考虑个体特征的非脑电睡眠分期

王海涛 郑慧君 曹征涛 杨 军 俞梦孙

1(山东大学控制科学与工程学院，济南 250061)

2(航空医学研究所，北京 100142)

3(卫生装备研究所，天津 300161)

引言

睡眠是一种重要的生理活动，占一生中大约1/3的时间，并非简单的静息状态。根据多导睡眠图(polysomnography，PSG)测量的生理数据，包括EEG、EMG、EOG及鼻气流信号，睡眠分期可以分为醒(wake)、快速眼动期(rapid eye movement，REM)、非快速眼动期(non rapid eye movement，nREM)。睡眠分期是重要的临床信息，已有动物试验证明，REM被剥夺，将导致动物死亡。采用PSG分期方法，要在人体上贴附多个电极，限制人的活动，会对正常睡眠造成干扰。所以，发展一种低成本、无负荷的睡眠分期测量方法是必要的。

用心肺生理信号进行分期已有研究［1－3，8］，利用的信号有心动周期、体动、呼吸波、血氧饱和度等。基于非脑电的睡眠分期的分辨率比PSG低，一般把nREM中的S1和S2合并为浅睡，把 S3和S4合并为深睡。睡眠分期因人而异，不同人群其生理信号差异很大，呼吸暂停病人的呼吸事件破坏了正常的睡眠结构，使信号特征变得不明显。文献［2］的研究表明，利用心率、呼吸率特征设计的针对个体的分类器，可达79%的准确度;而设计的普适分类器，准确度明显下降，降至67%。所以说，考虑个体特征、设计更准确的分期方法是必要的。

本研究提出一种考虑个体特征的睡眠分期方法。采用的生理信号包括心率、呼吸率、体动和血氧饱和度，其中呼吸率和体动的测量采用微动敏感床垫［9］，心率和血氧饱和度由血氧计得到。

1 信号的模式描述

个体特征表现在2个方面:一方面，对于同一个信号，比如心率，有些人 REM模式明显，有些人在REM期表现不明显;另一个方面，对于同一个人的生理信号，有的随睡眠分期模式变化明显，有的则不明显。图1是某位无呼吸事件的健康青年的心率和呼吸率，(b)中粗直线对应的时间段为REM期，其呼吸率明显变快，形成一个波峰，和nREM期的呼吸率形成鲜明的对比;而(a)是同一时间段的心率，其在REM期上升的不明显。图2是另一个严重呼吸暂停病人的心率和呼吸率，和图1相反，其心率模式明显，而呼吸率模式不明显。在两图中，存在的一些毛刺是心率、呼吸率计算错误所致。

图1 某正常人的心率和呼吸率模式。(a)在REM期，心率模式变化不明显;(b)在REM期，呼吸率明显变快，且不稳定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

图2 某病人的心率和呼吸率模式。(a)随睡眠分期心率模式明显变化;(b)呼吸率随睡眠分期模式变化不明显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，对于图1的数据，应该给呼吸率特征赋以更大的权重;而对于图2的数据，应该更依赖心率的数据。以前的文献利用多人的训练数据进行特征选择，并对所选特征赋以权值。显然，一旦特征及其权值确定下来，个体特征就会被分类器掩盖，分类器的普适性就会降低。本研究的分期算法针对以上问题，首先对信号进行模式的描述，找到特征最明显的信号及其特征，并赋以较大的权重，模式描述以wakeREM的特征为主。

在不同的分期，信号有不同的模式。在 REM期，心率、呼吸较快，呼吸率不平稳，呼吸波变异性大［1，7］;在 nREM 期，心率、呼吸率慢，深睡期心率、呼吸最低且平稳［4－5］，即心率、呼吸率在 wakeREM期会形成波峰。对于体动信号而言，wake时体动幅度大、次数多，而睡眠状态中偶有翻身，多见身体局部的动作，通常较为短促，幅度低、次数少。体动的一个例子见图3，体动按照其幅度分为小体动、中体动和大体动;粗直线对应的就是3段体动，从左到右依次为中体动、大体动和小体动;形成的体动序列是一个和原始序列等长的多值序列，0表示没有体动，1表示小体动，2表示中体动，3表示大体动。

图3 三段体动Fig.3 Three segments of body movement

血氧饱和度在呼吸暂停患者的睡眠分期中具有价值［10］，Wake时的血氧值高且平稳，发生呼吸暂停时血氧值下降，REM期呼吸暂停造成的血氧值下降更为严重。图4是2 h时的血氧序列，可以看出，在粗直线表示的时间段，血氧饱和度有明显的下降，形成波谷。要对信号进行模式描述，重点是找到波峰和波谷。

图4 2 h的血氧饱和度Fig.4 2 hours of oximetry saturation

利用基于小波变换的多分辨率方法，从概貌信号提取波形中的波峰(波谷)，选用紧支集SYMLET小波，对心率、呼吸率进行小波变换，选取概貌信号A8定位波峰(波谷)，波峰(波谷)的特征用幅度、持续时间来描述。2个波峰(波谷)之间的信号属于一个模式，由均值和标准差来描述，即信号的模式描述的数据结构是:{(均值 μ，标准差 δ，起点时刻，持续时间)，(幅度 A，起点时刻，持续时间)，(均值，标准差，起点时刻，持续时间)，…，(幅度，起点时刻，持续时间)，…}。以波峰(波谷)的幅度与前后模式段的比值A/(μ+δ)作为此信号随睡眠分期模式变化是否明显的量化指标，值越大表明波峰(波谷)的幅度比前后时间段越大，即模式变化越明显，在睡眠分期时此信号越可依赖，应该赋以更大的权值，这就体现了个体的差异。模式的另外一个特征就是REM期在时间上的分布，一般地，REM期在整晚有3～5个，间隔40～90 min，波峰的个数和间隔要符合这个原则。

为应对个体差异，专家分期时可以在不同的时间尺度上分析信号。例如，定位心率信号的一个波峰后，进一步分析此时间段内心率信号的细节特点，或者此时间段内其他通道信号的特点，这种从全局概貌特征到局部细节特征的搜索对专家而言是毫无障碍的。专家分期时的另一个特点是:先确定最有把握时间段的分期，然后依据REM期的全局特点以及候选段的局部特点，确定其他候选段是否属于REM期。

参照上述专家的思维方法，可以总结出专家的分期步骤。

步骤1:纵览整夜的心率、呼吸率信号，确定出可能的REM(或者wake)的候选段。这时，心率、呼吸率得到的候选段往往不一致，需要在后面的步骤中，进一步利用血氧信号和体动信号的信息，确定REM(wake)分期。

步骤2:对第一步得到的候选段进行排序，并吸纳血氧、体动信息，对最有把握的候选段确定其REM(或者wake)，然后对其他候选段进行分期。

模拟专家的思维方式，有下面的自动睡眠分期算法。

2 自动睡眠分期算法

睡眠分期是多通道信息融合的过程，信息之间既有空间关系，也有时间关系。分期算法要在复杂的时空之间来回转换，根据需要，在不同通道、不同时间尺度上提取信号的特征。算法分为4个步骤。

步骤1:对信号进行降维的模式描述，得到上节所述的数据结构。其中，每个元素均是和某个时间段对应的数据描述，称为模式描述单元。随着分析的继续，这个模式描述单元在时间尺度上融合或者分解，以包含其他通道信号的特征。

步骤2:比较心率和呼吸率的的模式，以提取模式明显的描述单元。所谓模式明显，就是此单元的特征值和前后单元的特征值有显著的差异。用比值A/(μ+δ)和波峰持续时间作为衡量指标，据此对描述单元进行排序。当然，若在全局模式描述时使用了幅度以外的特征(如频域特征)也可以按照相同的思路进行模式的排序。

步骤3:对描述单元进行融合和分解，因为在心率和呼吸率2个信号通道上得到的描述单元在时间轴上往往不完全一致。如果2个描述单元的时间尺度是部分重合的，例如，由心率时间序列，夜间(24 h计时制)［1:20，1:40］为可能的 REM，由呼吸率序列，［1:25，1:44］为可能的 REM，则取二者的并集［1:20，1:44］可作为新描述单元的时间尺度，且 2个描述单元的特征都作为新单元的特征，以上过程称为单元融合。为了进一步确定新描述单元的分期，还需要参考体动和血氧饱和度的模式特点，以及预期的分期(希望是REM还是wake)来判断。

举例说明如下。若在新单元的开始时刻1∶22发生一次大体动，而预期分期是REM，则新单元可以发生一次分解，只取大体动后面的时间段［1:23，1:44］，因为REM期没有大体动发生。分解后的单元又增加了体动和血氧特征，即体动的次数、体动的类型(大，中，小)、体动的持续时间、血氧均值和标准差、血氧是否处于波谷，以及波谷的持续时间等。若预期的分期是wake，就要把血氧处于波谷的时间段剔除掉。这样，经过一次分解，形成了分别以REM、wake为预期的2个描述单元，2个描述单元都包含了在各自的时间尺度上多个信号通道的特征。

步骤4:利用前面产生的描述单元进行分期。综合考虑模式排序中的位次和特征值，利用专家知识形成的证据理论if-then规则进行分期［1］。

综上所述，算法包括相对独立的几个模块:信号的模式描述单元、融合和分解规则库、推理规则库和特征计算模块。

3 自动分期算法的验证和结果

为了验证算法的可行性，选取16个病例进行分期。其中，4例为健康人，心率和呼吸率模式较明显;另外12例为中、重程度的呼吸暂停病人，心率和呼吸率的模式不显著。利用以上自动算法进行分期，并以专家的分期为标准进行比较，结果如表1所示。一般地，病人自动分期的符合率比健康人要低，而本算法充分考虑了个体特征，所以病人的分期符合率仍然维持在较高的水平上，这正是本算法的优势所在。当然，规则库的扩展要依赖大量的病例分析。

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

4 讨论

脑电分期应用较早，且形成了标准。由于脑电特征易于定量描述，与分期的关系比较明确，且特征的时间尺度比较短，脑电序列的分割很简单，一般以30 s为一个子序列，计算特征后再分期，也很少考虑脑电特征的个体差异。

用系统的观点看睡眠，它作为一种生理状态，必然要在身体的多个部位及多个生理过程中反映出来。有研究表明，自主神经活动与睡眠在皮层下有共同的调节中枢，心动周期、呼吸等非脑电信号与脑电信号是同一个生理状态的2个方面，非脑电信号可能蕴含脑电信号不具备的信息。但是从信号的模式看，非脑电信号有区别于脑电信号的2个特点:第一，在计算特征时，其分割的子序列要包括一个完整的分期，如REM期，这就对序列的分割提出了很高的要求，子序列要经过多次分割和融合才能确定;第二，信号模式与分期并非一一对应，需要多信号融合，以提高分期的可靠度。以上2个特点决定了分期是时间序列的解释问题［11］，与经典的模式识别问题不同，它涉及在不同时间尺度上提取序列的特征，并且特征之间的时间关系至关重要。本算法利用模式描述单元这种动态的数据结构容纳各个信号通道的特征(也就是模式)，通过单元的融合和分解，体现特征在时间、空间上的关系。融合和分解的启动和执行是由一系列规则触发和约束的，而这些规则都是依据专家的知识制定的。所以，本研究的算法是基于知识的，可以依据专家知识的完善不断改进;是开放性的，可以在不改变算法总体框架的前提下，通过扩充规则库来改进算法的性能。模式描述单元类似软件工程中的类，描述单元可以派生出新的单元，就像类的派生一样，当然，这种派生是在规则库的指导下进行的。按照类的思想，可以把派生规则也放在描述单元中，规则和模式就相当于类的函数和数据，这是以后的工作之一。

序列的模式用的是幅度方面的信息，也可以利用一些频域或者非线性特征［12-13］。模式明显是一个相当抽象的概念，它表示信号在不同时间、阶段的状态变化明显，既涉及特征值的变化，也涉及特征值在时间轴上的分布。本研究简单地用幅度比值刻画模式是否明显，以后的工作应考虑特征的分布问题。模式描述的形成也可以先在小的时间窗口形成粒度，然后将小的粒度聚类，形成大的粒度，整个序列最终用有限个数的粒度描述。文献［14］用模糊集合作为每个时间窗口的粒度，用模糊C-均值的方法进行粒度聚类形成ECG信号的粒度描述。

描述单元、规则库和特征计算模块是独立的，便于扩充和改进，这种架构也适合其他涉及上下文信息的多通道信号解释任务。整个分期过程都记录在描述单元中，可以以文本方式输出，便于专家和临床医生事后检查分期过程。

5 结论

本研究利用非脑电信号进行睡眠分期，提出了一种基于多个时间序列的智能决策方法，展示了算法的可行性。利用模式描述单元在规则库的指导下分解和融合操作，解决了以上问题，并体现了信号模式的个体差异。睡眠时的生理信号蕴含了丰富的信息，睡眠分期仅是其中之一，挖掘与健康状态有关的信息应是下一步的方向。本研究中的数据结构和智能算法同样适合这一任务，所以具有很好的发展前景。

［1］杨军，俞梦孙，王宏山，等.多参数信息融合实现非脑电的睡眠结构分期［J］.中国生物医学工程学报，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］杨军.多分辨分析提取心率变异性中的睡眠结构信息［D］.西安:第四军医大学，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］毕亚琼，俞梦孙.呼吸模式参数应用于提取REM睡眠结构信息［J］.医疗卫生装备，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］俞梦孙，杨军.用微动敏感床垫监测睡眠的研究［J］.中华航空航天医学杂志，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.