本發(fā)明涉及一種睡眠分期方法，尤其涉及一種基于多參數(shù)特征融合的自動睡眠分期方法。

背景技術(shù)：

隨著現(xiàn)代社會競爭激烈，快節(jié)奏工作與生活對人們的睡眠產(chǎn)生了巨大影響。據(jù)世界衛(wèi)生組織統(tǒng)計，27％的人有睡眠障礙。目前，睡眠障礙已被確認是一種具有公共危害性的疾病，越來越受到人們的高度重視。通過各生理信號對人體睡眠狀態(tài)進行分期，是客觀評估睡眠質(zhì)量的一種有效方法。

通過不同分析方法提取腦電(electroencephalogram，eeg)的特征參數(shù)，再利用分類器進行分類是睡眠分期的經(jīng)典方法。在現(xiàn)有技術(shù)中有人通過對eeg進行非線性符號動力學(xué)分析、去趨勢波動分析和頻譜分析的方法，并結(jié)合最小二乘向量機分類器將睡眠狀態(tài)分為五期，準確率達到92.87％，但該算法只對每個樣本進行單獨的訓(xùn)練和驗證，泛化能力有待提高。若利用離散小波變換結(jié)合非線性支持向量機的方法滿足了模型對泛化能力的要求，準確率卻只有81.65％。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的技術(shù)問題，本案的目的是提供一種基于多參數(shù)特征融合的自動睡眠分期方法，以期能夠提高睡眠分期的準確率和泛化能力。

為實現(xiàn)上述目的，本案通過以下技術(shù)方案實現(xiàn)：

一種基于多參數(shù)特征融合的自動睡眠分期方法，其包括：

采集腦電信號(eeg)、肌電信號(emg)、心電信號(ecg)和呼吸信號；

對腦電信號、肌電信號、心電信號和呼吸信號做去噪處理；

提取去噪后的腦電信號的α、β、θ、δ特征波的能量比，得到第一特征參數(shù)；

利用樣本熵算法提取腦電信號樣本熵，得到第二特征參數(shù)；

利用小波分解算法提取肌電信號中的高頻特征能量比，得到第三特征參數(shù)；

利用樣本熵算法提取心電信號樣本熵，得到第四特征參數(shù)；

利用均值法提取呼吸信號的均值，得到第五特征參數(shù)；

將第一特征參數(shù)、第二特征參數(shù)、第三特征參數(shù)、第四特征參數(shù)和第五特征參數(shù)輸入支持向量機中進行訓(xùn)練和測試，從而得到分類結(jié)果。

優(yōu)選的是，所述的基于多參數(shù)特征融合的自動睡眠分期方法，其中，所述第一特征參數(shù)通過以下方法獲得：

使用“db4”小波函數(shù)對腦電信號進行7層小波分解，選擇d3代表β波，d4代表α波，d5代表θ波，d6+d7代表δ波，分別計算α波、β波、θ波和δ波在0-30hz上所占能量和的比值。

優(yōu)選的是，所述的基于多參數(shù)特征融合的自動睡眠分期方法，其中，所述第三特征參數(shù)通過以下方法獲得：

使用“sym3”小波函數(shù)對肌電信號進行3層小波分解，選擇d1+d2代表肌肉運動頻率，計算該肌肉運動頻率在0-125hz上所占的能量和的比值。

優(yōu)選的是，所述的基于多參數(shù)特征融合的自動睡眠分期方法，其中，在利用樣本熵算法提取腦電信號和心電信號的樣本熵時，其中所用的嵌入維數(shù)＝2，相似容限為原始數(shù)據(jù)的標準偏差的0.2倍，數(shù)據(jù)長度＝1000。

優(yōu)選的是，所述的基于多參數(shù)特征融合的自動睡眠分期方法，其中，對腦電信號、肌電信號和心電信號的去噪處理具體為：采用小波分解去除腦電信號、肌電信號和心電信號中的高頻噪聲。

優(yōu)選的是，所述的基于多參數(shù)特征融合的自動睡眠分期方法，其中，對呼吸信號的去噪處理具體為：采用中值濾波法對呼吸信號進行去噪處理。

本發(fā)明的有益效果是：本案采用提取eeg、emg、ecg和呼吸多個特征的方法，結(jié)合支持向量機分類器將睡眠狀態(tài)分為五類(即wake、n1、n2、n3、rem)；對比基于eeg睡眠分期算法，多特征的加入顯著提高了睡眠分期的準確率和泛化能力；實驗結(jié)果可信度高，能夠準確完成睡眠分期，為評估睡眠質(zhì)量提供有效依據(jù)，具有良好的應(yīng)用前景。

附圖說明

圖1為本案自動睡眠分期方法的流程圖。

圖2為腦電信號、肌電信號、心電信號和呼吸信號的去噪效果圖。

圖3為腦電信號、肌電信號、心電信號和呼吸信號的特征提取結(jié)果圖；其中，a為eeg的α、β、θ、δ特征波與emg高頻成分能量比；b為ecg樣本熵；c為eeg樣本熵；d為呼吸均值。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步的詳細說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實施。

1.數(shù)據(jù)獲取和預(yù)處理

本案使用的數(shù)據(jù)來自于mit-bih多導(dǎo)睡眠數(shù)據(jù)庫(goldbergeral,amarallan,glassl,etal.mit-bihpolysomnographicdatabase.[db/ol].[2000-06-13])，該數(shù)據(jù)庫記錄了16個測試對象睡眠過程中的多個生理參數(shù)信號，采樣頻率250hz。16個測試對象中，只有slp32、slp41、slp45、slp48測試個體包含完整的eeg、ecg、emg(來自下頜)、呼吸信號且睡眠階段完整，所以選擇樣本slp32、slp41、slp45、slp48作為實驗對象。所有數(shù)據(jù)每30秒分為一段，由專家根據(jù)r&k標準進行睡眠分期判定，本案以此分期結(jié)果來測試算法的分期準確性及泛化能力。

生理信號通常會受到一些未知頻率成分的干擾，尤其是腦電信號(心電、肌肉運動、眼球的運動和閃爍會對其產(chǎn)生影響)，因此本案需要對這些信號做降噪處理。臨床和研究學(xué)中關(guān)注的eeg頻率范圍在0.5-35hz，emg的有效信號頻率一般在0-500hz，心電ecg的頻率范圍是0.05-100hz，采用“db4”小波對原始eeg進行7層分解，采用“sym3”小波基對emg進行3層分解，采用“db4”小波基對ecg進行6層分解，采用啟發(fā)式閾值法對eeg、emg、ecg信號進行去噪處理，采用中值濾波法對呼吸信號進行去噪處理，得到較純凈的信號。截取測試對象slp45的一段數(shù)據(jù)(4000個數(shù)據(jù))，去噪效果如圖1所示。

2.特征提取和分類算法

2.1特征提取算法

特征提取即提取睡眠所包含的信息，為更加詳細的描述睡眠結(jié)構(gòu)與實現(xiàn)準確分期，本文提取四路生理參數(shù)信號共八個特征，各信號特征描述如表1所示。

表1提取特征總結(jié)表

2.1.1mallat分解算法

mallat分解算法即計算小波變換快速算法，是一種多分辨分析思想。算法又被稱作塔式算法，由分解濾波器h、g進行分解。

分解算法為：

式中，x(n)是原信號，i是分解層數(shù)，h、g是小波分解濾波器，ai是x(n)在第i層上近似部分的小波系數(shù)(低頻)，di是x(n)在第i層上細節(jié)部分的小波系數(shù)(高頻)。

在每一個尺度2ⁱ上，信號被分解成近似小波系數(shù)ai和細節(jié)小波系數(shù)di。對于信號進行i層小波分解，結(jié)點ai和di的頻率范圍分別是和其中fs為采樣頻率。在實際應(yīng)用中，一般根據(jù)信號的特征來選擇適當?shù)姆纸鈱訑?shù)。

2.1.2特征能量比

特征能量比是分解后所需層數(shù)的小波系數(shù)能量和占總層數(shù)小波系數(shù)能量和的比值，計算公式如式(2)-(3)：

ηi：分解后第i層頻帶所占總能量和的比值；di(k)：分解后第i層上的第k個小波系數(shù)；n：第i層的數(shù)據(jù)個數(shù)；es：總能量和；n：總層數(shù)的數(shù)據(jù)個數(shù)。

eeg信號的α、β、θ和δ波的頻率范圍分別為8～13hz、13～30hz、4～7hz、1～4hz，本案對eeg信號利用“db4”小波基進行7層小波分解，得到各層小波系數(shù)，其中，d3代表β波，d4代表α波，d5代表θ波，d6+d7代表δ波，根據(jù)式(2)和式(3)分別計算d3、d4、d5、d6+d7在0～30hz上所占的能量特征比，即得到eeg的四個頻域特征：ηα、ηβ、ηθ、ηδ。

emg信號中代表肌肉運動的高頻頻率范圍為30～125hz，本文選擇“sym3”小波基對emg信號進行3層小波分解，得到各層小波系數(shù)，其中d1+d2代表30～125hz，根據(jù)式(2)和式(3)計算其在0～125hz上所占的能量特征比，

得到emg的頻域特征ηh。

2.1.3樣本熵

樣本熵算法的具體流程如下：

(1)對一個由n點組成的原始信號{u(i),1≤i≤n}按順序組成一組m維矢量：

x(i)＝[u(i),u(i+1),…u(i+m-1)](4)

式中，i＝1,2,…,n-m+1；

(2)x(i)與x(j)之間的距離d[x(i),x(j)]定義為兩者對應(yīng)元素中差值最大的一個，即：

d[x(i),x(j)]＝max[|u(i+k)-u(j+k)|](5)

式中，k＝1,2,…m-1，i,j＝1,2,…n-m+1；

(3)給定閾值對每一個i值統(tǒng)計d[x(i),x(j)]小于r的數(shù)目(模版匹配數(shù))，以及此數(shù)目與矢量總個數(shù)的比值，記為

式中，i,j＝1,2,…n-m+1，i≠j；

(4)求所有i的平均值b^m(r)，即：

(5)把維數(shù)加1，組成m+1維矢量，重復(fù)(1)～(4)步驟，得到b^m+1(r)；

(6)定義樣本熵為：

(7)當n為有限值時，樣本熵可寫為：

sampen(m,r,n)＝-ln[b^m+1(r)/b^m(r)](9)

計算樣本熵sampen(m,r,n)，首先要對m，r，n三個參數(shù)進行選?。簃為嵌入維數(shù)，通常為1或2，實際應(yīng)用中優(yōu)先選擇2，所以本案選擇m＝2；r為相似容限，r值太大會丟失很多詳細信息，經(jīng)研究分析得出r＝0.2sd(sd為原始數(shù)據(jù)的標準偏差)時結(jié)果較好，本案選擇r＝0.2sd；n為數(shù)據(jù)長度，經(jīng)實驗總結(jié)認為n＝1000時效果最好。

2.1.4均值

均值計算簡單速度快，且更能反映呼吸信號的幅度變換特征，因此本案選用均值法提取呼吸信號的時域特征。計算公式如下：

其中，n為數(shù)據(jù)個數(shù)，xi為第i個數(shù)據(jù)的呼吸信號幅值，meanr為n個呼吸數(shù)據(jù)的均值。因為數(shù)據(jù)庫中的數(shù)據(jù)以30s劃分為一個睡眠階段，共7500個數(shù)據(jù)點，因此本案中n＝7500。

2.2支持向量機分類算法

支持向量機(svm)通過尋求結(jié)構(gòu)化風(fēng)險最小，達到最小化經(jīng)驗風(fēng)險和置信范圍，并使其分類具有更強的泛化能力。svm的基本思想是將數(shù)據(jù)映射到高維空間中，然后在新空間中構(gòu)建最優(yōu)分類超平面。這一映射通過核函數(shù)k(xi,xj)＝φ(xi)·φ(xj)實現(xiàn)，得到最優(yōu)分類函數(shù)：

本文選取徑向基核函數(shù)：

k(x,xi)＝exp(-γ*||x-xi||²)(11)

svm實現(xiàn)分類的步驟：

(1)選取數(shù)據(jù)的70％做為訓(xùn)練數(shù)據(jù)，數(shù)據(jù)庫中專家判讀結(jié)果作為分類標簽，將訓(xùn)練數(shù)據(jù)和標簽輸入svm分類器中得到分類模型；

(2)剩下的30％數(shù)據(jù)做為測試數(shù)據(jù)，數(shù)據(jù)庫中專家判讀結(jié)果作為測試標簽，輸入svm分類模型中得到分類結(jié)果，比較測試得到結(jié)果和測試標簽,計算出分類精度。

3.實驗結(jié)果

3.1特征提取結(jié)果

本文通過選取樣本slp45的各個睡眠期(包括wake、n1、n2、n3、rem)的一段數(shù)據(jù)進行特征分析。樣本slp45睡眠時間為380分鐘，取每組數(shù)據(jù)長度7500點(30s)，截取eeg、emg、ecg、呼吸信號中各睡眠階段25分鐘的(共50×8組)數(shù)據(jù)進行特征提取，特征提取結(jié)果如圖2所示。計算呼吸信號特征值的方差，其余特征取平均值，得到表2。

表2不同特征參數(shù)在各睡眠階段的平均值

由圖2和表2可以分析得出：(1)eeg：α、β波的能量比在整個睡眠過程中變化趨勢類似，即在wake期最高，隨著睡眠的加深開始逐漸降低，到rem期時有所增加；θ波在wake、n1、rem期時占的比重較大，n3期很少；δ波在整個睡眠過程中所占的比重比較大，在n3期達到最大；由于wake期腦活動強，腦電復(fù)雜度高，wake期的樣本熵最大，隨著睡眠的深入，腦電活動減弱，復(fù)雜度降低，腦電樣本熵值減小，到rem期時，由于大腦開始做夢，腦電活動增強，復(fù)雜度又開始增加，樣本熵值開始增大；(2)emg：高頻部分在wake期較高，隨著睡眠的深入逐漸減少，在rem期幾乎沒有；(3)ecg：在wake期最高，然后逐漸降低，n3期有所增加；(4)呼吸信號：呼吸幅度在wake期時最明顯，隨著睡眠的深入，呼吸大幅度降低，n3期稍微有所增加。由此可見，這些特征在睡眠各期差異明顯，采用以上八個特征參數(shù)作為分類器的輸入，進行睡眠階段的分類識別具有較強的理論支持。

3.2分類結(jié)果

提取slp32、slp41、slp45、slp48樣本整夜睡眠數(shù)據(jù)(slp32共640組、slp41共780組、slp45共755組、slp48共760組)的八個特征屬性：eeg的α、β、θ、δ波能量比、樣本熵、emg高頻部分(30～125hz)能量比、ecg樣本熵、呼吸均值。把四個樣本的特征參數(shù)混合，組成共有2935組特征的樣本，其中70％(2055組)作為訓(xùn)練樣本，用來建立svm睡眠分類模型，剩余30％(880)作為測試集，用來檢驗分類效果。

為驗證該方法的優(yōu)越性，設(shè)計三種方法對比實驗：(1)基于eeg的睡眠分類方法；(2)基于eeg和ecg的睡眠分類方法；(3)基于多參數(shù)特征融合的睡眠分類方法。三種方法的分類效果對比如表3所示。對比基于eeg的睡眠分期方法，其他兩種方法在睡眠各階段正確率的提高率如表4。

表3三種不同自動睡眠分期方法結(jié)果比較

表4基于eeg、ecg睡眠分期方法與基于多參數(shù)睡眠分期方法相比基于eeg睡眠分期方法的提高率

為了驗證該方法的泛化能力，本案采用交叉驗證法對不同樣本進行訓(xùn)練和測試。由于樣本slp32沒有rem期，容易造成誤判，導(dǎo)致測試樣本的準確率降低，所以在本次實驗中剔除slp32樣本。該實驗步驟如下：首先分別取slp41、slp45、slp48單個樣本作訓(xùn)練集，然后用該訓(xùn)練后的模型測試剩余兩個樣本，實驗結(jié)果如表5所示。

表5基于多參數(shù)特征融合的睡眠分期方法的泛化能力測試結(jié)果

4.結(jié)果分析

在表3中，基于eeg的睡眠分期方法的正確率為83.30％，基于eeg和ecg的睡眠分期方法的正確率為85.11％，基于多參數(shù)的睡眠分期方法的正確率為92.95％，相比前兩者，后者的正確率更高，優(yōu)于許多自動睡眠分期算法。其中，wake期準確率最高，其次分別是n2期和rem期，這三個睡眠階段的分期準確率均達到91.80％以上。因此，本案所設(shè)計的基于多參數(shù)特征融合的睡眠分期方法可以實現(xiàn)較高準確率的睡眠分期。

在對睡眠各期的影響方面，從表3和表4可以看出，加入ecg信號后n1期的影響最明顯，其余各期影響不大；而基于多參數(shù)的睡眠分期方法對睡眠各期的影響都較大，其中對n1期和rem期的影響最大，正確率分別提高23.49％和26.23％，使這兩期的正確率分別達到88.55％和91.80％，其次是n3期，正確率提高13.21％，但其正確率只有81.13％；雖然對w期和n2期的影響相對較小，但w期和n2期的正確率都在92％以上?？傮w來看，相比基于eeg的睡眠分期方法，基于eeg和ecg的睡眠分期方法正確率提高1.81％，基于多參數(shù)的睡眠分期方法正確率提高9.65％，這說明通過加入ecg、emg、呼吸信號的特征可以有效提高睡眠分期的準確率。

由泛化能力測試結(jié)果表5可知，對于不同樣本間的交叉建模驗證效果較理想，平均準確率達85.15％，表明基于多參數(shù)特征融合的睡眠分期具有較好的泛化能力。

盡管本發(fā)明的實施方案已公開如上，但其并不僅僅限于說明書和實施方式中所列運用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對于熟悉本領(lǐng)域的人員而言，可容易地實現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細節(jié)和這里示出與描述的圖例。