一种基于小波信息熵的非接触呼吸暂停检测技术研究

祁富贵，张 华，李 盛，李川涛，薛慧君，安 强，刘 淼，路国华

一种基于小波信息熵的非接触呼吸暂停检测技术研究

祁富贵，张 华，李 盛，李川涛，薛慧君，安 强，刘 淼，路国华

目的：利用小波信息熵非接触呼吸暂停检测技术研究人体睡眠状态下的呼吸信号并自动判断是否发生了呼吸暂停。方法：首先使用生物雷达非接触检测到人体的呼吸信号，然后对呼吸信号进行小波信息熵法分析，最后根据自适应阈值自动判断是否发生呼吸暂停。结果：小波信息熵法在信噪比大于-5 dB的条件下，能够较好地判断出是否发生了呼吸暂停，检测准确率达到79%。结论：小波信息熵法能够有效判断人体睡眠中是否发生了呼吸暂停，为生物雷达用于睡眠非接触检测奠定了基础。

非接触；呼吸暂停；生物雷达；小波信息熵

0 引言

睡眠呼吸暂停综合征（sleep apneasyndrome，SAS）又称睡眠呼吸暂停低通气综合征，是一种具有潜在危险且发病率高的常见疾病，它会造成睡眠过程中气道严重阻塞、口鼻气流减少甚至中断，长期呼吸暂停会对人体造成严重的危害甚至危及生命。研究证明，阻塞性睡眠呼吸暂停低通气综合征（obstructive sleep apnea-hypopnea syndrome，OSAHS）中93%的女性和82%的男性没有得到诊断，2%～26%成年人受此疾病的影响，睡眠呼吸暂停在世界范围内存在严重的诊断和治疗不足[1]。

目前，常用的睡眠呼吸监测主要包括多导睡眠图法、睡眠床垫和腕式活动记录仪等。多导睡眠图法被称为监测睡眠的黄金方法，但该法限制了人的自由，测量时间长，施加给患者的心理负担较重，易影响测量结果。睡眠床垫通过床垫下的压力传感器测量人体睡眠呼吸信号，但此种床垫较为特殊，会影响受试者的睡眠感觉，从而影响测量结果。腕式活动记录仪虽然测量方便，但数据区分较为困难。

呼吸波形是生理监测中一个非常重要的参数，对其进行非接触、动态的监测，对睡眠疾病诊断具有重要意义[2]。美国睡眠协会的研究报告表明，呼吸信号的监测对睡眠呼吸暂停综合征的分析诊断具有重要的价值[3]。生物雷达技术[4]是融合生物医学工程、雷达技术，能够实现非接触监测生命信号的一种前沿技术，可以通过检测胸腹部表面的微动，实现低生理和心理负荷条件下呼吸信号的监测。由于该测量方法对人体无任何约束，因此可广泛应用于社区、家庭等对特殊人群生理信号（呼吸、体动等）的非接触监测。本文主要讨论利用小波信息熵法提取睡眠呼吸暂停的次数，为呼吸暂停的辅助诊断提供科学依据。

1 材料与方法

1.1 实验仪器

生物雷达采用本课题组自主研发的连续波雷达（最大辐射功率为1 μW），其输出直接连接PowerLab系统（澳大利亚Adinstruments公司生产），通过其自带的LabChart软件进行数据采集和处理，将处理结果导入自编小波信息熵分析软件进行呼吸暂停检测。

1.2 实验方法

小波信息熵是小波能谱和信息熵结合的产物，可以精确表征非平稳信号复杂度在时域上的动态变化信息，具有更好的低频分辨率且能够更好地检测信号的局部变化[5]。由于呼吸信号为低频非平稳信号，呼吸暂停时信号的紊乱度和复杂度大于正常呼吸信号，故其小波信息熵值也大。

1.2.1 小波能谱

根据Parseval定理，信号经小波变换后能量与原始信号能量等价[6]。本研究采用多分辨率分析的小波变换，首先利用db1小波对信号X（n）进行多分辨率分析的小波分解，得到信号x（n）进行上述j层小波分解后，第j层分解尺度下k时刻的高频系数为dj（k），低频系数为aj（k），如图1所示[7]。然后利用式（1）进行单子带重构后得到小波重构系数Dj（k）和Aj（k）。

图1 多分辨率分析的小波变换二抽取示意图

式中：h1（k）和h0（k）分别表示高通滤波器和低通滤波器。

经过小波重构，原始信号序列X（n）可表示为各重构系数之和（如图2所示[8]），即

图2 多分辨率分析的小波重构结构

在本研究中，由于信号经过预处理和去直流后，其频率范围为0～0.9 Hz，故采用多分辨率分析的3层小波分解与重构就已经符合需求。

在基于多分辨率分析的小波能谱中，某尺度下信号的能量为

式中：N为采样点长度；D（jk）为j尺度下的小波重构系数；E=[E1，E2，…，Ej]为信号x（n）在j个尺度上的小波能谱。

1.2.2 小波信息熵

香农信息熵定义如下[9]：

式中：pj代表信号取值的概率。香农信息熵表示越不确定越复杂的信号其熵值越大[9]。

在本研究中，选择时窗长为L，由式（3）可以得到时窗内j尺度下的能量为

求得时窗内各尺度下信号能量总和为

式中：pj表征了不同尺度的能量分布情况。由于

pj∈[0，1]，满足广义分布条件，用其替换式（4）中香农信息熵中的概率pj，对数以2为底，则可得到信号x（n）在时窗内小波信息熵为

随着时窗的滑动得到信号小波信息熵随时间变化的规律。由于越不确定越复杂的信号小波信息熵越大，在发生呼吸暂停时，呼吸频率加快，紊乱度增加，其小波信息熵值大于正常呼吸信号的小波信息熵。

1.3 实验设计

本实验流程如图3所示。

首先根据发生呼吸暂停的生理特点利用函数构造呼吸暂停模拟仿真信号，并计算其小波信息熵谱。通过对比正常信号与呼吸暂停信号的小波熵谱特点，利用小波信息熵法判断雷达采集的实测呼吸信号。

1.4 实验过程

1.4.1 仿真实验

睡眠呼吸暂停综合征[10]分为阻塞性睡眠呼吸暂停综合征、中枢性睡眠呼吸暂停综合征以及混合性睡眠呼吸暂停综合征3类。在睡眠呼吸暂停的临床表现方面，根据张鹏飞[10]对呼吸暂停仿真信号的模拟可知，呼吸暂停主要分为4种情况：（1）呼吸运动幅值、频率均为零；（2）呼吸运动幅值降低，并且频率加快；（3）呼吸运动频率不变，但是幅值降低50%以上；（4）呼吸运动幅值、频率均不确定。

图3 试验流程

由于采样频率为100 Hz，而且呼吸暂停发生时间在10 s以上，现用以下函数构造上述4种情况下的呼吸暂停信号，并且其发生时间为20 s：

由于呼吸暂停时呼吸信号复杂多变，并非上述4种情况的其中一种，因此，在本实验中，模拟仿真的呼吸暂停可由x1、x2、x3、x4两两组合表示，即有6种组合。将6种呼吸暂停仿真信号隔段嵌入正常呼吸仿真信号x=4cos（0.5πt）中，即得到伴有呼吸暂停的模拟仿真呼吸暂停信号：

对以上构造的模拟仿真呼吸暂停信号加高斯白噪声，然后对其用小波信息熵法进行处理。

1.4.2 实测实验

人体平躺，与雷达正对，距离1.2 m，每位受试者经过训练后最大限度模拟睡眠呼吸暂停和正常呼吸，进行呼吸暂停信号的采集。每位受试者采集一组包含10次呼吸暂停的呼吸暂停信号，共采集10位受试者的呼吸信号。

2 实验结果

2.1 仿真实验结果

用函数awgn对所构造的呼吸信号加入高斯白噪声，信噪比是-5 dB，加噪声后呼吸暂停模拟仿真信号如图4所示。

图4 加噪声模拟呼吸暂停仿真信号

对仿真信号加时窗后进行处理，所加窗宽大小为2 048点，且按50%的窗宽进行叠加，通过计算每段信号的小波信息熵得到信号小波信息熵谱并利用自动阈值法得到信号小波信息熵阈值曲线。本研究自动阈值设置如下：

第1阶段阈值=e（1）×q（n=1）

式中：q为系数。

在小波信息熵法中，并没有对呼吸暂停信号小波信息熵值的定义，通过对比雷达采集的10组实测人体呼吸信号中呼吸暂停和正常呼吸的小波信息熵值，以提高判断准确性为原则，确定小波信息熵阈值为正常水平的1.2倍，即q=1.2。则信号小波信息熵谱和阈值曲线如图5所示。

对各段信号进行判断，以阈值为标准，高于阈值则判断为呼吸暂停，输出“1”；低于阈值则判断为正常呼吸，输出“0”。小波信息熵法判断输出结果如图6所示。

2.2 实测实验结果

对生物雷达采集的人体呼吸信号利用小波信息熵法进行呼吸暂停判断，原始信号、预处理信号、自动阈值曲线和阈值判断、判断输出如图7所示。

图5 仿真信号小波信息熵谱及阈值曲线

图6 仿真信号小波信息熵法判断输出

图7 雷达采集信号及处理结果

观察图7（d）可知，一组呼吸信号中呼吸暂停的次数即为判断输出值由“0”跳变为“1”的次数，利用算法对跳变次数进行累计输出，记为N。由于每组雷达采集信号中共包含10处呼吸暂停，则能量法对一组呼吸信号中呼吸暂停次数判别的精确度为

与此相似，对10位受试者的实测呼吸信号利用小波信息熵法进行呼吸暂停判断，最终结果见表1。

综合以上10组数据可得，能量法对睡眠呼吸信号中呼吸暂停判断总的精确度为

3 结论

小波信息熵是小波变换和小波能谱的结合体，由于其有更高的低频分辨率且能更好地检测非平稳信号的局部非线性变化，在较稳定的环境中能够判断是否发生呼吸暂停。仿真和实测信号利用算法处理结果较好，为睡眠呼吸暂停的诊断奠定了理论依据。但是该方法目前还缺乏一个合理有效的阈值，其阈值的设定直接影响判断结果。非接触式睡眠呼吸监测技术能够较好地克服接触式睡眠监护技术的缺点，实现低生理和心理压力条件下长时间无约束监测人体呼吸，适于家用，而且利用小波信息熵法能够对睡眠呼吸信号进行实时监测。

表1 实测信号小波信息熵法判断结果

[1] Lettieri C J，Eliasson A H，Andrada T，et al．Obstructive sleep apnea syndrome：are we missing an at－risk population[J].J Clin Sleep Med，2005，1（4）：381－385．

[2] 席涛，杨国胜，汤池．呼吸信号检测技术的研究进展[J]．医疗卫生装备，2004，25（12）：26-28．

[3] Quan S F，Gillin J C，Littner M R，et al．Sleep—related breathing disorders in adults：recommendations for syndrome definition and measurement techniques in clinical research．Editorials[J]．Sleep，1999，22：662-689．

[4] 李钊，王健琪，荆西京，等．用于生命探测的人体呼吸运动模拟系统研制[J].医疗卫生装备，2010，31（3）：40-41．

[5] 张景川，曾周末，赖平，等.基于小波能谱和小波信息熵的管道异常振动事件识别方法[J].振动与冲击，2010，29（5）：1-4.

[6] LI Zhen-mei，SHEN Jin，WEI Pei-yu，et al.Voltage fluctuation and fli-cker monitoring system using labVIEW and wavelet transform[J]. Journal of Computers，2010，5（3）：417-424.

[7] Rafiee J，Rafiee M A，Prause N，et al.Wavelet basis functions in biomedical signal processing[J].Expert Systems with Applications，2011，38：6 190-6 201.

[8] Mallat S.A theory for multi-resolution signal decomposition：the wavelet representation[J].IEEE Transactions on Pattern Analysls and MachineIntelligence，1989，11（7）：674-693.

[9] AI-Nashash H A，Thakor N V.Monitoring of global cerebralischemia using wavelet entropy rate of change[J].IEEE Transactions on Biomedical Engineering，2005，52（12）：2 119-2 122.

[10]张鹏飞，拜军，荆西京，等.一种基于能量谱非接触呼吸暂停检测技术的研究[J].医疗卫生装备，2012，33（11）：13-15.

（收稿：2014-03-10 修回：2014-07-20）

Study on technique for non-contact detection of apnea based on wavelet information entropy

QI Fu-gui,ZHANG Hua,LI Sheng,LI Chuan-tao,XUE Hui-jun,AN Qiang,LIU Miao,LU Guo-hua（Teaching and Research Section of Electronics,School of Biomedical Engineering,the Fourth Military Medical University,Xi'an 710032,China）

ObjectiveTo realize auto judgment of respiration signals in sleep state and determine if apnea occurs by wavelet information entropy non-contact detection technique.MethodsRespiration signals were acquired with bio-radar, and then were analyzed with wavelet information entropy,finally the occurrence of apnea was determined by adaptive threshold.ResultsThe method of wavelet information entropy could detect apnea with the SNR higher than-5 dB and the accuracy of 79%.ConclusionThe method of wavelet information entropy can determine the apnea during sleeping, and thus lay a foundation for non-contact sleep detection with bio-radar.[Chinese Medical Equipment Journal，2015，36（4）：1-4]

contact-free;apnea;bio-radar;wavelet information entropy

R318

A

1003-8868（2015）04-0001-04

10.7687/J.ISSN1003-8868.2015.04.001

国家自然科学基金课题（61271102）

祁富贵（1992—），男，研究方向为睡眠呼吸暂停非接触监测，E-mail：690151258@qq.com。

710032西安，第四军医大学生物医学工程学院电子教研室（祁富贵，张 华，李 盛，李川涛，薛慧君，安 强，刘 淼，路国华）

路国华，E-mail：lugh1976@fmmu.edu.cn