摘  要： 提出基于腦電信號（EEG）的睡眠分期研究,。利用離散小波變換（DWT）的db8小波分解得到的細(xì)節(jié)分量作為信號新的表達(dá)，把各個(gè)細(xì)節(jié)分量能量作為特征,，建立帶高斯徑向基核函數(shù)（RBF）的非線性支持向量機(jī)（SVM）模型,。研究發(fā)現(xiàn)，其對睡眠分期研究的方案是可行的,，滿足模型對泛化能力的要求,。

　　關(guān)鍵詞： 睡眠分期；離散小波變換,；支持向量機(jī)

0 引言

　　睡眠是人體一種非常重要且不可或缺的生理活動(dòng),，但工作壓力、疾病,、不良的生活習(xí)慣等因素會影響人的睡眠質(zhì)量,，長期睡眠質(zhì)量低下會引發(fā)各種心理、生理疾病,。依據(jù)生理信號數(shù)據(jù)自動(dòng)識別睡眠,，分期對睡眠狀態(tài)與睡眠質(zhì)量的科學(xué)評估以及相關(guān)疾病的診斷及治療有很重要的意義和參考價(jià)值。

　　對睡眠的研究往往是基于相關(guān)生理數(shù)據(jù)。在清醒和不同睡眠階段,，人的腦電信號（Electroencephalogram,，EEG）在不同的腦區(qū)會出現(xiàn)不同的節(jié)律變化分布，可以表征人體的不同睡眠階段,。參考文獻(xiàn)[1-3]提取最小值,、最大值、均值,、標(biāo)準(zhǔn)差等頻域特征和排列組合熵,、樣本熵等非線性動(dòng)力學(xué)參數(shù)，但其樣本較少,，模型推廣性能不足,。參考文獻(xiàn)[4]分別使用Choi–Williams分布、連續(xù)小波變換和Hilbert-Huang變換（Hilbert-Huang Transform,，HHT）提取特征,，利用隨機(jī)森林分類器說明不同方法提取特征對分類器的準(zhǔn)確率有一定影響，其中使用CWT提取特征的分類器準(zhǔn)確率最高,。參考文獻(xiàn)[5-6]分別建立復(fù)發(fā)性神經(jīng)分類器和支持向量機(jī)（Support Vector Machine,，SVM）模型，對非快速眼動(dòng)深睡期沒有細(xì)分,。而參考文獻(xiàn)[7]使用EEG各個(gè)節(jié)律波頻帶的相對功率作為特征,，所建立的SVM模型準(zhǔn)確率高于神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）模型,，該研究只是將睡眠分為4個(gè)階段,，未具體區(qū)分非快速眼動(dòng)睡眠各個(gè)階段，且清醒期的識別率偏低,，并沒有突出提高清醒期識別率的基礎(chǔ)作用,。參考文獻(xiàn)[8]研究了25位受試者睡眠EEG、眼電（Electrooculogram,，EOG）和肌電（Electromyogram,，EMG）信號，提取特征后在深度信念網(wǎng)絡(luò)（Deep Belief Networks,，DBN）基礎(chǔ)上建立的馬爾科夫模型準(zhǔn)確率高于未提取特征的模型準(zhǔn)確率,，說明提取特征是建立模型的重要步驟。由于樣本來自疑似睡眠呼吸障礙者,，該模型具有較強(qiáng)的針對性和局限性,。

　　由于人的生理信號存在個(gè)體差異，當(dāng)被試者人數(shù)增加時(shí)與信號特征離散性增大,，而導(dǎo)致模型的推廣能力下降,。本文使用Sleep-EDF數(shù)據(jù)庫EEG Fpz-Cz、EEG Pz-Oz這2個(gè)通道的數(shù)據(jù),。采樣頻率為100 Hz,，由專家根據(jù)R&K標(biāo)準(zhǔn)[9]，基于經(jīng)驗(yàn)標(biāo)定受試者每30 s區(qū)間的狀態(tài),。R&K標(biāo)準(zhǔn)將睡眠分為6個(gè)階段,，分別是清醒期（Wake）、非快速眼動(dòng)期（Non-Rapid Eye Movement,，NREM）和快速眼動(dòng)期（Rapid Eye Movement,，REM），其中NREM又可分為淺睡期（包括NREM1,、NREM2）和深睡期（包括NREM3,、NREM4）。

1 離散小波變換

　　利用EEG將睡眠分期的關(guān)鍵是對能表征各個(gè)睡眠階段的特征進(jìn)行提取,。受試者在長時(shí)間的測試過程中,，電極松動(dòng)或移動(dòng)會帶來基線漂移，而對頻譜圖的研究發(fā)現(xiàn),，低頻信號的幅值相對較大,，尤其以1 Hz以內(nèi)的幅值最為顯著，據(jù)此可以判斷,，信號主要存在基線漂移現(xiàn)象,。通過離散小波變換處理數(shù)據(jù)，在消除基線漂移之后提取各個(gè)分量的能量作為模型特征,。

　　小波變換是在傅里葉變換的基礎(chǔ)上發(fā)展起來的一種時(shí)頻分析方法,，在處理非平穩(wěn)信號方面，具有良好的時(shí)頻特性,。由于實(shí)驗(yàn)采集到的信號大多是經(jīng)過采集系統(tǒng)采集的離散數(shù)據(jù),，因此離散小波變換的應(yīng)用非常廣泛[10]。將信號f（t）進(jìn)行k尺度離散小波變換,，計(jì)算公式如下：

　　原始時(shí)域信號經(jīng)由離散小波變換得到逼近分量   Ai（t）和細(xì)節(jié)分量Di（t）（i=1,，2，...,，k）,。本文使用db8小波分解，分別得到細(xì)節(jié)分量Di（t）（i=1,，2,，...，8）和逼近分量A8（t）,。細(xì)節(jié)分量Di（t）（i=1,，2，...，8）從D1（t）到 D8（t）的頻率逐次降低,。其中,，D7（t）和D8（t）的頻譜主要集中在1 Hz以內(nèi)，故可以將其作為基線漂移分量,，置零即可,。圖1顯示了一名受試者在REM期的EEG Fpz-Cz通道的30 s信號經(jīng)離散小波變換得到細(xì)節(jié)分量Di（t）（i=1，2,，…,，6）的頻域信號。

　　在不同睡眠階段,，各個(gè)細(xì)節(jié)分量的能量不同,，可以作為特征區(qū)分各個(gè)睡眠階段。本文使用細(xì)節(jié)分量Di（t）（i=1,，2,，...，6）的能量信息作為部分特征實(shí)現(xiàn)睡眠分期,。

2 非線性SVM模型分析

　　SVM在解決小樣本,、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢。非線性SVM問題的基本思想是,，通過非線性變換,，將輸入變量x轉(zhuǎn)化到某個(gè)高維空間，然后再變換空間求最優(yōu)分類面,。非線性SVM問題的最優(yōu)化目標(biāo)是：

　　相應(yīng)的判決函數(shù)為：

　　如果y≥0,，判為一類，類別為1,；否則,，類別為-1。

　　式（2）和式（3）中K（xi,，x）為核函數(shù),，本文選擇使用了高斯徑向基核函數(shù)：

　　參數(shù)C、選擇對模型的準(zhǔn)確性有很大的影響,，本文使用了基于交叉驗(yàn)證的網(wǎng)格搜索法來進(jìn)行SVM參數(shù)尋優(yōu),。

3 實(shí)驗(yàn)結(jié)果

　　選取Sleep-EDF數(shù)據(jù)庫中8位受試者的數(shù)據(jù)。將6位受試者的數(shù)據(jù)作為一組,，其中的75%用來建立非線性SVM模型,，剩余的25%用來測試模型精度，驗(yàn)證模型是否出現(xiàn)過擬合問題,。利用額外2位受試者的數(shù)據(jù)測試模型的精度,，驗(yàn)證模型的泛化能力,。本研究的整體流程如圖2所示。

　　使用臺灣林智仁的LIBSVM作為研究平臺,。模型測試精度如表1所示,。

　　本文模型的分期平均準(zhǔn)確率為85.72%，說明模型沒有出現(xiàn)過擬合,。實(shí)際有以下方面對模型精度存在較大的影響：原始時(shí)域EEG信號中的干擾成分過多；專家標(biāo)定狀態(tài)本身就有一定誤差,；睡眠的各個(gè)階段是連續(xù)的,；等等。

　　使用已經(jīng)建立的SVM模型,，將剩余2名受試者的數(shù)據(jù)經(jīng)測試對比,，平均精度為81.65%。因此,，本文的模型滿足了對泛化能力的要求,，驗(yàn)證了本研究的可行性。

4 結(jié)論

　　使用腦電信號研究睡眠分期對數(shù)據(jù)預(yù)處理,、降維處理,、提取特征、分類器的選擇都是很重要的環(huán)節(jié),。本文對db8小波分解EEG得到的各個(gè)層次小波提取能量特征,，使用SVM進(jìn)行睡眠分期。本文的模型經(jīng)過測試之后,，達(dá)到比較理想的分類效果,，即具有良好的推廣能力。

　　本文的研究只是基于EEG,。在今后的研究中,，還有很多工作需要進(jìn)一步深入研究，也可將其他的生理指標(biāo)引入睡眠分期的研究,，如EOG,、心電（Electrocardiogram，ECG）,、EMG,，相信也會有好的研究前景。

參考文獻(xiàn)

　　[1] GNE?S,， POLAT K,， YOSUNKAYA . Efficient sleep stage recognition system based on EEG signal using K-means clustering based feature weighting[J]. Expert Systems with Applications， 2010,，37（12）：7922-7928.

　　[2] 李谷,，范影樂,，龐全.基于排列組合熵的腦電信號睡眠分期研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2009,，26（4）：869-872.

　　[3] 周鵬,，李向新，張翼,，等.基于主成分分析和支持向量機(jī)的睡眠分期研究[J].生物醫(yī)學(xué)工程學(xué)雜志,，2013，30（6）：1176-1179.

　　[4] FRAIWAN L,， LWEESY K,， KHASAWNEH N， et al. Automated sleep stage identification system based on time–frequency analysis of a single EEG channel and random forest classifier[J]. Computer Methods and Programs in Biomedicine,， 2012,，108（1）：10-19.

　　[5] HSU Y L， YANG Y T,， WANG J S,， et al. Automatic sleep stage recurrent neural classifier using energy features of EEG signals[J]. Neurocomputing， 2013,，104：105-114.

　　[6] KOLEY B,， DEY D. An ensemble system for automatic sleep stage classification using single channel EEG signal[J]. Computers in Biology and Medicine， 2012,，42（12）：1186-1195.

　　[7] LEE J,， YOO S K. Electroencephalography analysis using neural network and support vector machine during sleep[J]. Engineering， 2013（5）：88-92.

　　[8] L?魧NGKVIST M,， KARLSSON L,， LOUTFI A. Sleep stage classification using unsupervised feature learning[J]. Advances in Artificial Neural Systems， 2012,，2012：9.

　　[9] RECHTSCHAFFEN A,， KALES A. A manual of standardized terminology， techniques and scoring systems for sleep stages of human subjects[M]. Los Angeles： UCLA Brain Information Service/Brain Research Institute,， 1968.

　　[10] OCAK H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy[J]. Expert Systems with Applications,， 2009， 36（2）： 2027-2036.