基于腦電節律樣本熵的單導腦電睡眠分期算法研究

重慶郵電大學光電工程學院 張由明 林金朝

第三軍醫大學第三附屬醫院野戰外科研究所 吳寶明 嚴博文

基于腦電節律樣本熵的單導腦電睡眠分期算法研究

重慶郵電大學光電工程學院 張由明 林金朝

第三軍醫大學第三附屬醫院野戰外科研究所 吳寶明 嚴博文

研究一種新的睡眠分期前期特征值提取的方法。利用小波變換對睡眠數據進行去噪，并通過小波分解與重構提取β節律和δ節律波，使用樣本熵算法分別處理β節律和δ節律波，并整合結果獲得特征參數。對來自MIT-BIH中的Sleep-EDF Database的六組數據進行計算，獲得對應的樣本熵值，從數值可看出每組數據中各期之間的差異。本文提出的結合腦電節律、單導腦電信號以及樣本熵算法可獲得高分期率的特征點，為睡眠分期奠定了基礎，同時也為腦電睡眠分期提供新的途徑。

腦電節律；單導腦電信號；樣本熵；小波變換

0 引言

根據Rechtschaffen等制定的 R&K 分期標準[1]，睡眠可分為六期：清醒期，非快速眼動期（non-rapid eye movement， NREM，分為 1期、2期、3期、4期），和快速眼動期( rapid eye movement，REM) 。目前，根據2007美國睡眠醫學會（American Academy of Sleep Medicine，AASM）在眾多專家的共同努力下，經多方研究與論證制定了新的睡眠判讀指南[2]。新指南沿用了舊標準中有關睡眠分期的基本劃分規則，但將NREM睡眠中的3期與4期合稱為NREM3期睡眠（深度睡眠），不再對其進行進一步劃分。又由于大部分的睡眠分期方法都存在NREM1期分期率低的問題[3]，且NREM1期在整個睡眠中只占[4]，所以本文就把NREM1期和NREM2期合并成淺睡期。

本文的處理流程如圖1所示。首先對于采取到的腦電信號先進行小波去噪[5]；然后通過小波分解提取EEG的腦電節律，最后利用樣本熵算法來處理提取出的腦電節律得到所需要的特征參數。這些特征參數將為最終的睡眠分期奠定了基礎。

圖1 腦電信號處理流程圖

圖2 原始信號和小波去噪后的信號

1 腦電數據的預處理與腦電節律的提取

本文使用的EEG數據均來自MIT-BIH中的Sleep-EDF Database，此數據庫中的腦電信號包括兩路EEG數據（Fpz-Cz和Pz-Oz）,采樣頻率都是100Hz[6]，本文采用Fpz-Cz端數據進行實驗分析。

為了消除外界因素的干擾，需要對腦電進行前期的預處理，經過多次試驗得出本文采用基于db6的2層去噪方法，去噪前后的對比如圖2 所示。

按照頻率特性來劃分，腦電信號主要由δ節律(0.5-3Hz)、θ節律(4-8Hz)、α節律(8-13Hz)、β節律(13-30Hz)組成，其次還包括紡錘波、鋸齒波和K復合波。如圖3所示，實驗數據來自NREM1期，采用基于db6的5層小波分解來獲得此信號的低頻系數，并對所需低頻系數進行重構，即可獲得所需的腦電節律[7]。

圖3 腦電信號的基本節律

2 腦電節律的選取

不同的睡眠期會出現不同的特征波。其對應關系如表1所示。

從表1中可以看書：α和β節律出現在REM期和清醒期，所以對α和β節律分析可NREM期和清醒期與REM期區分開；δ節律只出現在深度睡眠期，θ節律出現在REM期和淺睡期，所以對δ節律或θ節律分析可把NREM期內的淺睡期和深睡期區分開。根據多次實驗比較，對β節律和δ節律進行處理是結果準確率更高。

表1 睡眠期與腦電節律的對應關系

3 樣本熵計算特征點

文中為了減少睡眠分期的連貫性、獲得更多的詳細信息，采用重疊窗口數據分割方案。如圖4所示，這里的每段窗口大小為10秒，并使用5秒大小的窗口重疊，分段順序如圖4所示。實驗表明，這種選擇在具有合理計算能力的大多數情況下工作良好。

圖4 重疊窗口的數據分割

按照上述方法對六組數據進行數據分割以及樣本熵[8]計算，計算結果如表2所示，對應的數據分別是β節律和δ節律的樣本熵均值。

從睡眠規律的角度來看，隨著睡眠的深入，β節律和δ節律的樣本熵值逐漸增大，即β節律和δ節律復雜性增強。當人處于深度睡眠時，腦部活動極其復雜，所樣本熵值最大。而從樣本熵均值的角度來看，睡眠各期腦電節律β節律和δ節律樣本熵均值都不相等，即在不同睡眠狀態下的腦電節律β節律和δ節律的樣本熵值波動范圍小，總能找出任一個睡眠期與其他睡眠期的β節律和δ節律樣本熵均值不相等，并且能較容易區分不同的睡眠狀態。綜上，通過腦電節律樣本熵的方法可以用來區分睡眠的各個分期。

表2 多組數據β節律/δ節律樣本熵均值

4 結束語

與腦電的非線性分析方法比較，本文提出的方法可以更細致地對不同睡眠狀態下腦電基本節律的變化進行分析；同時睡眠各期的腦電節律 β節律和δ節律樣本熵均值的大小不相等，可以用來區分睡眠各分期，為睡眠分期提供了新的途徑。利用樣本熵對單通道睡眠腦電進行分期的研究,可為其他信號的特征提取提供理論與實驗依據, 也為利用腦電信號進行監護與治療提供了一種可行的方法。

[1]Rechtschaffen A,Kales A.A Manual of Standardized Terminology,Techniques and Scoring System for Sleep Stages of Human Subject[M].Washington DC,USA:NIH Publication,1968.

[2]王菡僑.有關美國睡眠醫學學會睡眠分期的最新判讀標準指南解析[J].診斷學理論與實踐,2009,8(6):575-578.

[3]Liang SF,Kuo CE,Hu YH,et al.Automatic stage scoring of single-channel sleep EEG by using multiscale entropy and autoregressive models[J].IEEE Transaction on Instrumentation and Measureme nt,2012,61(6):1649-1657.

[4]Hsu YL,Yang YT,Wang JS,et al.Automatic sleep stage recurrent neural classifier using energy features of EEG signals[J]. Neurocomputing,2013,104:105-114．

[5]王巧蘭,季忠,秦樹人.基于小波變換的腦電噪聲消除方法[J].重慶大學學報:自然科學版,2005,28(7):15-17.

[6]Kemp B.The Sleep-EDF Database[J].2009.http://www. physionet.org/physiobank/database/sleep-edf/．

[7]李亞品,羅曉曙等.基于DHWPT的腦電基本節律特征提取[J].廣西師范大學學報,2006,24(3):9-12.

[8]燕楠,王址等.基于樣本墑注意力腦電特征信息提取與分類[J].西安交通大學學報,2007,41(10):1237-1241.

張由明（1989—），安徽蕪湖人，碩士研究生，現就讀于重慶郵電大學。

林金朝（1966—），四川蓬溪人，博士，教授，現就職于重慶郵電大學，主要研究方向：無線通信系統與數字醫療系統及其交叉領域的理論、技術、方法和應用研究。

嚴博文（1986—），重慶云陽人，實習研究員，現就職于第三軍醫大學第三附屬醫院野戰外科研究所，主要研究方向：遠程醫療系統研究。

吳寶明【通訊作者】（1962—），江蘇蘇州人，博士，研究員，現就職于第三軍醫大學第三附屬醫院野戰外科研究所，主要研究方向：生物醫學信號檢測處理、智能醫學儀器、野戰救護信息化技術與裝備。

圖4 公交車的當前位置

4 結語

本文利用成熟的ZigBee網絡技術，在城市乘車密集點，進行智能化公交站的合理布控。采用Mini2440嵌入式開發板搭載Linux系統，不僅對于后期的功能擴張有很大幫助，而且體積小、便捷，易于安裝在公交站的廣告位；且占用面積小。利用ZigBee中的定位技術，實現定位和數據傳輸，建立起以公交站為中心的自助查詢、智能候車的系統。

參考文獻

[1]樊冰,孫文勝.ZigBee技術及其應用研究[J].大眾科技,2007(6):31-32.

[2]張輝宜,陶永.智能公交系統的設計與實現[J].中國儀器儀表,2007(11):46-48.

[3]李萌.基于物聯網的智能公交系統的設計與實現[J].科技創業家,2013(11):240.

[4]李英,周偉,郭世進.上海公共交通網絡復雜性分析[J].系統工程,2007(1):38-41.

[5]龍安國.基于GPS/GPRS的智能公交系統的設計與實現[J].通信技術,2009(1):326-327.

[6]朱開宇,劉佳宇,安永麗,王文轅,王烽源.基于ZigBee的城市智能公交網絡系統[J].單片機與嵌入式系統應用,2008(03).

作者簡介：

楊雨（1995—），男，重慶大足人，大學本科，研究方向：無線傳感網絡、物聯網技術。

李志（1984—），男，四川遂寧人，研究生，講師，研究方向：無線傳感網絡、物聯網技術。

陳英（1992—），女，重慶人，大學本科，研究方向：無線傳感網絡、物聯網技術。