《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于MSE-PCA的腦電睡眠分期方法研究
基于MSE-PCA的腦電睡眠分期方法研究
2017年電子技術(shù)應(yīng)用第9期
劉雪峰1，馬州生2，趙艷陽3，余傳奇1，范文兵1
1.鄭州大學(xué) 信息工程學(xué)院，河南 鄭州450001；2.河南省經(jīng)貿(mào)學(xué)院，河南 鄭州450046； 3.河南工業(yè)大學(xué) 電氣工程學(xué)院，河南 鄭州450001
摘要： 針對傳統(tǒng)的自動睡眠分期準(zhǔn)確率不足問題，提出一種將多尺度熵（MSE）和主成分分析（PCA）聯(lián)合使用的自動睡眠分期方法。以8例受試者睡眠腦電（EEG）監(jiān)測數(shù)據(jù)及專家人工分期結(jié)果作為樣本，首先使用MSE表征受試者腦電信號不同睡眠期的非線性動力學(xué)特征；然后使用PCA的前兩個(gè)主成分向量代替MSE特征進(jìn)行降維，實(shí)現(xiàn)降低數(shù)據(jù)冗余的同時(shí)保留絕大多數(shù)EEG非線性特征；最終將新向量的特征參數(shù)輸入到反饋神經(jīng)網(wǎng)絡(luò)(BPNN)分類器中實(shí)現(xiàn)MSE-PCA模型的腦電睡眠狀態(tài)的自動識別分類。實(shí)驗(yàn)結(jié)果表明，自動分期準(zhǔn)確率可達(dá)到87.9%，kappa系數(shù)0.77，該方法能提高腦電自動睡眠分期系統(tǒng)的準(zhǔn)確率和穩(wěn)定性。
中圖分類號： TP391
文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.172872
中文引用格式： 劉雪峰，馬州生，趙艷陽，等. 基于MSE-PCA的腦電睡眠分期方法研究[J].電子技術(shù)應(yīng)用，2017，43(9)：22-24，29.
英文引用格式： Liu Xuefeng，Ma Zhousheng，Zhao Yanyang，et al. Research on sleep staging method of EEG based on MSE-PCA[J].Application of Electronic Technique，2017，43(9)：22-24，29.
Research on sleep staging method of EEG based on MSE-PCA
Liu Xuefeng1，Ma Zhousheng2，Zhao Yanyang3，Yu Chuanqi1，F(xiàn)an Wenbing1
1.School of Information Engineering，Zhengzhou University，Zhengzhou 450001，China； 2.Henan Economy and Trade Vocational College，Zhengzhou 450046，China； 3.College of Electrical Engineering，Henan University of Technology，Zhengzhou 450001，China
Abstract： Aiming at the problem of insufficient accuracy of traditional automatic sleep staging, a new method of automatic sleep staging based on a fusion algorithm, multi-scale entropy(MSE) and principal component analysis(PCA), is proposed. In this work, the data of sleep EEG monitoring and the expert staging of 8 subjects are utilized as samples. Firstly, MSE is used to extract the nonlinear dynamic features from sleep stages. Then this features are replaced by the first two principal component vectors of PCA. The purpose is reduce the data dimension redundancy, as well as retaining the vast majority of EEG non-linear features. After that the new vector are entered into the BPNN classifier to implement the MSE-PCA model of automatic sleep staging. The experimental results show that the accuracy of automatic staging can reach to 87.9% and kappa coefficient is 0.77, which can improve the accuracy and stability of automatic EEG sleep staging system.
Key words : automatic sleep staging; electroencephalogram(EEG)；multi-scale entropy(MSE)；principal component analysis(PCA)；back propagation network(BPNN)

0 引言

    隨著現(xiàn)代生活節(jié)奏的逐步加快，人們生活壓力的不斷加大，由睡眠問題引起的疾病越來越多，所以基于交叉學(xué)科發(fā)展起來的睡眠醫(yī)學(xué)，得到了很多醫(yī)學(xué)研究機(jī)構(gòu)以及高校的關(guān)注，致力于了解機(jī)體睡眠過程并解決睡眠功能障礙[1]。目前，在睡眠醫(yī)學(xué)領(lǐng)域內(nèi)有人工睡眠分期和自動睡眠分期兩種方法來分析睡眠過程，人工睡眠分期方法需要專家親臨現(xiàn)場分析，該方法會因?yàn)榭陀^原因以及專家主觀原因?qū)е抡`判率高。自動睡眠分期方法是目前睡眠醫(yī)學(xué)領(lǐng)域內(nèi)主要的睡眠分析方法，該方法需要建立算法處理模型，對睡眠過程進(jìn)行有效的特征提取和分類，常用的方法有樣本熵（Sample Entropy，SE）[2]、Hilbert-huang變換（HHT）[3]、離散小波變換（Discrete Wavelet Transform，DWT）[4]等，但是SE運(yùn)行速度較慢，不適合大量數(shù)據(jù)的處理；HHT存在端點(diǎn)效應(yīng)、模態(tài)混疊；DWT無法提取信號的非線性特征等問題。所以本文提出使用多尺度熵（Multi-scale Entropy，MSE）和主成分分析（Principe Component Analysis，PCA）的復(fù)合算法進(jìn)行特征提取和降維，并在此基礎(chǔ)上采用反饋神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）實(shí)現(xiàn)對EEG睡眠狀態(tài)的非線性映射和高分期準(zhǔn)確率，同時(shí)，多尺度熵和主成分分析融合方法也是首次應(yīng)用到自動睡眠分期領(lǐng)域，為自動睡眠分期提供了新的思路。

1 材料與方法

1.1 數(shù)據(jù)的獲取和預(yù)處理

    仿真數(shù)據(jù)來自MIT-BIH生理信息庫中Sleep-EDF的8組腦電（Electroencephalogram，EEG）實(shí)測數(shù)據(jù)，其中4組健康志愿者的睡眠數(shù)據(jù)（sc4002e0，sc4012e0，sc4102e0，sc4112e0），另外4組是有輕微失眠志愿者的睡眠數(shù)據(jù)（st7022j0，st7052j0，st7121j0，st7132j0），均采用Fpz-Cz導(dǎo)聯(lián)方式。受試者包括男性和女性，年齡在21~35歲，未使用任何藥物干擾，采樣率均為100 Hz。數(shù)據(jù)庫中每30 s EEG信號的睡眠分期結(jié)果已由經(jīng)驗(yàn)豐富的睡眠專家人工標(biāo)注[5]。

    本文首先使用小波濾波方法實(shí)現(xiàn)對原始EEG信號去噪，根據(jù)EEG頻率范圍0.5~40 Hz，采用db4小波基和分解層數(shù)為8的自適應(yīng)小波濾波。濾波完成后根據(jù)專家的分期結(jié)果將睡眠EEG數(shù)據(jù)（30 s）分為清醒期（Awake）、淺睡期（Light Sleep，LS）、深睡期（或慢波睡眠期Slow Wave Sleep，SWS）和快速眼動期（Rapid eyes movement，REM）共4個(gè)集合，為模式分類提供先驗(yàn)知識[6]。

1.2 多尺度熵

    多尺度熵（MSE）是基于樣本熵（SE）在不同尺度下的非線性分析方法，它能夠描述信號在不同尺度下的復(fù)雜度和相關(guān)性[7]。在睡眠分期特征提取中，通過計(jì)算EEG不同尺度的熵值來反映不同睡眠期之間的非線性特征。

    假設(shè)數(shù)據(jù)樣本為N的某一離散時(shí)間序列{Xi}={x1，x2，…，xN}，嵌入維數(shù)m和相似容限r(nóng)（根據(jù)MSE的應(yīng)用研究，在實(shí)驗(yàn)中優(yōu)先選擇m=2，r=0.15SD[8]），原始數(shù)據(jù)的樣本熵為：

yldz5-gs1-2.gif

1.3 PCA降維

    上述方法中采集到的多尺度熵值為睡眠期（30 s睡眠數(shù)據(jù)）在增加單位尺度的樣本熵值，即一個(gè)維數(shù)。而EEG信號中包含大量的睡眠期，當(dāng)增加過多尺度時(shí)，MSE維度過高將導(dǎo)致睡眠期的自動識別和運(yùn)行速度上存在較大難度，因此本文采用主成分分析法（PCA）對MSE特征進(jìn)行降維處理。

    PCA作為一種多元統(tǒng)計(jì)分析技術(shù)，首先對數(shù)據(jù)去相關(guān)，根據(jù)方差最大化原理，通過正交變換將原變量轉(zhuǎn)換為一組線性不相關(guān)的主成分變量，壓縮變量個(gè)數(shù)，最大化保存有效信息的同時(shí)剔除冗余信息，實(shí)現(xiàn)對數(shù)據(jù)的降維，一般主成分的選取標(biāo)準(zhǔn)是累計(jì)貢獻(xiàn)率達(dá)到80%以上[9-10]。

1.4 分類算法

    反饋神經(jīng)網(wǎng)絡(luò)（BPNN）的基本思想是根據(jù)最速下降法，對網(wǎng)絡(luò)權(quán)值和閾值的不斷調(diào)整，得到最小的網(wǎng)絡(luò)誤差平方和實(shí)現(xiàn)反向傳播。在分類模型中，BPNN將PCA所包含主要信息的主成分作為輸入?yún)?shù)，通過BP算法訓(xùn)練和實(shí)現(xiàn)對4種睡眠期的自動識別分類。

    BPNN的節(jié)點(diǎn)輸出為：

    yldz5-gs3.gif

    式(1)中xi是節(jié)點(diǎn)輸入，wij為輸入節(jié)點(diǎn)j至隱含層節(jié)點(diǎn)i的連接權(quán)值，θj是隱含層節(jié)點(diǎn)的閾值，f是激活函數(shù)，一般選用Sigmoid函數(shù)，yj是隱含層節(jié)點(diǎn)的輸出，其結(jié)果為4種睡眠狀態(tài)。

2 實(shí)驗(yàn)結(jié)果

2.1 多尺度熵結(jié)果

    序列的熵指數(shù)可以表征序列的復(fù)雜程度[9]，圖1為樣本（sc4002e0，sc4012e0，st7022j0，st7052j0）的Awake、LS、SWS和REM四種睡眠期的多尺度熵值曲線，其結(jié)果在整體趨勢上區(qū)別相對明顯。同時(shí)，在相同尺度下，Awake、REM、LS、SWS的熵值逐漸遞減，說明睡眠程度的加深與腦電信號的復(fù)雜程度呈負(fù)相關(guān)的變化趨勢，其在特定尺度t下的主要統(tǒng)計(jì)分布如圖2所示。圖2顯示出4種尺度下睡眠期的統(tǒng)計(jì)分布與MSE的結(jié)果保持一致，并且睡眠階段之間存在顯著性差異，因此多尺度熵可以區(qū)分四種不同的睡眠階段。根據(jù)統(tǒng)計(jì)結(jié)果，為了不丟失信號的有效成分，采用尺度1-13的MSE值表征腦電EEG不同睡眠期的主要非線性動力學(xué)特征。

yldz5-t1.gif

yldz5-t2.gif

2.2 PCA降維結(jié)果

    為實(shí)現(xiàn)進(jìn)一步對四種睡眠期的識別分類，采用PCA對MSE特征進(jìn)行降維分析[11]。通過MSE方法對EEG信號進(jìn)行非線性特征提取，得到13個(gè)尺度下Awake、LS、SWS和REM的熵值特征，利用PCA對該特征進(jìn)行降維，保證降低數(shù)據(jù)冗余的同時(shí)保留絕大多數(shù)EEG非線性特征，各成分所對應(yīng)的累計(jì)貢獻(xiàn)率如圖3所示。

yldz5-t3.gif

    由圖3可知PCA前兩個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到93.1%，表明它們已經(jīng)包含了原變量的主要信息。因而選用PCA的前兩個(gè)向量作為新的特征向量，代替原變量13個(gè)尺度的MSE特征，實(shí)現(xiàn)特征降維。

    當(dāng)利用前2個(gè)主成分向量取代MSE特征，測試集樣本為sc4002e0，sc4012e0，st7022j0，st7052j0的60組熵值特征，其中包含Awake、LS、SWS和REM各15組，PCA降維后的前2個(gè)主成分得分圖如圖4所示[10]。圖4顯示四種睡眠階段的熵值特征分布區(qū)域較為明顯，說明通過前兩個(gè)主成分已可以完全區(qū)分四種睡眠狀態(tài)。

yldz5-t4.gif

2.3 BPNN分類結(jié)果

    將受試者的1500個(gè)測試睡眠期輸入已訓(xùn)練的BPNN分類模型，自動睡眠分期與專家人工分期的對比如圖5所示，其結(jié)果的詳細(xì)數(shù)據(jù)如表1。其中，專家分期結(jié)果在數(shù)據(jù)庫中已由臨床經(jīng)驗(yàn)豐富的專家人工識別分類標(biāo)注，該結(jié)果可以作為自動睡眠分期模型的性能評測依據(jù)。

yldz5-t5.gif

yldz5-b1.gif

3 討論

    本研究通過MSE算法提取EEG信號的非線性動力學(xué)特征，利用PCA降維和BPNN分類，建立一種有效的自動睡眠分期方法。在表1中顯示出本文模型相對于專家人工分期結(jié)果，自動分期模型Awake、LS、SWS和REM的識別準(zhǔn)確率均在85%以上，平均準(zhǔn)確率為87.9%，相比同類研究，達(dá)到較高的分期準(zhǔn)確率。通過與專家分期結(jié)果的一致性檢測，模型的kappa系數(shù)保持在了0.77，表明本文方法的自動分期結(jié)果相對于專家分期結(jié)果已達(dá)到高度的一致性，系統(tǒng)魯棒性強(qiáng)。

    本文主要對比了AARON等人[2]、GUO等人[3]、謝等人[4]提出的自動睡眠分期方法，自動睡眠分期方法的對比如表2所示。發(fā)現(xiàn)本文所提方法對EEG信號睡眠階段的分類準(zhǔn)確性較高，同時(shí)PCA降低了系統(tǒng)的復(fù)雜性，模型的結(jié)構(gòu)更為簡單提升了系統(tǒng)的穩(wěn)定性。

yldz5-b2.gif

4 結(jié)論

    由于生理信號的特征提取和分類算法較為復(fù)雜，自動睡眠分期的準(zhǔn)確率沒有得到較大的提升。本文將MIT-BIH腦電EEG信號作為睡眠分期的生理數(shù)據(jù)樣本，通過MSE-PCA模型將前2個(gè)主成分向量替代睡眠階段的多尺度熵特征，不僅提取了EEG的非線性動力學(xué)特征，降低了模型的復(fù)雜性，而且更利于BPNN分類器對睡眠期的訓(xùn)練和分類。同時(shí)，自動分期的結(jié)果與數(shù)據(jù)庫中的專家判定達(dá)到高度的一致性，說明MSE-PCA的融合方法能有效實(shí)現(xiàn)對EEG非線性特征的提取和降維，對睡眠過程的分析和研究有較大幫助。

參考文獻(xiàn)

[1] 高群霞，周靜，吳效明.基于腦電信號的自動睡眠分期研究進(jìn)展[J].生物醫(yī)學(xué)工程學(xué)雜志，2015，32(05)：1155-1159.

[2] AARON R S，LIANG C K.A study on sleep EEG using sample entropy and power spectrum analysis[C].Defense Science Research Conference and Expo(DSR)，Singapore，2011：1-4.

[3] GUO C，LU F，LIU S，et al.Sleep EEG staging based on Hilbert-Huang Transform and Sample Entropy[C].International Conference on Computational Intelligence and Communication Networks(CICN)，Jabalpur，2015：442-445.

[4] 謝宏，施小南.基于離散小波變換的腦電信號睡眠分期研究[J].微型機(jī)與應(yīng)用，2015，34(432)：18-20.

[5] KEMP B.The sleep-edf database online.[Online].Available：http：//www.physionet.org/physiobank/database/sleep-edf/

[6] STOCHHOLM A，MIKKELSEN K，KIDMOSE P.Automatic sleep stage classification using EEG[C].Annual International Conference of the IEEE Engineering in Medicine and Biology Society(EMBC)，Orlando，2016：4751-4754.

[7] FRAIWAN L，LWEESY K.Newborn sleep stage identification using multi-scale entropy[C].IEEE 2nd Middle East Conference on Biomedical Engineering，Doha，2014：361-364.

[8] LIANG S F，KUO C E，HU Y H，et al.Automatic stage scoring of single-channel sleep EEG by using multi-scale entropy and autoregressive models[J].IEEE Transactions on Instrumentation and Measurement，2012，42(13)：1649-1657.

[9] 周鵬，李向新，張翼，等.基于主成分分析和支持向量機(jī)的睡眠分期研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2013，30(6)：1176-1179.

[10] 楊靜，王成，謝成穎，等.基于主成分分析和反向傳播神經(jīng)網(wǎng)絡(luò)的肝癌細(xì)胞后向散射顯微光譜判別[J].生物醫(yī)學(xué)工程學(xué)雜志，2017，34(2)：246-252.

[11] 王金甲，周麗娜.基于PCA和LDA數(shù)據(jù)降維的腦磁圖腦機(jī)接口研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2011(6)：1069-1074.



作者信息：

劉雪峰1，馬州生2，趙艷陽3，余傳奇1，范文兵1

（1.鄭州大學(xué) 信息工程學(xué)院，河南 鄭州450001；2.河南省經(jīng)貿(mào)學(xué)院，河南 鄭州450046；

3.河南工業(yè)大學(xué) 電氣工程學(xué)院，河南 鄭州450001）

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。