基于BP神经网络的大鼠睡眠脑电自动分阶方法的研究

申英霞

（唐山工业职业技术学院，河北 唐山 063299）

0 引言

随着社会高速发展，人们的工作生活压力变大，各种睡眠疾病也呈现高发态势，因此各国研究人员也越来越重视对睡眠的研究。脑电图（EEG）是分析和评估睡眠状态与质量的重要工具，在睡眠分阶研究中有其重要意义[1]。经典的分析方法是对连续的睡眠脑电图形数据进行目测分析与评估，然而，这种目测分析方法非常费时、费力。从70年代起，逐渐开始自动睡眠分阶的研究，并取得很大的进展[2]。

国际上将睡眠状态分成2种[3]：一种为无快眼动睡眠(No_rapid eye movement,NREM )状态，另一种为快眼动睡眠(Rapid eye movement,REM )状态。整个睡眠过程中2种睡眠状态交替出现，其中NREM睡眠状态又被细分成4级，分别为浅度睡眠期S1、轻度睡眠期S2、中度睡眠期S3和深度睡眠期S4，睡眠程度呈现逐渐加深状态。在睡眠的整个过程中，很难确定某一时刻的睡眠等级。通常将记录的整个睡眠过程的EEG分成小的期间，然后根据期间EEG中各种基本波形（包括δ-波、θ-波 、α-波、s-纺锤波、β-波）的占有率，同时结合眼电图EOG、肌电图EMG的特征，对其进行睡眠深度的分阶评估。本文在国际睡眠分期标准的基础上，利用Choi_Williams分布中的局部频谱的特征提取EEG信号的特征值，通过BP网络设计了一种睡眠自动分阶分析的新方法。

1 方法介绍

1.1 CWD原理

时频分析方法被广泛用于EEG信号的分析与处理，其中Choi_Williams分布（CWD）又是时频分析中一种能够有效抑制和消除交叉项的高分辨率时频方法。离散Choi_Williams分布的公式如下：

(1)式中:σ>0为尺度因子，WK(k)为时间窗，当时，WK(k)>0；WM(m)为矩形窗。DCWDf(n,l)的物理意义是：以n为中心时间间隔[n-ΔN,n+ΔN]里，信号f(n)中包含的频率信息，以及这些频率上携带的能量分布，DCWDf(n,l)为信号在n时刻局部频谱。因此，利用局部频谱可以估计在相应时间里脑电信号的波形。

将睡眠划分成不同的睡眠阶段主要是依据EEG中基本波形的占有率，从而确定睡眠深度。在分析脑电信号中不同波形的占有率时，不能简单地将这段信号某个分量在整段信号中占据的时间比例直接与该分量所携带的能量与这段信号总能量的比例完全等同。因此不能利用离散Choi_Williams功率谱直接估计各个波形的占比率。下面是本文改进的方法来估计睡眠中的各种基本波形占有率，并为BP神经网络提取特征值[4]。

1.2 预处理

由于睡眠大鼠的脑电特征相对于人不明显，本文把睡眠分为清醒W、过渡睡眠S1和S2、深度睡眠S3和S4、REM4个阶段，如图1所示。实验中的大鼠睡眠脑电数据采样频率为125Hz，实验环境为matlab7.0。每100个样点的睡眠大鼠EEG信号为一个分析数据段，分别选择睡眠4个阶段各100组数据分析数据段进行处理。由于脑电基本节律主要集中在0～25HZ这个频段，因此采用截止频率为25HZ低通滤波器可以在有效保留有用信号的同时最大限度的消除噪音的影响。

图1 清醒W、过渡睡眠S1、2、深度睡眠S3、4和REM4个阶段睡眠脑电图

1.3 主波形估计算法

根据基本节律和一些瞬变信号将EEG信号重新划分为5个波段：δ-波(0～3Hz)、θ-波(4～7Hz)、α-波(8～13Hz)、s-纺锤波和较高频(14～16)、β-波(17～25Hz)。为了能够统计整段EEG信号中各种波形的时间占有率，在每一时刻应当只选定一种基本波形，即主波形。因此通过处理每一时刻的局部频谱找出瞬时功率中几个较大功率的峰值,再采用高频优先原则把最能代表这时波形特征的局部频谱的谱峰挑选出来[5]。

在matlab仿真中，利用Choi_Williams分布（CWD）对分析段进行时频变换，得到EEG信号在各个时间上的频率分布，即瞬时频谱；并在分析数据段中求出每个样点的瞬时频谱彼此最小间隔为3HZ所有谱峰[6]；检测其中最大的2个峰值，设P1、P2是峰值，P1>P2。L1、L2是局部频谱中峰值P1、P2所在的位置，即频率值。W(1)、W(2)、W(3)、W(4)、W(5)分别表示δ、θ、α、s、β波频率段。

当L1>L2时，k=L1；当L1

如果 P2

C(i)初始值均设置为0。上式为求出数据段每一个样点主波形所在的频率，并在相应的频率段W(i)的记数器C(i)中加1记数。

1.4 统计EEG信号特征值

1)δ-波个数C（1）/数据段样点总个数；

2)θ-波个数C（2）/数据段样点总个数；

3)α-波个数C（3）/数据段样点总个数；

4)s-波个数C（4）/数据段样点总个数；

5)β-波个数C（5）/数据段样点总个数；

6)α-波个数 C（3）/θ-波个数 C（2）；

7)δ-波个数 C（1）/θ-波个数 C（2）；

1.5 基于BP神经网络的睡眠EEG自动分阶

标准BP神经网络通常分为3层，即输入层、隐含层和输出层。对于睡眠EEG自动分阶问题来说，网络输入层的神经元数为先前提取出来的7组特征值，输出层为4个神经元，分别代表睡眠的四个阶段。网络的输出模式为：清醒W（1、0、0、0），过渡睡眠 S1、S2（0、1、0、0），深度睡眠 S3、S4（0、0、1、0）和REM（0、0、0、1）。选取4个睡眠阶段各50个数据分析段作为训练样本集，以最小均方误差为选取原则，训练选出最佳隐含层神经元数为15个。以快速、稳定的Levenberg-Marquardt算法作为神经网络的训练算法[7]。实验中训练集和测试集的样本数均为50个。

2 实验结果与分析

2.1 主波形估计算法特征提取结果如表1所示：

表1是清醒W、过渡睡眠S1和S2、深度睡眠S3和S4、REM4个睡眠阶段100组数据分析段主波形个数统计平均值与标准偏差。清醒W阶段β、α时间统计个数明显较高，θ、δ明显较低。睡眠过渡S1、S2阶段时高频成分β开始减少，较低频率s、α、θ波形数增加。深度睡眠S3、S4时高频成分β、s、α明显减少，低频成分θ、δ波形数开始增加。在REM阶段，δ、θ、α混杂，高频成分β基本消失。

表1 主波形统计数据

2.2 基于BP神经网络的睡眠EEG自动分阶结果如表2所示

表2 睡眠分阶结果

表2是通过训练的BP神经网络睡眠的分阶结果，清醒W分类正确率最好，过渡睡眠S1、S2由于与清醒W和REM阶段混淆，分类正确率较差。

3 结论

本文采用的时频分析中，Choi_Williams分布具有抑制交叉项的高分辨率特性，因此根据局部频谱的特征提取睡眠EEG信号的特征值，并通过BP神经网络对清醒W、深度睡眠、REM阶段进行自动分阶，结果显示具有较高的识别率，可以很好地实现睡眠自动分阶。因为过度睡眠S1、S2易与清醒W和REM阶段混淆，识别率相对较低，同时本文还进行了过度睡眠S1与S2之间，深度睡眠S3与S4之间的分阶研究，结果显示过度睡眠S1与S2之间、深度睡眠S3与S4之间特征值不明显，分阶识别率也相对较低。为了达到更好分阶效果，下步工作可以考虑在本文方法的基础上，提取不同睡眠EEG更多的特征值送BP神经网络进行识别分阶。睡眠脑电信号所含的生理和病例的信息具有很高的临床研究意义，睡眠研究也一直是人类非常重视的研究方向。自动分阶研究也是近几年重点的研究热点，各种信号处理方法广泛应用于睡眠脑电信号的自动分阶上，分阶正确率基本都在70%以上，但是分析方法之间没有进行有效的比较、分析、评估。目前还没有非常完善的自动分阶方法，这也是本文下步对睡眠脑电信号研究的方向。