基于脑电信号的WVD的睡眠状态辨识

周 强， 李俊雨， 田杏芝， 王 莹

(1.陕西科技大学 电气与信息工程学院， 陕西 西安 710021； 2.陕西科技大学 材料科学与工程学院， 陕西 西安 710021)

基于脑电信号的WVD的睡眠状态辨识

周 强1， 李俊雨1， 田杏芝1， 王 莹2

(1.陕西科技大学 电气与信息工程学院， 陕西 西安 710021； 2.陕西科技大学 材料科学与工程学院， 陕西 西安 710021)

目前，大多数的人体睡眠状态辨识方法都是采用幅值域、频域或时-频域的线性分析方法，来处理脑电信号这一含有大量非线性成分的非平稳随机信号，因而其辨识效果的鲁棒性和稳定性无法保证.为此，本文提出了一种非线性的时-频辨识方法.该方法对脑电信号进行重排伪Wigner-Ville分布的时-频分析，并利用Wigner-Ville分布边缘聚集特性在不同频段内提取特征量，最后通过支持向量机实现睡眠状态的精确辨识.实验表明，该方法辨识睡眠状态的准确率达到91.6%，鲁棒性得到显著改善，为后续进行睡眠控制研究奠定了基础.

脑电信号； 睡眠状态辨识； 魏格纳-威利分布； 支持向量机

0 引言

在人体的生命过程中，睡眠占据了三分之一的时间，充足的睡眠可以使大脑有效休息，消除疲劳，并增强机体免疫力[1]，并且，近来的研究中发现，睡眠可以对大脑白天所获取的信息进行加工和整理，提高睡眠者的工作能力[2].

然而，随着现代社会节奏的加快，工作压力的增加，使得人们的睡眠质量面临严重的影响.2015年中美共建睡眠健康工程会议上刘燕辉博士表示：“我国目前有30%以上的人存在失眠症状，超过3亿人口有睡眠障碍，这已成为威胁人们健康的巨大隐患.”据专家估计，到2020年全球大约有7亿多失眠者.因此，有效治疗失眠方法的研究迫在眉睫.

研究治疗失眠方法的前提是能够对人体睡眠状态进行精确的辨识，近些年，在睡眠检测辨识方面，诸多科学研究者都有一定的成果.2007年，李谷等[3]在基于脑电信号Hilbert-Huang变换的睡眠分期研究中，通过对560个睡眠脑电信号辨识分期研究，最终辨识正确率达到81.7%.而在2010年，刘慧等[4]在基于模糊熵的脑电睡眠分期特征提取与分类的研究中，利用8名受试者进行脑电检测，对数据进行模糊熵的分析，并且利用支持向量机(SVM)分类，达到的辨识正确率有87.1%.

近年来，Diykh M等[5]在对睡眠的分期研究中，利用结构图相似和K-means的方法对提取的EEG信号的时-频统计特征量进行分析，虽然在睡眠阶段的辨识准确率达到91.93%，但是这个方法因实时性差而实用价值不大.近期，对于睡眠状态辨识的研究中，周强等[6]应用短时功率谱估计的方法并且利用模糊融合技术，得到88.89%的睡眠状态辨识率.然而，这些以线性幅值域频域或时-频域分析方法处理存在大量非线性和非平稳随机成分的脑电信号，其鲁棒性和稳定性都无法保证.

针对于以上问题，本文提出使用魏格纳-威利(WVD)这种非线性的时-频分析方法处理脑电信号，以其时间和频率移不变性的二次型时-频分布来提取睡眠特征量，并利用其具有时间和频率边缘聚集性，即时间和频率的高精度分辨率[7]，准确辨识人体的睡眠状态，提高睡眠辨识方法的鲁棒性和稳定性.

1 人体睡眠机理

1.1 睡眠过程

人们普遍认为睡眠是“清醒+深睡”的一个简单循环的过程.然而，诸多研究表明，人的睡眠是一个复杂的循环过程，其中包含了若干时期的循环交替.研究者根据睡眠时眼球的活动将一个完整的睡眠周期划分为可以相互交替的快速眼动睡眠(Rapid Eye Movement,REM)时期和非快速眼动睡眠(Non-rapid Eye Movement,NREM)时期[6].

其中，快速眼动睡眠在1953年由美国科学家阿瑟林斯基和克莱特曼发现，并且证明了其与做梦有关，在1962年法国科学家研究发现在此时期还伴随着肌肉紧张的消失，因此REM又被称为异相睡眠[8]；同样，研究者根据睡眠期间EEG演变的特点，将NREM进行了划分，分为浅睡期和深睡期.更深入的研究发现，REM期的时间为33.8±7.79(分钟)，各睡眠期在一个小时内的潜移次数为：6.08±1.39(次).此研究表明人体的睡眠过程存在睡眠延迟和睡眠期的循环潜移[9].

具体来说，健康人的睡眠过程主要是由“清醒—REM—浅睡—深度睡眠—REM”的睡眠“路径”来完成深度睡眠循环，并且在此循环的大部分时间都处于深度睡眠时期；然而，失眠患者则不能顺利的进入深度睡眠，睡眠大部分停留在“清醒—REM—浅睡—REM”的“路径”中进行浅度睡眠循环，各睡眠循环如图1所示.其中，虚线表示浅度睡眠循环，实线表示深度睡眠循环.

图1 睡眠过程示意图

正确辨识人体睡眠状态，是准确把握睡眠进程，有效克服睡眠障碍的研究基础.而睡眠状态辨识的核心是睡眠特征量的获取.

1.2 表征睡眠的特征量

研究表明脑电波是一种非平稳的随机信号，其数学模型具有显著的非线性和时变性.作为一种隐含睡眠状态信息的物理量，其最主要的睡眠状态特征是频率特征.表1给出了能够反映人体睡眠状态下的主要脑电波.

表1 不同睡眠状态下的主要脑电波

由表1可知，当人体脑电能量处于高频部分时，人体处于清醒状态，而随着脑电能量分布向低频部分移动时，人体将慢慢由安静进入困倦，从而达到睡眠的状态.无疑，脑电信号中最重要的睡眠特征是频率特征.但是由于脑电波信号的非平稳性和模型非线性，使得其频率特性(或频率结构)是随着时间发生变化的，且频率模型结构具有明显的非线性.

因此，采用频域分析方法(如功率谱估计)将脑电信号投影到频域空间而获得的能够反映睡眠状态的特征量，必然因其时变特性而缺少必要的稳定性；而采用线性时-频分析方法(如短时功率谱估计或小波变换)，将脑电信号投影到线性时-频空间获得的睡眠状态特征量，可能出现不同特征量之间的耦合关系而破坏其分析的独立性.因此，只有采用魏格纳-威利分布这样的非线性时-频分析方法，将脑电信号放在时间-(非线性)频率-能量这样的三维空间内分析，才能获得稳定、独立并能够显著反映睡眠状态的睡眠特征量.

2 睡眠状态辨识的原理设计

一个完整的脑电波(EEG)信号辨识过程包括信号的预处理、睡眠特征量提取和睡眠状态辨识3个步骤，如图2所示，辨识出人体的REM、浅睡、深睡等状态.

图2 睡眠状态辨识方法示意图

2.1 EEG信号预处理

EEG是现阶段睡眠辨识研究的热点方法，本文在获取人体EEG信号时，使用的采集设备是美国加州旧金山的神经科技公司继英国埃塞克斯大学的科学家研发出附有电极的特殊帽子——Emotiv EPOC，如图3所示.

图3 Emotiv EPOC

该装置由14个数据采集电极和两个参考电极组成，根据国际标准，有效的位置电极有：AF3、AF4、F3、F4、F7、F8、FC5、FC6、T7、T8、P7、P8、O1以及O2电极，采样频率是128Hz，其通过配套的Testbench检查实验者的佩戴是否正确，它的界面如图4所示.当Contact Quality界面框中所显示的16个通道指示点全部变为绿色时，则连接正常.最终采集到的信号通过无线传输送达计算机进行处理.

图4 采集装置的显示界面

经过前期的比对实验，本文采用的是位于脑前部额头位置的F3、F4电极以及位于脑后枕部的O1、O2电极作为主要EEG采集通道信号进行采集，采集到的信号滤波后进行脑电睡眠数据的分析.

本文睡眠特征量提取分为以下两步骤：

(1)EEG信号的Cohen类Wigner-Ville分布的重排

魏格纳-威利是一个非线性时-频分析工具.信号x(t)的Wigner-Ville 分布定义为

(1)

其中，公式(1)会在原始频率f1、f2之间产生严重交叉项，因此，公式(1)难以直接使用[10].改进的方法为Cohen类Wigner-Ville分布的重排算法.作为一种双线性能量分布，Wigner-Ville分布不可避免地面临相干项的衰减与信号项的时-频聚集性的折衷，将WVD谱图写成信号的WVD与平滑核函数Πh(t-s,v-f)的二维卷积形式，

(2)

(3)

(4)

这样就得到了重排后的频谱

大多数研究生在入学前已具备本专业的基础理论知识，有解决部分专业问题的潜能，但缺少解决专业问题能力的训练和思维创新的引导。作为研究生教育的重要目标，要培养有创新能力的研究生，导师不仅要进行传统的“传道、授业、解惑”，更要在学生创新教育过程中起引导和示范作用，即导师要以自身的创新意识、思维及能力等因素去感染、带动研究生创新能力的形成和发展。［12］导师的创新意识、思维和能力不仅在于能洞悉和把握学科发展的热点和方向，还在于能跳出本学科的限制，有机融合多个相关学科和专业领域的知识对学生加以指导，及时发现学生的创新潜能，善于激发学生的兴趣和创新意愿，多维度地培养和提高学生的创新思维和创新能力。

(5)

如果选择合适的平滑核，重排后的分布能够将相干扰的抑制与信号时-频聚集性的提高有效结合起来[11].

因此，在本课题中，使用WVD对脑电信号进行分析，利用重排伪Wigner-Ville分布为所采集到的信号进行实时分析，从而辨识出信号所处的睡眠时期，进行睡眠状态的辨识.

(2)特征量提取

利用公式(5)中WVD分析结果，对EEG信号的WVD谱按频段进行边缘聚集的特征量统计，分别在(0，50)、(50，100)、(100，150)、(150，200)四个频率段内积分运算，

(6)

(7)

(8)

(9)

得到相应的特征量WV1、WV2、WV3和WV4等4个特征量.

2.3 基于SVM的睡眠状态辨识

支持向量机(support vector machines,SVM)是一种新型机器学习方法，其具有强大的分类能力、泛化能力、分类方式灵活以及对特征参数数量不敏感等特点，已被广泛应用于模式识别领域[12].其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间,然后在特征空间中求取把样本线性分开的最优分类面[13].

基于SVM的以上优点，本文建立一个3层SVM.以特征量WV1、WV2、WV3、WV4为输入量，睡眠状态辨识结果Slp为输出量(Slp输出0、1、2分别代表REM、浅睡和深睡三个睡眠状态，分别记为Slp1、Slp2和Slp3)，以Sigmoid函数作为SVM隐层节点的核函数：

K(x·xi)tanh(γxTxi+r)

(10)

式(10)中：γ是一个标量，r为位移参数.隐层节点的个数将根据睡眠辨识的复杂程度，通过训练过程而最终确定.

为了获得SVM的训练样本，采集15～58岁的15位实验者的104段脑电信号(每段30分钟)，利用本文的预处理方法和公式(1)～(9)特征量提取方法获得104组特征量WV1～WV4；由脑电图医师对104段脑电信号进行离线辨识，获得104个睡眠状态Slp，根据睡眠状态不同分布标记为0、1或2.对应的WV1～WV4和Slp就构成了104组样本.利用其中89组样本对本文的SVM进行训练，确定隐层核函数个数和参数以及各层间连接权值，从而获得了具有根据睡眠WVD特征量进行睡眠辨识的SVM，并以未使用过的15组样本验证了其泛化能力.至此，经过训练的SVM可用于本文方法的最后一步工作，即睡眠状态的辨识.

3 辨识实验与分析

通过人体睡眠辨识实验验证本文方法.

3.1 实验条件和过程

(1)睡眠控制系统.该系统包含Emotiv EPOC脑电检测装置、惠普PC机、基于DSP的声音生成器、EDIFIER R12U多媒体有源音箱.

(2)实验对象.8男7女共15人，年龄范围扩大至15～58岁进行实验，以验证实验方法的鲁棒性，身体健康.

(3)实验过程.在实验室内进行实验，分别营造安静与略有外界干扰的环境，实验的时间从晚上21点至23点(多实验点)进行，共持续36天.

(4)实验软件.采用OpenViBe软件对EEG信号进行采集、实时预处理和保存，并借助MATLAB软件进行信号的离线分析处理.

3.2 实验结果

为了彻底验证使用WVD时-频分析方法对脑电信号分析，并通过SVM进行睡眠状态辨识的效果，课题组进行大量实验，即对不同个体在每一个睡眠时期进行实时脑电采集分析.由于篇幅限制，本文只列出部分的实验.

3.2.1 REM阶段

人体处于REM阶段时，实验采集脑电信号并利用重排伪Wigner-Ville分布进行分析，加入SVM中训练得到了大量分析结果，如图5所示.

(a)某时段EEG信号的重排伪WVD谱

(b)WVD谱的频率边缘能量聚集图

3.2.2 浅睡阶段

人体处于浅睡阶段时，实验采集脑电信号并利用重排伪Wigner-Ville分布进行分析，加入SVM中训练得到了大量分析结果，如图6所示.

(a)某时段EEG信号的重排伪WVD谱

(b)WVD谱的频率边缘能量聚集图

3.2.3 深睡阶段

同样的，人体处于深睡阶段时，实验采集脑电信号并利用重排伪Wigner-Ville分布进行分析，加入SVM中训练得到了大量分析结果，如图7所示.

(a)某时段EEG信号的重排伪WVD谱

(b)WVD谱的频率边缘能量聚集图

3.3 实验分析

由以上的WVD-SVM分析EEG信号实验结果图可以看出，在睡眠过程中，其脑电特征量的能量分布不同，如图5所示.在REM阶段，得出脑电特征量的能量在整个频率段内分布广泛，由本文前述的分类类别得到SVM输出为0，由此可知此阶段属于REM期；在浅睡阶段中，如图6所示，500个采样点中，脑电特征量的能量分布有向低频部分移动的现象，通过本文方法辨识出此阶段睡眠处于非快速眼动期的浅睡期；在深睡阶段，如图7所示，同样500个采样点中，可以观察到，脑电特征量的能量分布几乎全部集中在低频部分，通过本文方法辨识出，此时睡眠处于非快速眼动期的深睡期.

表2为通过本文方法所得到的实验结果统计.由表2所述对15人的36天实验分析结论统计可看出，在REM时期高频部分能量与低频部分能量分布较为均匀；浅睡时期，低频部分的特征量能量有所增加；最后当人体进入深睡时，明显的低频特征量能量增加迅速.此外，对不同年龄段的受试者进行分析，其结论亦相同.

表2 实验结论统计一揽表

在表2中，第一部分两组为安静情况下得到的实验结论；后一部分三组为在略有外界干扰的情况下得到的实验结论.可以明显看出，深睡时低频特征量WV1有所降低，但其分析实验结果均为深睡.因此，实验具有较好的鲁棒性.

本文通过对不同个体的大量不同信号进行分析，得到了相同的实验结论，辨识的准确率始终保持在91.6%以上，反映出本文方法出色的辨识率.

4 结论

本文在对脑电信号采集滤波处理的基础上，对EEG信号进行重排伪Wigner-Ville分布的时-频分析和分频段的频率边缘聚集运算，得到了辨识人体睡眠的特征量，并通过SVM的大量实验样本训练，得到了准确率高的睡眠辨识效果.并且，利用此方法解决了非线性随机成分的脑电信号分析的鲁棒性和稳定性无法保证的问题，为后期进行睡眠控制研究奠定了基础.

[1] 金永寿.健脑,更要合理用脑[J].家庭医药,2014(4):24.

[2] 周 宏,李玉斌.睡眠对人生的重要作用[J].中国社区医师,2002,18(14):11.

[3] 李 谷,范影乐,李 轶,等.基于脑电信号Hilbert-Huang变换的睡眠分期研究[J].航天医学与医学工程,2007,20(6):458-463.

[4] 刘 慧,谢洪波,和卫星,等.基于模糊熵的脑电睡眠分期特征提取与分类[J].数据采集与处理,2010,25(4):484-489.

[5] Diykh M,Li Y,Wen P.EEG sleep stages classification based on time domain features and structural graph similarity[J].IEEE Transactions on Neural Systems amp; Rehabilitation Engineering,2016,24(11):1 159-1 168.

[6] 周 强,陈 颖,李俊雨,等.基于EEG信号的STPS睡眠状态在线辨识[J].陕西科技大学学报(自然科学版),2016,34(6):164-170.

[7] 张贤达,保 铮.非平稳信号分析与处理[M].北京: 国防工业出版社,1998.

[8] 杨贵琳.基于生物互感原理的粉红噪声睡眠仪的研究[D].西安:陕西科技大学,2014.

[9] Kawada T,Suzuki S,Aoki S,et al.Effects of noise on sleep.Part 2. A case report of the effects of three levels of stationary sound on sleep parameters[J].Nihon Eiseigaku Zasshi.Japanese Journal of Hygiene,1989,43(6):1 102-1 108.

[10] 周 强.基于噪声分析的造纸软测量理论方法研究和应用[D].西安: 西安交通大学,2009.

[11] Wu X,Liu T.Spectral decomposition of seismic data with reassigned smoothed pseudo Wigner-Ville distribution[J].Journal of Applied Geophysics,2009,68(3):386-393.

[12] Liu Dehua,Qian Hui,Dai Guang,et al.An iterative SVM approach to feature selection and classification in high-dimensional datasets[J].Pattern Recognition,2013,46(9):2 531-2 537.

[13] 李 钢,王 蔚,张 胜.支持向量机在脑电信号分类中的应用[J].计算机应用,2006,26(6):1 431-1 433.

【责任编辑：蒋亚儒】

SleepstateidentificationbasedonWVDofEEGsignal

ZHOU Qiang1, LI Jun-yu1, TIAN Xing-zhi1, WANG Ying2

(1.College of Electrical and Information Engineering, Shaanxi University of Science amp; Technology, Xi′an 710021, China; 2.School of Materials Science and Engineering, Shaanxi University of Science amp; Technology, Xi′an 710021, China)

At present,most human sleep state recognition method based on time-frequency domain amplitude domain,frequency domain and the linear analysis method,processing EEG signal that contains a lot of nonlinear components of non-stationary random signal,thus recognition effect of robustness and stability cannot be guaranteed.To this end,this paper proposes a nonlinear identification of time-frequency method,the method of brain electric signal rearrangement pseudo Wigner Ville distribution-time-frequency analysis,and use the Wigner Ville distribution-gathered edge features in different frequency bands to extract the characteristic,finally,support vector machine (SVM) to realize precise identification of sleep.The results showed that the method recognized the accuracy of 91.6% and improved robustness,and laid the foundation for follow-up sleep control study.

EEG； sleep stage identification； WVD； SVM

2017-07-03

陕西省教育厅专项科研计划项目(16JK1105)； 陕西省科技厅科技攻关计划项目(2016GY-005)

周 强(1969-)，男，重庆人，教授，博士，研究方向：非平稳随机信号分析、图像处理技术

2096-398X(2017)06-0164-07

TN911.7; R338.63

A