基于脑电信号特征提取的睡眠分期方法研究-硕士论文

单位代码： 10293 密 级： 公开 硕 士 学 位 论 文 论文题目： 基于脑电信号特征提取的睡眠分期方法研究 1013010419 李 斐 马 千 里 信号与信息处理 无线通信与信号处理技术 工学硕士 2016.03 学号 姓名 导 师 学 科 专 业 研 究 方 向 申 请 学 位 类 别 论 文 提 交 日 期 万方数据 The Sleep Staging Methods Based on Feature Extraction of EEG Thesis Submitted to Nanjing University of Posts and Telecommunications for the Degree of Master of Engineering By Fei Li Supervisor: Prof. Qianli Ma March 2016 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档； 允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索；可以 采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质论文 的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名：_ 日期：_ 研究生签名：_ 导师签名：_ 日期：_ 万方数据 I 摘要摘要 睡眠的研究与许多学科相关，例如生理学、神经生物学、康复医学、心理学以及计算机 等学科，目前各个国家都开始加强研究人类的睡眠。睡眠研究的目的之一是实现睡眠质量评 估，而睡眠质量评估的一个重要依据就是睡眠状态的变化，这也是研究睡眠与睡眠相关疾病 的基础，具有非常重要的意义。长期以来，由于睡眠状态的分期工作都由专家人工完成，分 期规则具有一定的主观性。二十世纪八十年代起，由计算机辅助的自动睡眠分期逐渐引起关 注并成为热点。但是目前常规的自动睡眠分期系统的分期准确率仍不高，还存在较大的提高 空间。 传统的自动睡眠分期方法都是以判断一个睡眠时期的时间片为单位进行特征参数提取， 因此考虑按照不同的时间尺度提取特征参数，结合不同的分类模型设计高准确率、高效率的 自动睡眠分期系统。 本文首先论述了睡眠分期的国内外研究现状， 以及睡眠 EEG 信号在睡眠分期研究中的应 用。其次将 4 个不同分量小波包系数的均值和标准差、排列熵、Petrosian 分形维数作为睡眠 分期的特征参数，应用到随机分类森林与支持向量机系统中进行自动睡眠分期。本文的创新 之处主要体现在以下方面： （1）针对睡眠脑电采用 30 秒、90 秒、150 秒以及 210 秒的不同时间尺度提取 4 个分量 小波包系数的均值和标准差、排列熵、Petrosian 分形维数，通过对不同睡眠阶段脑电信号特 征参数的分析对比， 发现 EEG 的上述几类特征都随着睡眠阶段的不同呈现一定的差别和变化 规律，所以就将它们作为自动睡眠分期的特征指标。 （2）介绍基于随机森林与支持向量机的分类识别器，通过对不同时间尺度取得的单个特 征作为分类器的输入寻找最优的参数组合，将三种脑电信号特征参数的组合对分类模型进行 训练，寻找高准确率、高效率的自动睡眠分期系统。最终确定 210s 时间尺度获得的小波包系 数和标准差、 30秒时间尺度获得的排列熵以及90秒时间尺度获得的Petrosian分形维数与SVM 协同作用的自动睡眠分期系统比与随机森林协同具有更高的准确率。 关键词关键词: 睡眠分期睡眠分期，脑电信号脑电信号，小波包系数小波包系数，排列熵排列熵，Petrosian 分形维数分形维数，随机森林随机森林， 支持向量机支持向量机 万方数据 II Abstract As sleep involves in physiology, neurobiology, rehabilitation medicine, psychology, medical science and computer science, recently many countries have strengthen the study of sleep. Researches on sleep staging is not only the basis of diagnosing sleep related diseases, but the precondition of sleep quality evaluation, and has vital significance. Sleep staging work has long been artificial completed by sleep experts, but the staging rules between different experts are often difficult to obtain consistence. Automatic sleep staging gradually becomes a hot research area in late 80s, but the recognition rate of current automatic sleep staging system is not high. Sleep stage is classified by every 30 seconds, so in traditional automatic sleep staging method, the features are extracted from every 30 seconds. Thus, we consider extracting features from different time slices and designing a system with high efficiency and accuracy. This paper firstly discusses the current situation of domestic and foreign study of sleep staging and the importance use of sleep EEG signal in sleep staging. Secondly it applies the wavelet packet coefficient, permutation entropy, Petrosian fractal dimension and random forests, support vector machine (SVM) in sleep staging. The innovations involved are below: (1) According to the characteristics of sleep EEG, we extract features of mean and standard deviation of the wavelet packet coefficient, permutation entropy, Petrosian fractal dimension from the sleep EEG by 30 seconds, 90 second, 150 second and 210 seconds. Through comparison of the three features in different sleep period, we find each feature shows regular changes in different sleep stage, so we use the three features as feature indexes for automatic sleep staging. (2) Introducing the random forests and support vector machine (SVM), we put the single feature of different time slices as an input to find the optimal combined parameters of classifier to explore staging system with highest accuracy. Ultimately, we determine that the sleep staging system of 210s time slice of wavelet packet coefficiens, 30 seconds time slice of permutation entropy and 90s time slice of Petrosian fractal dimension with SVM has higher accuracy. Key words: Sleep staging, EEG, Wavelet packet coefficient, Permutation entropy, Petrosian fractal dimension, Random forests, Support vector machine (SVM) 万方数据 III 目录目录 第一章 绪论 . 1 1.1 研究背景 . 1 1.1.1 睡眠概述 . 1 1.1.2 睡眠分期的概述 . 1 1.2 睡眠分期发展及研究现状 . 3 1.3 研究内容及意义 . 4 1.4 本文结构 . 5 第二章 脑电信号及多导睡眠检测 . 7 2.1 脑电信号概述 . 7 2.1.1 大脑的结构与功能 . 7 2.1.2 脑电信号的机理与特征 . 7 2.2 脑电图与信号检测 . 8 2.2.1 脑电图 . 9 2.2.2 脑电波的组成及睡眠脑电的特征. 9 2.2.3 脑电图的记录 .11 2.2.4 脑电信号分析方法 . 12 2.3 多导睡眠检测 . 14 2.4 本章小结 . 15 第三章 睡眠脑电的特征提取算法研究 . 16 3.1 基于小波包系数的睡眠脑电特征提取 . 16 3.1.1 小波变换理论 . 16 3.1.2 数据来源 . 22 3.1.3 睡眠各期小波包特征 . 22 3.2 基于排列熵的特征提取 . 26 3.2.1 排列熵算法 . 26 3.2.2 睡眠各期排列熵特征 . 27 3.3 基于 Petrosian 分形维数的睡眠脑电特征提取 . 28 3.3.1 分形维数算法 . 28 3.3.2 Petrosian 分形维数算法. 29 3.3.3 睡眠各期 Petrosian 分形维数的特征 . 29 3.4 本章小结 . 32 第四章 随机分类森林在自动睡眠分期中的应用. 34 4.1 决策树 . 34 4.1.1 决策树的描述 . 34 4.1.2 决策树的学习算法 . 35 4.1.3 分类回归树 . 36 4.2 随机森林 . 37 4.2.1 基本原理及生成过程 . 38 4.2.2 随机森林中的重要参数 . 39 4.3 基于随机分类森林的睡眠脑电自动分期. 40 4.3.1 数据来源及说明 . 40 4.3.2 仿真流程 . 40 4.3.3 仿真实验和结果分析 . 41 4.4 本章小结 . 43 万方数据 IV 第五章 支持向量机在自动睡眠分期中的应用. 44 5.1 基于网格搜索优化的支持向量机 . 44 5.1.1 支持向量机的基本理论 . 44 5.1.2 基于 RBF 核函数的 SVM 参数 . 47 5.1.3 网格搜索法优化参数 . 48 5.2 基于支持向量机的自动睡眠分期 . 48 5.2.1 数据来源 . 48 5.2.2 仿真流程 . 49 5.2.3 仿真实验和结果分析 . 49 5.3 本章小结 . 52 第六章 总结与展望 . 53 参考文献 . 55 附录 1 攻读硕士学位期间撰写的论文 . 58 附录 2 攻读硕士学位期间参加的科研项目 . 59 致谢 . 60 万方数据 南京邮电大学硕士研究生学位论文 第一章 绪论 1 第一章第一章 绪论绪论 1.1 研究背景研究背景 1.1.1 睡眠概述 睡眠是一项极其重要的生理现象，它的重要性仅次于心跳和呼吸，评价人类健康的标准 之一就是健康的睡眠。好的睡眠对保证健康和恢复体力都十分重要，睡眠也是提高机体免疫 力的重要因素之一1。 睡眠是人的一种生理需要。每晚睡眠时间一般维持在 7 到 8 小时，但也因个体差异而有 所不同。一般入睡快且睡眠深的人无梦或少梦时，6 小时睡眠就可以完全恢复精力；入睡慢 且睡眠浅又多梦者，即使睡上 10 小时还是会精神不佳。所以，睡眠质量好坏的判定不仅仅看 睡眠时间的长短，还要关注的是睡眠的深浅。因此，单纯的延长睡眠时间并不能提高睡眠质 量，反而对身体有害。很多重要的生理过程是在睡眠过程中发生的，睡眠是巩固记忆和机体 复原、整合的重要环节。但是现代人很多都受到各种睡眠障碍的困扰，例如：嗜睡症、失眠 症、梦游症、梦魇、夜惊、打鼾、磨牙、呼吸暂停综合征、时差综合征等，其中最常见的有 失眠、打鼾以及呼吸暂停综合征12。 据统计， 由心理因素引起的失眠占总数的 85% 以上， 长期的失眠会导致人在日常的工作 学习中无法集中注意力、头脑发晕、嗜睡，在夜间发生入睡慢、睡眠浅、多梦等情况，影响 身心健康。调查显示，我国有将近 3 亿人在夜间会出现失眠、打鼾的情况，约有 2 亿人患有 不同程度的睡眠呼吸暂停综合征。各种睡眠障碍对人们生活质量的负面影响日益严重，由于 睡眠障碍而导致的工伤事故和交通意外也日益增加。因此，拥有充足的睡眠时间以及恰当的 睡眠比例对人们的日常生活和工作有着深远的影响。 1.1.2 睡眠分期的概述 睡眠质量评估的一个重要依据就是睡眠状态的变化，这也是研究睡眠及其相关疾病的基 础，具有非常重要的意义。部分疾病不易在病人的觉醒状态下被发现，但某些睡眠疾病的症 状会在睡眠状态中表现出来，并且表现程度在不同睡眠阶段中也有所不同。各项睡眠研究中 的重要工作就是睡眠分期，即对整夜的睡眠时间进行睡眠深度的判定。睡眠分期可用于探索 万方数据 南京邮电大学硕士研究生学位论文 第一章 绪论 2 人体的睡眠机制，对睡眠机制的研究是提高人体睡眠质量的前提3，并且该研究在神经医学 领域的发展前景也十分广泛。 人的脑电信号、眼球变动等会随着睡眠阶段的不同发生相应的变化，体现在大脑电位活 动（脑电图 Electroencephalograph，EEG） 、肌肉在松弛和收缩反应时的电活动（肌电图 Electromyogram，EMG）以及眼动图（Electro-Oculogram，EOG）上。因此，通过分析不同 睡眠状态下的脑电图、肌电图、眼动图的变化趋势可以对睡眠状态进行分段，下面给出了国 际上普遍认可的 Rechtschaffen k kZ是 0 W 空间的一组正交基，那么可以推断 2 , ( )2; j j k ttk kZ 是 j W空 间的正交基，即 , ;,k j k jZZ构成了 2( ) L R 空间的正交基。 二尺度方程描述了小波空间 j W与相邻尺度空间 1j V ， 或者两个相邻的尺度空间 1j V 、 j V基 函数的内在联系，多分辨率分析赋予尺度函数和小波函数最基本的特征就是二尺度方程。 由上述多尺度分析的概念中可以知道，( ) t是尺度空间 0 V 的一组标准正交基函数， 而( ) t 是小波空间 0 W 的一组标准正交基函数，分别如下： 01,0 ( )( )( )2( ) (2) n nn th nth ntn (3.15) 11,1 ( )( )( )2( ) (2) n nn th nth ntn (3.16) 其中 0( ) h n 、 1( ) h n 为展开系数： 01, ( ), n h n (3.17) 11, ( ), n h n (3.18) 并且 0( ) h n 、 1( ) h n 与尺度 j 的变化无关，式（3.14）和式（3.15）即为二尺度方程， （4）小波基函数 常用的小波基函数并不只有一种，这使得信号分析时选用不同小波基进行处理可能会产 生不同的结果。现在主要根据小波分析处理的实际结果与小波分析理论的差异来选择小波基 万方数据 南京邮电大学硕士研究生学位论文 第三章 睡眠脑电的特征提取算法研究 21 52。常用的几个小波基函数如下： （a） Haar 小波基 最简单的小波基函数就是 Haar 小波基，它是一组正交函数，其定义如下： 1, 00.5 ( )1, 0.51 0, x xx 其他 (3.19) （b） Daubechies 小波系（dbN） Daubechies 小波系是由数学家 Inrid Daubechies 所提出，其中 Haar 母小波就是 db1。除了 db1 以外的 dbN 小波系都没有明确的表达式，dbN 小波系的具体特点如下所示： i. 具有正交性。 ii. N越大正则性越强； iii. dbN 小波系基本都没有对称性，且其中部分小波基具有显著的不对称性； iv. 小波函数的消失距为N阶，而尺度函数和小波函数的有效长度相同都是 21N ； （c） Morlet 小波基 最常用的复值小波基就是 Morlet 小波基，其定义为： 2 2 ( ),5 x jC x xeeC (3.20) （d） Mexican hat 小波基 Mexican hat 小波基由于波形与墨西哥草帽相似而得名，是 Gauss 函数的二阶倒数。 Mexican hat 小波没有尺度函数，所以它并不具备正交性，其定义为： 2 2 2 2 ( ) x d xe dx (3.21) 由小波分析的原理可知， 若小波基满足正交性， 那么经过小波分析前后信号的能量相等。 根据 Parseval 定理，若小波函数和尺度函数正交，那么通过小波变换能够将信号分层并显示 细节部分。在本文中使用了小波包系数的概念对睡眠脑电信号进行特征提取，只提取信号中 的有用的信息。睡眠脑电上各个有效频段上的数据特征能够用小波包系数来准确表示，小波 包系数的提取在计算速度、计算效率上都具有很大的优势，并且相对于其他一些特征参数小 波包系数在分类准确性上也具有一定的优势。 万方数据 南京邮电大学硕士研究生学位论文 第三章 睡眠脑电的特征提取算法研究 22 3.1.2 数据来源 本文研究中使用的数据集是由圣文森特大学医院和都柏林大学53提供，对数据库中全部 25 个样本的数据进行研究。该数据的人口学特征如下：受试者 25 例，年龄：5010 岁，范围 28-68 岁；BMI：31.64.0 kg/m2，范围 25.1-42.5 kg/m2；AHI：24.120.3，范围 1.7-90.9。该 多导睡眠记录是通过 Jaeger-Toennies 系统获得。 Jaeger-Toennies 系统通过使用 10-20 个电极位 置获得多导睡眠记录，其中包括了 2 个 EEG 通道（C3-A2 和 C4-A1） ，2 个 EOG 通道和 1 个 EMG 通道，平均记录时间为 6.9 小时。本文研究只采用单个脑电通道（C3-A2） ，采样率 为 128Hz。 EEG 信号主要集中在 0-30Hz 处， 且本文采用的脑电数据在 50Hz 处具有工频干扰， 通过 5 阶 IIR 巴特沃斯低通滤波器对 EEG 信号进行预处理， 获得 0-35Hz 的 EEG 信号。 然后， 对脑电图信号进行分割，分为 30 秒一个时期，每个时期对应于单个睡眠阶段。表 3.1 显示了 睡眠专家进行睡眠状态分类的 25 个受试者睡眠时期的分布。 表 3.1 睡眠状态各期分布 睡眠状态 Wake N1 N2 N3 REM 总合 样本数 4732 3402 6985 2663 3016 20799 3.1.3 睡眠各期小波包特征 在进行小波包系数的提取时， 依照AASM规则所得出的人工睡眠分期结果作为参考标准。 AASM 准则与 R&K 准则的一个主要区别在于，AASM 准则将 R&K 准则中定义的 NREM-S3 期与 NREM-S4 期合并为 N3 期。 DWT 经常被用于分析 EEG 信号，需要解决的主要问题就是分解层数与小波基的选择， 其中分解层数由原信号频率决定。分解层数的选择依据为使得被保留的小波系数与原信号不 同睡眠状态的频率的相关性良好。脑电信号的功率主要集中在 0-30Hz 范围，因此分解层数设 置为 4 就可以提取到所有 EEG 信号的特征频带。信号被分解得到具有细节信息的 D1-D4 分 量和含有低频信息的 A4 分量。 通过对 EEG 信号进行 4 层 DWT 分解获得的子带的频率范围见图 3.1。 从图中可以看出， A4 分量包含 频段（0-4Hz） ，D4 分量包含 频段（4-8Hz） ，D3 分量包含 频段（8-13Hz） 和部分 频段，D2 分量包含 频段（13-30Hz） 。D1 分量具有高于 30Hz 的频率信息，这部分 基本不含有 EEG 信号的信息。因此，在这项研究中，使用 D2-D4 细节分量和低频分量 A4。 万方数据 南京邮电大学硕士研究生学位论文 第三章 睡眠脑电的特征提取算法研究 23 图 3.1 对 EEG 信号进行 4 层 DWT 分解获得的子带的频率范围 在相关的 EEG 信号研究中发现，Daubechies 小波比 10 阶 Symmlet 小波（sym10）和 4 阶 Coiflet 小波（coif4）更适用于脑电信号的分析，并且 4 阶 Daubechies 小波（db4）比 2 阶 Daubechies 小波（db2）略优5455。所以，本文采用 db4 小波对 EEG 信号进行 4 层分解，并 统计 D2-D4 与 A4 分量的绝对值的均值以及标准差。因为小波分解的特殊性，先计算 30s 时 间尺度的小波系数，然后采用滑动窗以计算均值的方式得到 90s，150s 和 210s 的参数。 表 3.2 小波各层分量与脑电信号 、 频段的相关性 对应各分量 频率范围（HZ） 4 A 频段 4 D 频段 3 D 频段+部分 频段 2 D 频段 本文采用 db4 小波的 4 层小波分解来处理睡眠脑电信号，并提取表 3.2 中所示的 4 个频 段的小波系数。仿真结果图显示了不同睡眠阶段小波包系数的特征信息： 原始信号 128Hz A1 0-32Hz D1 32-64H A2 0-16Hz D2 16-32Hz D3 8-16Hz A3 0-8Hz A4 0-4Hz D4 4-8Hz 万方数据 南京邮电大学硕士研究生学位论文 第三章 睡眠脑电的特征提取算法研究 24 图 3.2 A4 分量所对应的小波包系数特征信息 图 3.3 D4 分量所对应的小波包系数特征信息 WakeREMN1N2N3 0 0.2 0.4 0.6 A4-mean WakeREMN1N2N3 0 0.2 0.4 0.6 A4-std 30s 90s 150s 210s WakeREMN1N2N3 0 0.02 0.04 0.06 0.08 D4-mean WakeREMN1N2N3 0 0.05 0.1 D4-std 万方数据 南京邮电大学硕士研究生学位论文 第三章 睡眠脑电的特征提取算法研究 25 图 3.4 D3 分量所对应的小波包系数特征信息 图 3.5 D2 分量所对应的小波包系数特征信息 上图中的横坐标对应的是睡眠分期后的各个时期，纵坐标代表小波分解的各分量的均值 或标准差，且小波分解的各分量与脑电信号各个频带相对应（A4 对应 频段，D4 对应 频 段，D3 对应 频段与部分 频段，D2 对应 频段） 。 通过各分量在不同睡眠阶段的均值与标准差可以看出，小波包系数能够成功的保留脑电 信号中与睡眠阶段相关的特征信息。由图 3.2 可见，睡眠各期 A4 分量的均值差距不明显，但 WakeREMN1N2N3 0 0.02 0.04 D3-mean WakeREMN1N2N3 0 0.02 0.04 0.06 D3-std WakeREMN1N2N3 0 0.02 0.04 0.06 D2-mean WakeREMN1N2N3 0 0.05 0.1 D2-std 30s 90s 150s 210s 万方数据 南京邮电大学硕士研究生学位论文 第三章 睡眠脑电的特征提取算法研究 26 从 A4 分量的标准差中可以明显看出各期的区别，其中觉醒期最高，由浅睡眠到深睡眠依次 递增。图 3.3、3.4 和 3.5 显示了 D4、D3、D2 分量特征在不同睡眠时期的区别。其中，D3 和 D2 分量分别包含了 频段与 频段的信息， 频段多在觉醒期出现， 频段多与人体活动有 关，代表了大脑的亢奋程度，印证了图中 D3 分量的均值在觉醒期最大，D2 分量的特征也在 随睡眠状态由浅睡眠到深睡眠转变的过程中减小。图中信息表明脑电信号上述 4 个频段的小 波包系数与睡眠阶段的变化高度相关。从不同睡眠阶段下各频段小波包系数特征变化的分析 中可得各频段的小波包系数在不同睡眠阶段下的变化规律。最终结果表明，各个频段小波包 系数的均值与标准差在不同睡