基于脑电节律样本熵的单导脑电睡眠分期算法研究

重庆邮电大学光电工程学院 张由明 林金朝

第三军医大学第三附属医院野战外科研究所 吴宝明 严博文

基于脑电节律样本熵的单导脑电睡眠分期算法研究

重庆邮电大学光电工程学院 张由明 林金朝

第三军医大学第三附属医院野战外科研究所 吴宝明 严博文

研究一种新的睡眠分期前期特征值提取的方法。利用小波变换对睡眠数据进行去噪，并通过小波分解与重构提取β节律和δ节律波，使用样本熵算法分别处理β节律和δ节律波，并整合结果获得特征参数。对来自MIT-BIH中的Sleep-EDF Database的六组数据进行计算，获得对应的样本熵值，从数值可看出每组数据中各期之间的差异。本文提出的结合脑电节律、单导脑电信号以及样本熵算法可获得高分期率的特征点，为睡眠分期奠定了基础，同时也为脑电睡眠分期提供新的途径。

脑电节律；单导脑电信号；样本熵；小波变换

0 引言

根据Rechtschaffen等制定的 R&K 分期标准[1]，睡眠可分为六期：清醒期，非快速眼动期（non-rapid eye movement， NREM，分为 1期、2期、3期、4期），和快速眼动期( rapid eye movement，REM) 。目前，根据2007美国睡眠医学会（American Academy of Sleep Medicine，AASM）在众多专家的共同努力下，经多方研究与论证制定了新的睡眠判读指南[2]。新指南沿用了旧标准中有关睡眠分期的基本划分规则，但将NREM睡眠中的3期与4期合称为NREM3期睡眠（深度睡眠），不再对其进行进一步划分。又由于大部分的睡眠分期方法都存在NREM1期分期率低的问题[3]，且NREM1期在整个睡眠中只占[4]，所以本文就把NREM1期和NREM2期合并成浅睡期。

本文的处理流程如图1所示。首先对于采取到的脑电信号先进行小波去噪[5]；然后通过小波分解提取EEG的脑电节律，最后利用样本熵算法来处理提取出的脑电节律得到所需要的特征参数。这些特征参数将为最终的睡眠分期奠定了基础。

图1 脑电信号处理流程图

图2 原始信号和小波去噪后的信号

1 脑电数据的预处理与脑电节律的提取

本文使用的EEG数据均来自MIT-BIH中的Sleep-EDF Database，此数据库中的脑电信号包括两路EEG数据（Fpz-Cz和Pz-Oz）,采样频率都是100Hz[6]，本文采用Fpz-Cz端数据进行实验分析。

为了消除外界因素的干扰，需要对脑电进行前期的预处理，经过多次试验得出本文采用基于db6的2层去噪方法，去噪前后的对比如图2 所示。

按照频率特性来划分，脑电信号主要由δ节律(0.5-3Hz)、θ节律(4-8Hz)、α节律(8-13Hz)、β节律(13-30Hz)组成，其次还包括纺锤波、锯齿波和K复合波。如图3所示，实验数据来自NREM1期，采用基于db6的5层小波分解来获得此信号的低频系数，并对所需低频系数进行重构，即可获得所需的脑电节律[7]。

图3 脑电信号的基本节律

2 脑电节律的选取

不同的睡眠期会出现不同的特征波。其对应关系如表1所示。

从表1中可以看书：α和β节律出现在REM期和清醒期，所以对α和β节律分析可NREM期和清醒期与REM期区分开；δ节律只出现在深度睡眠期，θ节律出现在REM期和浅睡期，所以对δ节律或θ节律分析可把NREM期内的浅睡期和深睡期区分开。根据多次实验比较，对β节律和δ节律进行处理是结果准确率更高。

表1 睡眠期与脑电节律的对应关系

3 样本熵计算特征点

文中为了减少睡眠分期的连贯性、获得更多的详细信息，采用重叠窗口数据分割方案。如图4所示，这里的每段窗口大小为10秒，并使用5秒大小的窗口重叠，分段顺序如图4所示。实验表明，这种选择在具有合理计算能力的大多数情况下工作良好。

图4 重叠窗口的数据分割

按照上述方法对六组数据进行数据分割以及样本熵[8]计算，计算结果如表2所示，对应的数据分别是β节律和δ节律的样本熵均值。

从睡眠规律的角度来看，随着睡眠的深入，β节律和δ节律的样本熵值逐渐增大，即β节律和δ节律复杂性增强。当人处于深度睡眠时，脑部活动极其复杂，所样本熵值最大。而从样本熵均值的角度来看，睡眠各期脑电节律β节律和δ节律样本熵均值都不相等，即在不同睡眠状态下的脑电节律β节律和δ节律的样本熵值波动范围小，总能找出任一个睡眠期与其他睡眠期的β节律和δ节律样本熵均值不相等，并且能较容易区分不同的睡眠状态。综上，通过脑电节律样本熵的方法可以用来区分睡眠的各个分期。

表2 多组数据β节律/δ节律样本熵均值

4 结束语

与脑电的非线性分析方法比较，本文提出的方法可以更细致地对不同睡眠状态下脑电基本节律的变化进行分析；同时睡眠各期的脑电节律 β节律和δ节律样本熵均值的大小不相等，可以用来区分睡眠各分期，为睡眠分期提供了新的途径。利用样本熵对单通道睡眠脑电进行分期的研究,可为其他信号的特征提取提供理论与实验依据, 也为利用脑电信号进行监护与治疗提供了一种可行的方法。

[1]Rechtschaffen A,Kales A.A Manual of Standardized Terminology,Techniques and Scoring System for Sleep Stages of Human Subject[M].Washington DC,USA:NIH Publication,1968.

[2]王菡侨.有关美国睡眠医学学会睡眠分期的最新判读标准指南解析[J].诊断学理论与实践,2009,8(6):575-578.

[3]Liang SF,Kuo CE,Hu YH,et al.Automatic stage scoring of single-channel sleep EEG by using multiscale entropy and autoregressive models[J].IEEE Transaction on Instrumentation and Measureme nt,2012,61(6):1649-1657.

[4]Hsu YL,Yang YT,Wang JS,et al.Automatic sleep stage recurrent neural classifier using energy features of EEG signals[J]. Neurocomputing,2013,104:105-114．

[5]王巧兰,季忠,秦树人.基于小波变换的脑电噪声消除方法[J].重庆大学学报:自然科学版,2005,28(7):15-17.

[6]Kemp B.The Sleep-EDF Database[J].2009.http://www. physionet.org/physiobank/database/sleep-edf/．

[7]李亚品,罗晓曙等.基于DHWPT的脑电基本节律特征提取[J].广西师范大学学报,2006,24(3):9-12.

[8]燕楠,王址等.基于样本墒注意力脑电特征信息提取与分类[J].西安交通大学学报,2007,41(10):1237-1241.

张由明（1989—），安徽芜湖人，硕士研究生，现就读于重庆邮电大学。

林金朝（1966—），四川蓬溪人，博士，教授，现就职于重庆邮电大学，主要研究方向：无线通信系统与数字医疗系统及其交叉领域的理论、技术、方法和应用研究。

严博文（1986—），重庆云阳人，实习研究员，现就职于第三军医大学第三附属医院野战外科研究所，主要研究方向：远程医疗系统研究。

吴宝明【通讯作者】（1962—），江苏苏州人，博士，研究员，现就职于第三军医大学第三附属医院野战外科研究所，主要研究方向：生物医学信号检测处理、智能医学仪器、野战救护信息化技术与装备。

图4 公交车的当前位置

4 结语

本文利用成熟的ZigBee网络技术，在城市乘车密集点，进行智能化公交站的合理布控。采用Mini2440嵌入式开发板搭载Linux系统，不仅对于后期的功能扩张有很大帮助，而且体积小、便捷，易于安装在公交站的广告位；且占用面积小。利用ZigBee中的定位技术，实现定位和数据传输，建立起以公交站为中心的自助查询、智能候车的系统。

参考文献

[1]樊冰,孙文胜.ZigBee技术及其应用研究[J].大众科技,2007(6):31-32.

[2]张辉宜,陶永.智能公交系统的设计与实现[J].中国仪器仪表,2007(11):46-48.

[3]李萌.基于物联网的智能公交系统的设计与实现[J].科技创业家,2013(11):240.

[4]李英,周伟,郭世进.上海公共交通网络复杂性分析[J].系统工程,2007(1):38-41.

[5]龙安国.基于GPS/GPRS的智能公交系统的设计与实现[J].通信技术,2009(1):326-327.

[6]朱开宇,刘佳宇,安永丽,王文辕,王烽源.基于ZigBee的城市智能公交网络系统[J].单片机与嵌入式系统应用,2008(03).

作者简介：

杨雨（1995—），男，重庆大足人，大学本科，研究方向：无线传感网络、物联网技术。

李志（1984—），男，四川遂宁人，研究生，讲师，研究方向：无线传感网络、物联网技术。

陈英（1992—），女，重庆人，大学本科，研究方向：无线传感网络、物联网技术。