文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.172872
中文引用格式： 劉雪峰,，馬州生,，趙艷陽，等. 基于MSE-PCA的腦電睡眠分期方法研究[J].電子技術(shù)應(yīng)用,，2017,，43(9)：22-24，29.
英文引用格式： Liu Xuefeng,，Ma Zhousheng,，Zhao Yanyang，et al. Research on sleep staging method of EEG based on MSE-PCA[J].Application of Electronic Technique,，2017,，43(9)：22-24,，29.
0 引言
隨著現(xiàn)代生活節(jié)奏的逐步加快,，人們生活壓力的不斷加大，由睡眠問題引起的疾病越來越多,，所以基于交叉學(xué)科發(fā)展起來的睡眠醫(yī)學(xué),，得到了很多醫(yī)學(xué)研究機(jī)構(gòu)以及高校的關(guān)注，致力于了解機(jī)體睡眠過程并解決睡眠功能障礙[1],。目前,，在睡眠醫(yī)學(xué)領(lǐng)域內(nèi)有人工睡眠分期和自動睡眠分期兩種方法來分析睡眠過程，人工睡眠分期方法需要專家親臨現(xiàn)場分析,，該方法會因?yàn)榭陀^原因以及專家主觀原因?qū)е抡`判率高,。自動睡眠分期方法是目前睡眠醫(yī)學(xué)領(lǐng)域內(nèi)主要的睡眠分析方法，該方法需要建立算法處理模型,，對睡眠過程進(jìn)行有效的特征提取和分類,，常用的方法有樣本熵（Sample Entropy，SE）[2],、Hilbert-huang變換（HHT）[3],、離散小波變換（Discrete Wavelet Transform，DWT）[4]等,，但是SE運(yùn)行速度較慢,，不適合大量數(shù)據(jù)的處理；HHT存在端點(diǎn)效應(yīng),、模態(tài)混疊,；DWT無法提取信號的非線性特征等問題,。所以本文提出使用多尺度熵（Multi-scale Entropy，MSE）和主成分分析（Principe Component Analysis,，PCA）的復(fù)合算法進(jìn)行特征提取和降維,，并在此基礎(chǔ)上采用反饋神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）實(shí)現(xiàn)對EEG睡眠狀態(tài)的非線性映射和高分期準(zhǔn)確率,，同時(shí),，多尺度熵和主成分分析融合方法也是首次應(yīng)用到自動睡眠分期領(lǐng)域，為自動睡眠分期提供了新的思路,。
1 材料與方法
1.1 數(shù)據(jù)的獲取和預(yù)處理
仿真數(shù)據(jù)來自MIT-BIH生理信息庫中Sleep-EDF的8組腦電（Electroencephalogram,，EEG）實(shí)測數(shù)據(jù)，其中4組健康志愿者的睡眠數(shù)據(jù)（sc4002e0,，sc4012e0,，sc4102e0，sc4112e0）,，另外4組是有輕微失眠志愿者的睡眠數(shù)據(jù)（st7022j0,，st7052j0，st7121j0,，st7132j0）,，均采用Fpz-Cz導(dǎo)聯(lián)方式。受試者包括男性和女性,，年齡在21~35歲,，未使用任何藥物干擾，采樣率均為100 Hz,。數(shù)據(jù)庫中每30 s EEG信號的睡眠分期結(jié)果已由經(jīng)驗(yàn)豐富的睡眠專家人工標(biāo)注[5],。
本文首先使用小波濾波方法實(shí)現(xiàn)對原始EEG信號去噪，根據(jù)EEG頻率范圍0.5~40 Hz,，采用db4小波基和分解層數(shù)為8的自適應(yīng)小波濾波,。濾波完成后根據(jù)專家的分期結(jié)果將睡眠EEG數(shù)據(jù)（30 s）分為清醒期（Awake）、淺睡期（Light Sleep,，LS）,、深睡期（或慢波睡眠期Slow Wave Sleep，SWS）和快速眼動期（Rapid eyes movement,，REM）共4個集合，為模式分類提供先驗(yàn)知識[6],。
1.2 多尺度熵
多尺度熵（MSE）是基于樣本熵（SE）在不同尺度下的非線性分析方法,，它能夠描述信號在不同尺度下的復(fù)雜度和相關(guān)性[7]。在睡眠分期特征提取中,，通過計(jì)算EEG不同尺度的熵值來反映不同睡眠期之間的非線性特征,。
假設(shè)數(shù)據(jù)樣本為N的某一離散時(shí)間序列{Xi}={x1,，x2，…,，xN},，嵌入維數(shù)m和相似容限r(nóng)（根據(jù)MSE的應(yīng)用研究，在實(shí)驗(yàn)中優(yōu)先選擇m=2,，r=0.15SD[8]）,，原始數(shù)據(jù)的樣本熵為：
1.3 PCA降維
上述方法中采集到的多尺度熵值為睡眠期（30 s睡眠數(shù)據(jù)）在增加單位尺度的樣本熵值，即一個維數(shù),。而EEG信號中包含大量的睡眠期,，當(dāng)增加過多尺度時(shí)，MSE維度過高將導(dǎo)致睡眠期的自動識別和運(yùn)行速度上存在較大難度,，因此本文采用主成分分析法（PCA）對MSE特征進(jìn)行降維處理,。
PCA作為一種多元統(tǒng)計(jì)分析技術(shù)，首先對數(shù)據(jù)去相關(guān),，根據(jù)方差最大化原理,，通過正交變換將原變量轉(zhuǎn)換為一組線性不相關(guān)的主成分變量，壓縮變量個數(shù),，最大化保存有效信息的同時(shí)剔除冗余信息,，實(shí)現(xiàn)對數(shù)據(jù)的降維，一般主成分的選取標(biāo)準(zhǔn)是累計(jì)貢獻(xiàn)率達(dá)到80%以上[9-10],。
1.4 分類算法
反饋神經(jīng)網(wǎng)絡(luò)（BPNN）的基本思想是根據(jù)最速下降法,，對網(wǎng)絡(luò)權(quán)值和閾值的不斷調(diào)整，得到最小的網(wǎng)絡(luò)誤差平方和實(shí)現(xiàn)反向傳播,。在分類模型中,，BPNN將PCA所包含主要信息的主成分作為輸入?yún)?shù)，通過BP算法訓(xùn)練和實(shí)現(xiàn)對4種睡眠期的自動識別分類,。
BPNN的節(jié)點(diǎn)輸出為：
式(1)中xi是節(jié)點(diǎn)輸入,，wij為輸入節(jié)點(diǎn)j至隱含層節(jié)點(diǎn)i的連接權(quán)值，θj是隱含層節(jié)點(diǎn)的閾值,，f是激活函數(shù),，一般選用Sigmoid函數(shù)，yj是隱含層節(jié)點(diǎn)的輸出,，其結(jié)果為4種睡眠狀態(tài),。
2 實(shí)驗(yàn)結(jié)果
2.1 多尺度熵結(jié)果
序列的熵指數(shù)可以表征序列的復(fù)雜程度[9]，圖1為樣本（sc4002e0,，sc4012e0,，st7022j0，st7052j0）的Awake、LS,、SWS和REM四種睡眠期的多尺度熵值曲線,，其結(jié)果在整體趨勢上區(qū)別相對明顯。同時(shí),，在相同尺度下,，Awake、REM,、LS,、SWS的熵值逐漸遞減，說明睡眠程度的加深與腦電信號的復(fù)雜程度呈負(fù)相關(guān)的變化趨勢,，其在特定尺度t下的主要統(tǒng)計(jì)分布如圖2所示,。圖2顯示出4種尺度下睡眠期的統(tǒng)計(jì)分布與MSE的結(jié)果保持一致，并且睡眠階段之間存在顯著性差異,，因此多尺度熵可以區(qū)分四種不同的睡眠階段,。根據(jù)統(tǒng)計(jì)結(jié)果，為了不丟失信號的有效成分,，采用尺度1-13的MSE值表征腦電EEG不同睡眠期的主要非線性動力學(xué)特征,。
2.2 PCA降維結(jié)果
為實(shí)現(xiàn)進(jìn)一步對四種睡眠期的識別分類，采用PCA對MSE特征進(jìn)行降維分析[11],。通過MSE方法對EEG信號進(jìn)行非線性特征提取,，得到13個尺度下Awake、LS,、SWS和REM的熵值特征,，利用PCA對該特征進(jìn)行降維，保證降低數(shù)據(jù)冗余的同時(shí)保留絕大多數(shù)EEG非線性特征,，各成分所對應(yīng)的累計(jì)貢獻(xiàn)率如圖3所示,。
由圖3可知PCA前兩個主成分的累計(jì)貢獻(xiàn)率達(dá)到93.1%，表明它們已經(jīng)包含了原變量的主要信息,。因而選用PCA的前兩個向量作為新的特征向量,，代替原變量13個尺度的MSE特征，實(shí)現(xiàn)特征降維,。
當(dāng)利用前2個主成分向量取代MSE特征,，測試集樣本為sc4002e0，sc4012e0,，st7022j0,，st7052j0的60組熵值特征，其中包含Awake,、LS,、SWS和REM各15組，PCA降維后的前2個主成分得分圖如圖4所示[10]。圖4顯示四種睡眠階段的熵值特征分布區(qū)域較為明顯,，說明通過前兩個主成分已可以完全區(qū)分四種睡眠狀態(tài)。
2.3 BPNN分類結(jié)果
將受試者的1500個測試睡眠期輸入已訓(xùn)練的BPNN分類模型,，自動睡眠分期與專家人工分期的對比如圖5所示,，其結(jié)果的詳細(xì)數(shù)據(jù)如表1。其中,，專家分期結(jié)果在數(shù)據(jù)庫中已由臨床經(jīng)驗(yàn)豐富的專家人工識別分類標(biāo)注,，該結(jié)果可以作為自動睡眠分期模型的性能評測依據(jù)。
3 討論
本研究通過MSE算法提取EEG信號的非線性動力學(xué)特征,，利用PCA降維和BPNN分類,，建立一種有效的自動睡眠分期方法。在表1中顯示出本文模型相對于專家人工分期結(jié)果,，自動分期模型Awake,、LS、SWS和REM的識別準(zhǔn)確率均在85%以上,，平均準(zhǔn)確率為87.9%,，相比同類研究，達(dá)到較高的分期準(zhǔn)確率,。通過與專家分期結(jié)果的一致性檢測,，模型的kappa系數(shù)保持在了0.77，表明本文方法的自動分期結(jié)果相對于專家分期結(jié)果已達(dá)到高度的一致性,，系統(tǒng)魯棒性強(qiáng),。
本文主要對比了AARON等人[2]、GUO等人[3],、謝等人[4]提出的自動睡眠分期方法,，自動睡眠分期方法的對比如表2所示。發(fā)現(xiàn)本文所提方法對EEG信號睡眠階段的分類準(zhǔn)確性較高,，同時(shí)PCA降低了系統(tǒng)的復(fù)雜性,，模型的結(jié)構(gòu)更為簡單提升了系統(tǒng)的穩(wěn)定性。
4 結(jié)論
由于生理信號的特征提取和分類算法較為復(fù)雜,，自動睡眠分期的準(zhǔn)確率沒有得到較大的提升,。本文將MIT-BIH腦電EEG信號作為睡眠分期的生理數(shù)據(jù)樣本，通過MSE-PCA模型將前2個主成分向量替代睡眠階段的多尺度熵特征,，不僅提取了EEG的非線性動力學(xué)特征,，降低了模型的復(fù)雜性，而且更利于BPNN分類器對睡眠期的訓(xùn)練和分類,。同時(shí),，自動分期的結(jié)果與數(shù)據(jù)庫中的專家判定達(dá)到高度的一致性，說明MSE-PCA的融合方法能有效實(shí)現(xiàn)對EEG非線性特征的提取和降維，對睡眠過程的分析和研究有較大幫助,。
參考文獻(xiàn)
[1] 高群霞,，周靜，吳效明.基于腦電信號的自動睡眠分期研究進(jìn)展[J].生物醫(yī)學(xué)工程學(xué)雜志,，2015,，32(05)：1155-1159.
[2] AARON R S，LIANG C K.A study on sleep EEG using sample entropy and power spectrum analysis[C].Defense Science Research Conference and Expo(DSR),，Singapore,，2011：1-4.
[3] GUO C，LU F,，LIU S,，et al.Sleep EEG staging based on Hilbert-Huang Transform and Sample Entropy[C].International Conference on Computational Intelligence and Communication Networks(CICN)，Jabalpur,，2015：442-445.
[4] 謝宏,，施小南.基于離散小波變換的腦電信號睡眠分期研究[J].微型機(jī)與應(yīng)用，2015,，34(432)：18-20.
[5] KEMP B.The sleep-edf database online.[Online].Available：http：//www.physionet.org/physiobank/database/sleep-edf/
[6] STOCHHOLM A,，MIKKELSEN K，KIDMOSE P.Automatic sleep stage classification using EEG[C].Annual International Conference of the IEEE Engineering in Medicine and Biology Society(EMBC),，Orlando,，2016：4751-4754.
[7] FRAIWAN L，LWEESY K.Newborn sleep stage identification using multi-scale entropy[C].IEEE 2nd Middle East Conference on Biomedical Engineering,，Doha,，2014：361-364.
[8] LIANG S F，KUO C E,，HU Y H,，et al.Automatic stage scoring of single-channel sleep EEG by using multi-scale entropy and autoregressive models[J].IEEE Transactions on Instrumentation and Measurement，2012,，42(13)：1649-1657.
[9] 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.
[10] 楊靜,，王成,，謝成穎，等.基于主成分分析和反向傳播神經(jīng)網(wǎng)絡(luò)的肝癌細(xì)胞后向散射顯微光譜判別[J].生物醫(yī)學(xué)工程學(xué)雜志,，2017,，34(2)：246-252.
[11] 王金甲,，周麗娜.基于PCA和LDA數(shù)據(jù)降維的腦磁圖腦機(jī)接口研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2011(6)：1069-1074.
作者信息：
劉雪峰1,，馬州生2,，趙艷陽3，余傳奇1,，范文兵1
（1.鄭州大學(xué) 信息工程學(xué)院,，河南 鄭州450001；2.河南省經(jīng)貿(mào)學(xué)院,，河南 鄭州450046；
3.河南工業(yè)大學(xué) 電氣工程學(xué)院,，河南 鄭州450001）