0 引言

    睡眠是人類一項(xiàng)最基本的生理活動之一,，對人的健康至關(guān)重要。世界衛(wèi)生組織（World Health Organization,，WHO）調(diào)查顯示,，全球有27%的人存在著不同范圍程度的睡眠問題，睡眠類疾病正威脅著全世界人民的健康^[1],。目前,，睡眠相關(guān)領(lǐng)域的研究已經(jīng)成為人們研究的一個熱點(diǎn)。

    睡眠質(zhì)量一般可通過腦電,、心電,、眼電、肌電,、體動,、脈搏波等信號來進(jìn)行客觀評估，其中腦電能反映人腦的健康狀況,，是最直接,、最經(jīng)典的檢測方法^[2]。睡眠分期是研究睡眠的基礎(chǔ),，是睡眠質(zhì)量評估至關(guān)重要的步驟,。睡眠分期準(zhǔn)則普遍采用美國睡眠醫(yī)學(xué)學(xué)會(American Academy of Sleep Medicine，AASM)的標(biāo)準(zhǔn),，AASM準(zhǔn)則將睡眠分成五期,，即Wake期、NREM期(又分為N1期,、N2期,、N3期)、REM期^[3],。臨床上睡眠監(jiān)測主要采用多導(dǎo)睡眠圖,，通過記錄腦電圖、眼電運(yùn)動,、肌肉活動,、呼吸信號等多個特征參數(shù)來完成睡眠監(jiān)測^[4]，但是信號采集普遍由多電極組成,，體積龐大,，設(shè)計(jì)復(fù)雜，無法滿足便攜性,；市場上睡眠監(jiān)測設(shè)備也層出不窮,，多數(shù)是基于睡眠姿態(tài)進(jìn)行分期，雖然便于使用,，但無標(biāo)準(zhǔn)的睡眠分期準(zhǔn)則,，在準(zhǔn)確性方面遠(yuǎn)未達(dá)到臨床要求的睡眠分期精度,。所以，研究一種便攜性較好,、準(zhǔn)確性較高的睡眠監(jiān)測系統(tǒng)具有重要的意義和價值,。為了同時兼顧便攜性和準(zhǔn)確性，本文設(shè)計(jì)了一套能夠采集人體睡眠腦電信號,，并在智能終端上實(shí)時記錄和顯示睡眠質(zhì)量的系統(tǒng),。

1 總體設(shè)計(jì)

    系統(tǒng)框架圖如圖1所示，包括信號采集模塊,、智能終端2部分,。信號采集模塊選用德州儀器ADS1299作為A/D轉(zhuǎn)換芯片，ADS1299以其緊湊性,、便攜性,、低功耗性常被用于生物電勢測量^[5]。選用Atmel公司的ATmega328P芯片為核心模塊,，控制腦電數(shù)據(jù)的采集,，ATmega328P為高性能、低功耗的8位AVR微處理器^[6],，其兼容性好,、處理速度快，具有豐富的片內(nèi)外設(shè),，并且支持多種串行通信接口,，如USART、SPI,、2-wire,。選用HM-16藍(lán)牙芯片，HM-16采用Cypress公司的CYBL系列芯片,，遵循V4.1 BLE藍(lán)牙協(xié)議,，傳輸速率快，使用靈活,。信號采集模塊主要完成腦電信號的采集和傳輸工作,，ATmega328P通過SPI接口配置ADS1299，使能ADS1299對輸入的模擬信號采樣并保存ADS1299的數(shù)字化結(jié)果,，再通過UART口配置藍(lán)牙模塊并發(fā)送數(shù)據(jù),，實(shí)時地將腦電數(shù)據(jù)發(fā)送至智能終端，智能終端接收數(shù)據(jù)并進(jìn)行處理和分析,。

    本文主要分析智能終端軟件的設(shè)計(jì)，完成的功能包括藍(lán)牙通信,、數(shù)據(jù)接收并做數(shù)據(jù)處理,、算法實(shí)現(xiàn)睡眠自動分期,、評估結(jié)果顯示和存儲。通過智能終端上的藍(lán)牙設(shè)備搜索HM-16并建立連接,，進(jìn)行數(shù)據(jù)傳輸,，解析數(shù)據(jù)格式，并對數(shù)據(jù)處理,、算法分析,，從而實(shí)現(xiàn)睡眠自動分期；將軟件分析得到的睡眠腦電數(shù)據(jù)分析結(jié)果與PSQI相結(jié)合,，判斷用戶睡眠狀況,，為睡眠狀態(tài)打分，并客觀評價睡眠質(zhì)量,；最后將評價結(jié)果實(shí)時地顯示在Android手機(jī)上以便用戶了解自己的睡眠情況,。

2 智能終端軟件設(shè)計(jì)與實(shí)現(xiàn)

2.1 數(shù)據(jù)傳輸模塊

    藍(lán)牙協(xié)議的配置文件層包括通用接入規(guī)范GAP和通用屬性規(guī)范GATT，GAP層負(fù)責(zé)控制設(shè)備訪問模式,，用于藍(lán)牙設(shè)備的發(fā)現(xiàn),、連接、初始化管理等參數(shù)^[7],。GATT層負(fù)責(zé)設(shè)備之間的數(shù)據(jù)通信,。本系統(tǒng)中，Android手機(jī)端代表主機(jī),，HM-16設(shè)備代表從機(jī),，UART口通信波特率為115 200 Baud，在數(shù)據(jù)傳輸前,，進(jìn)行設(shè)備的認(rèn)證,，首先手機(jī)端發(fā)送搜索請求，掃描正在廣播的HM-16設(shè)備,，若GAP服務(wù)的UUID匹配成功,，則請求成功；接著手機(jī)端向HM-16設(shè)備發(fā)送連接請求,，HM-16設(shè)備正確應(yīng)答則認(rèn)證成功,，建立連接。

    Android手機(jī)與HM-16建立連接后,，發(fā)送主服務(wù)UUID,，主服務(wù)UUID匹配正確后，發(fā)送相應(yīng)數(shù)據(jù)操作“特性”的UUID,，獲取GATT數(shù)據(jù)服務(wù),，從而進(jìn)行數(shù)據(jù)傳輸。圖2所示為睡眠腦電數(shù)據(jù)傳輸流程圖,。

2.2 EEG信號去噪處理

    本系統(tǒng)采用快速中值濾波除去基線漂移,；采用FIR數(shù)字低通濾波器除去高頻干擾,；采用IIR數(shù)字陷波器除去50 Hz工頻干擾；采用小波變換除去尖脈沖信號和抑制肌電噪聲的干擾,。小波去噪過程是用實(shí)際信號與高低頻濾波矩陣進(jìn)行卷積運(yùn)算后進(jìn)行采樣,，從而得到不同頻段的小波系數(shù)，然后對小波系數(shù)閾值化處理,，最后逆變換重構(gòu)睡眠腦電信號,。在智能終端中使用Java語言編寫對應(yīng)的卷積、采樣,、信號延拓等基本的類實(shí)現(xiàn)小波變換算法,，完成EEG信號預(yù)處理過程。本文選用db4小波基,，對原始EEG信號做6層小波分解,，去除噪聲信號后小波逆變換，重構(gòu)睡眠腦電信號,。圖3為采集的原始EEG信號小波去噪前后的效果圖,。

2.3 特征參數(shù)提取

    樣本熵用來計(jì)算時間序列復(fù)雜度和統(tǒng)計(jì)量化的非線性動力學(xué)參數(shù)^[8]，樣本熵值越小,，表明序列的復(fù)雜度越低,；樣本熵值越高，表明序列的復(fù)雜度也越高,，對時間序列的復(fù)雜度變化敏感,，能夠較好地對腦電數(shù)據(jù)進(jìn)行觀測，故本文提取腦電信號的樣本熵值,，作為分類算法的輸入值,。樣本熵的計(jì)算公式如式(1)所示。

    SampEn(m,，r,，N)中的參數(shù)m和r在整個計(jì)算過程中是恒定的，m是窗口的長度,，r是匹配過程的公差閾值,。一般情況下，選擇m=1或m=2,，r=0.1 SD～0.25 SD可以計(jì)算出有效的統(tǒng)計(jì)特性,。本文利用Pearson相關(guān)系數(shù)計(jì)算樣本熵與初始腦電數(shù)據(jù)的相關(guān)性，Pearson相關(guān)系數(shù)計(jì)算如式(2)所示,。

    對比分析得出,，選用m=2，r=0.2 SD計(jì)算SampEn值最適合。圖4所示為不同睡眠期的SampEn值,。

2.4 分期算法

    RF是基于決策樹的組合模型^[9],，與其他分類算法相比(如ANN和SVM)，它的優(yōu)勢在于訓(xùn)練速度快,、精度高、避免過擬合和抗噪性強(qiáng)等,。因此,，本文利用RF算法對采集到的睡眠EEG進(jìn)行處理、分析,。隨機(jī)森林算法框架如圖5所示,。

    (1)由樣本量為K的訓(xùn)練樣本S和獨(dú)立同分布的隨機(jī)向量θ_k生成一系列的單棵分類器，即h(S,，θ_k),；

    (2)隨機(jī)森林即為所有決策樹的集合{h(S，θ_k)},；

    (3)每棵h(S,，θ_k)都可以參加投票來選擇待判樣本s的類別輸出，如式(3)所示,。

式中,，I(·)為示性函數(shù)，h_i(s)是單個決策樹歸類結(jié)果,，H(s)表征組合歸類結(jié)果,，即目標(biāo)變量Y下s的最終歸類結(jié)果。

    結(jié)合AASM睡眠分期標(biāo)準(zhǔn),，本文分期算法將睡眠階段劃分成5期（Wake期,、N1期、N2期,、N3期,、REM期），通過The CAP Sleep Database數(shù)據(jù)庫(睡眠數(shù)據(jù)每一期都是以30 s為單位進(jìn)行劃分的)中的實(shí)測睡眠EEG數(shù)據(jù)并結(jié)合專家分期來驗(yàn)證本算法分期結(jié)果的準(zhǔn)確性,。表1顯示了睡眠各期分類樣本數(shù),。RF算法隨機(jī)選取每一睡眠狀態(tài)的80%數(shù)據(jù)(13 410個樣本數(shù))作為訓(xùn)練集，20%數(shù)據(jù)(3 352個樣本數(shù))作為預(yù)測集,，通過MATLAB進(jìn)行仿真,，RF分類與專家分期結(jié)果對比如表2所示。

    從表2可以看出,，本文所采用的RF算法分類與專家分期結(jié)果基本一致,，平均準(zhǔn)確率可達(dá)到94.91%。RF算法的基礎(chǔ)是bagging，利用Weka程序包結(jié)合Java程序,，在智能終端上實(shí)現(xiàn)隨機(jī)森林算法,。

2.5 睡眠評價

    智能終端應(yīng)用軟件對睡眠腦電數(shù)據(jù)處理、算法分析,，實(shí)現(xiàn)睡眠自動分期,，對睡眠狀態(tài)做出客觀評估，再結(jié)合PSQI量表,，與客觀評估形成對比,，給出睡眠的綜合評估，使評估結(jié)果更具可信性和說服力,。

    軟件分析得出的參數(shù)主要包括：(1)總睡眠時間,；(2)睡眠潛伏期；(3)NREM各期及REM占總睡眠時間的百分比,；(4)睡眠效率其中T_NREM+REM是NREM和REM時間之和,，T是記錄數(shù)據(jù)的時間。

    本文使用Android平臺下的第三方繪圖工具AChartEngine對軟件分析得到的結(jié)果進(jìn)行繪制,，調(diào)用XYMultipleSeriesRenderer getRenderer()方法對坐標(biāo)系,、網(wǎng)格、顏色,、標(biāo)題等參數(shù)進(jìn)行設(shè)置,，完成圖表繪制布局；XYMultipleSeriesDataset getDataSet()方法存放解析出來的睡眠EEG數(shù)據(jù)集合,，構(gòu)造圖表中的數(shù)據(jù),；最后通過ChartFactory圖表生成的工廠類將數(shù)據(jù)點(diǎn)繪制出來，繪制睡眠分析所得到參數(shù)的柱狀圖和睡眠歷史記錄的折線圖,。

3 系統(tǒng)測試

    本文將The CAP Sleep Database數(shù)據(jù)庫中的5名實(shí)驗(yàn)者的睡眠EEG數(shù)據(jù)通過藍(lán)牙發(fā)送至本設(shè)計(jì)的智能終端,，用來驗(yàn)證本系統(tǒng)軟件處理終端是否可行，對每期按照8:2的比例分配訓(xùn)練樣本和測試樣本,。對5名實(shí)驗(yàn)者的睡眠數(shù)據(jù)識別結(jié)果以表格形式進(jìn)行統(tǒng)計(jì),，結(jié)果如表3所示。與標(biāo)準(zhǔn)數(shù)據(jù)庫的專家分組對比發(fā)現(xiàn),，準(zhǔn)確率可達(dá)91%,，證明本系統(tǒng)所使用的方法在智能終端上自動分期是可行的。

    用戶注冊登錄過后,，跳轉(zhuǎn)到軟件主頁面,，可選擇PSQI進(jìn)行量測，也可查看以往的睡眠記錄,。5名無病理,、無異常狀態(tài)志愿者參與在線實(shí)驗(yàn),，年齡分布在23～67之間，實(shí)驗(yàn)是在安靜的睡眠實(shí)驗(yàn)室完成,。本文使用一個信號電極,、一個參考電極和一個接地電極來采集EEG信號，其中信號電極置于Fpz,，接地電極置于Fpz與Fz之間的GND處,，參考電極置于Cz處，ADS1299的數(shù)據(jù)采集率設(shè)置為250 Hz,。評估睡眠過程中的總睡眠時間,、睡眠潛伏期、淺睡（N1期和N2期合并）占比,、深睡占比、REM占比,，然后根據(jù)睡眠總時間所占睡眠記錄時間的比例為基礎(chǔ)給睡眠質(zhì)量進(jìn)行打分Score,，并將評估結(jié)果存儲。圖6所示為1例受試者的整夜睡眠信號監(jiān)測結(jié)果以及一周的睡眠記錄,，表4為展示實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果,。

    在健康成年人的一夜就寢時間中，N1期近似占2%~10%,，N2期近似占45%~50%,，N3期約占15%~25%，REM期約占20%~25%,。通過圖6分析得出,，睡眠各期所占比例都較正常，同時結(jié)合PSQI量表結(jié)果,，判斷此受試者睡眠質(zhì)量較好,，驗(yàn)證了本睡眠監(jiān)測系統(tǒng)的有效性。

4 結(jié)束語

    本文設(shè)計(jì)了一種智能終端的睡眠監(jiān)測系統(tǒng),，能夠采集人體睡眠腦電信號,，監(jiān)測睡眠狀態(tài)，為睡眠質(zhì)量打分,。首先設(shè)計(jì)了EEG信號采集設(shè)備,，利用ADS1299采集高質(zhì)量的睡眠腦電信號，經(jīng)藍(lán)牙發(fā)送到智能終端,，完成睡眠腦電信號的采集和短距離無線傳輸,；同時，搭建了基于智能終端的睡眠腦電信號處理平臺,，通過藍(lán)牙實(shí)時接收睡眠腦電信號并對數(shù)據(jù)處理,、分析,，實(shí)現(xiàn)睡眠自動分期，將腦電數(shù)據(jù)分析結(jié)果與PSQI相結(jié)合,，客觀評估睡眠質(zhì)量,。通過實(shí)驗(yàn)驗(yàn)證，證明了所采集的EEG信號質(zhì)量好,，分期算法能夠快速準(zhǔn)確分期,，睡眠質(zhì)量評估方法有效。小型化設(shè)計(jì)增強(qiáng)了系統(tǒng)的便攜性,，快速化算法提高了分期的準(zhǔn)確性,，能有效擴(kuò)展系統(tǒng)的應(yīng)用領(lǐng)域。

參考文獻(xiàn)

[1] FAULKNER S,，BEE P.Experiences, perspectives and priorities of people with schizophrenia spectrum disorders regarding sleep disturbance and its treatment: a qualitative study[J].BMC Psychiatry,，2017，17(1)：158-175.

[2] 張發(fā)華,，舒琳,，邢曉芬.頭皮腦電采集技術(shù)研究[J].電子技術(shù)應(yīng)用，2017,，43(12)：3-8.

[3] MILES H M,，DOLS J D，DILEO H A.Improving provider AASM guideline adherence for adult obstructive sleep apnea[J].Journal for Nurse Practitioners,，2017,，13(6)：277-281.

[4] MARINO M，LI Y,，RUESCHMAN M N,，et al.Measuring sleep：accuracy，sensitivity,，and specificity of wrist actigraphy compared to polysomnography[J].Sleep,，2013，36(11)：1747-1755.

[5] 謝宏,，李亞男,，夏斌，等.基于ADS1299的可穿戴式腦電信號采集系統(tǒng)前端設(shè)計(jì)[J].電子技術(shù)應(yīng)用,，2014,，40(3)：86-89.

[6] KALITA S，BOROLE J N,，RANE K P.Wireless earthquake alarm system using ATmega328p,，ADXL335 and XBee S2[J].International Journal of Engineering Trends and Technology，2014,，12(3)：144-148.

[7] Yao Hongbing,，Zhao Xingqun.Research and development of wearable electronic glasses based on Bluetooth technology[J].China Medical Devices,，2015，30(1)：15-18.

[8] JIE X,，CAO R,，LI L.Emotion recognition based on the sample entropy of EEG[J]. Bio-medical Materials and Engineering，2014,，24(1)：1185-1192.

[9] ZHU H J,，JIANG T H，MA B,，et al.HEMD：a highly efficient random forest-based malware detection framework for Android[J].Neural Computing and Applications,，2017，10(4)：1-9.

作者信息:

趙德春1,，方  程2,，劉蒙蒙1，李舒粵1

（1.重慶郵電大學(xué) 生物信息學(xué)院,，重慶400065,；2.重慶郵電大學(xué) 自動化學(xué)院，重慶400065）