基于自適應(yīng)向量機(jī)檢測(cè)睡眠呼吸暫停綜合征的最優(yōu)特征組合篩選

王新康 劉磊 王量弘

[摘要] 基于自適應(yīng)向量機(jī)監(jiān)測(cè)睡眠呼吸暫停綜合征（SAS）時(shí)可提取出的特征參數(shù)較多，篩選這些特征參數(shù)中與SAS相關(guān)度較大的組合，可以有效降低算法的計(jì)算量，具有重要的實(shí)踐意義。本文基于V2導(dǎo)聯(lián)心電信號(hào)，首先對(duì)ECG信號(hào)進(jìn)行去噪和R波提取，得到心率變異性信號(hào)（HRV）和心電呼吸導(dǎo)出信號(hào)，并從中提取出時(shí)域頻域特征共22組，利用特征參數(shù)與SAS的相關(guān)系數(shù)對(duì)特征參數(shù)篩選后進(jìn)行支持向量機(jī)（SVM）分類。對(duì)比22組特征參數(shù)與篩選后的15組特征參數(shù)分類結(jié)果，準(zhǔn)確率降低不足0.5%，但計(jì)算復(fù)雜度大大降低，可作為對(duì)臨床長(zhǎng)時(shí)間心電圖檢測(cè)的擴(kuò)展，減少對(duì)專業(yè)醫(yī)護(hù)人員的依賴，具有良好的經(jīng)濟(jì)性和普及性。

[關(guān)鍵詞] 睡眠呼吸暫停綜合征；相關(guān)系數(shù)；支持向量機(jī)

[中圖分類號(hào)] R563.8 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673-7210（2019）04（c）-0165-04

Screening best combination of features based on adaptive vector machine for detecting sleep apnea syndrome

WANG Xinkang1 LIU Lei2 WANG Lianghong2 FAN Minghui2

1.Department of ECG Diagnosis， Fujian Provincial Hospital， Fujian Province， Fuzhou 350001， China； 2.College of Physics and Information Engineering， Fuzhou University， Fujian Province， Fuzhou 350108， China

[Abstract] There are so much characteristic parameters can be extracted based on adaptive vector machine for detecting sleep apnea syndrome. It has important significance which is selected the characteristic parameters to reduce the amounts of calculation applied in sleep apnea syndrome. This study adopted the electrocardiogram signals from limb guided lead-Ⅱ and then denoised the signal interference and detected the R-wave to get the heart rate variability data and ECG-derived respiratory data. Analysis these two data that we can obtain the twenty-two features in time domain and frequency domain， moreover， using support vector machines algorithm to classify the sleep apnea syndrome feature parameters. Compared the twenty-two features with optimal fifteen feature parameters we proposed， the amounts of calculation are decrease obviously without decay the classification accuracy. It can be used as an extension of clinical long time electrocardiogram detection because it can reduce the dependence on health care professional. Therefore， it has good economy and popularity.

[Key words] Sleep apnea syndrome； Correlation coefficient； Support vector machines

隨著社會(huì)的不斷進(jìn)步，人們的生活節(jié)奏越來越快，生活質(zhì)量不斷提高，睡眠問題也日益受到人們的重視。以睡眠呼吸暫停綜合征（SAS）為代表睡眠呼吸障礙類疾病正在不斷地威脅著人類健康。據(jù)統(tǒng)計(jì)，全球睡眠呼吸紊亂的患病率男性約為4%，女性約為2%，65歲以上的老年人患病率在20%～40%[1]。它發(fā)生在夜間睡眠過程中，患者往往伴隨有白日困倦、頭疼、高血壓或心臟病等疾病[2]。

SAS具體是指每晚7 h的睡眠時(shí)間中出現(xiàn)超過30次呼吸暫停，且每次暫停的時(shí)間超過10 s，或者每小時(shí)呼吸暫停的次數(shù)大于5[3]。隨著近年來便攜式心電采集設(shè)備的廣泛應(yīng)用，ECG信號(hào)獲取極為簡(jiǎn)便，隨著心電呼吸導(dǎo)出（EDR）信號(hào)[4]和心率變異性信號(hào)[5]提取算法日趨完善，統(tǒng)計(jì)這兩種信號(hào)特征參數(shù)檢測(cè)睡眠呼吸暫停綜合征準(zhǔn)確度已經(jīng)越來越高[6]。與此同時(shí)帶來的問題是特征參數(shù)越來越多，計(jì)算量越來越大，嚴(yán)重制約了算法的實(shí)時(shí)性。為解決這一問題，本文將篩選出與SAS相關(guān)性較大的特征參數(shù)進(jìn)行疾病檢測(cè)，可以在幾乎不影響檢測(cè)準(zhǔn)確度的基礎(chǔ)上大大降低計(jì)算量，提高計(jì)算速度，改善便攜式檢測(cè)設(shè)備的實(shí)用性。

1 資料與方法

1.1 數(shù)據(jù)庫

本文采用Physionet的Apnea數(shù)據(jù)庫[7]，該數(shù)據(jù)庫是通過心電信號(hào)檢測(cè)睡眠呼吸暫停綜合征的權(quán)威數(shù)據(jù)庫，信號(hào)采樣率為100 Hz[8]。數(shù)據(jù)庫有35組訓(xùn)練集數(shù)據(jù)和35組測(cè)試集數(shù)據(jù)，每條數(shù)據(jù)都有V2導(dǎo)聯(lián)的7～10 h的ECG信號(hào)。每組數(shù)據(jù)包含有一個(gè)ECG信號(hào)、一個(gè)R波信號(hào)以及一個(gè)注釋文件。其中，注釋文件由專家根據(jù)此時(shí)的呼吸信號(hào)和血氧信號(hào)對(duì)著1 min進(jìn)行判定，這分鐘內(nèi)呼吸暫停被標(biāo)記為“Apnea”，若無則標(biāo)記為“normal”[9]。 圖1所示為訓(xùn)練集A01的部分心電圖。

1.2 ECG去噪

ECG信號(hào)是一種微弱的電信號(hào)，由于外界噪聲和采集設(shè)備電路噪聲的存在，心電信號(hào)會(huì)受噪聲影響。由于噪聲的存在，ECG信號(hào)真實(shí)的特征波形信息被掩蓋，其自動(dòng)化檢測(cè)往往會(huì)被干擾。ECG信號(hào)噪聲的主要來源有以下3個(gè)方面[10]：①工頻干擾，主要是由電力系統(tǒng)以及用電設(shè)備造成的50 Hz噪聲及其諧波干擾。工頻干擾掩蓋了ECG信號(hào)中的某些細(xì)微變化，難以識(shí)別和診斷心電疾病。②肌電干擾，主要是由人體肌肉震顫而引起的干擾噪聲。肌電干擾的頻率范圍較廣，一般為5～2000 Hz。肌電干擾會(huì)在ECG信號(hào)上產(chǎn)生不規(guī)則的毛刺，影響心電圖檢測(cè)。③基線漂移，主要由人體呼吸和采集設(shè)備引起，其頻率范圍在0.05 Hz到幾赫茲之間?；€漂移使得ECG信號(hào)上下波動(dòng)，造成信號(hào)形變，對(duì)極值點(diǎn)的檢測(cè)干擾較大。

本文采用小波分解算法，由于噪聲和特征波信號(hào)分布頻率范圍不同，利用小波變換對(duì)含有噪聲的ECG信號(hào)進(jìn)行分解，使得噪聲和有用信號(hào)分離到不同的尺度上[11]，見表1。由于信號(hào)經(jīng)過小波變換分解后，工頻干擾和肌電干擾主要集中分布在前三層的小波系數(shù)中，有用信號(hào)對(duì)應(yīng)的小波系數(shù)的幅值較大，而噪聲干擾所對(duì)應(yīng)的小波系數(shù)的幅值一般較小，則可以利用某一閾值使得有用信號(hào)的小波系數(shù)保留下來，幅值較小的小波系數(shù)被置零，就可以濾除工頻干擾和肌電干擾[12]。而基線偏移噪聲頻率很低，且其能量主要集中在1 Hz以下，主要分布在表1中的第6層近似系數(shù)中，將其置零，重構(gòu)即可去除基線漂移[13]。

1.3 R波提取

ECG波形中R波信號(hào)幅度最大，斜率最大。本文通過對(duì)其進(jìn)行小波變換三層分解，分解得到高頻系數(shù)的模極大值，去除孤立的偽極值點(diǎn)，檢測(cè)得到的模極大值對(duì)的過零點(diǎn)就是R波波峰的位置[14]。為了減少R波波峰的漏檢和誤檢，本文采用以下兩種方法：

①人體心臟在每次收縮后將會(huì)出現(xiàn)一段“不應(yīng)期”，即這段時(shí)間不會(huì)產(chǎn)生新的QRS波群，時(shí)間約為200 ms[15]。所以，在檢測(cè)R波時(shí)，每檢測(cè)到一個(gè)R波需跳過這200 ms不應(yīng)期，直接檢測(cè)下一個(gè)R波，這樣在提高檢測(cè)效率同時(shí)，也減少了因噪聲產(chǎn)生的R波誤檢。

②在R波的檢測(cè)過程中，有時(shí)會(huì)出現(xiàn)R波幅度或斜率偏小的情況，這就可能造成R波漏檢。取前5個(gè)R-R間期的平均值為基準(zhǔn)，如果1.6倍時(shí)間內(nèi)未檢測(cè)到R波，將原降低50%進(jìn)行回溯檢測(cè)，進(jìn)一步避免漏檢。

圖2所示為R波檢測(cè)仿真結(jié)果，R波峰位置用圓圈表示。仿真結(jié)果表明，基于小波變換的R波檢測(cè)算法R波定位準(zhǔn)確，可以用于下一步的特征參數(shù)提取。

1.4 特征參數(shù)提取與篩選

睡眠呼吸暫停綜合征患者再出現(xiàn)呼吸暫停的過程中，會(huì)出現(xiàn)心率減慢，甚至心動(dòng)過緩現(xiàn)象；而患者在突然憋醒過程中，會(huì)出現(xiàn)心率突然加快，甚至心動(dòng)過快的征狀。反復(fù)出現(xiàn)的迷走神經(jīng)與交感神經(jīng)調(diào)節(jié)的改變，會(huì)導(dǎo)致患者出現(xiàn)較為嚴(yán)重的自主神經(jīng)系統(tǒng)功能紊亂，自主神經(jīng)損害導(dǎo)致交感神經(jīng)和迷走神經(jīng)張力的變化又是心律失常發(fā)生的基礎(chǔ)[16]。心率變異性是目前公認(rèn)的判斷自主神經(jīng)功能活動(dòng)的重要的定量指標(biāo)[17]。

除此之外，睡眠呼吸暫停綜合征的臨床檢測(cè)中呼吸信號(hào)具有著重要的應(yīng)用，但是呼吸信號(hào)的采集需要專業(yè)的設(shè)備，相對(duì)比較麻煩。阻塞性睡眠呼吸暫停和潮氣量的變化在心源性呼吸信號(hào)中清晰可見。使用心電圖信號(hào)處理得到的信號(hào)與原始呼吸信號(hào)具有很大的相關(guān)性，有著顯著的臨床應(yīng)用價(jià)值。

本文通過將ECG數(shù)據(jù)按1 min分割，每條取前370 min用于特征參數(shù)提取，去除掉噪聲干擾較大的第一分鐘數(shù)據(jù)。目前，常用特征參數(shù)包括由心率變異性信號(hào)（HRV）提取的20個(gè)時(shí)域頻域參數(shù)和2個(gè)由心電呼吸導(dǎo)出信號(hào)（EDR）提取的時(shí)域頻域信號(hào)[18]。見表2。

由于每個(gè)特征與類別的相關(guān)系數(shù)不同，不同的特征數(shù)量也會(huì)影響支持向量機(jī)的學(xué)習(xí)性能，所以需要采用一種成熟的特征選取技術(shù)獲得最佳的一組特征來對(duì)機(jī)器進(jìn)行訓(xùn)練。本文使用Weka的Correlation Attribute Eval計(jì)算每種特征與疾病的相關(guān)系數(shù)[19]，表2所示加粗的參數(shù)表示對(duì)檢測(cè)結(jié)果影響較大，是本文最終選取的特征組合。

1.5 SVM分類

傳統(tǒng)分類器以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為目的，往往會(huì)導(dǎo)致過學(xué)習(xí)問題，使得分類器的泛化能力下降，而SVM分類器在考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí)也考慮了置信風(fēng)險(xiǎn)，追求結(jié)構(gòu)風(fēng)險(xiǎn)最小化，能夠有效提高泛化能力，使得到的分類模型更具有實(shí)際意義，能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等問題[20]。因此，本文將使用MATLAB軟件的SVM分類器對(duì)前文提取的心率變異性和心電呼吸導(dǎo)出信號(hào)的時(shí)域頻域特征參數(shù)進(jìn)行睡眠呼吸暫停綜合征檢測(cè)模型訓(xùn)練，將35組訓(xùn)練集數(shù)據(jù)進(jìn)行對(duì)比研究，驗(yàn)證睡眠呼吸暫停綜合征檢測(cè)算法的精確度，并比較全部特征集合與篩選相關(guān)度較大的特征集合在分類時(shí)的表現(xiàn)。

2 結(jié)果

對(duì)于算法的分類結(jié)果，往往采用準(zhǔn)確率（Acc）、靈敏度（Se）、特異性（Sp）等3個(gè)指標(biāo)來評(píng)價(jià)。

其中，TP為真陽性（true positives）、TN為真陰性（true negatives）、FP為假陽性（false positives）和FN為假陰性（false negatives）。

訓(xùn)練過程采用交叉驗(yàn)證法，即每次采用34組數(shù)據(jù)作為訓(xùn)練集，1組數(shù)據(jù)作為測(cè)試集，將此過程循環(huán)35次，最終得到的數(shù)據(jù)作為本次實(shí)驗(yàn)的結(jié)果，這里給出兩組不同特征參數(shù)集合下訓(xùn)練集A1～A10的檢測(cè)結(jié)果，見表3，Acc1為所有特征參數(shù)進(jìn)行SVM分類的檢測(cè)結(jié)果，Acc2為篩選出的特征參數(shù)進(jìn)行SVM分類的檢測(cè)結(jié)果?？梢钥闯?，全部22組特征參數(shù)進(jìn)行SVM分類時(shí)的檢測(cè)準(zhǔn)確度為89.97%，篩選后的15組特征參數(shù)檢測(cè)準(zhǔn)確度為89.50%，準(zhǔn)確度下降了0.47%，但在計(jì)算中少用到7組特征參數(shù)，計(jì)算量大大降低，給快速檢測(cè)睡眠呼吸暫停綜合征提供了依據(jù)。

3 小結(jié)

本文提出相關(guān)性篩選特征參數(shù)的方法，將從單導(dǎo)心電信號(hào)用于睡眠呼吸暫停綜合征檢測(cè)的22組特征參數(shù)中篩選出15組與SAS相關(guān)性大于0.1的特征參數(shù)。相比于全部的特征參數(shù)用于SVM分類，篩選出的特征參數(shù)集合在SVM分類時(shí)檢測(cè)準(zhǔn)確率下降不足0.5%，但計(jì)算量大大降低，是在臨床廣為應(yīng)用的長(zhǎng)時(shí)間動(dòng)態(tài)心電圖檢測(cè)的基礎(chǔ)上所附加的新功能，有很高的敏感性和特異性，無需添加新儀器，也無需睡眠監(jiān)測(cè)技術(shù)人員，對(duì)被測(cè)試人員的影響性小，有良好的經(jīng)濟(jì)性和普及性。

[參考文獻(xiàn)]

[1] Hiestand DM，Britz P，Goldman M，et al. Prevalence of symptoms and risk of sleep apnea in the US population：Results from the national sleep foundation sleep in America [J]. Chest，2006，130（3）：780-786.

[2] Finkel KJ，Searleman AC，Tymkew H，et al. Prevalence of undiagnosed obstructive sleep apnea among adult surgical patients in an academic medical center[J]. Sleep Med，2009，10：753-758.

[3] 孫薇.睡眠呼吸暫停綜合征的監(jiān)測(cè)與治療關(guān)鍵算法研究[D].廣州：南方醫(yī)科大學(xué)，2014.

[4] 余曉敏，涂岳文，黃超，等.基于心電信號(hào)的睡眠呼吸暫停綜合征檢測(cè)算法[J].生物醫(yī)學(xué)工程學(xué)雜志，2013，30（5）：999-1002.

[5] 吳憲文.基于單導(dǎo)心電檢測(cè)睡眠呼吸暫停綜合癥[D].南京：東南大學(xué)，2010.

[6] de Chazal P，Heneghan C，Sheridan E，et al. Automatic classification of sleep apnea epochs using the electrocardiogram [J]. Comput Cardiol，2000，27：745-748.

[7] MIT-BIH Arrhythmia Database[EB/OL].（2016-06-16）. http：//www.physionet.org/physiobank/database/mitdb/

[8] Penzel T，Moody GB，Mark RG，et al. The apnea-ECG database [J]. Computers in Cardiology，2000（27）：255-258.

[9] Moody GB，Mark RG，Goldberger A，et al. Stimulating rapid research advances via focused competition：the computers in cardiology challenge [J]. Computers in Cardiology，2000（27）：207-210.

[10] 毋斌.基于小波變換的心電信號(hào)閾值去噪[J].山西科技，2018，33（1）：77-79.

[11] 鄭敏敏，高小榕，謝海鶴.心電信號(hào)小波去噪的改進(jìn)算法研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2017，36（1）：114-118.

[12] 王春雨.基于小波變換的ECG信號(hào)分析研究與硬件實(shí)現(xiàn)[D].福建：福州大學(xué)，2017.

[13] Hu X，Xiao Z，Zhang N. Removal of baseline wander from ECG signal based on a statistical weighted moving average filter [J]. J Zhejiang Univ Sci，2011，12（5）：397-403.

[14] 張清麗，蘇士美，王猛.基于改進(jìn)小波變換的QRS特征提取算法研究[J].鄭州大學(xué)學(xué)報(bào)：理學(xué)版，2017，49（4）：100-103.

[15] 李忠杰.臨床心臟不應(yīng)期檢測(cè)[J].心電學(xué)雜志，2007（1）：52-55.

[16] 林璨璨，劉梅顏.動(dòng)態(tài)心電圖初篩睡眠呼吸暫停綜合征進(jìn)展[J].中華醫(yī)學(xué)雜志，2017，97（1）：76-78.

[17] 劉雙艷.睡眠呼吸暫停病人HRV和PRV的相關(guān)性研究[D].濟(jì)南：山東大學(xué)，2017.

[18] Cai H， Chen Y， Han J，et al. Study on feature selection methods for depression detection using three-electrode EEG data [J]. Interdiscip Sci， 2018，10（3）：558-565.

[19] de Chazal P，Heneghan C，Sheridan E，et al. Automated processing of the single-lead electrocardiogram for the detection of obstructive sleep apnoea [J]. IEEE Trans Biomed Eng，2003，50（6）：686-696.

[20] 拓守恒.基于QPSO訓(xùn)練的SVM核函數(shù)集成學(xué)習(xí)研究[J].系統(tǒng)仿真技術(shù)，2010，6（3）：202-208，240.

（收稿日期：2018-07-26 本文編輯：蘇 暢）