基于頻域分析與統計計算的自動睡眠分期研究

陳濤

（佛山職業技術學院，廣州佛山，528000）

0 引言

睡眠是一項非常重要的生理活動。人類有1/3 的時間是在睡眠中度過。睡眠質量與身心健康有著密切的關聯。好的睡眠質量有助于放松大腦，緩解疲勞，促進健康；反之則容易造成倦怠乏力，注意力不集中，嚴重者可引發焦躁、抑郁等疾病，損害身心健康[1]。研究表明，睡眠質量的改善可以通過在特定的睡眠時期施加適當的外界干預實現[2-3]。因此，正確識別睡眠時期具有重要的意義。

依照Rechtschaffe 和Kales（簡稱R&K）分期準則，睡眠過程分為清醒期（Wakefulness,W）、非快速眼動期（Non-Rapid Eye Movement，NREM）和快速眼動期（Rapid Eye Movement，REM）[4]。其中，NREM 期可具體劃分為非快速眼動1 期（N1），非快速眼動2 期（N2），非快速眼動3 期（N3）和非快速眼動4 期（N4）。2007 年，美國睡眠醫學會（AASM）對R&K 睡眠分期準則進行修訂，將N1 期和N2 期整合為淺睡期（Light Sleep，LS）,N3 期和N4 期整合為深睡期（Slow Wave Sleep，SWS）[5]。本文遵照AASM 的睡眠分期標準。睡眠分期結構圖如圖1 所示。

圖1 睡眠分期結構圖

傳統的睡眠分期依靠睡眠專家標定實現。健康成年人整晚的睡眠時間為7～8h，相應的標定工作需要2～4 h，耗時久，工作量大，而且不同睡眠專家的判讀結果常存在出入，無法保證一致性。因此，發展自動睡眠分期算法具有重要的意義。

現階段，睡眠分期研究已經取得了一定的進展。Liang等[6]研究20 位受試者的睡眠腦電（Elect roencephalogram，EEG）信號,提取多尺度熵（Multiscale Entropy）、自回歸模型（Autoregressive Model）作為特征，使用線性判別分類器（Linear Discriminant Analysis）對睡眠階段5 分類，準確率76.91%；Rodriguez 等[7]研究39 位受試者的睡眠EEG 信號，提取分形維數(Fractal Dimension，FD)、去趨勢流動分析(Detrended Fluctuation Analysi，DFA)、香農熵(Shannon entropy，H)、近似熵(Approximate entrop，ApEn)、樣本熵(Sample Entrop，SampEn)以及多尺度熵(Multiscale Entropy,MSE)等特征，基于K-均值聚類算法對睡眠階段5 分類，準確率76.8%；Liang 等[8]研究4 位受試者的睡眠EEG 信號，提取功率譜（Power Spectrum），功率比（Power Ratio），譜頻率（Spectral Frequency）和時間比率（Duration Ratio）作為特征，使用帶有平滑規則的決策樹（Decision Tree）分類器對睡眠階段5 分類,準確率77.98%；Fraiwan[9]等研究16 位受試者的睡眠EEG 信號，應用Choi-Williams 分布提取Delta、Theta、Alpha 等節律波的能量譜特征，結合隨機森林分類器對睡眠階段5 分類，準確率78%；Flexer[10]等研究40 位受試者的睡眠EEG 信號，利用隱馬爾科夫模型(Hidden Markov Model，HMM)對睡眠階段3 分類，準確率接近80%。

本文提出了基于頻域分析與統計計算的自動睡眠分期算法。應用小波變換對原始腦電信號進行去噪，傅里葉變換提取頻譜特征，統計分析提取均值等特征，運用支持向量機（Support Vector Machine,SVM）對復合特征進行分類識別，達到了快速準確的分期效果。

1 算法描述

■1.1 實驗數據獲取

本文的睡眠腦電（Electroencephalogram，EEG）信號數據來自美國麻省理工大學BIH 生理信息庫中的Sleep-EDF 數據庫[11]。選擇10 位健康成年人作為研究對象，年齡21 ? 35歲，無病史。睡眠腦電數據統一標識格式為SC4ssnE0，其中ss 對應對象標號（0 ≤ ss ≤ 82）；n對應記錄的夜晚標號（1 或2）。數據采樣頻率100Hz，波幅單位μV，記錄時長20h，參考導聯Fpz?Cz、Pz?Oz。睡眠分期結果已由專家人工標注。

■1.2 特征提取及分類

1.2.1 EEG 信號預處理

由于睡眠EEG 信號極其微弱，容易受到眼電（Electrooculogram,EOG）、肌電（Electromyogram,EMG）等噪聲信號的干擾，因此需要對原始的EEG 信號進行去噪預處理。小波變換是在傅里葉變換的基礎上發展起來的一種時頻域分析方法，在處理非平穩信號方面，具有良好的時頻特性，廣泛應用于腦電信號的處理[12,13]。

通過實驗對比，當使用db4 小波基，分解層數為7，依據無偏風險閾值估計準則（Rigrsure regulation）篩選小波系數時，EEG 信號的高頻和低頻信息保留最為完整，去噪效果最理想。圖2 是依據上述方法對30 s EEG 信號去噪后的結果。

圖2 原始EEG 信號和降噪后EEG 信號波形圖

1.2.2 頻譜特征提取

頻譜能量特征是EEG 信號中的重要特征參數。小波變換，傅里葉變換、Hilbert-Huang 變換，Wingner-Ville 分布以及Choi-Williams 分布等都是典型的EEG 信號頻譜能量分析方法。本文以傅里葉變換為基礎，提取睡眠EEG 信號能量特征[14]。

(1)頻譜中心值（Spectral centroid,Sc）

(2)頻譜寬度值（Spectral width,Sw）

(3)頻譜不對稱值（Spectral asymmetry,Sa）

(4)頻譜平坦度值（Spectral flatness,Sk）

(5)頻譜平坦度值（Spectrum flatness,SF）

(6)頻譜斜率（Spectral slop,Ss）

(7)頻譜衰減率（Spectral decrease,Sd）

ak代表信號做傅里葉變換后，的頻率值對應的頻譜幅值。

1.2.3 統計分析特征提取

研究表明睡眠EEG 信號是一種時變的、有源的、非平穩的復雜的非線性動力學信號，可以結合統計分析方法，提取均值、方差以及信號的高階矩等統計特征[15]，反映睡眠的變化過程，實現睡眠分期。

(1)原始信號平均值

(2)原始信號標準差

（3）原始信號一階導數絕對值的平均值

（4）標準化后信號一階導數絕對值的平均值

（5）原始信號二階導數絕對值的平均值

（6）標準化后信號二階導數絕對值的平均值

其中，x(n),n=1,…,N代表具有N 個數據點的去噪后的睡眠EEG 信號。

1.2.4 支持向量機分類

支持向量機(Support Vector Machine,SVM)是一種線性判別分類器，通過找到最優超平面，實現樣本的正確分類，同時滿足樣本間的分類間隔達到最大，在腦電信號處理領域得到了廣泛的應用[16,17]。

本文選用線性核函數構造分類器，n 倍交叉驗證法計算分類準確率。首先將所有的樣本進行n 等分，以其中的1份樣本作為測試數據集，利用其余的n-1 份樣本訓練得到的分類器對其進行測試，得到單次實驗的準確率。順次抽取測試數據集，得到n 個準確率。對準確率求平均，以平均值作為交叉驗證準確率。同時，為進一步提高準確率的可信度，上述過程可重復k 輪進行。以k 輪的均值準確率作為最終結果。算法過程如圖3 所示。

圖3 k 輪n 倍交叉驗證法示意圖

2 實驗結果與分析

■ 2.1 睡眠分期結果

本文分別利用Sleep-EDF數據庫中的Fpz?Cz、Pz?Oz 通道的睡眠EEG 信號進行實驗。前者，平均準確率達到86.82%，卡帕系數0.83；后者，平均準確率達到86.01%，卡帕系數0.81。就單個睡眠時期分類準確率而言，兩個實驗中，清醒期和深睡期的分類準確率都超過90%。實驗結果驗證了本文算法的有效性和可靠性。

表1 Fpz ?Cz通道準確率與卡帕系數

表2 Pz ?Oz通道準確率與卡帕系數

■2.2 睡眠分期方法比較

將本文算法同文獻[18-21]中的算法進行比較，結果如表3 所示。由表3 可見，與文獻[18-21]中的算法相比，本文算法的準確率更高，算法結構也更為簡單。

表3 不同算法的分類準確率比較

3 結語

本文提出了一種基于頻譜能量值與統計分析的自動睡眠分期算法。使用db4 小波對EEG 信號去噪，傅里葉變換提取頻譜能量值特征，統計分析提取均值等特征，支持向量機分類，準確率達到86.82%，驗證了本文算法對睡眠分期的可行性和有效性。

本文的研究只是基于EEG。在今后的研究中，還應將其他的生物電信號引入睡眠分期的研究中，如EOG、EMG，進一步提升算法的分類準確率。