡眠进行合理分期，是研究睡眠质量、诊断睡眠疾病的基础。脑电是睡眠过程中最显著和直观的信号，也是研究睡眠的重要且有力的工具。本研究提取了多种脑电相关特征作为识别睡眠脑电信号的指标，并采用多元逐步回归分析法进行特征筛选，通过线性分类及支持向量机（SVM）算法实现了脑电睡眠分期的自动判别。实际测试结果表明，基于单路脑电的睡眠分期判别方法的平均正确率为78.85％，说明该方法较为准确。

睡眠监护系统；睡眠分期；单路脑电；多元逐步回归分析；线性分类；支持向量机

0 前言

睡眠是一种遵循自身节律的周期性生理活动[1]，与日常基础活动中的许多表现均息息相关[2-4]。持续睡眠障碍将阻碍人体免疫系统正常工作，从而诱发高血压、心血管疾病、肥胖、糖尿病等多种健康问题[3]。作为诊断睡眠障碍的重要方法，睡眠质量评估通常基于对整晚睡眠中不同时间的睡眠深度进行评估。目前国际上普遍使用Rechtschaffen和Kales提出的睡眠分期规则[4]，将睡眠分为觉醒期、非快速眼动睡眠期（NRME）和快速眼动睡眠期（REM）。其中非快速眼动睡眠期（NRME）又可分为1期（Stage 1，S1）、2期（Stage 2，S2）、3期（Stage 3，S3）和4期（Stage 4，S4）。通常将1期、2期称为浅睡期，将3期、4期称为深睡期。

睡眠质量评估的金标准采用多导睡眠脑电监护法（Polysomnography，PSG）。此方法需要对脑电、心电、肌电、血氧及呼吸同时进行检测[5]，可较为准确地对睡眠进行分期。然而此方法价格比较昂贵，对操作条件要求较高，操作方法较为专业，难以满足大众日益增长的日常保健需求。近年来，国内外学者均着手开展基于个别脑电导联信号的睡眠分期研究，但大多研究仍基于多路脑电信号，不够便捷，且结果准确性均待提高[6-11]。为此，本研究开展了基于单路脑电的睡眠分期判别方法的研究，旨在为日后开发家用睡眠监护系统提供理论支持。

1 材料和方法

1.1 数据来源

研究采用M IT-BIH睡眠数据库中17人的数据。由于1、2期为浅睡期，3、4期为深睡期，为简化算法，本研究将其分别合并算作一类。因此共分觉醒期（Wake）、浅睡期（S1、S2）、深睡期（S3、S4）及快速眼动睡眠期（REM）。根据数据库给出的专家分期标签，设置30 s矩形窗进行分段，统计专家分期结果。

1.2 特征提取

脑电信号（EEG）常用特征包括时域特征、频谱特征及非线性特征3类。脑电在不同睡眠阶段呈现出不同的节律分布，故本研究主要采用频谱特征进行睡眠分期的算法设计[12-13]，具体特征见表1。

表1 脑电睡眠分期特征表

1.2.1 Hjorth指数

利用Hjorth指数反映脑电的动态时域特性。Hjorth指数即分别计算输入信号的方差、一介导数方差及二阶导数的方差（F22-F25）[14-15]，计算公式如下：

1.2.2 频谱特征

首先，利用平均周期图法求得各30 s EEG信号的功率谱。之后从得到的EEG的频谱中，将其分成4个标准频段δ（2～4 Hz）、θ（4～8 Hz）、α（8～13 Hz）、β（13～30 Hz），分别计算这4个频段的频谱能量Pδ、Pθ、Pα、Pβ，并进一步计算求得特征F1～F21，F25～F27。

MPF（CGF）为重心频率，计算公式如下：

其中，MPF为4～30 Hz全频段的重心频率，CGFδ、CGFθ、CGFα、CGFβ分别代表各频段的重心频率。FV代表频率变异性，计算公式如下：

其中，FVδ、FVθ、FVα、FVβ分别代表各频段的频率变异性。

1.2.3 特征筛选

为验证不同特征对模型的有效性，并简化计算过程，需要对选取特征进行筛选处理。逐步回归分析通常应用于筛选自变量以提高模型的显著性，故本研究采用逐步回归分析法对选取特征进行筛选处理，其原理是分别计算各特征的相关系数，按其绝对值从大到小排序，逐个引入并进行显著性检验，剔除对结果贡献小的变量，保留对结果贡献大的变量。

1.2.4 分类方法

支持向量机（Support Vector Machine，SVM）是Vaonik首先提出的一种通用的前馈神经网络，可用来解决模式分类与非线性映射问题[16]，目前已广泛应用于十二维物体识别、文本自动分类、人脸检测、手写体数字识别等方面[17]。综合考虑一致性与准确度，本研究采用线性核函数的SVM分类方法。

2 结果

分别构造特征矩阵，包涵17个人每30 s的27个特征；构造标签矩阵，存储17个人每30 s的专家分类结果。

2.1 特征逐步回归

采用Matlab中stepw ise fi t函数进行逐步回归分析，结果见表2。

表2 27个特征的逐步回归结果

表2中列出了逐步线性回归给出的各特征的系数、标准差、P值。本研究选取P值小于0.05的特征用于最终分类算法，故最终选取了F1、F3、F4、F5、F6、F7、F8、F13、F14、F15、F16、F19、F21、F25、F26、F27共16个特征，这16个特征的逐步回归逐次特征标准误差表，见表3。

次数特征标准误差次数特征标准误差0空0.80 9 4 0.71 1 3 0.74 10 6 0.71 2 21 0.72 11 5 0.71 3 26 0.71 12 27 0.71 4 14 0.71 13 8 0.71 5 16 0.71 14 7 0.71 6 15 0.71 15 19 0.70 7 25 0.71 16 1 0.70 8 13 0.71

由表3可知，根据逐步回归每步得出的模型标准误差值的大小，可看出从第5次的特征之后，R值基本趋于稳定，表征随后添加的特征对整体模型的贡献度减小。故研究同时选取前5项贡献度最大的特征：F3、F14、F16、F21、F26，拟与16个特征结果进行对比分析。

2.2 分类结果

采用交叉分析法，将数据随机分成5组，每次4组训练SVM模型，1组用于测试模型，得到的分类结果见表4～6。

表4 全27个特征的SVM分类结果

表5 特征筛选后16个特征的SVM分类结果

表6 最显著5个特征的SVM分类结果

表4、5、6分别为全27个特征、筛选16个特征、筛选最显著5个特征的SVM分类结果，可以看出，特征16与特征27结果相近，证明了采用逐步回归法进行变量筛选的有效性，可以减少模型中不必要的特征，提高运算速度。最显著5个特征结果较前两者略低，因此在硬件运算速度可以达到要求时应尽量采用16个特征分类。

2.3 ROC检测

交叉测试中每个人训练组及测试组分类结果的ROC检验均值，见表7。可以看出，整体灵敏度偏低为66％，特异度为89％，正确率为83％。

表7 分类结果ROC检测数据表

3 讨论

本研究对M IT-BIH睡眠数据库的脑电信号进行分析，采用了Hjorth指数、各频段能量及比例关系、重心频率、频率变异性等特征进行睡眠分期算法设计。在逐步回归分析筛选特征后，采用SVM算法进行模式识别，最终采用16个特征分类判别的平均正确率为78.85％。

目前国内外一些学者在基于脑电的睡眠分期研究中取得了一定的成果。Koley等[6]自行采集睡眠脑电进行分期，结果较好，觉醒期和S2的正确识别率达到95％以上，但是其提取的特征多且复杂，很多特征不适用于硬件。Simões等[8]研究结果中对觉醒期、快速眼动期和非快速眼动期的判别正确率为82％，但是其采用六导联脑电信号，脑电采集复杂，特征采用活动性、复杂度、熵、频率峰态、R-squaer等复杂特征，且采用贝叶斯分类，计算量略大。Ebrahim i等[9]的研究虽然采用了与本研究一样的单导联脑电信号，但是其数据库仅有7人数据，组数较少，同时采用决策树分类方法的计算量较大。本研究仅通过单路脑电信号，提取了计算相对便捷的时域特征，采用SVM分类器，最终对睡眠分期判别的平均正确率达78.85％，且在保证准确率的基础上，能够满足硬件要求，可方便地移植到可穿戴式设备中，具有一定的实际应用价值。

本研究存在的不足主要是ROC检验结果的灵敏度为66％，偏低。分析灵敏度偏低的主要原因如下：一方面，SVM训练样本中深度睡眠期及快速眼动睡眠期样本量偏小，造成训练总体的不均衡，致使一部分深度睡眠期及快速眼动睡眠期被误判为浅睡期。由于正常的睡眠生理现象，觉醒期及浅睡眠1、2期占样本的绝大多数，深睡期与快速眼动期样本数量难以保证，造成了样本的不均衡性。为解决这一问题，需要应用大量的实验样本，以保证其中有数量相对多的深度睡眠期和快速眼动睡眠期样本，进而从中抽取各个睡眠期样本量相对平衡的样本进行分类。另一方面，本研究将睡眠阶段分为4期，分别为觉醒期、浅睡期、深睡期、快速眼动睡眠期，基于目前所提取的特征可以达到相对高的准确率，若要对睡眠阶段进行更细致的分期，例如将浅睡期具体分为S1、S2，深睡期具体分为S3、S4，则还需要考虑更多的时域特征及非线性特征。

4 结论

本研究以频谱特征作为识别睡眠脑电信号的特征指标，采用多元逐步回归分析法进行特征筛选，进一步采用线性分类及SVM算法实现脑电睡眠分期的自动判别，平均判别正确率为78.85％，得到了较为准确的分类结果，具有一定的应用价值。

[1]Randerath WJ,Sanner BM,Somers VK.Sleep apnea：current diagnosis and treatment[M].Rochester,MN,2006.

[2]White DP.Sleep apnea[J].Proc Am Thorac Soc,2006,（3）：124-128.

[3]Young T,Peppard PE,Gottlieb DJ.Epidem iology of obstructive sleep apnea：a population health perspective[J].Am J Respir Crit Care Med,2002,165（9）：1217-1239.

[4]Hori T,Sugita Y,Koga E et al.Proposed supplements and amendments to’A Manual of Standardized Terminology,Techniques and Scoring System for Sleep Stages of Human Subjects’, the Rechtschaffen＆ Kales（1968）standard[J].Psychiat Clin Neuros,2001,55（3）：305-310.

[5]Nieuwenhuijs DJ.Processed EEG in natural sleep[J].Best Pract Res Clin Anaesthesiol,2006,20（1）：49-56.

[6]Koley B,Dey D.An ensemble system for automatic sleep stage classi fi cation using single channel EEG signal[J].Comput Biol Med, 2012,42（12）：1186-1195.

[7]Estrada E,Nazeran H,Nava P,et al.EEG feature extraction for classification of sleep stages[C].26thAnnual International Conference of the IEEE,2004.

[8]Simões H,Pires G,Nunes U,et al.Feature Extraction and Selection for Automatic Sleep Staging using EEG[C].ICINCO,2010.

[9]Ebrahim i F,M ikaeili M,Estrada E,et al.Automatic sleep stage classi fi cation based on EEG signals by using neural networks and wavelet packet coefficients[C].30thAnnual International Conference of the IEEE,2008.

[10]李玲.睡眠脑电的分析处理和睡眠分期研究[D].北京：北京邮电大学,2010.

[11]刘冬冬,张玲,杨晓文.基于经验模式分解的心肺耦合技术在睡眠分析中的应用[J].中国医疗设备,2015,30（6）：28-32.

[12]Japa BT,Lal S,Fiseher P,et al.Using EEG spectral components to assess algorithms for detecting fatigue[J].Expert Syst Appl,2009, 36（2）：2352-2359.

[13]Jung TP,Makeig S,Stensmo M,et al.Estimating Alertness from the EEG Power Spectrum[J].IEEE Trans Biomed Eng,1997,44（1）：60-69.

[14]刘秀,王长君,何庆.疲劳驾驶交通事故的特点分析与预防[J].中国安全生产科学技术,2008,1（1）：128-131.

[15]Charbonnier S,Zoubek L,Lesecq S,et al.Self-evaluated automatic classi fi er as a decision-support tool for sleep/wake staging[J].Comput Biol Med,2011,41（6）：380-389.

[16]Redmond SJ,Heneghan C.Cardiorespiratory-based sleep staging in subjects w ith obstructive sleep apnea[J].IEEE Trans Biomed Eng,2006,53（3）：485-496.

[17]韩力群.人工神经网络教程[M].北京：北京邮电大学出版社, 2006.

A Sleep Staging M ethod Based on Single Channel EEG Signal

YAN Jia-yun, BIN Guang-yu, LIANG Li-yan, WU Shui-cai
College of Life Science and Bio-Engineering, Beijing University of Technology, Beijing 100124, China

Sleep is an important physiological phenomenon and sleep staging is the basis for evaluation of sleep quality and diagnosis of sleep diseases.As the most significant and intuitive signal, EEG（Electroencephalograph）signal has been w idely used in sleep studies.In this paper, a variety of EEG correlation characteristics were extracted to identify sleep EEG signals and feature selection was performed by the multiple stepw ise regression method.Then sleep staging was realized by linear classification and support vector machine（SVM）algorithm.According to the actual test results, the average accuracy of the sleep staging method based on single channel EEG signal was 78.85％, which proved the effectiveness of the method.

sleep monitoring system；sleep staging；single channel electroencephalograph；multiple stepw ise regression analysis；linear classi fi cation；support vector machine

R318.04；TN911.7

A

10.3969/j.issn.1674-1633.2015.12.009

1674-1633（2015）12-0034-04

2015-09-25

国家自然科学基金（7151101018）；北京市日新人才（015000514115006）。

宾光宇，副教授。

通讯作者邮箱：guangyubin@qq.com