基于心肺活动的睡眠分期研究

文/李涛 李昌兴

1 前言

现如今，多导睡眠监测（PSG）是国际上普遍公认的睡眠分期“黄金标准”，它采集人体的14路信号，绝大多数对于睡眠分期的研究都是基于此作为参考标准。多导睡眠图监测仪虽然测量精度准确，但它的价格十分昂贵、操作复杂，有可能会对受试者造成睡眠干扰。基于以上原因，多导睡眠图监测仪的实用性与普及性受到很大的影响。而心肺活动信号的采集设备操作简单、价格便宜，采集时不易被人察觉，数据可以通过计算机进行分析，这使得心肺信号替代多导睡眠监测仪应用于睡眠分期成为可能。

心肺信号的睡眠分期主要是应用心率变异性（HRV）与呼吸的特性。Meng Xiao等人（2013）提出了基于心率变异性（HRV）的睡眠分期，通过统计方法分析RR间隔变化的时域特征，以及HRV的频谱获得各个频率段的特征，最终通过随机森林分类器对睡眠的唤醒，快速眼动（REM）睡眠和非快速眼动（NREM）睡眠进行分类。M. Aktaruzzaman 等人（2015）通过计算RR间期序列的均值、标准偏差、低频、高频以及DFA自相关特性等心电特征 ，来区分睡眠和觉醒（WAKE），区分非快速眼动（NREM）与快速眼动（REM）。Pedro Fonseca等人（2013）使用Hamilton-Tompkins检测器和后处理定位算法的组合检测QRS波群并将其从ECG信号中定位，利用改进的线性判别分类器和十倍交叉验证对唤醒、快速眼动（REM）睡眠、非快速眼动（NREM）睡眠和深睡眠进行分类。然而，这些研究只是对睡眠进行简单的三期或者四期分类，没有进行更深层侧的睡眠分类。

本文提出了基于心肺活动信号的睡眠分期方法，即采用心肺信号中的心电信号与呼吸信号相结合进行睡眠六期分类。与以前的研究相比，我们除了提取了传统心电信号的RR间期的均值、标准偏差以及中值等时域特征，还提出了利用心电信号的QRSTP波之间的间距、幅值差以及RR间期的分位数等9项新特征参数，并结合呼吸信号的呼吸次数均值和呼吸周期均值作为睡眠分期的时域特征，进行睡眠分期。

图1：QRSTP波间距

图2：QRSTP波幅值

2 特征提取

2.1 改进的心电信号时域特征

一般研究者都常用心电信号RR间期的均值、标准偏差、中值以及均方根等进行睡眠分期。本文在此引入一些新的时域特征，它们分别是心电信号QRSTP波之间的间距、幅值大小以及RR间期的分位数。利用小波包变换与窗口阈值法检测QRSTP波，从QRS波上获得各个相邻P波与Q波、Q波与R波、R波与S波、S波与T波之间的位置差距的均值（即PQD、QRD、RSD、STD）作为特征值。此外，将一个心电信号片段内的各个相邻P波与Q波、R波与S波、S波与T波之间幅度值的均值作为一组特征值（PQA、QRA、RSA、STA）。如图1、2所示。

表1

图3：呼吸时域特征

图4：睡眠分期结果

2.2 呼吸信号特征提取

呼吸次数（BR-times）和呼吸循环周期的均值（BR-mean）作为呼吸信号的时域特征。提取的方法：先采用窗口阈值法找到呼吸信号的波峰与波谷，然后计算在一个片段内出现的波峰次数即为呼吸次数，两波峰间时间间隔即为呼吸循环周期。如图3所示。

3 睡眠分期

对于睡眠分期的分类器有很多种，比较常用的是最小二乘支持向量机、随机森林、人工神经网络以及隐马尔可夫模型等。本文应用的是最小二乘支持向量机分类器。将心电信号与呼吸信号的特征值放入最小二乘支持向量机分类器中进行睡眠的分期，睡眠的分期结果如表1和图4所示。从图4中，可以看出融合心电信号与呼吸信号特征的睡眠分期准确度为75.50%。说明了融合了心电信号与呼吸信号特征的睡眠分期是一种针对睡眠分期的可行方法。

4 总结

本文介绍了一种基于心电信号以及呼吸信号睡眠分期方法，这种方法在国内外都是属于比较少用的方法。文中主要做了以下的工作：对心电信号和呼吸信号进行特征的选择与提取，应用小波包变换以及傅里叶变换最终提取了16项心电时频特征以及6项呼吸时频特征。之后，设计性能良好的最小二乘支持向量机，用此分类器对心电和呼吸融合后的信号进行睡眠分期，证明了本文基于心电信号与呼吸信号对睡眠分期方法的可行性以及准确性。

参考文献

[1]Ye Y,Yang K,Jiang J,et al.Automatic sleep and wake classifier with heart rate and pulse oximetry:Derived dynamic time warping features and logistic model[C].IEEESystems Conference,2016:1-6.

[2]Aboalayon K A I,Faezipour M,Almuhammadi W S,et al.Sleep Stage Classification Using EEG Signal Analysis: A Comprehensive Survey and New Investigation[J].Entropy,2016,18(09):272.

[3]Xiao M,Yan H,Song J,et al.Sleep stages classification based on heart rate variability and random forest[J].Biomedical Signal Processing &Control,2013,8(06):624-633.

[4]Aktaruzzaman M,Migliorini M,Tenhunen M,et al.The addition of entropybased regularity parameters improves sleep stage classification based on heart rate variability[J].Medical &Biological Engineering & Computing,2015,53(05):415-425.

[5]Fonseca P,Teuling N D,Long X,et al.Cardiorespiratory Sleep Stage Detection Using Conditional Random Fields[J].IEEE Journal of Biomedical & Health Informati cs,2016,21(04):956-966.

[6]Ray P,Mishra D P,Lenka R K.Short term load forecasting by artificial neural network[C].IEEEInternational Conference on Next Generation Intelligent Systems,2017:1-6.