夢魘喚醒系統(tǒng)的特征信號分析

王琨琦 劉 穎 陳世杰

（西安工業(yè)大學機電工程學院，陜西 西安710021）

目前，國內(nèi)外對夢魘的研究甚少，尚沒有解決夢魘這一睡眠障礙的醫(yī)療器械。對夢魘發(fā)生時的機理快速眼動（REM）睡眠期提早出現(xiàn)和呼吸的節(jié)律特性進行分析，探求夢魘時的特征信號[1-2]。為了研究夢魘發(fā)生時的自主喚醒的特征信號，對夢魘發(fā)生時的各種信號進行分析，發(fā)生夢魘時的特征信號主要為脈搏信號、快速眼動信號、腦電信號(EEG)和心電信號以及粗重呼吸信號。當脈搏信號作為特征信號，采用脈壓測量法進行測量[3]，容易受各種因素的干擾，同時會對使用者造成壓迫，易產(chǎn)生錯誤的信號；用腦電信號作為特征信號時，需要在頭皮上安放電極[4]不但會對使用者造成壓迫，而且采集過程比較復(fù)雜，會發(fā)生誤判。國外知名睡眠研究專家霍夫德認為用REM睡眠活動產(chǎn)生夢境來解釋夢魘并不恰當。他指出，快速眼動期的睡眠的所有情況均為腦血流及代謝增加，心率加快，呼吸急促且不規(guī)律，血壓上升，體溫升高，而且各個睡眠期的快速眼動情況都一樣[5-6]，快速眼動期不能為夢魘提供準確的參考價值。當人發(fā)生夢魘時可自主控制呼吸，讓呼吸粗重而急促，這樣便可作為明顯區(qū)別于正常睡眠、做夢期和清醒狀態(tài)的特征信號，既不會造成誤喚，又達到喚醒被困患者的目的。因此，采用呼吸信號作為夢魘特征信號。

1 夢魘喚醒信號總體功能

為了進行呼吸音信號分析，需要把非呼吸音信號濾掉，因此采用了類周期法對呼吸音信號進行去噪。首先利用MEMS音頻傳感器采集夢魘時的呼吸信號,該音頻傳感器能直接將采集到模擬信號轉(zhuǎn)換成數(shù)字信號進行呼吸信號的判斷，利用呼吸節(jié)律的判斷方法，判斷采集到的信號是否為呼吸信號，若為呼吸信號，將信號進行短時傅里葉變換，在進行功率譜密度分析，繪制出頻譜圖，然后判斷是否為夢魘時的粗重呼吸信號，如果是則確定為夢魘，在進行下一部分的喚醒工作。

2 夢魘特征信號的分析方法

對夢魘特征信號即呼吸信號的分析方法有許多，比如短時傅里葉變換（STFT）、小波變換、神經(jīng)網(wǎng)絡(luò)法等等。短時傅里葉變換用來分析分段平穩(wěn)信號或者近似平穩(wěn)信號。小波變換分析信號頻率時可以時間、頻率同時定位，這適用于非平穩(wěn)信號。小波變換法具有良好的時頻局域化性，檢驗準確性高，但計算量大，不適于實時處理。神經(jīng)網(wǎng)絡(luò)能夠較好地實現(xiàn)判別結(jié)果，但訓練時間較長，實際應(yīng)用效果不佳。

因為呼吸音信號從整體來看是一個非平穩(wěn)過程信號，不能用處理平穩(wěn)信號的進行分析處理。但是呼吸音信號在一個節(jié)律一半左右的區(qū)間內(nèi)基本平穩(wěn)。所以，可以采用短時傅里葉變換對夢魘特征信號進行分析，確定特征信號的頻率和幅值范圍。

3 信號的分析

信號的分析過程主要包括信號采集，節(jié)律分析和信號時頻域特征信息的提取。

3.1 信號的呼吸節(jié)律分析

本文根據(jù)呼吸信號的節(jié)律特性（類周期性）對采集到的呼吸信號進行分析、比較，確定采集到的呼吸信號的節(jié)律范圍。為了提取呼吸信號的節(jié)律特性，對呼吸信號進行采集后，進行A/D轉(zhuǎn)換，解調(diào)、濾波，進行采樣，然后根據(jù)每64個采樣值的幅值求平均，比較之后，確定峰值，確定節(jié)律時間。

通過類周期法，可以分析出采集到的呼吸信號的節(jié)律范圍呼吸周期為3-6秒，并且每個周期內(nèi)的峰值大小幾乎保持一致。而其他的噪音信號，不具有節(jié)律特征，并且峰值大小也隨時進行改變。根據(jù)這個節(jié)律范圍可以排除其他噪音信號的干擾。

3.2 呼吸信號的采集

由于錄入夢魘時發(fā)出的粗重呼吸聲比較困難；然而夢魘時發(fā)出的粗重呼吸聲與清醒時發(fā)出的粗重呼吸聲特征類似，所以采用清醒時發(fā)出的粗重呼吸聲作為特征信號，進行分析。采用Cool Edit分別錄入平穩(wěn)信號和粗重信號。

3.3 夢魘呼吸音信號的分析

進行數(shù)字信號處理通常分析呼吸音信號是看它的頻域特征，從它的頻域特征圖上能夠提取出更多有效的特征量。所以，對這一新信號進行頻譜分析，獲得頻譜圖，得到特征信號。

3.3.1 基于短時傅里葉變換的特征信號的提取

Matlab中的短時傅里葉變換的函數(shù)是一種頻域分析法，能很好地刻畫信號的頻率特性。它能夠分析出語音信號的頻譜特性，能夠從中提取出特征信息。對呼吸音信號的分析原理主要是短時傅里葉變換，離散信號x(n)的短時傅里葉變換公式為：

其中ω(n)是實數(shù)窗序列，xn(Ejω)既是ω的函數(shù)，也是n的函數(shù)。離散的短時傅里葉變換令ω=2πk/N，0≤k≤N-1其公式如下：

對呼吸音信號進行短時傅里葉變換后，利用功率譜密度函數(shù)，求出功率譜然后再根據(jù)功率譜與短時傅里葉變換的關(guān)系，繪畫出頻譜圖。

本文利用Matlab中的短時傅里葉變換分別畫出單個節(jié)律平穩(wěn)信號和粗重信號的時域圖和頻譜圖，如圖1、圖2所示：

3.3.2 特征信號提取結(jié)果與特征分析

圖1(a)單個節(jié)律平穩(wěn)呼吸音信號的時域圖，圖2(a)表示的是單個節(jié)律粗重呼吸音信號的時域圖。經(jīng)過對比圖1(a)與圖2(a)，可以得出，在相同的時間內(nèi)，兩種信號的幅值隨時間變化，但是兩種信號變化的幅值大小不一樣。通過幅值的節(jié)律性變化，根據(jù)兩種信號的幅值不同的范圍來確定頻率范圍。圖1(b)為單個節(jié)律平穩(wěn)呼吸音信號的頻譜圖，圖2(b)為單個節(jié)律粗重呼吸音信號的頻譜圖，通過圖1(b)與圖2(b)的對比，可以得出平穩(wěn)呼吸音信號的頻率在0～300 Hz時，幅值為0～5mV；而粗重呼吸音信號的頻率在0～300 Hz時，幅值為50～220mV，最終得出夢魘喚醒系統(tǒng)的特征信號頻率范圍為0～300 Hz，幅值為50～220mV。多次對比，誤差在15%范圍內(nèi)，所以最終結(jié)果為頻率范圍為0～300Hz，幅值為 50～220mV。

4 結(jié)論

（1）通過比較夢魘發(fā)生時產(chǎn)生的各種信號，確定了自主喚醒的呼吸音信號作為夢魘喚醒系統(tǒng)的特征信號。

（2）提出了呼吸節(jié)律分析法，對呼吸音信號中的噪聲信號進行了剔除，以確保將要分析的信號為呼吸音信號。

（3）采用類周期法對采集到的呼吸信號進行呼吸節(jié)律的分析，確定呼吸信號的節(jié)律范圍為3-6秒，排除其他信號的干擾。采用MATLAB軟件對粗重呼吸音信號和平穩(wěn)呼吸音信號做短時傅里葉變換，進行頻域?qū)Ρ确治觯@得粗重呼吸音信號頻率范圍為0～300Hz，幅值為50～220mV。

［1］翁暉亮.夢魘[J].健康博覽,2004(01):39.Weng Huiliang.Nightmare[J].Health Expo,2004(01):39.

［2］王亞威,侯安會.夢魔發(fā)病機制的中西醫(yī)結(jié)合探討[C]//北京:中國睡眠研究會,第三屆中國睡眠醫(yī)學論壇論文匯編.2009:19-21.Wang Yawei,Hou Anhui.To explore the pathogenesis of traditional Chinese medicine and Western medicine combined with nightmare[C]//The third China sleeping medicine BBS proceedings.2009:19-21.

［3］王家慶.脈搏信號處理方法研究與脈搏測量系統(tǒng)設(shè)計[D].北京:北京工業(yè)大學,2006,04.Wang Jiaqing.Research of pulse signal processing methods and design of pulse measuring system.Beijing University of Technology,2006,04.

［4］馬穎穎.腦電信號的特征提取及睡眠分期方法研究[D].西安:西北工業(yè)大學,2007.Ma Yingying.The feature extraction of EEG and sleep staging study[D].Northwestern Polytechnical University,2007.

［5］胡丹波.快速眼動睡眠相關(guān)性睡眠障礙[J].繼續(xù)醫(yī)學教育,2006-02-28.Hu Danbo.Rapid eye movement sleep related sleep disorders[J].Continuing Medical Education,2006.

［6］James Allan Cheyne,Gordon Pennycook.Sleep Paralysis Postepisode Distress:Modeling Potential Effects of Episode Characteristics,General Psychological Distress,Beliefs,and Cognitive Style[J].Clinical Psychological Science,2013-02-12.