本發(fā)明涉及一種睡眠分期方法，尤其涉及一種基于腦電和肌電多特征的自動(dòng)睡眠分期方法。

背景技術(shù)：

隨著現(xiàn)代社會(huì)競(jìng)爭(zhēng)激烈，快節(jié)奏工作與生活對(duì)人們的睡眠產(chǎn)生了巨大影響。據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，27％的人有睡眠障礙。目前，睡眠障礙已被確認(rèn)是一種具有公共危害性的疾病，越來(lái)越受到人們的高度重視。通過(guò)各生理信號(hào)對(duì)人體睡眠狀態(tài)進(jìn)行分期，是客觀評(píng)估睡眠質(zhì)量的一種有效方法。

通過(guò)不同分析方法提取腦電(Electroencephalogram，EEG)的特征參數(shù)，再利用分類(lèi)器進(jìn)行分類(lèi)是睡眠分期的經(jīng)典方法。目前，對(duì)EEG的分析方法主要是從其時(shí)域、頻域和非線性方面進(jìn)行分析。在現(xiàn)有技術(shù)中有人通過(guò)對(duì)EEG進(jìn)行非線性符號(hào)動(dòng)力學(xué)分析、去趨勢(shì)波動(dòng)分析和頻譜分析的方法，并結(jié)合最小二乘向量機(jī)分類(lèi)器將睡眠狀態(tài)分為五期，準(zhǔn)確率達(dá)到92.87％，但該算法只對(duì)每個(gè)樣本進(jìn)行單獨(dú)的訓(xùn)練和驗(yàn)證，泛化能力有待提高。若利用離散小波變換結(jié)合非線性支持向量機(jī)的方法滿足了模型對(duì)泛化能力的要求，準(zhǔn)確率卻只有81.65％。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題，本案提供一種基于腦電和肌電多特征的自動(dòng)睡眠分期方法，以期能夠提高睡眠分期的準(zhǔn)確率和泛化能力。

為實(shí)現(xiàn)上述目的，本案通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種基于腦電和肌電多特征的自動(dòng)睡眠分期方法，其包括：

采集腦電信號(hào)和肌電信號(hào)；

采用小波分解去除腦電信號(hào)和肌電信號(hào)中的高頻噪聲；

提取去噪后的腦電信號(hào)的α、β、θ、δ特征波的能量比，得到第一特征參數(shù)；

利用樣本熵算法提取腦電信號(hào)樣本熵，得到第二特征參數(shù)；

利用小波分解算法提取肌電信號(hào)中的高頻特征能量比，得到第三特征參數(shù)；

將第一特征參數(shù)、第二特征參數(shù)和第三特征參數(shù)輸入支持向量機(jī)中進(jìn)行訓(xùn)練和測(cè)試，從而得到分類(lèi)結(jié)果。

優(yōu)選的是，所述的基于腦電和肌電多特征的自動(dòng)睡眠分期方法，其中，所述第一特征參數(shù)通過(guò)以下方法獲得：

使用“db4”小波函數(shù)對(duì)腦電信號(hào)進(jìn)行7層小波分解，選擇D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，分別計(jì)算α波、β波、θ波和δ波在0-30Hz上所占能量和的比值。

優(yōu)選的是，所述的基于腦電和肌電多特征的自動(dòng)睡眠分期方法，其中，所述第三特征參數(shù)通過(guò)以下方法獲得：

使用“sym3”小波函數(shù)對(duì)肌電信號(hào)進(jìn)行3層小波分解，選擇D1+D2代表肌肉運(yùn)動(dòng)頻率，計(jì)算該肌肉運(yùn)動(dòng)頻率在0-125Hz上所占的能量和的比值。

優(yōu)選的是，所述的基于腦電和肌電多特征的自動(dòng)睡眠分期方法，其中，在利用樣本熵算法提取腦電信號(hào)樣本熵時(shí)，其中所用的嵌入維數(shù)＝2，相似容限為腦電信號(hào)原始數(shù)據(jù)的標(biāo)準(zhǔn)偏差的0.2倍，數(shù)據(jù)長(zhǎng)度＝1000。

本發(fā)明的有益效果是：本案采用提取EEG和EMG多個(gè)特征的方法，結(jié)合支持向量機(jī)分類(lèi)器將睡眠狀態(tài)分為五類(lèi)(即Wake、N1、N2、N3、REM)；對(duì)比基于EEG睡眠分期算法，EMG的加入能提高睡眠分期的準(zhǔn)確率；交叉驗(yàn)證結(jié)果表明，該方法具有一定的泛化能力；實(shí)驗(yàn)結(jié)果可信度高，能夠準(zhǔn)確完成睡眠分期，為評(píng)估睡眠質(zhì)量提供有效依據(jù)，具有良好的應(yīng)用前景。

附圖說(shuō)明

圖1為本案自動(dòng)睡眠分期方法的流程圖。

圖2為EEG和EMG的去噪效果圖。

圖3為α、β、θ、δ波和EMG高頻成分在睡眠各階段的能量比示意圖。

圖4為睡眠各階段的EEG樣本熵示意圖。

圖5為各睡眠階段的平均準(zhǔn)確率的對(duì)比圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明，以令本領(lǐng)域技術(shù)人員參照說(shuō)明書(shū)文字能夠據(jù)以實(shí)施。

本案使用的數(shù)據(jù)來(lái)自于MIT-BIH多導(dǎo)睡眠數(shù)據(jù)庫(kù)(Goldberger AL,Amaral LAN,Glass L,et al.MIT-BIH Polysomnographic database.[DB/OL].[2000-06-13])，該數(shù)據(jù)庫(kù)記錄了16個(gè)測(cè)試對(duì)象睡眠過(guò)程中的多個(gè)生理參數(shù)信號(hào)，采樣頻率250Hz。16個(gè)測(cè)試對(duì)象的睡眠信號(hào)種類(lèi)不同，本案選擇具有EEG、EMG(下頜肌電)且睡眠階段完整的樣本slp32、slp41、slp45、slp48作為實(shí)驗(yàn)對(duì)象。每30秒數(shù)據(jù)后都記錄一份由經(jīng)驗(yàn)豐富的醫(yī)生進(jìn)行的人工睡眠分期判定，本案以此分期結(jié)果來(lái)測(cè)試算法的分期準(zhǔn)確性及泛化能力。

算法首先利用小波分解對(duì)EEG和EMG預(yù)處理，舍掉高頻噪聲部分；再提取去噪后EEG的α、β、θ、δ特征波的能量比，得到第一部分特征參數(shù)；再利用樣本熵算法提取EEG樣本熵得到第二部分特征參數(shù)；將兩部分特征參數(shù)輸入支持向量機(jī)中進(jìn)行訓(xùn)練和測(cè)試得到分類(lèi)結(jié)果；利用小波分解算法提取EMG的高頻特征能量比，得到第三部分特征參數(shù)；將三部分特征參數(shù)輸入支持向量機(jī)中進(jìn)行訓(xùn)練和測(cè)試得到分類(lèi)結(jié)果，該方法流程如圖1所示。

1.1、特征提取

根據(jù)2007年美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)(American Academy of Sleep Medicine，AASM)制定的睡眠判讀指南，睡眠可分為五期：覺(jué)醒期(W期)、非快速眼動(dòng)1期(N1期)、非快速眼動(dòng)2期(N2期)、非快速眼動(dòng)3期(N3期)，快速眼動(dòng)期(REM期)。實(shí)現(xiàn)準(zhǔn)確分期的關(guān)鍵是提取能代表各個(gè)睡眠階段的特征，各睡眠階段特征如表1所示。

表1各睡眠階段特征

1.1.1、離散小波變換

離散小波變換(簡(jiǎn)稱(chēng)DWT)實(shí)質(zhì)是將能量有限的信號(hào)分解到時(shí)間-尺度空間上，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，使其特別適用于非穩(wěn)定信號(hào)。為能夠有效地計(jì)算DWT，可使用讓信號(hào)順序地通過(guò)一系列低通和高通濾波器對(duì)的方法，該算法的分解系數(shù)為：

式中，A_k,n和D_k,n是分解系數(shù)，k是分解尺度。

據(jù)該分解算法原理分析可知：對(duì)信號(hào)進(jìn)行i層小波分解，小波系數(shù)A_i和D_i的頻率范圍分別是和其中fs為采樣頻率。在實(shí)際應(yīng)用中，一般根據(jù)信號(hào)的特征來(lái)選擇適當(dāng)?shù)姆纸鈱訑?shù)。臨床醫(yī)學(xué)中關(guān)注的EEG頻率范圍在0.5～30Hz，EMG的有效信號(hào)頻率一般在0～500Hz，代表肌肉運(yùn)動(dòng)的高頻成分多集中在30～125Hz。

根據(jù)表1中各睡眠階段對(duì)應(yīng)的EEG、EMG特征波的頻率范圍和EEG、EMG的有效頻率范圍可知，將EEG利用“db4”小波函數(shù)進(jìn)行7層小波分解，選擇D3代表β波，D4代表α波，D5代表θ波，D6+D7代表δ波，分別計(jì)算α波(8～13Hz)、β波(13～30Hz)、θ波(4～7Hz)、δ波(1～4Hz)在0～30Hz上所占能量和的比值；將EMG利用“sym3”小波函數(shù)進(jìn)行3層小波分解，選擇D1+D2代表肌肉運(yùn)動(dòng)頻率(30～125Hz)，計(jì)算其在0～125Hz上所占的能量和的比值。能量比計(jì)算公式如式(1)-(3)：

η_i：分解后第i層頻帶所占總能量和的比值；D_i(k)：分解后第i層上的第k個(gè)小波系數(shù)；n：第i層的數(shù)據(jù)個(gè)數(shù)；E_s：總能量和；N：總層數(shù)的數(shù)據(jù)個(gè)數(shù)。

1.1.2、樣本熵算法

樣本熵(Sample Entropy,SampEn)是對(duì)近似熵算法的改進(jìn)，是度量序列復(fù)雜度的測(cè)度方法，其計(jì)算速度更快，精度更高。

樣本熵算法的具體流程如下：

(1)對(duì)一個(gè)由N點(diǎn)組成的原始信號(hào){u(i),1≤i≤N}按順序組成一組m維矢量：

X(i)＝[u(i),u(i+1),…u(i+m-1)] (4)

式中，i＝1,2,…,N-m+1；

(2)X(i)與X(j)之間的距離d[X(i),X(j)]定義為兩者對(duì)應(yīng)元素中差值最大的一個(gè)，即：

d[X(i),X(j)]＝max[|u(i+k)-u(j+k)|] (5)

式中，k＝1,2,…m-1，i,j＝1,2,…N-m+1；

(3)給定閾值對(duì)每一個(gè)i值統(tǒng)計(jì)d[X(i),X(j)]小于r的數(shù)目(模版匹配數(shù))，以及此數(shù)目與矢量總個(gè)數(shù)的比值，記為

式中，i,j＝1,2,…N-m+1，i≠j；

(4)求所有i的平均值B^m(r)，即：

(5)把維數(shù)加1，組成m+1維矢量，重復(fù)(1)-(4)步驟，得到B^m+1(r)；

(6)定義樣本熵為：

(7)當(dāng)N為有限值時(shí)，樣本熵可寫(xiě)為：

SampEn(m,r,N)＝-ln[B^m+1(r)/B^m(r)] (9)

計(jì)算樣本熵SampEn(m,r,N)，首先要對(duì)m，r，N三個(gè)參數(shù)進(jìn)行選?。簃為嵌入維數(shù)，通常為1或2，實(shí)際應(yīng)用中優(yōu)先選擇2，所以本案選擇m＝2；r為相似容限，r值太大會(huì)丟失很多詳細(xì)信息，研究分析得出r＝0.2SD(SD為原始數(shù)據(jù)的標(biāo)準(zhǔn)偏差)時(shí)結(jié)果較好，本案選擇r＝0.2SD；N為數(shù)據(jù)長(zhǎng)度，實(shí)驗(yàn)總結(jié)認(rèn)為N＝1000時(shí)效果最好。

1.2、支持向量機(jī)(SVM)分類(lèi)

針對(duì)非線性問(wèn)題，SVM的基本思想是通過(guò)非線性變換x→φ(x)將其映射到某個(gè)高維空間中的線性問(wèn)題，然后在變換后的新空間中構(gòu)建最優(yōu)分類(lèi)超平面。這一映射通過(guò)核函數(shù)K(x_i,x_j)＝φ(x_i)·φ(x_j)實(shí)現(xiàn)，得到最優(yōu)分類(lèi)函數(shù)：

本案選取徑向基核函數(shù)：

K(x_i,x)＝exp(-γ*||x-x_i||²) (11)

SVM實(shí)現(xiàn)分類(lèi)的步驟：將數(shù)據(jù)分為訓(xùn)練和測(cè)試兩個(gè)部分，數(shù)據(jù)庫(kù)中專(zhuān)家判讀結(jié)果作為分類(lèi)標(biāo)簽，把訓(xùn)練數(shù)據(jù)和標(biāo)簽輸入SVM分類(lèi)器中得到分類(lèi)模型，再把測(cè)試數(shù)據(jù)輸入SVM分類(lèi)模型中得到分類(lèi)結(jié)果，將其與分類(lèi)標(biāo)簽比較，計(jì)算出分類(lèi)精度。

實(shí)驗(yàn)結(jié)果：

2.1、數(shù)據(jù)預(yù)處理

EEG和EMG通常會(huì)包含一些未知頻率的成分，尤其是EEG受到的干擾更大(心電、肌肉運(yùn)動(dòng)、眼球運(yùn)動(dòng)和閃爍都會(huì)對(duì)其產(chǎn)生影響)。所以，應(yīng)抑制這些噪聲以提高測(cè)量準(zhǔn)確度。本案使用小波去噪的方法進(jìn)行濾波預(yù)處理。

本案使用“db4”小波函數(shù)對(duì)原始EEG進(jìn)行7層分解，采用“sym3”小波函數(shù)對(duì)EMG進(jìn)行3層分解，采用啟發(fā)式閾值法對(duì)信號(hào)進(jìn)行去噪處理，截取測(cè)試對(duì)象slp45的一段數(shù)據(jù)(3000個(gè)數(shù)據(jù))，EEG和EMG的去噪效果如圖2所示。

2.2、特征提取結(jié)果

根據(jù)專(zhuān)家人工分期結(jié)果，對(duì)受試者的各睡眠階段(Wake、N1、N2、N3、REM)截取一段數(shù)據(jù)進(jìn)行特征分析。以被測(cè)對(duì)象slp45為例，其睡眠時(shí)間為380分鐘，每組數(shù)據(jù)長(zhǎng)度7500點(diǎn)(30s)，選取每個(gè)睡眠階段各25分鐘的EEG和EMG(共50×5組數(shù)據(jù))進(jìn)行特征提取，計(jì)算各睡眠階段α、β、θ、δ波及EMG高頻成分的能量比，如圖3所示，EEG樣本熵如圖4所示。六個(gè)特征參數(shù)在各睡眠階段平均值如表2所示。

表2不同特征參數(shù)在睡眠各階段的平均值

2.3、分類(lèi)結(jié)果與分析

從圖3和表2中分析可見(jiàn)：α波的能量比在Wake期最明顯，隨著睡眠的深入開(kāi)始逐漸降低，到REM期時(shí)有所增加；β波能量比較α波能量比小，其在每期的變化和α波相似；θ波在整個(gè)睡眠過(guò)程中較其他波少，但其在REM期明顯增多；δ波在整個(gè)睡眠過(guò)程中所占的比重較大，在N3期達(dá)到最大；EMG高頻部分在Wake期較高，隨著睡眠的深入逐漸減少，到REM期幾乎沒(méi)有。這些特征符合表1中所列的特征，表明基于離散小波變換提取EEG和EMG特征能量比方法可以實(shí)現(xiàn)睡眠分類(lèi)。由圖4和表2可知：Wake期的樣本熵最大，這是由于Wake期腦活動(dòng)強(qiáng)，腦電復(fù)雜度高。隨著睡眠的深入，腦電活動(dòng)減弱，復(fù)雜度降低，腦電樣本熵值減小，到REM期時(shí)，大腦開(kāi)始做夢(mèng)，腦電活動(dòng)增強(qiáng)，復(fù)雜度又開(kāi)始增加，樣本熵開(kāi)始增大。由此表明EEG樣本熵在睡眠各期差異明顯，能夠進(jìn)一步表明睡眠結(jié)構(gòu)信息。因此，采用以上六個(gè)特征參數(shù)作為分類(lèi)器的輸入，進(jìn)行睡眠階段的分類(lèi)識(shí)別具有較強(qiáng)的理論支持。

2.4、分類(lèi)結(jié)果與分析

提取slp32、slp41、slp45、slp48樣本整夜睡眠數(shù)據(jù)(slp32共640組、slp41共780組、slp45共755組、slp48共760組)的六個(gè)特征屬性：EEG的α、β、θ、δ波能量比、樣本熵和EMG高頻部分能量比，把樣本slp45和slp48的特征參數(shù)混合，組成共有1515組特征的樣本，其中70％(1062組)作為訓(xùn)練樣本，用來(lái)建立SVM睡眠分類(lèi)模型，剩余30％作為測(cè)試集，用來(lái)測(cè)試分類(lèi)準(zhǔn)確性，分別用slp32、slp41兩個(gè)樣本測(cè)試該模型的泛化能力。

為驗(yàn)證該方法的優(yōu)越性，設(shè)計(jì)兩種方法對(duì)比實(shí)驗(yàn)：基于單EEG的睡眠分類(lèi)方法和基于EEG和EMG相結(jié)合的睡眠分類(lèi)方法。兩種方法的分類(lèi)效果對(duì)比如表3所示，各睡眠階段的平均準(zhǔn)確率如圖5所示，其準(zhǔn)確度的平均提高率如表4所示。

為了進(jìn)一步驗(yàn)證該方法的泛化能力，本實(shí)驗(yàn)采用交叉驗(yàn)證法對(duì)不同樣本進(jìn)行訓(xùn)練和測(cè)試。由表3可以看出樣本slp32沒(méi)有REM期，所以容易造成誤判，導(dǎo)致測(cè)試樣本的準(zhǔn)確率降低，所以在本次實(shí)驗(yàn)中剔除slp32樣本。該實(shí)驗(yàn)步驟如下：首先分別取slp41、slp45、slp48單個(gè)樣本作訓(xùn)練集，然后用該訓(xùn)練后的模型測(cè)試剩余兩個(gè)樣本，實(shí)驗(yàn)結(jié)果如表4所示。

表3加入EMG與不加入EMG的睡眠自動(dòng)分期結(jié)果對(duì)比

表4加入EMG后各睡眠階段準(zhǔn)確度的平均提高率

表5基于EEG和EMG多特征的睡眠分期方法的泛化能力測(cè)試結(jié)果

表3顯示了本案所設(shè)計(jì)的基于EEG和EMG多特征的睡眠分期效果較好，總體準(zhǔn)確率可以達(dá)到92.94％，優(yōu)于現(xiàn)有技術(shù)中的睡眠分期方法，且通過(guò)樣本slp32和slp41測(cè)試，平均準(zhǔn)確率也可以達(dá)到88.44％。

通過(guò)圖5和表4可以看出，在添加EMG前，REM期準(zhǔn)確率最高，N2期次之，N1和N3的分期準(zhǔn)確率最低；在添加EMG后，對(duì)覺(jué)醒期的影響最大，準(zhǔn)確率提高6.31％，其次是REM期，這兩個(gè)睡眠階段準(zhǔn)確率都達(dá)到了94.45％以上；在添加EMG后，對(duì)N1和N2的影響最小，所以提高N1和N2期準(zhǔn)確率仍然是后續(xù)研究的重點(diǎn)方向。總體來(lái)看，加入EMG后睡眠分期準(zhǔn)確率平均提高3.96％，說(shuō)明通過(guò)提取EMG的高頻成分能量比可以有效提高睡眠分期的準(zhǔn)確率。

通過(guò)表5的泛化能力測(cè)試可知，對(duì)于不同樣本間的交叉建模驗(yàn)證效果較理想，平均準(zhǔn)確率達(dá)82.68％，相較于現(xiàn)有技術(shù)的算法，基于多信號(hào)融合的睡眠分期具有一定的泛化能力。

盡管本發(fā)明的實(shí)施方案已公開(kāi)如上，但其并不僅僅限于說(shuō)明書(shū)和實(shí)施方式中所列運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。