基于RBF神經網絡的睡眠分期方法研究與應用

陳玉，楊濤，徐錚

基于RBF神經網絡的睡眠分期方法研究與應用

陳玉，楊濤*，徐錚

（福建理工大學 設計學院, 福州 350118）

提出一種基于徑向基函數（Radial Basis Function，RBF）神經網絡的睡眠分期方法，設計一套能夠根據用戶身心恢復狀態調節喚醒時間的智能喚醒系統，以優化用戶睡眠時長，減輕醒后不適感。基于心率變異性和睡眠分期等相關理論知識，通過低功耗心率帶采集人體心電信號，選取最優小波變換對采集到的心電信號精準去噪，對徑向基函數神經網絡進行反復訓練后，篩選出10個關鍵的特征向量，以構建睡眠分期模型。睡眠分期信息通過STM32處理器傳輸到手機客戶端，系統根據預先設計的優化喚醒機制在用戶身心恢復到最佳狀態時將其喚醒。基于睡眠分期模型的算法平均識別準確率可達88.9%，卡帕（Kappa）系數為0.839，相較于其他算法，該算法具有較高的準確率。該智能喚醒系統的采集成本較低，算法簡便高效，其喚醒機制科學合理，可以使用戶舒適醒來，對改善用戶醒后狀態具有重要意義。

睡眠分期；心率變異性；小波變換；徑向基函數神經網絡；智能喚醒

隨著經濟的發展和生活水平的提高，人們越來越重視睡眠健康問題。睡眠是保持機體正常運轉的基礎，突然中斷睡眠容易導致人們心情煩躁、精神不佳，不合理的喚醒甚至會影響醒后的認知和決策。研究表明，適宜的睡眠時長和高質量的睡眠有助于恢復體力、鞏固記憶。然而，睡眠質量的高低與睡眠時間的長短并不呈正相關，過長的睡眠往往可能適得其反，造成人體軟弱無力、精神疲憊、代謝率降低等后果。目前，針對睡眠的研究主要集中在通過輔助手段促進睡眠或監測睡眠信息，并用于臨床診斷，很少關注到睡眠后的舒適喚醒問題。市場上現存的喚醒產品大多不能根據人體的睡眠狀態調節喚醒時間，不夠智能化。由此可見，針對睡眠時長和睡眠狀態進行評估，在人體精神和體力恢復到最佳時期時進行喚醒具有十分重要的意義。

1 睡眠類產品及技術研究現狀

傳統研究睡眠的工具為多導睡眠監護儀（Polysomnogram，PSG），該方法操作復雜、成本高，需要在醫院通過醫師操作完成，很難在廣大普通家庭普及。近年來，很多學者嘗試利用單通道的心電（Electrocardiogram，ECG）信號來分析睡眠，并取得了一定的成果。Mendez等[1]利用隱馬爾可夫模型，Xiao等[2]通過隨機森林算法，實現了三分類睡眠分期。還有一些學者[3-4]基于心率變異性，利用支持向量機分類器，實現了睡眠階段的自動劃分。劉眾等[5]將體動信號與ECG信號結合，通過改進的反向傳播（Back Propagation, BP）神經網絡有效實現了睡眠分期。雖然國外的一些學者[6-9]利用多種神經網絡實現了睡眠階段的自動分類，并獲得了較高的準確率，但他們仍然需要借助操作復雜的PSG采集腦電信號。彭程等[10]基于心率變異性，提出了一種根據用戶的精神壓力和睡眠狀態進行調整的音樂推薦系統，有效地增加了用戶睡眠總時長，但依然未涉及睡眠后的智能喚醒問題。衡瑋等[11]設計了基于腦電波監測的智能助眠耳機系統，研究的重點依然放在助眠問題上。

以上研究均聚焦于睡眠監測的便捷性和睡眠分期的準確性，較少關注睡眠后的智能喚醒問題，且系統較復雜，睡眠分期模型和算法有待進一步優化。針對以上不足，文中基于RBF神經網絡算法，提出一種能夠在人體恢復到最佳時期時進行叫醒的智能喚醒系統，并配以友好的人機交互界面，以期達到優化睡眠時長、改善用戶醒后狀態的目的。

2 系統介紹

智能喚醒系統分為感知層、處理與傳輸層、應用層等，系統結構見圖1。感知層對應數據采集系統，用于采集人體ECG信號，由心率帶（內置STM32處理器）與配套的手機APP（Application software）共同實現數據采集功能。處理與傳輸層對應程序控制系統，主要對采集到的心電信號進行降噪、R波峰定位和特征提取等處理，進而采用RBF神經網絡算法實現睡眠分期。這些功能由Matlab軟件實現，經Matlab訓練后得到睡眠分期閾值，并傳輸到心率帶內置的STM32處理器進行后續處理。應用層對應音樂喚醒系統，主要將監測到的睡眠階段可視化，并呈現在手機APP界面上，同時在判斷用戶機體恢復到最佳狀態后通過音樂實施喚醒，這些功能由智能喚醒系統應用層中的NO SLEEP IN（不賴床）APP實現。其中STM32處理器不僅需要接收數據采集系統采集到的ECG信號，還需要將處理好的數據傳輸到APP中，并承擔在特定時間驅動程序，實現音樂喚醒任務。

圖1 智能喚醒系統結構

3 睡眠分期方法

3.1 信號預處理——小波變換

人體的ECG信號是一種低頻信號，頻率為0.01～ 100 Hz。其中，QRS復合波的能量主要集中在3～ 40 Hz，且極易受到環境的干擾。噪聲主要包括工頻干擾、肌電干擾和低頻的基線漂移等[12]，在分析ECG信號前需要對已獲取的信號進行降噪處理。通過實驗對比分析了巴特沃斯低通濾波器、帶通濾波器、中值濾波法、小波變換等4種去噪方法，文中擬選取降噪效果最好的小波變換對ECG信號進行降噪。小波變換具有多分辨率分析的特點，能夠將信號進行多尺度細分，可改變窗口的大小，也可以同時局部分析時域和頻域[13]，具有較好的自適應性。與傳統的基于傅里葉變換的數字濾波技術相比，小波變換在時頻領域具有不可比擬的優勢。小波變換見式（1）。

式中：為尺度因子，控制小波函數的伸縮；為時間平移因子，控制小波函數的平移；()為基本小波。式（1）對應的逆變換見式（2）。

()不具備唯一性，不同小波基的選取對濾波效果的影響很大。

3.2 睡眠分期算法——RBF神經網絡

Rechtstaffen & Kales（R&K）分期標準將睡眠階段劃分為清醒期（Wake）、快速眼動期（Rapid eye movement，REM）和非快速眼動期（Non-rapid eye movement，NREM），NREM又包括N1—N4階段，一共分為6期。其中，N1、N2稱為淺睡期，N3、N4稱為深睡期。2007年，美國睡眠醫學學會（AASM）[14]將R&K標準中的N4并入N3，將睡眠階段共分為5期，目前最為常用。由于文中僅將分期結果用于智能喚醒，因此也將N1與N2合并為1期，將睡眠階段共分為4期進行研究，即清醒期、淺睡期、深睡期、快速眼動期等4期。按順序依次經歷這幾個睡眠階段為1個睡眠周期，在一般情況下健康成年人整晚的睡眠會循環4～6個睡眠周期，每個周期通常為90～ 120 min，不同年齡和性別的人各個睡眠階段的持續時間不同。

RBF神經網絡是一種用于解決模式識別與分類的神經網絡，而睡眠階段的劃分實際上就是一種模式識別問題，近些年已有研究者嘗試利用神經網絡來進行睡眠分期[9,15]，并獲得了良好的結果。由于RBF神經網絡不會局限于局部極值，因此不需要學習系數，適于在線實時辨識。與學習速度較慢、受到初始權值的影響較大、隱含層節點數較難確定的BP神經網絡相比，RBF神經網絡的收斂速度更快、非線性逼近精度更高，在訓練時權值不受限制，學習算法簡潔且更易實現[16]，因此這里采用RBF神經網絡來進行睡眠分期。徑向基函數神經網絡是一種前饋式神經網絡，主要包括輸入層、隱含層和輸出層等。輸入層主要用于接收外界信號。隱含層又叫基函數層，通過基函數實現非線性變化，一般選用高斯函數。輸出層對隱含層的輸出進行線性加權，從而使整個網絡具有分類功能[17]。

RBF神經網絡的結構如圖2所示。由輸入層接收訓練樣本x∈R，則RBF網絡輸出如式（3）所示。

式中：Ri(x)為隱含層的輸出；x為m維輸入向量；Ci為中心向量；σi為歸一化參數，與基函數的寬度有關；n為隱含層的節點數。隱含層實現x到Ri(x)的非線性映射，輸出層實現Ri(x)到yj的線性映射，輸出層的輸出如式（4）所示。

式中：w為隱含層與輸出層的連接權值，即權重；為輸出節點數量。

運用RBF神經網絡建立睡眠分期模型，實際上就是通過不斷訓練網絡，最終確定中心向量C、寬度σ和權重w。

3.3 算法性能評估與分析

神經網絡算法的整體性能采用準確率（Accuracy）和均方誤差（MSE）2個指標進行分析。均方誤差指預測值與真實值之差的平方的期望值，用于衡量預測誤差，也是一種擬合優度指標，可以用于評估模型的擬合效果。MSE值越小，則模型的預測誤差越小、擬合程度越好。均方誤差的計算見式（5）。

式中：為總輸入樣本數量；Y為睡眠階段的標定值；Z為睡眠階段的預測值。

為了進一步分析誤差產生的原因，這里同時引入混淆矩陣作為衡量依據，具體考察各睡眠階段相關性的強弱。混淆矩陣是模式識別領域中常用的圖表形式，是評價模型精度的一種標準格式，可有效評價分類器性能[18]。為了驗證RBF神經網絡用于睡眠分期的科學性、有效性，通過麥克尼馬爾檢驗（Mc Nemar test）方法對實驗結果進行顯著性差異檢驗，并計算卡帕（Kappa）系數，進一步確定實驗結果的一致性程度。麥克尼馬爾檢驗是一種非參數統計檢驗方法，用于比較2個相關樣本中差異的統計顯著性。Kappa系數是一個用于一致性檢驗的指標，所檢驗的2個變量分別是實際標記樣本和模型分類結果，因此Kappa系數可以用來評價模型預測結果與實際分類結果的一致性程度。在0.75≤Kappa系數≤1時，表示兩者具有很好的一致性；在0.4≤Kappa系數<0.75時，表示兩者的一致性一般；在Kappa系數<0.4時，表示兩者的一致性較差。

4 睡眠分期實驗與結果

4.1 實驗設計

接受睡眠監測的研究生志愿者共有4名，年齡為23～28歲，男性2名，女性2名，分別記為志愿者1、志愿者2、志愿者3、志愿者4。每人采集5個整晚的有效睡眠數據，共計20個晚上，每晚數據均大于6 h。在實驗期間保證志愿者的作息規律，且不服用任何輔助睡眠類藥物，志愿者同時佩戴華為Watch gt 3手表和心率帶同步監測其睡眠信息，將手表與由哈佛醫學院CDB中心測試認證的TrueSleep技術配合使用，TrueSleep技術采用心肺耦合檢測睡眠算法，其睡眠檢測較精準。專業醫師以TrueSleep睡眠分期結果為參考，判定實驗數據的睡眠階段，并做標記，將神經網絡判定的睡眠階段與手工判斷結果進行對比，該標記也作為驗證睡眠分期算法準確性的標準。

實驗流程如圖3所示。首先通過心率帶采集信號，利用小波變換對采集的ECG信號進行精準去噪，最大限度地保留清晰有用的心電信號，即數據預處理。其次，利用Matlab中的findpeaks函數對R波的峰值進行定位，將相鄰R波間隔記為RR間期（R-R Interval，RRI）。接著，以RRI為基礎，提取相應的時頻域特征向量。最后，利用RBF神經網絡對提取的特征值進行反復訓練，并篩選出關鍵的特征向量，以構建睡眠分期模型。

4.2 數據采集及預處理

采用功耗較低的心率帶采集心電數據，以降低系統成本，采樣頻率為500 Hz，有效睡眠數據共計20個夜晚。心率帶由針織材質制成，具有可伸縮性，使用時無束縛感，基本不會對睡眠者的實驗數據造成干擾。在信號采集過程中心率變化可通過配套的手機APP實時查看，不同睡眠階段采集到的心率變化如圖4所示。

為了精準降噪，通過實驗反復對比，這里選取與QRS復合波最相似的coif4小波對心電信號進行8個尺度的小波分解，分解如圖5所示。從圖5可以看出，QRS波的能量主要集中在尺度3～6上，肌電和工頻干擾主要集中在尺度1～2上，而基線漂移則分布在尺度7～8上。這里將噪聲所在的尺度系數置為0，以消除高低頻噪聲，用尺度3～6上的小波系數重構心電信號，得到清晰干凈的ECG信號。ECG原始信號及信號去噪重構示意圖如圖6所示。

心率變異性（Heart Rate Variability，HRV）指2次相鄰的心臟搏動周期之間存在的微小差異，換言之就是從本次心跳周期至下一次心跳周期的差異[19]。大量研究表明，HRV與睡眠分期存在密不可分的聯系，如心率的降低與NREM睡眠中HRV的降低有關，而心率的增加，會伴隨著清醒期和REM期睡眠中HRV的增加。低頻（LF，0.04～0.15 Hz）與高頻（HF，0.15～ 0.4 Hz）波段的功率比（LF/HF）的降低與NREM睡眠有關，而LF/HF的顯著增加則體現在REM睡眠中[2]。這里對ECG信號的特征提取主要基于RR間期的計算。通過Matlab中的findpeaks函數對ECG信號中的R波進行定位，并計算出相鄰R波的時間間隔，記為RR間期（RRI）。由于2個R波的間隔不會小于200 ms，因此剔除間隔在0.2～2.0 s范圍之外的異常值，以提高R波檢測的準確性。R波峰值定位結果如圖7所示，最終確定的RR間期序列用于特征向量提取。

4.3 特征提取

這里主要從時域和頻域2個方面進行特征提取。HRV的時域特征直接基于RR間期序列計算得出。為了既精準劃分睡眠階段又加快系統運算速度，在對RBF神經網絡進行多次訓練后，篩選了10個對睡眠階段的劃分起關鍵作用的特征向量，然后根據這10個特征向量的取值范圍構建睡眠分期模型。其中，包括7個經典時域特征[2,4,11,19]（見表1），以及3個頻域特征。HRV的頻域特征主要反映了ECG信號中各頻段的能量分布，對上述提取的RR間期序列進行快速傅里葉變換，得到心率的功率譜信息，以時長30 s劃分數據，進行短時程頻域分析，進而提取0.003～ 0.04 Hz（極低頻）、0.04～0.15 Hz（低頻）、0.15～0.4 Hz（高頻）這3個經典頻域特征。

圖3 心率變異性分析流程

圖4 不同睡眠階段心率變化

圖5 ECG信號coif4小波8個尺度分解

圖6 ECG原始信號及信號的去噪重構

圖7 R波波峰定位結果

表1 文中所提取的時域特征

Tab.1 Time domain features extracted for this research

注：表示RR間期序列的均值，mRRI；表示RR間期，RR；表示相鄰RR間期相差大于50 ms的數量，NN50；表示心率，HR；表示RR間期序列變異系數，CV。

4.4 睡眠分期

利用RBF神經網絡，根據構建好的睡眠分期模型，對數據進行睡眠分期實驗。以某晚的睡眠數據為例，該數據睡眠總時長為6.05 h，以30 s為一段樣本，共劃分為726段數據樣本，以其中76%的550段數據樣本為訓練集，以剩下的176段數據樣本為測試集進行驗證。為了直觀分析每個睡眠階段具體的預測表現，將原本按時間排序的分類結果按睡眠階段的類別重新排序，該晚神經網絡睡眠分期預測結果如圖8所示。從圖8可以看出，訓練集和測試集預測的準確率均在93%以上，效果良好，其MSE值分別為0.335 75、0.412 86，預測值與真實值大致吻合、重合度較高，符合分類要求。

各睡眠階段分類結果混淆矩陣圖如圖9所示，其中，1表示清醒期，2表示REM期，3表示淺睡期，4表示深睡期。從圖9中可以看出，在訓練集中REM期和淺睡期表現較差，在測試集中深睡期的精準率和召回率均為97.6%，綜合準確率最高，預測效果最好。

對4個志愿者20個晚上的睡眠分期數據進行統計，計算各自睡眠分期的預測準確率和均方誤差。由于訓練后的神經網絡模型分類效果主要由測試集體現，因此利用麥克尼馬爾檢驗方法計算測試集的漸進顯著性（），并進一步計算其Kappa值（kappa），以驗證測試集實驗結果的一致性，結果如表2所示。測試集的麥克尼馬爾檢驗結果顯示，漸進顯著性（平均= 0.1）大于0.05，說明RBF神經網絡模型的分類結果與實際分類具有一致性。kappa平均=0.839，大于0.75，說明實驗結果存在顯著一致性，具有統計學意義。訓練集的準確率均在90%以上，平均準確率為92.7%，平均MSE值為0.399 27。測試集的平均準確率為88.9%，平均均方誤差為0.511 87。可見，整體預測準確率較高，誤差在可接受范圍內，模型的擬合優度良好，具有實際應用價值。

此外，將文中提出的睡眠分期算法與其他研究者采用的算法進行了對比，如表3所示。從表3可以看出，文中基于RBF神經網絡實現的睡眠分期算法采集的信息較少，睡眠分期較多，準確率更高，綜合識別效果更好，具有顯著的優越性。

圖8 RBF神經網絡睡眠分期預測結果

圖9 訓練集和測試集各睡眠階段分類結果混淆矩陣

表2 各志愿者睡眠分期預測結果統計

Tab.2 Statistics of sleep staging prediction results for each volunteer

表3 不同睡眠分期算法的準確率對比

Tab.3 Comparison of accuracy of different algorithms for sleep staging

5 智能喚醒系統設計

5.1 喚醒機制設計

為了使用戶在清晨舒適醒來，設計了一種智能喚醒機制，如圖10所示。根據心理學方面的研究成果，在人體處于第4個睡眠周期末時將其喚醒最理想。由此，在默認狀態下，將智能喚醒系統設置為在監測到用戶處于第4個睡眠周期末時將其喚醒，以保證用戶在身體恢復到最佳狀態時醒來。如果用戶需要預設喚醒時間段，則系統將用戶所處的睡眠階段與用戶預設的喚醒時間綜合起來作為喚醒的判斷條件。具體來說，用戶先預設一個起床時間段，由于深睡期一般只發生在凌晨5點前，因此喚醒系統會在這個時間段內先判斷用戶是否處于淺睡期，如果是則叫醒用戶，如果不是則系統繼續監測；當監測到用戶處于快速眼動期（REM）時，將用戶叫醒，如果不是則系統繼續監測。這樣，系統既可在用戶預設的時間段內將其喚醒，不耽誤其重要工作，又可使用戶在恰當的睡眠階段醒來，以最佳的狀態快速進入工作。

圖10 智能喚醒機制

5.2 軟件功能及界面設計

系統將根據睡眠分期結果通過手機APP在恰當的時機用音樂將用戶喚醒。為了最大限度地實現智能喚醒系統的功能，并創造良好的用戶體驗，這里設計了與智能喚醒機制相匹配的NO SLEEP IN（不賴床）APP界面，如圖11所示。

在視覺上，整個界面色調和諧統一，符合夜間使用需求。在功能設計上，對于智能喚醒需求，該APP設置了4種模式：默認最佳，系統將在用戶處于第4個睡眠周期末時實施喚醒；半智能，用戶可預設喚醒時間段及系統監測最佳狀態的時長，系統將預設時段與用戶狀態結合起來，綜合判定喚醒時刻；非智能，僅具有普通鬧鐘功能；自然醒，不具備喚醒功能，系統僅分析用戶的睡眠狀態。此外，該APP還可顯示用戶累計時間段的睡眠監測報告，并具有音樂助眠、社群交流等功能，以滿足用戶多樣化的睡眠需求。

6 結論

基于RBF神經網絡提出了一種準確率較高、模型擬合優度較好的睡眠分期方法，并設計了一套低成本高效率的智能喚醒系統，優化的喚醒機制可以有效避免用戶醒后情緒煩躁、狀態差等問題。通過低功耗心率帶采集人體心電信號，大大節約了系統成本。在信號預處理階段，通過實驗對比，優選出coif4小波及其分解與重構尺度，它對ECG信號具有更好的降噪效果，為提升睡眠分期的準確率奠定了良好的基礎。利用RBF神經網絡算法對提取的特征值反復訓練，精選出對睡眠分期起關鍵作用的特征向量，從而構建睡眠分期模型。實驗結果表明，基于該模型的RBF神經網絡的計算負擔更小、運算速度更快，與其他用于睡眠分期的算法相比，它具有更高的準確率。此外，還基于用戶體驗設計了與喚醒機制相匹配的手機APP交互界面，提升了整個系統的智能性和完整性。

文中設計的RBF神經網絡結構，雖然整體上能較準確地完成睡眠階段的劃分，但在REM期和清醒期的分類表現上相對較弱，未來將進一步研究神經網絡的算法，以提高REM期和清醒期的分類精度。此外，不同性別和年齡的人在睡眠階段劃分標準上也存在差異，因此未來計劃擴大實驗樣本數量，將性別和年齡作為特征值進行提取，以提高神經網絡睡眠分期的普適性，提升整個智能喚醒系統的實用價值。所設計的智能喚醒系統僅從理論上實現了喚醒機制和軟件界面設計的優化，在實踐上，手機終端軟件的功能尚未完全實現。今后將把軟件功能的實現作為研究重點，增強智能喚醒系統的完整性和現實意義。

[1] MENDEZ M O, MATTEUCCI M, CERUTTI S, et al. Sleep Staging Classification Based on HRV: Time- Variant Analysis[C]// 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE, 2009: 9-12.

[2] XIAO M, YAN H, SONG J Z, et al. Sleep Stages Classification Based on Heart Rate Variability and Random Forest[J]. Biomedical Signal Processing and Control, 2013, 8(6): 624-633.

[3] 王金海, 孫微, 韋然, 等. 基于心率變異性分析的睡眠分期方法研究[J]. 生物醫學工程學雜志, 2016, 33(3): 420-425.WANG J H, SUN W, WEI R, et al. Study on Sleep Staging Methods Based on Heart Rate Variability Analysis[J]. Journal of Biomedical Engineering, 2016, 33(3): 420-425.

[4] 鄭捷文, 張悅舟, 蘭珂, 等. 基于心率變異性分析的睡眠分期算法研究和驗證[J]. 中國生物醫學工程學報, 2020, 39(4): 432-439. ZHENG J W, ZHANG Y Z, LAN K, et al. Sleep Stage Classification Based on Heart Rate Variability Analysis and Model Performance Validation[J]. Chinese Journal of Biomedical Engineering, 2020, 39(4): 432-439.

[5] 劉眾, 王新安, 李秋平, 等. 基于ECG信號和體動信號的睡眠分期方法研究[J]. 北京大學學報(自然科學版), 2021, 57(5): 833-840. LIU Z, WANG X A, LI Q P, et al. Research of Sleep Staging Algorithms Based on ECG and Body Motion Signals[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(5): 833-840.

[6] ZHU T Q, LUO W, YU F. Convolution-and Attention- Based Neural Network for Automated Sleep Stage Classification[J]. International Journal of Environmental Research and Public Health, 2020, 17(11): 4152.

[7] KWON K, KWON S, YEO W H. Automatic and Accurate Sleep Stage Classification via a Convolutional Deep Neural Network and Nanomembrane Electrodes[J]. Biosensors, 2022, 12(3): 155.

[8] YOU Y Y, ZHONG X Y, LIU G Z, et al. Automatic Sleep Stage Classification: A Light and Efficient Deep Neural Network Model Based on Time, Frequency and Fractional Fourier Transform Domain Features[J]. Artificial Intelligence in Medicine, 2022, 127: 102279.

[9] LEE H, CHOI J, KIM S, et al. A Compressive Sensing- Based Automatic Sleep-Stage Classification System with Radial Basis Function Neural Network[J]. IEEE Access, 2019, 7: 186499-186509.

[10] 彭程, 常相茂, 仇媛. 基于心率變異性分析的睡眠音樂推薦系統[J]. 計算機應用, 2020, 40(5): 1539-1544. PENG C, CHANG X M, QIU Y. Heart Rate Variability Analysis Based Sleep Music Recommendation System[J]. Journal of Computer Applications, 2020, 40(5): 1539- 1544.

[11] 衡瑋, 徐自強, 陳璐瑤, 等. 基于腦電波監測智能助睡眠耳機設計[J]. 計算機應用與軟件, 2020, 37(8): 219-226.HENG W, XU Z Q, CHEN L Y, et al. Design of Intelligent sleep-Assisted Earphone Based on Brain Wave Monitoring[J]. Computer Applications and Software, 2020, 37(8): 219-226.

[12] 冀常鵬, 李蓓蕾. 心電信號識別方法的研究與實現[J]. 計算機應用與軟件, 2018, 35(3): 173-176. JI C P, LI B L. Research and Implement of ECG Signal Identification Method[J]. Computer Applications and Software, 2018, 35(3): 173-176.

[13] 付文亭, 鄧體俊, 陳海生. 小波變換系數奇異值分解數字水印防偽算法[J]. 包裝工程, 2015, 36(21): 128-132. FU W T, DENG T J, CHEN H S. A Watermarking Algorithm for Security Based on Discrete Wavelet Transform and Singular Value Decomposition[J]. Packaging Engineering, 2015, 36(21): 128-132.

[14] BERRY R B, BUDHIRAJA R, GOTTLIEB D J, et al. Rules for Scoring Respiratory Events in Sleep: Update of the 2007 AASM Manual for the Scoring of Sleep and Associated Events. Deliberations of the Sleep Apnea Definitions Task Force of the American Academy of Sleep Medicine[J]. Journal of Clinical Sleep Medicine: JCSM: Official Publication of the American Academy of Sleep Medicine, 2012, 8(5): 597-619.

[15] CHEN X Y, HE J, WU X Q, et al. Sleep Staging by Bidirectional Long Short-Term Memory Convolution Neural Network[J]. Future Generation Computer Systems, 2020, 109: 188-196.

[16] 唐艷, 孫劉杰, 王勇. 基于SIFT變換和RBF神經網絡的彩色全景圖拼接算法[J]. 包裝工程, 2018, 39(21): 216-221. TANG Y, SUN L J, WANG Y. Color Panorama Mosaic Algorithm Based on SIFT Transform and RBF Neural Network[J]. Packaging Engineering, 2018, 39(21): 216- 221.

[17] 李丹, 翟震. 改進的RBF神經網絡PID算法在電磁振機中的應用[J]. 包裝工程, 2019, 40(7): 192-196. LI D, ZHAI Z. Application of Improved RBF Neural Network PID Algorithm in Electromagnetic Vibrating Machine[J]. Packaging Engineering, 2019, 40(7): 192-196.

[18] 楊韞儀, 裴卉寧, 李書航, 等. 基于多項Logistic回歸的座面材質預測模型[J]. 包裝工程, 2021, 42(16): 182-187.YANG Y Y, PEI H N, LI S H, et al. Seat Surface Material Prediction Model Based on Multiple Logistic Regression[J]. Packaging Engineering, 2021, 42(16): 182-187.

[19] 應少飛. 基于心率變異性的多導睡眠監護儀[D]. 成都: 電子科技大學, 2020: 27-33. YING S F. PSG Base on Heart Rate Variability[D]. Chengdu: University of Electronic Science and Technology of China, 2020: 27-33.

Research and Application of Sleep Staging Method Based on RBF Neural Network

CHEN Yu, YANG Tao*, XU Zheng

(School of Design, Fujian University of Technology, Fuzhou 350118, China)

The work aims to propose a sleep staging method based on a radial basis function (RBF) neural network and use it to design an intelligent wake-up system that can adjust the wake-up time according to the user's recovery state, in order to optimize the user's sleep duration and reduce their discomfort after waking up. Based on theoretical knowledge of heart rate variability and sleep staging, the electrocardiogram (ECG) signal was collected from the human body through a low-power heart rate band, and the optimal wavelet transform was selected to precisely denoise the collected ECG signal. The radial basis function (RBF) neural network was trained repeatedly to filter out 10 key feature vectors, so as to build a model of sleep staging. The sleep staging information was transmitted to the mobile phone client via a STM32 processor, and the system woke up the user according to designed optimized wake-up mechanism when the user's body and mind recovered to the optimal state. The results showed that the algorithm based on the sleep staging model had an average accuracy of 88.9% with a Kappa coefficient of 0.839, which was higher than that of other algorithms. The intelligent wake-up system has a lower collection cost, a simpler and more efficient algorithm, and a scientific and reasonable wake-up mechanism, which enables the user to wake up comfortably and is of great significance in improving the user's state after awakening.

sleep staging; heart rate variability; wavelet transform; radial basis function neural network; intelligent wake-up

TP391.4；TB472

A

1001-3563(2024)04-0371-09

10.19554/j.cnki.1001-3563.2024.04.041

2023-09-16

福建省自然科學基金（2023J01947）；福建省社會科學基金（FJ2021B187）；福建理工大學科研啟動基金（GY-S20089）