基于腦電節(jié)律樣本熵的單導(dǎo)腦電睡眠分期算法研究

重慶郵電大學(xué)光電工程學(xué)院 張由明 林金朝

第三軍醫(yī)大學(xué)第三附屬醫(yī)院野戰(zhàn)外科研究所 吳寶明 嚴(yán)博文

基于腦電節(jié)律樣本熵的單導(dǎo)腦電睡眠分期算法研究

重慶郵電大學(xué)光電工程學(xué)院 張由明 林金朝

第三軍醫(yī)大學(xué)第三附屬醫(yī)院野戰(zhàn)外科研究所 吳寶明 嚴(yán)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(duì)睡眠數(shù)據(jù)進(jìn)行去噪，并通過(guò)小波分解與重構(gòu)提取β節(jié)律和δ節(jié)律波，使用樣本熵算法分別處理β節(jié)律和δ節(jié)律波，并整合結(jié)果獲得特征參數(shù)。對(duì)來(lái)自MIT-BIH中的Sleep-EDF Database的六組數(shù)據(jù)進(jìn)行計(jì)算，獲得對(duì)應(yīng)的樣本熵值，從數(shù)值可看出每組數(shù)據(jù)中各期之間的差異。本文提出的結(jié)合腦電節(jié)律、單導(dǎo)腦電信號(hào)以及樣本熵算法可獲得高分期率的特征點(diǎn)，為睡眠分期奠定了基礎(chǔ)，同時(shí)也為腦電睡眠分期提供新的途徑。

腦電節(jié)律；單導(dǎo)腦電信號(hào)；樣本熵；小波變換

0 引言

根據(jù)Rechtschaffen等制定的 R&K 分期標(biāo)準(zhǔn)[1]，睡眠可分為六期：清醒期，非快速眼動(dòng)期（non-rapid eye movement， NREM，分為 1期、2期、3期、4期），和快速眼動(dòng)期( rapid eye movement，REM) 。目前，根據(jù)2007美國(guó)睡眠醫(yī)學(xué)會(huì)（American Academy of Sleep Medicine，AASM）在眾多專家的共同努力下，經(jīng)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(biāo)準(zhǔn)中有關(guān)睡眠分期的基本劃分規(guī)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(duì)其進(jìn)行進(jìn)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(wèn)題[3]，且NREM1期在整個(gè)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(duì)于采取到的腦電信號(hào)先進(jìn)行小波去噪[5]；然后通過(guò)小波分解提取EEG的腦電節(jié)律，最后利用樣本熵算法來(lái)處理提取出的腦電節(jié)律得到所需要的特征參數(shù)。這些特征參數(shù)將為最終的睡眠分期奠定了基礎(chǔ)。

圖1 腦電信號(hào)處理流程圖

圖2 原始信號(hào)和小波去噪后的信號(hào)

1 腦電數(shù)據(jù)的預(yù)處理與腦電節(jié)律的提取

本文使用的EEG數(shù)據(jù)均來(lái)自MIT-BIH中的Sleep-EDF Database，此數(shù)據(jù)庫(kù)中的腦電信號(hào)包括兩路EEG數(shù)據(jù)（Fpz-Cz和Pz-Oz）,采樣頻率都是100Hz[6]，本文采用Fpz-Cz端數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。

為了消除外界因素的干擾，需要對(duì)腦電進(jìn)行前期的預(yù)處理，經(jīng)過(guò)多次試驗(yàn)得出本文采用基于db6的2層去噪方法，去噪前后的對(duì)比如圖2 所示。

按照頻率特性來(lái)劃分，腦電信號(hào)主要由δ節(jié)律(0.5-3Hz)、θ節(jié)律(4-8Hz)、α節(jié)律(8-13Hz)、β節(jié)律(13-30Hz)組成，其次還包括紡錘波、鋸齒波和K復(fù)合波。如圖3所示，實(shí)驗(yàn)數(shù)據(jù)來(lái)自NREM1期，采用基于db6的5層小波分解來(lái)獲得此信號(hào)的低頻系數(shù)，并對(duì)所需低頻系數(shù)進(jìn)行重構(gòu)，即可獲得所需的腦電節(jié)律[7]。

圖3 腦電信號(hào)的基本節(jié)律

2 腦電節(jié)律的選取

不同的睡眠期會(huì)出現(xiàn)不同的特征波。其對(duì)應(yīng)關(guān)系如表1所示。

從表1中可以看書：α和β節(jié)律出現(xiàn)在REM期和清醒期，所以對(duì)α和β節(jié)律分析可NREM期和清醒期與REM期區(qū)分開；δ節(jié)律只出現(xiàn)在深度睡眠期，θ節(jié)律出現(xiàn)在REM期和淺睡期，所以對(duì)δ節(jié)律或θ節(jié)律分析可把NREM期內(nèi)的淺睡期和深睡期區(qū)分開。根據(jù)多次實(shí)驗(yàn)比較，對(duì)β節(jié)律和δ節(jié)律進(jìn)行處理是結(jié)果準(zhǔn)確率更高。

表1 睡眠期與腦電節(jié)律的對(duì)應(yīng)關(guān)系

3 樣本熵計(jì)算特征點(diǎn)

文中為了減少睡眠分期的連貫性、獲得更多的詳細(xì)信息，采用重疊窗口數(shù)據(jù)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(shí)驗(yàn)表明，這種選擇在具有合理計(jì)算能力的大多數(shù)情況下工作良好。

圖4 重疊窗口的數(shù)據(jù)分割

按照上述方法對(duì)六組數(shù)據(jù)進(jìn)行數(shù)據(jù)分割以及樣本熵[8]計(jì)算，計(jì)算結(jié)果如表2所示，對(duì)應(yīng)的數(shù)據(jù)分別是β節(jié)律和δ節(jié)律的樣本熵均值。

從睡眠規(guī)律的角度來(lái)看，隨著睡眠的深入，β節(jié)律和δ節(jié)律的樣本熵值逐漸增大，即β節(jié)律和δ節(jié)律復(fù)雜性增強(qiáng)。當(dāng)人處于深度睡眠時(shí)，腦部活動(dòng)極其復(fù)雜，所樣本熵值最大。而從樣本熵均值的角度來(lái)看，睡眠各期腦電節(jié)律β節(jié)律和δ節(jié)律樣本熵均值都不相等，即在不同睡眠狀態(tài)下的腦電節(jié)律β節(jié)律和δ節(jié)律的樣本熵值波動(dòng)范圍小，總能找出任一個(gè)睡眠期與其他睡眠期的β節(jié)律和δ節(jié)律樣本熵均值不相等，并且能較容易區(qū)分不同的睡眠狀態(tài)。綜上，通過(guò)腦電節(jié)律樣本熵的方法可以用來(lái)區(qū)分睡眠的各個(gè)分期。

表2 多組數(shù)據(jù)β節(jié)律/δ節(jié)律樣本熵均值

4 結(jié)束語(yǔ)

與腦電的非線性分析方法比較，本文提出的方法可以更細(xì)致地對(duì)不同睡眠狀態(tài)下腦電基本節(jié)律的變化進(jìn)行分析；同時(shí)睡眠各期的腦電節(jié)律 β節(jié)律和δ節(jié)律樣本熵均值的大小不相等，可以用來(lái)區(qū)分睡眠各分期，為睡眠分期提供了新的途徑。利用樣本熵對(duì)單通道睡眠腦電進(jìn)行分期的研究,可為其他信號(hào)的特征提取提供理論與實(shí)驗(yàn)依據(jù), 也為利用腦電信號(hào)進(jìn)行監(jiān)護(hù)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(guān)美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)睡眠分期的最新判讀標(biāo)準(zhǔn)指南解析[J].診斷學(xué)理論與實(shí)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(xué)學(xué)報(bào):自然科學(xué)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(jié)律特征提取[J].廣西師范大學(xué)學(xué)報(bào),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(xué)學(xué)報(bào),2007,41(10):1237-1241.

張由明（1989—），安徽蕪湖人，碩士研究生，現(xiàn)就讀于重慶郵電大學(xué)。

林金朝（1966—），四川蓬溪人，博士，教授，現(xiàn)就職于重慶郵電大學(xué)，主要研究方向：無(wú)線通信系統(tǒng)與數(shù)字醫(yī)療系統(tǒng)及其交叉領(lǐng)域的理論、技術(shù)、方法和應(yīng)用研究。

嚴(yán)博文（1986—），重慶云陽(yáng)人，實(shí)習(xí)研究員，現(xiàn)就職于第三軍醫(yī)大學(xué)第三附屬醫(yī)院野戰(zhàn)外科研究所，主要研究方向：遠(yuǎn)程醫(yī)療系統(tǒng)研究。

吳寶明【通訊作者】（1962—），江蘇蘇州人，博士，研究員，現(xiàn)就職于第三軍醫(yī)大學(xué)第三附屬醫(yī)院野戰(zhàn)外科研究所，主要研究方向：生物醫(yī)學(xué)信號(hào)檢測(cè)處理、智能醫(yī)學(xué)儀器、野戰(zhàn)救護(hù)信息化技術(shù)與裝備。

圖4 公交車的當(dāng)前位置

4 結(jié)語(yǔ)

本文利用成熟的ZigBee網(wǎng)絡(luò)技術(shù)，在城市乘車密集點(diǎn)，進(jìn)行智能化公交站的合理布控。采用Mini2440嵌入式開發(fā)板搭載Linux系統(tǒng)，不僅對(duì)于后期的功能擴(kuò)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(shù)，實(shí)現(xiàn)定位和數(shù)據(jù)傳輸，建立起以公交站為中心的自助查詢、智能候車的系統(tǒng)。

參考文獻(xiàn)

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

[2]張輝宜,陶永.智能公交系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)儀器儀表,2007(11):46-48.

[3]李萌.基于物聯(lián)網(wǎng)的智能公交系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].科技創(chuàng)業(yè)家,2013(11):240.

[4]李英,周偉,郭世進(jìn).上海公共交通網(wǎng)絡(luò)復(fù)雜性分析[J].系統(tǒng)工程,2007(1):38-41.

[5]龍安國(guó).基于GPS/GPRS的智能公交系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].通信技術(shù),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(wǎng)絡(luò)系統(tǒng)[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用,2008(03).

作者簡(jiǎn)介：

楊雨（1995—），男，重慶大足人，大學(xué)本科，研究方向：無(wú)線傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)技術(shù)。

李志（1984—），男，四川遂寧人，研究生，講師，研究方向：無(wú)線傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)技術(shù)。

陳英（1992—），女，重慶人，大學(xué)本科，研究方向：無(wú)線傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)技術(shù)。