基于心电信号的睡眠分期分析研究＊

武瑞倩，吴贤发，詹何庆

(海南医学院生物医学信息与工程学院，海南 海口 571199)

0 引言

睡眠是人类一项重要的生理活动，研究发现，脑电信号在不同睡眠的阶段变化较大，可用于睡眠分期研究[1-3]。然而，相较于脑电，心电信号的检测更为可靠和便利，且心率变异性的特征与睡眠的各个阶段息息相关[4-6]。因此，利用心电信号进行睡眠分期逐渐成为当今研究的热点。相关研究方法包括深度神经网络模型、隐马尔可夫模型、梯度提升树和极限学习机(extreme learning machine，ELM)等[7-10]。本研究基于极限学习机的方法，对心电信号进行识别以实现睡眠分期。

1 方法

本研究选用麻省理工学院的多导睡眠数据库（包含17 位受试者的睡眠记录）[11]，并提取了病人信息、心电信息、RR间期信息和睡眠注释信息。在信号预处理环节，采用巴特沃斯低通滤波器去除心电信号的工频干扰，使用中值滤波去除肌电干扰和基线漂移。然后，通过特征提取以降低原始的冗余数据。该环节主要是对于心率变异性（heart rate variability,HRV）进行特征提取，包括时域特征提取、频域特征提取和非线性特征提取[12-15]。其中，时域特征包括平均值、标准差、相邻RR 之间差异的标准差等；频域指标包括极低频（very low frequency,VLF）、低频（low frequency,LF）和高频（high frequency,HF）；非线性特征主要提取受试者的交感神经指数与迷走神经指数。

本研究属于监督学习中的分类问题，在进行睡眠分期时，将睡眠分别做三分类、四分类、六分类的预测。考虑到极限学习机具有学习速度快、泛化能力强的优点，本研究选用极限学习机对睡眠实现不同类别的分期。在提取各受试者心电信号特征之后，以7:3的比例划分训练集与测试集，使用训练集在ELM 的分类模型上进行训练，得到分类模型后，再利用测试集在分类模型上进行分类，并测算准确率。

2 结果

2.1 预处理

心电信号噪声预处理结果如图1所示。其中红色曲线为原始心电信号，绿色曲线为去除工频干扰后的信号，蓝色曲线为去除完三种噪声后的信号。

图1 心电信号预处理结果图

2.2 特征值提取

在医学界对睡眠进行分析时，主要是对HRV 进行短程分析，即30 秒。因此，本设计的所有对于QRS波群的特征提取均以30 秒为单位。以66 号受试者为例，提取到的各个特征的相关信息以及特征值如表1所示。

表1 心电信号特征提取表

2.3 睡眠自动分期

如前所述，本研究选用ELM 对睡眠分期进行测试，并且选用了三分类、四分类和六分类等分期标准，相关结果如表2所示。

表2 ELM分类结果

3 结论

人睡眠状态下，心电信号中的心率变异性与自主神经系统存在密切关系，且睡眠受自主神经系统的管制，而睡眠分期是剖析睡眠状况和评估睡眠质量的重要措施之一。本文提出基于心电信号的睡眠自动分期方法，包括心电信号数据库的处理、预处理、波群检测、特征提取，以及分类方法选择。

近年来，随着人工智能的普及，利用机器学习的方法对睡眠进行分期逐渐成为主流研究趋势。利用支持向量机、隐马尔可夫、随机森林等发展较成熟的机器学习算法实现睡眠分期的准确率普遍都在70%以上[16]。由于极限学习机的概念提出较晚，因此目前利用极限学习机对睡眠进行分期的研究依然较少，Utomo等采用加权极值机器学习处理非平衡学习数据集，特征选择使用了粒子群优化的方法，建立基于心电信号的睡眠阶段分类模型，准确率达到73.09%[17]。吴振华等提取了心电信号、呼吸信号以及心肺耦合信号的特征，将特征进行最优选择后，使用粒子群优化和极限学习机结合的方法对睡眠进行二分类、三分类、四分类和六分类，准确率均超过75%[18]。从实验结果来看，本研究的准确率并不高，但算法较为简单，可应用范围广。未来的研究可以从以下几个方面进行优化。

⑴原多导睡眠数据库可能存在某些信号值的缺失，可以对这些缺失的信息进行填补或删除。

⑵在对HRV 特征提取完后没有对异常的特征进行剔除，在之后的研究中需要设定特征值的判别标准以剔除不合适的特征值。

⑶机器学习模型的参数是根据以往学者得出的经验进行调优的，后续可以在大量实验的基础上进行参数的调节以获得更高的准确率。