基于经验模式分解的心肺耦合技术在睡眠分析中的应用

刘冬冬，张玲，杨晓文，张博，武文芳

1.首都医科大学 生物医学工程学院，北京 100069；2.首都医科大学附属北京安定医院 抑郁症治疗中心，北京100088；3.咸阳市中心医院 睡眠疾患诊疗科，陕西 咸阳 712000；4.金纽合（北京）科技有限公司，北京 100011

基于经验模式分解的心肺耦合技术在睡眠分析中的应用

刘冬冬1，张玲2，杨晓文3，张博4，武文芳1

1.首都医科大学 生物医学工程学院，北京 100069；2.首都医科大学附属北京安定医院 抑郁症治疗中心，北京100088；3.咸阳市中心医院 睡眠疾患诊疗科，陕西 咸阳 712000；4.金纽合（北京）科技有限公司，北京 100011

目的探讨基于经验模式分解的心肺耦合技术在睡眠分析中的应用。方法通过分析30例源自临床多导睡眠监测记录的胸导心电信号，利用经验模式分解方法获得瞬时频率和瞬时相位信息，构建心肺耦合图谱。按照睡眠中的循环交替模式（CAP）分期方法，将睡眠过程划分为CAP、non-CAP以及清醒/异相睡眠期，采取过零率（ZCR）衡量心肺耦合最大峰值的波动程度，反映阻塞性睡眠呼吸暂停与低通气综合征（OSAHS）的严重程度。结果OSAHS患者谱图分布频带集中于低频区域，各时刻最大峰值波动较小。通过对比人工和自动分期结果，可以发现基于经验模式分解的心肺耦合技术可以很精准地区分睡眠过程的不同状态。OSAHS患者和健康受试者在睡眠心肺耦合图谱中的最大峰值波动规律存在显著差异，健康组和轻/中度组的ZCR值具有显著性差异（P＜0.001）；轻/中度组与重度组的ZCR值存在显著性差异（P＜0.001），因此耦合最大峰值和睡眠呼吸暂停低通气指数均可以作为划分OSAHS严重程度的指标，且二者之间具有极强的负相关性（r=-0.77，P=5.8×10-18）。结论采用经验模式分解结合心肺耦合技术的方法，可提供可靠的睡眠微结构以及睡眠呼吸障碍信息，其数据采集简单、容易执行，在可穿戴健康管理以及临床辅助诊断领域有巨大发展潜力。

睡眠呼吸暂停综合征；心肺耦合；经验模式分解；睡眠分期；辅助诊断

阻塞性睡眠呼吸暂停与低通气综合征（Obstructive Sleep Apnea-Hypopnea Syndrome，OSAHS）是一种最为常见的睡眠呼吸障碍，据国外调查数据显示，成年男性发病率为4%，成年女性发病率为2%，我国的实际发病率高达7%～13%[1-3]。OSAHS与神经系统疾病关系密切，是导致日间嗜睡、认知功能障碍和某些神经系统疾病的重要原因之一，是心脑血管病的重要危险因素，同时可能与阿尔茨海默病发病密切相关[4-5]。及时诊断OSAHS并加以治疗，可预防各种并发症的发生，提高患者的生活质量。

目前已有的睡眠呼吸暂停综合征检测算法都取得了较好的效果，但是还存在一些不足。使用多通道信号的算法，存在信号提取不方便、影响患者睡眠、检测过程复杂等问题；使用单通道信号的算法存在准确度不高、泛化能力弱、对信号质量要求过高、需要人工矫正等问题。其中由于睡眠与自主神经系统的调控有关，而心电信号蕴含了与自主神经系统活动规律相关的信息，因此受到较多关注[6-7]，如Kawano等[8]运用多元回归分析法观察睡眠和觉醒状态的平均心率变化规律。da Silva等[9]通过计算心动周期，心率变异率（Heart Rate Variability，HRV）高频成分和射血前期来测量心率和自主神经控制情况。Vigo等[10]采用小波变换、样本嫡对HRV进行分析。江朝晖等[11]运用平均频率、搏间自相关系数、LZ复杂度分析心率变异性。吴锋等[12]利用谱分析和主成分分析方法挖掘心动周期变异性的特征，通过Fisher分类准则建立睡眠分期全自动识别模型。佟光明等[13]用ROC方法确定HRV昼夜差异的敏感指标及临界值。

由于HRV受运动、血压、生理节律等多种因素影响，得到的信号通常是不稳定的、比较短而且包含大量噪音，使得传统算法在生理研究和临床应用中有很大局限性。本研究采用心肺耦合（Cardiopulmonary Coupling，CPC）算法分析HRV和基于心电图的呼吸提取信号两者间的耦合关系，很大程度上避免了HRV不稳定性的影响，利用经验模式分解（Empirical Mode Decomposition，EMD）将心电信号分解为只包含一种振动模式，而没有复杂叠加波的本征模态函数，计算出瞬时频率和瞬时相位信息，提高CPC算法的时频分辨率，通过与基于脑电的睡眠分期标准对比，验证了新方法在睡眠分期和OSAHS检测中的有效性[14-15]。

1 材料与方法

1.1 一般资料

选取北京大学第一医院呼吸内科30例患者的多导睡眠监测（Polysomnography，PSG）数据，其中包括采样频率为128 Hz的胸导联心电记录。数据采集使用的为澳大利亚Compumedics公司生产的Siesta 2监测仪。入选的30例受试者均患有不同程度的呼吸暂停/低通气综合征，其中男性18例，女性12例，年龄19～75岁，平均年龄为46.5岁，标准差16.3岁。将受试者分为3组：健康组、轻/中度组和重度组，数据集中受试者的睡眠呼吸暂停-低通气指数的范围为1.5～88.3 h-1，均值为21.9 h-1，标准差为25.4 h-1，具体数值见表1。

表1 受试者的睡眠呼吸暂停低通气指数值

数据排除标准如下：① 当移除信号中的记录误差后，仍保持至少6 h的数据长度；② 有80%以上可以用于执行基于EMD的心肺耦合分析的信号数据。

1.2 方法

1.2.1 经验模式分解

经验模式分解的过程大致可以描述为以下步骤：

（3）检查这个新函数是否符合以下两个条件：① 在整个信号中，过零点的个数和极值点的个数相等，或者数目相差不超过1个；② 在任意时间点，由上包络线与下包络线确定的平均包络值为0。

图1 固有模态函数提取过程

一般情况下，第一次分解得到的残余量不会达到上述两个标准，因此需要继续令并重复上述(1)～(4)步骤，直到满足设定的残余量标准为止。

此时一个非线性、非平稳的时间序列就被分解为一系列的IMF和一个残余量的形式：

1.2.2 基于经验模式分解的心肺耦合技术

（1）从心电信号中检测出Q、R、S波发生时刻的幅值信息提取出呼吸相关信息（ECG-derived Respiratory Signal，EDR）[16]。

（2）得到R-R间期时间序列，通过窗宽为41个数据点的移动平均滤波器去除由于R波检测错误而造成的异常点。由于心电信号的采样频率高达128 Hz，在实际的生理过程中人体的节律要远远低于这个值，因此为了加快运算速度，文中将R-R间期信号和EDR信号进行三次样条插值亚采样至2 Hz得到

（3）利用经验模式分解对R-R间期信号和EDR信号进行分解，分别将信号转换为一系列的IMF和一个剩余量的形式：

其中P为柯西主值。于是可以分别构建R-R序列和EDR序列的解析函数如下：

由于IMF所具备的特性使得希尔伯特变换后的瞬时频率时时都有物理意义，因此得到N-N序列和EDR序列在希尔伯特变换后的瞬时频率表示为：

（4）计算R-R序列与EDR序列间的相干及互功率谱。由于相干属于统计特性，因此本文在计算过程中选择16个数据点（8 s）作为一个窗进行相干的统计学计算。在每个观察窗中，首先计算窗内瞬时频率的平均值作为该窗的频率。从R-R序列和EDR序列中找寻频率匹配的两个窗，例如，那么可以按照下面的公式首先计算互功率谱：

其中m和n表示在R-R序列中的第m个窗和EDR序列中的第n个窗。经过计算，将时频信息进行匹配便可得到时间-频率-互功率值的谱。

另一方面，相干是用于衡量两个信号间相位差一致性的参数，其计算公式如下：

利用互功率时频谱和相干时频谱所包含的信息，可以得到心肺耦合程度的定量结果，其计算公式如下：

1.3 统计学分析

采用SPSS软件进行统计学分析，利用方差分析（ANOVA）与基于Student-Newman-Kenls统计量的posthoc后验分析方法来统计不同分组的计量资料，以P＜0.001为差异有统计学意义。

2 结果

2.1 基于经验模式分解的心肺耦合图谱

基于经验模式分解的心肺耦合图谱按照纵轴方向可以划分出3个频率区间：高频耦合区（0.15～0.4 Hz）、低频耦合区（0.04～0.15 Hz）和超低频耦合区（0.003～0.04 Hz）。OSAHS患者和正常受试者的心肺耦合图谱对比见图2，存在如下特征：① OSAHS患者谱图分布频带集中于低频区域，而正常受试者频带高低变化明显；② OSAHS患者谱图各时刻最大峰值波动较小，而正常受试者各时刻最大峰值波动明显。

图2 基于经验模式分解的心肺耦合图谱

2.2 睡眠分期

作为PSG睡眠分期技术的延伸，睡眠中的循环交替模式（Cyclic Alternating Pattern，CAP）是一种评估睡眠质量较好的补充方法。用CAP参数来衡量睡眠的不稳定性，能提供PSG测量不能提供的微观信息，有助于深入了解睡眠的微观结构。通常，CAP率的增加是睡眠质量降低的一个显著特征[17]。将心肺耦合图谱中的高频耦合、低频耦合和极低频耦合分别对应于non-CAP、CAP和清醒/异相睡眠状态。通过对比人工和自动分期结果，可以发现基于经验模式分解的心肺耦合技术可以很精准地区分睡眠过程的不同状态（图3）。

图3 人工与自动睡眠分期结果对比

2.3 OSAHS严重程度评估

OSAHS患者和健康受试者在睡眠心肺耦合图谱中的最大峰值波动规律存在显著差异，采取过零率（Zero Crossing Rate，ZCR）衡量心肺耦合最大峰值的波动程度，进而反映出OSAHS的严重程度。

健康组、轻/中度组和重度组的睡眠图谱最大峰值的ZCR值见表2。健康组和轻/中度组的ZCR值具有显著性差异（P＜0.001）；轻/中度组与重度组的ZCR值存在显著性差异（P＜0.001），见图4。因此耦合最大峰值和AHI均可以作为划分OSAHS严重程度的指标，且二者之间具有极强的负相关性（Spearman’s相关性分析）r=-0.77，P=5.8×10-18，见图5。

表2 睡眠图谱最大峰值的过零率

图4 最大峰值过零率比较

图5 最大峰值过零率与睡眠呼吸暂停-低通气指数间的相关性分析

3 讨论

目前临床金标准所使用的PSG睡眠分期及睡眠疾病诊断方式，需要在患者身上接入多种生理信号的采集设备，不仅改变了受试者正常的睡眠环境，而且在诊断时存在个人差异，此外，基于形态学的R&K睡眠分期方式，目前也已有越来越多的研究者提出质疑[18]。基于经验模式分解的心肺耦合技术，信号数据获取简便，在传统HRV分析方法的基础上，通过观察耦合关系使计算结果更加稳定，具有明确的生理意义；考虑到心电信号具有非线性特性，以经验模式分解方法作为心肺耦合程度计算的前处理过程[19-20]；利用瞬时频率和瞬时相位信息提高睡眠图谱的时频分辨率，对睡眠中微结构的建立和保持睡眠的完整性具有至关重要的作用；对比于临床CAP睡眠分期，结果有较高的一致性，作为PSG方法的一种延伸，可以更好地了解由疾病干扰引起睡眠变化的本质及神经生理机制。

另一方面，临床中对于睡眠呼吸暂停综合指标AHI的获取需要参考多种生理信号的变化，而从睡眠心肺耦合图谱中提取得到的最大峰值过零率在评估OSAHS严重程度方面，与临床常规指标AHI存在很高的一致性，可以作为一种OSAHS诊断及治疗效果评价的辅助指标。

[1] Young T,Peppard PE,Gottlieb DJ．Epidemiology of obstructive sleep apnea:a population health perspective[J]．Am J Respir Crit Care Med,2002,165(9):1217-1239．

[2] Stradling JR,Davies RJ．Sleep 1:Obstructive sleep apnoea/hypopnoea syndrome:definitions, epidemiology,and natural history[J]．Tho rax, 2004,59(1):73-78．

[3] 赵忠新．临床睡眠障碍学[M]．上海:第二军医大学出版社,2003, 16-17．

[4] 朱静,张晓君．睡眠呼吸暂停综合征认知功能障碍研究新进展[J]．国外医学(耳鼻咽喉科学分册),2004,28(5):273-275．

[5] Sateia MJ．Neuropsychological impairment and quality of life in obstructive sleep apnea[J]．Clin Chest Med,2003,24(2):249-259．

[6] Vanoli E,Adamson PB,Ba-Lin,et al．Heart rate variability during specific sleep stages．A comparison of healthy subjects with patients after myocardial infarction[J]．Circulation,1995,91(7):1918-1922．

[7] 江丽仪,吴效明．睡眠时相与心率变异性的关系研究[J]．生物医学工程学杂志,2011,28(1):148-152．

[8] Kawano Y,Tamura A,Watanabe T,et al．Influence of the severity of obstructive sleep apnea on heart rate[J]．J Cardiol,2010,6(1):27-34．

[9] da Silva SP,Hulce VD,Backs R W．Effects of obstructive sleep apnea on autonomic cardiac control during sleep[J]．Sleep Breath,2009, 13(2):147-156．

[10] Vigo DE,Dominguez J,Guinjoan SM,et al．Nonlinear analysis of heart rate variability within independent frequency components during the sleep-wake cycle[J]．Auton Neurosci,2010,154(1-2):84-88．

[11] 江朝晖,李继伟,冯焕清,等．R-R间期分析与睡眠分期[J]．生物医学工程研究,2003,(3):17-20．

[12] 吴锋,俞梦孙,成奇明,等．基于谱分析方法提取心动周期变异性中的睡眠结构信息[J]．生物医学工程学杂志,2004,21(2): 212-214．

[13] 佟光明,郭继鸿,张兆国,等．应用心率变异性初筛睡眠呼吸暂停低通气综合征[J]．中国心脏起搏与心电生理杂志,2007, 21(1):44-46．

[14] Thomas RJ,Mietus JE,Peng CK,et al．An electrocardiogram-based technique to assess cardiopulmonary coupling during sleep[J]．Sleep, 28(9):1151-1161．

[15] Huang NE,Shen Z,Long SR,et al．The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]．P Roy Soc Lond B Bio,1998,454:903-995．

[16] Moody GB,Mark RG,Zoccola A,et al．Derivation of respiratory signals from multi-lead ECGs[J]．Computers in Cardiology, 1986,12:113-116．

[17] 彭小虎,王国锋,刘军,等．睡眠微观结构——CAP与睡眠质量评估[J]．中国临床心理学杂志,2013,21(6):920-923．

[18] Redline S,Kirchner HL,Quan SF,et al．The effects of age, sex, ethnicity, and sleep-disordered breathing on sleep architecture[J]．Arch Intern Med,2004,164(4):406-418．

[19] Liu D,Yang X,Wang G,et al．HHT based cardiopulmonary coupling analysis for sleep apnea detection[J]．Sleep Med,2012, 13(5):503-509．

[20] 祁富贵,李川涛,张华,等．一种非接触呼吸暂停检测技术的研究[J]．中国医疗设备,2014,29(12):24-27．

Application of the EMD-Based CPC Technique in Sleep Analysis

LIU Dong-dong1, ZHANG Ling2, YANG Xiao-wen3, ZHANG Bo4, WU Wen-fang1
1.School of Biomedical Engineering, Capital Medical University, Beijing 100069, China; 2.MDD Treatment Center, Beijing Anding Hospital, Capital Medical University, Beijing 100088, China; 3.Department of Sleep Respiration Diagnosis and Treatment, Xianyang Central Hospital, Xianyang Shanxi 712000, China; 4.Gold NOAH (Beijing) Tech Co., Ltd, Beijing 100011, China

ObjectiveTo explore application of the EMD (Empirical Mode Decomposition)-based CPC (Cardio-Pulmonary Coupling) technique in sleep analysis.MethodsThrough analysis of 30 cases of thoracic ECG signals recorded by PSG (Poly-Somno-Graphy), the instantaneous frequency and instantaneous phase were obtained with deployment of EMD so as to construct a CPC map. Then, CAP (Cyclic Alternating Pattern) was utilized to divide sleep into three stages: CAP Stage, Non-CAP Stage and Wake/REM (Rapid Eyes Movement) Stage. The waving degree of the maximum CPC peak was measured by ZCR (Zero Crossing Rate), which reflected the severity of OSAHS (Obstructive Sleep Apnea-Hypopnea Syndrome).ResultsThe frequency band of OSAHS patients’ map was distributed centralizedly in the low-frequency areas with small waving changes of the maximum peak at each time. Comparisons were made between manual staging and automatic staging, which revealed that EMD-based CPC could differentiate accurately between the different sleep statuses. Significant differences existed between the waving principles of the maximum peak in OSAHS Patient Group and Healthy Volunteer Group. ZCR values were significantly different between Slight/Middle OSAHS Patient Group and Healthy Volunteer Group (P＜0.001), and between Slight/Middle OSAHS Patient Group and Severe OSAHS Patient Group (P＜0.001). Therefore, the maximum coupling peak value and apneahypopnea Index could be used as indexes to identify the different severity of OSAHS patients. Moreover, strong negative correlation was seen between the two indexes (r=-0.77, P=5.8×10-18).ConclusionCombination of EMD and the CPC technique had proven its easy-to-operate features in data acquisition so as to provide reliable micro-structure and disorder information of sleep, which had huge development potentials in the fi elds of wearable health management and clinically-aided diagnosis.

obstructive sleep apnea-hypopnea syndrome; cardiopulmonary coupling; empirical mode decomposition; sleep staging; aided diagnosis

R54

A

10.3969/j.issn.1674-1633.2015.06.006

1674-1633(2015)06-0028-05

2015-04-13

首都医科大学基础-临床科研合作基金（15JL15）；首都医科大学青年教师科研启动基金（3500-114333050225）。

本文作者：刘冬冬，讲师。

武文芳，副教授，专业方向：生理信号分析，睡眠医学。

通讯作者邮箱：pqu2@163．com