基于单通道心电信号的家用睡眠分期方法.pdf
《基于单通道心电信号的家用睡眠分期方法.pdf》由会员分享,可在线阅读,更多相关《基于单通道心电信号的家用睡眠分期方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、基于单通道心电信号的家用睡眠分期方法缪竟鸿1,2,韩旭1,Tasmia Avouka1,胡猛1,王慧泉1,2,赵晓赟3,韦然1,2(1.天津工业大学 生命科学学院,天津300387;2.天津工业大学 天津市光电检测技术与系统重点实验室,天津300387;3.天津市胸科医院 呼吸与危重症医学科,天津300222)摘要:为了实现居家环境下的睡眠健康监测,提出基于可穿戴式单通道心电的不同睡眠阶段识别分析方法,研究了心电信号的27个心率变异性(HRV)特征分别在序列前向选择(SFS)、序列后向选择(SBS)和浮动序列前向选择(SFFS)3种不同方式下最优特征集的选取,设计了以堆栈式自编码器(SAE)建
2、立的睡眠分期神经网络模型系统。结果表明:基于SFS-SAE的睡眠分期模型方法的分类效果最好,且相邻RR间期序列差值大于50 ms百分比(pNN50)、相邻RR间期序列差值的绝对中位差(MADRR)和庞加莱散点图中椭圆短轴(SD1)3种HRV特征都能在此模型系统中有效用于各睡眠阶段的识别,在清醒-睡眠(WAKE-SLEEP)分类、非快速眼动-快速眼动(NREM-REM)分类和浅睡-深睡(N1N2-N3)分类下的平均准确率分别为82%、80%和81%,基本满足家用睡眠分期判别,可用于睡眠疾病的日常筛查,是对多导睡眠图睡眠分析方法的有效补充。关键词:睡眠分期;心率变异性;特征选择;神经网络;单通道心
3、电信号中图分类号:TP183文献标志码:A文章编号:员远苑员原园圆源载(圆园21)园4原园园83原06Household sleep staging method based on single channel ECG signalMIAO Jinghong1,2,HAN Xu1,AVOUKA Tasmia1,HU Meng1,WANG Huiquan1,2,ZHAO Xiaoyun3,WEI Ran1,2(1.School of Life Science,Tiangong University,Tianjin 300387,China;2.Tianjin Key Laboratory of
4、Optoelectric Detec-tion Technology and System,Tiangong University,Tianjin 300387,China;3.Department of Respiratory and Critical CareMedicine,Chest Disease Hospital of Tianjin City,Tianjin 300222,China)Abstract:In order to realize sleep health monitoring in the home environment袁 a method based on wea
5、rable single channelECG is proposed to identify and analyze different sleep stages.27 heart rate variability 渊HRV冤 features of ECGsignal are studied in three different ways院 sequence forward selection渊SFS冤袁 sequence backward selection 渊SBS冤and floating sequence forward selection渊SFFS冤袁 a sleep stagi
6、ng neural network model system based on stack selfencoder渊SAE冤 is designed.The results show that the sleep stage model based on SFS-SAE has the best classifi鄄cation effect袁 and the three HRV features of the difference between adjacent RR interval sequences is greaterthan 50 milli-second percentage 渊
7、pNN50冤袁 the absolute median difference of the difference between adjacentRR interval sequences渊MADRR冤 and the elliptical minor axis渊SD1冤 in Poincare scatter diagram can be effec鄄tively used in the recognition of each sleep stage in this model system.The average accuracy of WAKE-SLEEPclassification袁
8、NREM-REM classification and N1N2-N3 classification are 82%袁 80%and 81%respectively袁which basically meet the requirements of household sleep staging and can be used for daily screening of sleepdiseases and it is an effective supplement to polysomnography sleep analysis.Key words:sleepstage曰heartratev
9、ariability曰featureselection曰neuralnetwork曰singlechannelECGsignal收稿日期:2021-04-09基金项目:天津市科技计划项目(18ZXRHSY00200);天津市教委科研计划项目(2019KJ024)第一作者:缪竟鸿(1976),男,博士,副教授,主要研究方向为解决非线性逆散射问题,二维及三维电磁成像算法等。E-mail:通信作者:韦然(1982),男,博士,讲师,主要研究方向为居家环境下生理信号采集。E-mail:ranwei_DOI:10.3969/j.issn.1671-024x.2023.04.013第42卷第4期圆园23年
10、8月Vol.42No.4August2023天津工业大学学报允韵哉砸晕粤蕴 韵云 栽陨粤晕GONG 哉晕陨灾耘砸杂陨栽再第42卷天津工业大学学报多导睡眠仪(polysomnography,PSG)是临床睡眠监测的金标准1,其核心是对人体睡眠结构进行分期。PSG测量人体在夜间的脑电图(electroencephalogram,EEG)、心电图(electrocardiogram,ECG)和眼电图(ele-ctrooculogram,EOG)等多个生理信号,睡眠医师根据测量的信号进行手动睡眠分期,最多耗费2 h可得到一整夜的分期结果,这种临床监测耗时耗力,常在人体有显著症状后进行2。随着时代节奏变
11、快和生活方式改变,很多人都出现睡眠结构紊乱的情况,PSG作为被严格限制于医院和睡眠实验室的设备无法在家庭护理中使用3。为了在家中更好地监测人们日常的睡眠情况,便捷、非脑电的睡眠分析方法的研究有着巨大的价值4,其中有研究表明心率变异性(heart rate variability,HRV)与睡眠结构有潜在联系5,相对于PSG,越来越多低廉的可穿戴设备不但能提取HRV,还可以降低对人体睡眠的干扰6-9,所以本文用单通道心电信号进行睡眠分期,为家庭睡眠监测提供理论支撑和更多思路。根据R&K(rechtschaffen&kales)规则10,睡眠结构一般以30 s数据作为1个分期,主要由清醒期(wak
12、e,W)、非快速眼动期(non-rapid eye movement,NREM)和快速眼动期(rapid eye movement,REM)组成。其中NREM期包含4个小期,在美国睡眠医学协会最新的分期规则1中,将NREM的4个小期更改为3个小期,分别是浅睡眠阶段的N1期、N2期和深睡眠阶段的N3期,这3个小期和前面所提及的W期、REM期共同组成了睡眠5期结构。但正如文献11所认为的,用心电信号识别睡眠分期,这样的分期规则并非是最有效的。换句话说,单通道心电作为一种易采集的信号,可以根据不同的实际场景做最有效的分期,所以仅采用心电信号识别睡眠结构的研究者们大部分都是做睡眠3分期(W-NREM-
13、REM或者N1N2-N3-REM)的研究3,11-15,这样可以大致地描述睡眠过程的主要阶段,同时降低临床成本。但一方面想获取日常睡眠状况的人们中的多数都是非专业人士,对睡眠知识有着极大的欠缺16,这类人希望获得真实睡眠的长短,深睡和浅睡的比例;另一方面为填补医院对患者睡眠初筛的空白,家庭睡眠监测应为医生提供专业的睡眠结构,尤其是REM期与NREM期,因为这2期基本涵盖了睡眠全过程且受交感神经(sympathetic nervesystem,SNS)和副交感神经(parasympathetic nerve sys-tem,PNS)系统的拮抗变化17,而心率(heart rate,HR)受SNS
14、和PNS调控明显18。基于以上两方面,本文采用单通道心电信号识别清醒阶段和睡眠阶段(WAKE-SLEEP)、睡眠阶段中快速眼动阶段和非快速眼动阶段(REM-NREM)、非快速眼动阶段中浅睡阶段和深睡阶段(N1N2-N3)。1实验部分1.1数据来源本文所有的PSG数据来源于天津市胸科医院,所采用的PSG设备是飞利浦公司的Alice 6,并由Sleepware G3软件针对每30 s所采集到的数据进行机器分期,再由专业睡眠医师根据美国睡眠协会最新的分期规则1进行人工校正,最后得到标准的睡眠分期结果:WAKE、REM、N1、N2和N3。本研究将REM、N1、N2和N3归为SLEEP,将N1、N2和N
15、3归为NREM,将N1和N2归为N1N2。为保证所有分期数据均为受试者第一次入睡后的真实睡眠数据,故将每夜的熄灯时间至开灯时间记为有效数据时间,去除有效睡眠时间不足4 h和存在睡眠疾病的数据,得到最终有效PSG受试者数据11例,其中4位女性,7位男性,最大年龄76周岁,最小年龄35周岁,平均年龄约为50周岁。从WAKE-SLEEP、REM-NREM和N1N2-N3这3个层面对应提取有效PSG受试者数据中的ECG数据作为本研究的有效ECG数据。1.2数据预处理将有效ECG数据基于Pan-Tompkins算法进行R波检测,将相邻R波间隔记为RR间期序列19。为保证RR间期序列不包含异常点影响实验结
16、果,故将使用上下阈值法,去除RR间隔中在0.71.3倍RR间期序列平均值外的数据,再通过拉伊达准则20去除含可疑点的数据,得到有效RR间期序列数据。每例有效PSG数据中含有有效RR间期序列数据300500组,每组含有RR间期序列2040个,对应每组有效RR间期序列数据的WAKE和SLEEP作为本文实验中的第1层标签,对应每组有效RR间期序列数据的REM和NREM作为本文实验中的第2层标签,对应每组有效RR间期序列数据的N1N2和N3作为本文实验中的第3层标签。1.3特征提取将每组有效RR间期序列数据进行组内心率变异性(heart rate variability,HRV)分析,提取频域特征8个
17、,时域特征15个,非线性特征4个,共计27个特征,具体特征如表1所示。其中:编号18为频域特征;编号923为时域特征;编号2427为非线性特征。从先前的研究工作者的经验上看,这些特征都被合理地用于过睡眠分期的研究。84-第4期1.4特征选择本文采用3种特征选择的方式,尝试找到最优特征子集来做为模型的输入特征,从而提高分类精度。3种特征选择方法如下:序列前向选择(sequential forwardselection,SFS)是指特征子集从空开始,依次加入子集一个特征,使其选择结果最优;序列后向选择(sequen-tial backward selection,SBS)是指从特征全集开始,依次去
18、掉全集中的一个特征,使得去掉特征后的新集合成为最优选择结果;序列浮动前向选择(sequential float-ing forward selection,SFFS)是指从空集开始,先在未选择的特征中选择一个子集加入,使得选择结果可以达到最优,再从已选择的特征子集中选择另一个子集,去掉该子集后使得选择结果达到最优。3种特征选择方式均属于降低特征维度,相比传统的过滤式特征选择方法一般不会意外删除重要的信息成分,计算选择更为精确,但计算成本更高,三者在相同特征下SFFS的计算最为复杂,SFS与SBS的计算用时基本相同。1.5建模方法正常人的睡眠过程中HRV参与构成了睡眠状态的时间函数,HRV与睡眠
19、结构有着潜在的节律联系,相当于与睡眠分期存在一定非线性映射关系,而堆栈式自动编码器(stacked autoencoder,SAE)有着很强的无监督学习能力,可以通过HRV学习到包含着睡眠分期的主要信息成分,故本文采用SAE进行睡眠分期模型的建立。将已选好的最优特征子集作为输入,由第1个稀疏自编码器训练后得到隐藏层的输出,将其再作为第2个稀疏自编码器的输入进行训练,最后通过softmax分类器得到睡眠分期的标签值,模型结构如图1所示。以有效受试者编号11的330组WAKE-SLEEP阶段的数据、320组REM-NREM阶段的数据和250组N1N2-N3阶段的数据建立真实睡眠分期与HRV特征之间
20、的映射关系,在3种特征选择方式下建立的各分期模型对比其分类准确率,选出最优方式,利用相同的方法在其他有效受试者中建立属于自身的睡眠分期模型,从而实现其他有效受试者睡眠分期的识别。2结果与讨论2.1SFS特征选取结果基于SFS筛选不同特征子集结合SAE建模后的3层不同睡眠阶段的分期准确率分布如图2所示。图2中,准确率最高对应的特征子集为SFS-SAE表1本文所用HRV特征集Tab.1HRV feature set简称含义123456789101112131415161718192021222324252627HFLFVLFHFnLFnVLFnLF/HFTPHRmeanRRmeanMedianIQ
21、RMADSDNNRMSSDNN50pNN50TINNHRVtiSDSDMADRRCV-RRIRRRSD1SD2SDratioalpha0.150.4 Hz高频功率0.040.15 Hz低频功率0.0030.04 Hz极低频功率归一化的高频功率归一化的低频功率归一化的极低频功率低频功率和高频功率的比值0.000 30.04 Hz总频率功率HR平均值RR间期序列平均值RR间期序列中位数RR间期序列四分差RR间期序列绝对中位差RR间期序列标准差相邻RR间期序列差值的均方根相邻RR间期序列差值大于50 ms的个数相邻RR间期序列差值大于50 ms百分比RR间期直方图的近似三角形底边宽度HRV三角指数相
22、邻RR间期序列差值的标准差相邻RR间期序列差值的绝对中位差RR间期序列的变异系数相邻RR间期序列差值的四分差庞加莱散点图中椭圆短轴庞加莱散点图中椭圆长轴长短轴比率去趋势波动分析的标度指数编号图1睡眠分期模型结构Fig.1Structure of sleep staging model最优特征子集睡眠分期标签隐藏层堆栈式自编码器图2SFS-SAE不同特征子集下睡眠分期准确率分布Fig.2Distribution of sleep staging accuracy under differentfeature subsets of SFS-SAE10095908580757065605550251
23、3579 1115 1723特征个数1319 21N1N2-N3REM-NREMWALE-SLEEP高铁成,等:面向重症患者的可穿戴人体多生理参数无线监测设备85-第42卷天津工业大学学报表2SFS-SAE不同睡眠阶段的最优特征子集Tab.2Optimal characteristic subset of SFS-SAE indifferent sleep stages睡眠阶段最优特征子集所含特征的编号WAKE-SLEEP1,4,5,6,7,9,10,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27REM-NREM1,9,12,13,14,17,1
24、8,20,21,23,24,25N1N2-N31,9,12,13,14,17,18,19,20,21,23,24,25图4SFFS-SAE不同特征子集下睡眠分期准确率分布Fig.4Distribution of sleep staging accuracy under differentfeature subsets of SFFS-SAE100959085807570656055502513579 1115 1723特征个数1319 21N1N2-N3REM-NREMWALE-SLEEP表4SFFS-SAE不同睡眠阶段的最优特征子集Tab.4Optimal characteristic su
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 通道 电信号 家用 睡眠 分期 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。