基于子时段呼吸暂停和睡眠阶段的脑网络分析与分类*

赵今朝,刘铭, 江秀全,史维友,娄宜泰,冷建材,徐舫舟△,冯超,杨清波,唐吉友,鲁珊珊

(1．齐鲁工业大学(山东省科学院) 光电工程国际化学院,济南 250353;2．齐鲁工业大学(山东省科学院)数学与统计学院,济南 250353;3．山东第一医科大学附属第一医院(山东省千佛山医院) 神经内科,山东省免疫研究所,山东省风湿免疫与转化医学重点实验室,济南 250014)

0 引言

睡眠呼吸暂停使测试者的睡眠结构发生变化,从而影响睡眠分期的准确评估。为此,睡眠呼吸暂停和睡眠分期的准确检测在睡眠质量评估中至关重要[1]。脑电图(electroencephalogram, EEG)、心电图(electrocardiogram, ECG)、肌电图(electromyography, EMG)和其他生理信号可用于睡眠阶段划分[2]。脑电信号包含更多的信息,高振幅的信号通常表示大脑处于更兴奋的状态,通过观察脑电信号的振幅变化,可了解大脑的兴奋程度,而频率变化则反映大脑神经元之间的同步性。不同频率范围内的脑电节律活动,如α、β、θ节律等,结合在一起形成了多种特定振荡模式。这些节律活动对应不同的大脑状态,如放松、专注、睡眠等。通过分析脑电信号的频率和节律,可更好地了解大脑的整体功能和状态。

许多学者利用脑电信号,运用机器学习和深度学习技术进行睡眠阶段检测和睡眠分期。Zhao等[3]将C3-A2和C4-A1的EEG信号分为五个子带,提取了每个子带的样本熵和方差,采用邻域组成分析(neighbourhood component analysis, NCA)方法进行特征选择、支持向量机 (support vector machine,SVM)作为分类器,进行呼吸暂停事件的检测。Diykh等[4]使用中值、峰度等特征进行睡眠分期。Li等[5]针对脑电信号的时域、频域和非线性特征,采用随机森林方法进行分类,并考虑了睡眠阶段之间的转移特征,选择适当的特征,将其输入机器学习分类器,进行睡眠分期。随着深度学习的发展,许多研究开始直接从生理信号中学习特征。例如,Zhang等[6]提出了一种高效的卷积神经网络,通过在第一层的每个卷积核上附加可训练的系数,以增强学习能力和灵活性。Zhuang等[7]则提出了一种基于多通道脑电信号的自动睡眠分期方法,结合长短期记忆(long short term memory, LSTM)作为分类网络。

大多数研究并未关注不同通道之间的相互协同,难以从全局层面探索睡眠阶段信息[8-9]。fMRI已经证实,每个睡眠阶段都与特定的功能连接模式相关联[10-12]。An等[13]研究了不同年龄段的睡眠脑电图的连接性,发现不同睡眠阶段的连接性不同。相位耦合反映了不同脑区之间的相互作用和协调程度。因为锁相值(phase locking value, PLV)对相位敏感,可提供脑电信号中不同脑区之间相位耦合的信息[14-16],所以被广泛应用于分析脑电图的连接。di Biase等[14]通过构建大脑连接,根据其连通性区分帕金森病患者和健康者。

针对多通道研究的不足,本研究通过探索呼吸暂停患者在不同睡眠阶段下脑电信号中的连通性,尝试以此为基础阐述呼吸暂停患者呼吸暂停和睡眠阶段的变化规律,并将不同脑区之间的连通性作为特征,实现呼吸暂停检测和睡眠分期。针对睡眠过程中的特殊波形会对脑电图的连接产生影响[17],本研究设计了一个基于子时段呼吸暂停和睡眠阶段的分类策略,主要包括:(1)使用锁相值构建不同睡眠阶段的大脑网络,将锁相值当作特征,寻找出最优的频段和通道数目。(2)利用提出的多子时段决策的方式,进行睡眠阶段分类和睡眠呼吸暂停检测。(3)根据构建的大脑功能网络分析不同睡眠阶段及呼吸暂停健康者的大脑相互作用和连接机制。

1 材料和方法

1.1 材料

本研究使用循环交替模式(cyclic alternating pattern, CAP)睡眠数据库[18-19]。CAP数据库中有108个样本,包括92名睡眠障碍患者和16名健康受试者,本研究选择10名受试者用于分析。此外,使用ISRUC-SLEEP 数据库,此数据库的Data of Subgroup_1包含100名受试者的数据,本研究去除其中患有其他疾病及信号质量差的受试者,选择其中27名受试者的数据。

1.2 方法

1.2.1数据预处理 首先,将脑电信号分为多个不同的频段。由于睡眠频率范围一般集中在0～30 Hz,因此在滤波过程中,本研究将信号分别在δ波(0.5～4 Hz),θ波(4～8 Hz),α波(8～13 Hz),β波(13～30 Hz),γ(30～40 Hz)五个频段进行滤波。将滤波后的数据分别划分为5段(6 s)、10段(3 s)、15段(2 s)、20段(1.5 s)和30段(1 s)方法。设L为30 s睡眠脑电数据样本。当子时段的数量被设置为长Ls时,被划分的子时段的长度满足以下约束:

L=Ls×Ns

(1)

Ns是子时段数目。CAP数据库中的采样频率为512 Hz,数据样本持续时间为30 s,则子时段长度的计算如下:

Ls=L/Ns=(30×512)/Ns=15 360/Ns

(2)

由式(2)可知,子时段数Ns在实验中起着重要作用。通过设置适当数量的子时段,可从中获得有效的分类特征。然后,将数据在δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)和γ(30～40 Hz)五个频带中滤波。

1.2.2构建功能网络 本研究采用PLV评估大脑的功能连接[20],计算如下:

(3)

其中,N代表睡眠信号的样本数,t代表采样周期,两个时间序列分别为x(t)和y(t),两个瞬时相位是φx(t)和φy(t)。实验得到PLV对称矩阵,矩阵中的每个值代表一对通道的耦合关系。

1.2.3选择最优频段和通道数目 为降低算法复杂度,提高运行效率,减少计算负担,本研究将CAP数据库中12个通道的数据逐一连接,在矩阵中设置不同的阈值,以寻找连通性佳的通道。为进行对比,本研究选择五个不同数量的EEG通道,包括12、10、8、6和4通道,在2.1章划分的5个频段中使用,选出最优频段,并采用10折交叉验证来验证所提算法的有效性。

1.2.4分类器及分类策略 LibSVM使用一对一法(one-versus-one,OVO)进行多分类。该方法通过设计一个SVM来处理任意两类样本之间的分类问题,因此,对于k个类别的样本,需要设计k(k-1)/2个SVM。当对未知样本进行分类时,根据得票最多的类别确定该未知样本的类别。

为评估不同频带和不同数量的子时段中的脑功能连接,本研究使用三种特征处理策略对睡眠阶段进行分类。(1)从30 s脑电数据中直接提取功能连接特征;(2)融合多个子时段提取的功能连接性特征,然后将特征作为一个整体输入到分类器;(3)直接分析子时段的功能连通性特征并进行分类,然后将分类结果作为整个30 s片段的结果。具体描述见图1—图3。

图1 用子时段数据构建PLV矩阵

图2 构建PLV矩阵并特征融合

图3 构建PLV矩阵并经过分类决策

2 结果

2.1 频段和通道选择结果

由表1可知,选择六个通道时可获得最佳性能。本研究分别测试了δ、θ、α、β和γ五个频率范围的5类睡眠阶段任务,具体分类结果见表2。其中,六通道获得了最好的睡眠分期效果,且α频段的指标优于其他频段,分类精度为69.4%。

表1 选择不同通道数目及每百次事件运行时间

表2 从5种频段提取特征对5种睡眠阶段分类结果

2.2 分类策略对睡眠阶段分类的结果

由表3可知,多段特征融合方法可获得更高的分类性能。其中,30段法准确率最高,α频带睡眠分期准确率达到76.89%。多子段策略是将子时段提取的特征直接分类,分类结果是子时段的结果,不能代表原始脑电的类别,因此将分割的数据按时间顺序重新组合。在组合的分类结果中,找到类别最多的分类结果。由表4可知,30个子时段在α频段仍具有最佳分类性能,准确率达到89.73%。

表3 子时段特征融合方法下,5频段5子时段数目对睡眠阶段分类的准确率

表4 子时段分类决策方法下,5个频段和5个子时段数目对睡眠阶段分类准确率

2.3 分类策略对呼吸睡眠暂停分类的结果

在ISRUC-SLEEP数据库Data of Subgroup_1的27个受试者数据中,找出相同数量的睡眠呼吸暂停和正常呼吸的数据。使用2.2所提方法进行呼吸睡眠暂停信号和正常呼吸信号分类,准确率达到了94.2%。

2.4 PLV的大脑网络分析

由2.2和2.3小节得到的结果可见,α频段具有分类的效果。图4为在α频段不同睡眠阶段的连通性,红线代表连通性高,蓝线则相反。可见,N1阶段的整体连接性大于快速眼动阶段;N2阶段的整体连接性大于N3阶段;N3和W阶段的连接性一般小于快速眼动阶段。N1阶段左右脑之间的连通性比N2阶段强,但枕叶、顶叶和额叶之间的连通性比N2阶段弱。与N3阶段相比,N1阶段的左右脑较弱,但连通性比N3阶段强,且不同脑区的额叶和顶叶之间的连通性也比N3阶段强。比较N2、W和REM阶段,N2阶段左右脑之间的连通性比REM阶段弱,而在W阶段,不同脑区之间的连通性更强。

图4 α频段不同睡眠阶段大脑网络连接性的比较

研究发现,睡眠呼吸暂停测试者的各睡眠阶段的数量会发生变化,其中深度睡眠阶段N3的数量减少,过渡阶段N1的数量增加。由图5可知,睡眠呼吸暂停时的连通性明显大于正常呼吸时,与N1阶段和REM阶段的连通性非常相似。

图5 睡眠呼吸暂停和正常呼吸大脑网络连接性的比较

2.5 交叉验证

根据以上实验,本研究通过PLV特征提取、多子时段特征融合和多子时段决策方法,最终发现30个子时段特征对决策具有最佳分类效果。为验证该方法的有效性,在被试之间进行了10次交叉验证实验。睡眠阶段分类的最终交叉验证结果见图6,结果是88.87%。正常呼吸和呼吸暂停分类的最终交叉验证结果见图7,结果是93.64%。

图6 睡眠阶段分类的结果

图7 正常呼吸和呼吸暂停分类的结果

3 讨论

本研究算法在N1阶段的左右脑区的协同性大于REM阶段,呈现出明显的左右脑区对称,N2阶段全脑的活跃度明显大于N3阶段,因此,N2阶段相对N3阶段全脑连接更加活跃,N3阶段和W阶段的连通性小于REM阶段,原因在于N3处于深度睡眠阶段,脑区之间的活动减少,而W阶段呈现出不规则的变化,相对REM阶段的连接较弱。对于N2和REM阶段,N2阶段左右脑区的协同性比REM阶段小,但同侧活跃性大于REM阶段。呼吸暂停期间的脑区更加活跃,明显大于正常呼吸时,原因在于从深度睡眠逐步到REM阶段和W期间过渡,因此脑区活动增加呈现出更加活跃的趋势。不同数目的子时段对区分睡眠阶段有不同的表现。30-Sub的情况显示了良好的性能,但在α频段使用30-Sub在N1和W级之间具有更高的错误率。本研究后续计划将CAP数据库中的多通道EEG信号用于不同的睡眠障碍的分类,如失眠和REM运动障碍。

4 结论

本研究通过探讨多通道脑电信号在睡眠分期上的表现,利用多个子时段获得有效的融合特征,提出分类优化策略,利用脑功能网络分析睡眠分期的生理现象。不同的子时段对特征学习有不同的分类效果,在20-Sub的情况下,REM阶段的分类比其他子时段的划分更好,表明在20-Sub中提取的特征更适合REM阶段的分类。最优时段划分数目与特征之间的关系将在后续工作中开展进一步研究。本研究探索了子时段脑电特征学习在多通道脑电睡眠分期中的应用,实验结果证明,本研究的多通道EEG睡眠阶段算法的有效性和鲁棒性较强,对提高睡眠分期的应用具有重要潜力。