考慮個體特征的非腦電睡眠分期

王海濤 鄭慧君 曹征濤 楊 軍 俞夢孫

1(山東大學(xué)控制科學(xué)與工程學(xué)院，濟(jì)南 250061)

2(航空醫(yī)學(xué)研究所，北京 100142)

3(衛(wèi)生裝備研究所，天津 300161)

引言

睡眠是一種重要的生理活動，占一生中大約1/3的時間，并非簡單的靜息狀態(tài)。根據(jù)多導(dǎo)睡眠圖(polysomnography，PSG)測量的生理數(shù)據(jù)，包括EEG、EMG、EOG及鼻氣流信號，睡眠分期可以分為醒(wake)、快速眼動期(rapid eye movement，REM)、非快速眼動期(non rapid eye movement，nREM)。睡眠分期是重要的臨床信息，已有動物試驗證明，REM被剝奪，將導(dǎo)致動物死亡。采用PSG分期方法，要在人體上貼附多個電極，限制人的活動，會對正常睡眠造成干擾。所以，發(fā)展一種低成本、無負(fù)荷的睡眠分期測量方法是必要的。

用心肺生理信號進(jìn)行分期已有研究［1－3，8］，利用的信號有心動周期、體動、呼吸波、血氧飽和度等?；诜悄X電的睡眠分期的分辨率比PSG低，一般把nREM中的S1和S2合并為淺睡，把 S3和S4合并為深睡。睡眠分期因人而異，不同人群其生理信號差異很大，呼吸暫停病人的呼吸事件破壞了正常的睡眠結(jié)構(gòu)，使信號特征變得不明顯。文獻(xiàn)［2］的研究表明，利用心率、呼吸率特征設(shè)計的針對個體的分類器，可達(dá)79%的準(zhǔn)確度;而設(shè)計的普適分類器，準(zhǔn)確度明顯下降，降至67%。所以說，考慮個體特征、設(shè)計更準(zhǔn)確的分期方法是必要的。

本研究提出一種考慮個體特征的睡眠分期方法。采用的生理信號包括心率、呼吸率、體動和血氧飽和度，其中呼吸率和體動的測量采用微動敏感床墊［9］，心率和血氧飽和度由血氧計得到。

1 信號的模式描述

個體特征表現(xiàn)在2個方面:一方面，對于同一個信號，比如心率，有些人 REM模式明顯，有些人在REM期表現(xiàn)不明顯;另一個方面，對于同一個人的生理信號，有的隨睡眠分期模式變化明顯，有的則不明顯。圖1是某位無呼吸事件的健康青年的心率和呼吸率，(b)中粗直線對應(yīng)的時間段為REM期，其呼吸率明顯變快，形成一個波峰，和nREM期的呼吸率形成鮮明的對比;而(a)是同一時間段的心率，其在REM期上升的不明顯。圖2是另一個嚴(yán)重呼吸暫停病人的心率和呼吸率，和圖1相反，其心率模式明顯，而呼吸率模式不明顯。在兩圖中，存在的一些毛刺是心率、呼吸率計算錯誤所致。

圖1 某正常人的心率和呼吸率模式。(a)在REM期，心率模式變化不明顯;(b)在REM期，呼吸率明顯變快，且不穩(wěn)定Fig.1 The heart rate and respiratory rate pattern.(a)during REM， heart rate pattern vary nonsignificantly;(b)during REM，respiratory rate pattern vary significantly

圖2 某病人的心率和呼吸率模式。(a)隨睡眠分期心率模式明顯變化;(b)呼吸率隨睡眠分期模式變化不明顯Fig.2 Heart rate and respiratory rate pattern from another person.(a)heart rate pattern vary significantly with sleep stageproceeding;(b)respiratory rate pattern vary nonsignificantly with sleep stage proceeding

可以看出，對于圖1的數(shù)據(jù)，應(yīng)該給呼吸率特征賦以更大的權(quán)重;而對于圖2的數(shù)據(jù)，應(yīng)該更依賴心率的數(shù)據(jù)。以前的文獻(xiàn)利用多人的訓(xùn)練數(shù)據(jù)進(jìn)行特征選擇，并對所選特征賦以權(quán)值。顯然，一旦特征及其權(quán)值確定下來，個體特征就會被分類器掩蓋，分類器的普適性就會降低。本研究的分期算法針對以上問題，首先對信號進(jìn)行模式的描述，找到特征最明顯的信號及其特征，并賦以較大的權(quán)重，模式描述以wakeREM的特征為主。

在不同的分期，信號有不同的模式。在 REM期，心率、呼吸較快，呼吸率不平穩(wěn)，呼吸波變異性大［1，7］;在 nREM 期，心率、呼吸率慢，深睡期心率、呼吸最低且平穩(wěn)［4－5］，即心率、呼吸率在 wakeREM期會形成波峰。對于體動信號而言，wake時體動幅度大、次數(shù)多，而睡眠狀態(tài)中偶有翻身，多見身體局部的動作，通常較為短促，幅度低、次數(shù)少。體動的一個例子見圖3，體動按照其幅度分為小體動、中體動和大體動;粗直線對應(yīng)的就是3段體動，從左到右依次為中體動、大體動和小體動;形成的體動序列是一個和原始序列等長的多值序列，0表示沒有體動，1表示小體動，2表示中體動，3表示大體動。

圖3 三段體動Fig.3 Three segments of body movement

血氧飽和度在呼吸暫停患者的睡眠分期中具有價值［10］，Wake時的血氧值高且平穩(wěn)，發(fā)生呼吸暫停時血氧值下降，REM期呼吸暫停造成的血氧值下降更為嚴(yán)重。圖4是2 h時的血氧序列，可以看出，在粗直線表示的時間段，血氧飽和度有明顯的下降，形成波谷。要對信號進(jìn)行模式描述，重點是找到波峰和波谷。

圖4 2 h的血氧飽和度Fig.4 2 hours of oximetry saturation

利用基于小波變換的多分辨率方法，從概貌信號提取波形中的波峰(波谷)，選用緊支集SYMLET小波，對心率、呼吸率進(jìn)行小波變換，選取概貌信號A8定位波峰(波谷)，波峰(波谷)的特征用幅度、持續(xù)時間來描述。2個波峰(波谷)之間的信號屬于一個模式，由均值和標(biāo)準(zhǔn)差來描述，即信號的模式描述的數(shù)據(jù)結(jié)構(gòu)是:{(均值 μ，標(biāo)準(zhǔn)差 δ，起點時刻，持續(xù)時間)，(幅度 A，起點時刻，持續(xù)時間)，(均值，標(biāo)準(zhǔn)差，起點時刻，持續(xù)時間)，…，(幅度，起點時刻，持續(xù)時間)，…}。以波峰(波谷)的幅度與前后模式段的比值A(chǔ)/(μ+δ)作為此信號隨睡眠分期模式變化是否明顯的量化指標(biāo)，值越大表明波峰(波谷)的幅度比前后時間段越大，即模式變化越明顯，在睡眠分期時此信號越可依賴，應(yīng)該賦以更大的權(quán)值，這就體現(xiàn)了個體的差異。模式的另外一個特征就是REM期在時間上的分布，一般地，REM期在整晚有3～5個，間隔40～90 min，波峰的個數(shù)和間隔要符合這個原則。

為應(yīng)對個體差異，專家分期時可以在不同的時間尺度上分析信號。例如，定位心率信號的一個波峰后，進(jìn)一步分析此時間段內(nèi)心率信號的細(xì)節(jié)特點，或者此時間段內(nèi)其他通道信號的特點，這種從全局概貌特征到局部細(xì)節(jié)特征的搜索對專家而言是毫無障礙的。專家分期時的另一個特點是:先確定最有把握時間段的分期，然后依據(jù)REM期的全局特點以及候選段的局部特點，確定其他候選段是否屬于REM期。

參照上述專家的思維方法，可以總結(jié)出專家的分期步驟。

步驟1:縱覽整夜的心率、呼吸率信號，確定出可能的REM(或者wake)的候選段。這時，心率、呼吸率得到的候選段往往不一致，需要在后面的步驟中，進(jìn)一步利用血氧信號和體動信號的信息，確定REM(wake)分期。

步驟2:對第一步得到的候選段進(jìn)行排序，并吸納血氧、體動信息，對最有把握的候選段確定其REM(或者wake)，然后對其他候選段進(jìn)行分期。

模擬專家的思維方式，有下面的自動睡眠分期算法。

2 自動睡眠分期算法

睡眠分期是多通道信息融合的過程，信息之間既有空間關(guān)系，也有時間關(guān)系。分期算法要在復(fù)雜的時空之間來回轉(zhuǎn)換，根據(jù)需要，在不同通道、不同時間尺度上提取信號的特征。算法分為4個步驟。

步驟1:對信號進(jìn)行降維的模式描述，得到上節(jié)所述的數(shù)據(jù)結(jié)構(gòu)。其中，每個元素均是和某個時間段對應(yīng)的數(shù)據(jù)描述，稱為模式描述單元。隨著分析的繼續(xù)，這個模式描述單元在時間尺度上融合或者分解，以包含其他通道信號的特征。

步驟2:比較心率和呼吸率的的模式，以提取模式明顯的描述單元。所謂模式明顯，就是此單元的特征值和前后單元的特征值有顯著的差異。用比值A(chǔ)/(μ+δ)和波峰持續(xù)時間作為衡量指標(biāo)，據(jù)此對描述單元進(jìn)行排序。當(dāng)然，若在全局模式描述時使用了幅度以外的特征(如頻域特征)也可以按照相同的思路進(jìn)行模式的排序。

步驟3:對描述單元進(jìn)行融合和分解，因為在心率和呼吸率2個信號通道上得到的描述單元在時間軸上往往不完全一致。如果2個描述單元的時間尺度是部分重合的，例如，由心率時間序列，夜間(24 h計時制)［1:20，1:40］為可能的 REM，由呼吸率序列，［1:25，1:44］為可能的 REM，則取二者的并集［1:20，1:44］可作為新描述單元的時間尺度，且 2個描述單元的特征都作為新單元的特征，以上過程稱為單元融合。為了進(jìn)一步確定新描述單元的分期，還需要參考體動和血氧飽和度的模式特點，以及預(yù)期的分期(希望是REM還是wake)來判斷。

舉例說明如下。若在新單元的開始時刻1∶22發(fā)生一次大體動，而預(yù)期分期是REM，則新單元可以發(fā)生一次分解，只取大體動后面的時間段［1:23，1:44］，因為REM期沒有大體動發(fā)生。分解后的單元又增加了體動和血氧特征，即體動的次數(shù)、體動的類型(大，中，小)、體動的持續(xù)時間、血氧均值和標(biāo)準(zhǔn)差、血氧是否處于波谷，以及波谷的持續(xù)時間等。若預(yù)期的分期是wake，就要把血氧處于波谷的時間段剔除掉。這樣，經(jīng)過一次分解，形成了分別以REM、wake為預(yù)期的2個描述單元，2個描述單元都包含了在各自的時間尺度上多個信號通道的特征。

步驟4:利用前面產(chǎn)生的描述單元進(jìn)行分期。綜合考慮模式排序中的位次和特征值，利用專家知識形成的證據(jù)理論if-then規(guī)則進(jìn)行分期［1］。

綜上所述，算法包括相對獨立的幾個模塊:信號的模式描述單元、融合和分解規(guī)則庫、推理規(guī)則庫和特征計算模塊。

3 自動分期算法的驗證和結(jié)果

為了驗證算法的可行性，選取16個病例進(jìn)行分期。其中，4例為健康人，心率和呼吸率模式較明顯;另外12例為中、重程度的呼吸暫停病人，心率和呼吸率的模式不顯著。利用以上自動算法進(jìn)行分期，并以專家的分期為標(biāo)準(zhǔn)進(jìn)行比較，結(jié)果如表1所示。一般地，病人自動分期的符合率比健康人要低，而本算法充分考慮了個體特征，所以病人的分期符合率仍然維持在較高的水平上，這正是本算法的優(yōu)勢所在。當(dāng)然，規(guī)則庫的擴(kuò)展要依賴大量的病例分析。

表1 分期比較Tab.1 Comparison of 16 individuals staging results

4 討論

腦電分期應(yīng)用較早，且形成了標(biāo)準(zhǔn)。由于腦電特征易于定量描述，與分期的關(guān)系比較明確，且特征的時間尺度比較短，腦電序列的分割很簡單，一般以30 s為一個子序列，計算特征后再分期，也很少考慮腦電特征的個體差異。

用系統(tǒng)的觀點看睡眠，它作為一種生理狀態(tài)，必然要在身體的多個部位及多個生理過程中反映出來。有研究表明，自主神經(jīng)活動與睡眠在皮層下有共同的調(diào)節(jié)中樞，心動周期、呼吸等非腦電信號與腦電信號是同一個生理狀態(tài)的2個方面，非腦電信號可能蘊(yùn)含腦電信號不具備的信息。但是從信號的模式看，非腦電信號有區(qū)別于腦電信號的2個特點:第一，在計算特征時，其分割的子序列要包括一個完整的分期，如REM期，這就對序列的分割提出了很高的要求，子序列要經(jīng)過多次分割和融合才能確定;第二，信號模式與分期并非一一對應(yīng)，需要多信號融合，以提高分期的可靠度。以上2個特點決定了分期是時間序列的解釋問題［11］，與經(jīng)典的模式識別問題不同，它涉及在不同時間尺度上提取序列的特征，并且特征之間的時間關(guān)系至關(guān)重要。本算法利用模式描述單元這種動態(tài)的數(shù)據(jù)結(jié)構(gòu)容納各個信號通道的特征(也就是模式)，通過單元的融合和分解，體現(xiàn)特征在時間、空間上的關(guān)系。融合和分解的啟動和執(zhí)行是由一系列規(guī)則觸發(fā)和約束的，而這些規(guī)則都是依據(jù)專家的知識制定的。所以，本研究的算法是基于知識的，可以依據(jù)專家知識的完善不斷改進(jìn);是開放性的，可以在不改變算法總體框架的前提下，通過擴(kuò)充規(guī)則庫來改進(jìn)算法的性能。模式描述單元類似軟件工程中的類，描述單元可以派生出新的單元，就像類的派生一樣，當(dāng)然，這種派生是在規(guī)則庫的指導(dǎo)下進(jìn)行的。按照類的思想，可以把派生規(guī)則也放在描述單元中，規(guī)則和模式就相當(dāng)于類的函數(shù)和數(shù)據(jù)，這是以后的工作之一。

序列的模式用的是幅度方面的信息，也可以利用一些頻域或者非線性特征［12-13］。模式明顯是一個相當(dāng)抽象的概念，它表示信號在不同時間、階段的狀態(tài)變化明顯，既涉及特征值的變化，也涉及特征值在時間軸上的分布。本研究簡單地用幅度比值刻畫模式是否明顯，以后的工作應(yīng)考慮特征的分布問題。模式描述的形成也可以先在小的時間窗口形成粒度，然后將小的粒度聚類，形成大的粒度，整個序列最終用有限個數(shù)的粒度描述。文獻(xiàn)［14］用模糊集合作為每個時間窗口的粒度，用模糊C-均值的方法進(jìn)行粒度聚類形成ECG信號的粒度描述。

描述單元、規(guī)則庫和特征計算模塊是獨立的，便于擴(kuò)充和改進(jìn)，這種架構(gòu)也適合其他涉及上下文信息的多通道信號解釋任務(wù)。整個分期過程都記錄在描述單元中，可以以文本方式輸出，便于專家和臨床醫(yī)生事后檢查分期過程。

5 結(jié)論

本研究利用非腦電信號進(jìn)行睡眠分期，提出了一種基于多個時間序列的智能決策方法，展示了算法的可行性。利用模式描述單元在規(guī)則庫的指導(dǎo)下分解和融合操作，解決了以上問題，并體現(xiàn)了信號模式的個體差異。睡眠時的生理信號蘊(yùn)含了豐富的信息，睡眠分期僅是其中之一，挖掘與健康狀態(tài)有關(guān)的信息應(yīng)是下一步的方向。本研究中的數(shù)據(jù)結(jié)構(gòu)和智能算法同樣適合這一任務(wù)，所以具有很好的發(fā)展前景。

［1］楊軍，俞夢孫，王宏山，等.多參數(shù)信息融合實現(xiàn)非腦電的睡眠結(jié)構(gòu)分期［J］.中國生物醫(yī)學(xué)工程學(xué)報，2006，25(3):315－321.

［2］Stephen J，Redmond CH.Cardiorespiratory-based sleep staging in subjects with obstructive sleep apnea［J］.IEEE Transactions on Biomedical Engineering，2006，53(3):485－496.

［3］Watanabe T，Watanabe K.Noncontact method for sleep stage estimation ［J］.IEEE Ttransactions on Biomedical Engineering，2004，51(10):1735-1748.

［4］楊軍.多分辨分析提取心率變異性中的睡眠結(jié)構(gòu)信息［D］.西安:第四軍醫(yī)大學(xué)，1998.

［5］Eisenbruck S.Heart rate variability during waking and sleep in healthy males and females［J］.Sleep，1999，22(11):1067－1071.

［6］Hudgel DW.Mechanics of the respiratory system during sleep in normal humans［J］.J Applied Physiology，1984，56(1):133－137.

［7］畢亞瓊，俞夢孫.呼吸模式參數(shù)應(yīng)用于提取REM睡眠結(jié)構(gòu)信息［J］.醫(yī)療衛(wèi)生裝備，2006，27(12):3－5.

［8］Aaron L. Sleep versus wake classification from heartrate variability using computationalintelligence:consideration of rejection in classification models［J］.IEEE Transactions on Biomedical Engineering，2008，55(1):108 －118.

［9］俞夢孫，楊軍.用微動敏感床墊監(jiān)測睡眠的研究［J］.中華航空航天醫(yī)學(xué)雜志，1999，10(1):40－45.

［10］Roberto H.Utility of approximate entropy from overnight pulse oximetry data in the diagnosis of the obstructive sleep apnea syndrome［J］.IEEE Transactions on Biomedical Engineering，2007，54(1):107－113.

［11］Ben HJ.Knowledge-based approach to sleep EEG analysis-a feasibility study［J］.IEEE Transactions on Biomedical Engineering，1989，36(5):510 －518.

［12］Thmos P.Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea［J］.IEEE Trans on Biomedical Engineering，2003，50(10):1143－1151.

［13］Albert CCY.Linguistic analysis of the human heartbeat using frequency and rank order statistics［J］.Physical Review Letters，2003，90(10):1 －4.

［14］Gacek A，Pedrycz W.A granular description of ECG signals［J］.IEEE Transactions on Biomedical Engineering，2006，53(10):1972－1982.