0 引言

    睡眠是人類一項最基本的生理活動之一，對人的健康至關重要。世界衛(wèi)生組織（World Health Organization，WHO）調(diào)查顯示，全球有27%的人存在著不同范圍程度的睡眠問題，睡眠類疾病正威脅著全世界人民的健康^[1]。目前，睡眠相關領域的研究已經(jīng)成為人們研究的一個熱點。

    睡眠質(zhì)量一般可通過腦電、心電、眼電、肌電、體動、脈搏波等信號來進行客觀評估，其中腦電能反映人腦的健康狀況，是最直接、最經(jīng)典的檢測方法^[2]。睡眠分期是研究睡眠的基礎，是睡眠質(zhì)量評估至關重要的步驟。睡眠分期準則普遍采用美國睡眠醫(yī)學學會(American Academy of Sleep Medicine，AASM)的標準，AASM準則將睡眠分成五期，即Wake期、NREM期(又分為N1期、N2期、N3期)、REM期^[3]。臨床上睡眠監(jiān)測主要采用多導睡眠圖，通過記錄腦電圖、眼電運動、肌肉活動、呼吸信號等多個特征參數(shù)來完成睡眠監(jiān)測^[4]，但是信號采集普遍由多電極組成，體積龐大，設計復雜，無法滿足便攜性；市場上睡眠監(jiān)測設備也層出不窮，多數(shù)是基于睡眠姿態(tài)進行分期，雖然便于使用，但無標準的睡眠分期準則，在準確性方面遠未達到臨床要求的睡眠分期精度。所以，研究一種便攜性較好、準確性較高的睡眠監(jiān)測系統(tǒng)具有重要的意義和價值。為了同時兼顧便攜性和準確性，本文設計了一套能夠采集人體睡眠腦電信號，并在智能終端上實時記錄和顯示睡眠質(zhì)量的系統(tǒng)。

1 總體設計

    系統(tǒng)框架圖如圖1所示，包括信號采集模塊、智能終端2部分。信號采集模塊選用德州儀器ADS1299作為A/D轉(zhuǎn)換芯片，ADS1299以其緊湊性、便攜性、低功耗性常被用于生物電勢測量^[5]。選用Atmel公司的ATmega328P芯片為核心模塊，控制腦電數(shù)據(jù)的采集，ATmega328P為高性能、低功耗的8位AVR微處理器^[6]，其兼容性好、處理速度快，具有豐富的片內(nèi)外設，并且支持多種串行通信接口，如USART、SPI、2-wire。選用HM-16藍牙芯片，HM-16采用Cypress公司的CYBL系列芯片，遵循V4.1 BLE藍牙協(xié)議，傳輸速率快，使用靈活。信號采集模塊主要完成腦電信號的采集和傳輸工作，ATmega328P通過SPI接口配置ADS1299，使能ADS1299對輸入的模擬信號采樣并保存ADS1299的數(shù)字化結(jié)果，再通過UART口配置藍牙模塊并發(fā)送數(shù)據(jù)，實時地將腦電數(shù)據(jù)發(fā)送至智能終端，智能終端接收數(shù)據(jù)并進行處理和分析。

    本文主要分析智能終端軟件的設計，完成的功能包括藍牙通信、數(shù)據(jù)接收并做數(shù)據(jù)處理、算法實現(xiàn)睡眠自動分期、評估結(jié)果顯示和存儲。通過智能終端上的藍牙設備搜索HM-16并建立連接，進行數(shù)據(jù)傳輸，解析數(shù)據(jù)格式，并對數(shù)據(jù)處理、算法分析，從而實現(xiàn)睡眠自動分期；將軟件分析得到的睡眠腦電數(shù)據(jù)分析結(jié)果與PSQI相結(jié)合，判斷用戶睡眠狀況，為睡眠狀態(tài)打分，并客觀評價睡眠質(zhì)量；最后將評價結(jié)果實時地顯示在Android手機上以便用戶了解自己的睡眠情況。

2 智能終端軟件設計與實現(xiàn)

2.1 數(shù)據(jù)傳輸模塊

    藍牙協(xié)議的配置文件層包括通用接入規(guī)范GAP和通用屬性規(guī)范GATT，GAP層負責控制設備訪問模式，用于藍牙設備的發(fā)現(xiàn)、連接、初始化管理等參數(shù)^[7]。GATT層負責設備之間的數(shù)據(jù)通信。本系統(tǒng)中，Android手機端代表主機，HM-16設備代表從機，UART口通信波特率為115 200 Baud，在數(shù)據(jù)傳輸前，進行設備的認證，首先手機端發(fā)送搜索請求，掃描正在廣播的HM-16設備，若GAP服務的UUID匹配成功，則請求成功；接著手機端向HM-16設備發(fā)送連接請求，HM-16設備正確應答則認證成功，建立連接。

    Android手機與HM-16建立連接后，發(fā)送主服務UUID，主服務UUID匹配正確后，發(fā)送相應數(shù)據(jù)操作“特性”的UUID，獲取GATT數(shù)據(jù)服務，從而進行數(shù)據(jù)傳輸。圖2所示為睡眠腦電數(shù)據(jù)傳輸流程圖。

2.2 EEG信號去噪處理

    本系統(tǒng)采用快速中值濾波除去基線漂移；采用FIR數(shù)字低通濾波器除去高頻干擾；采用IIR數(shù)字陷波器除去50 Hz工頻干擾；采用小波變換除去尖脈沖信號和抑制肌電噪聲的干擾。小波去噪過程是用實際信號與高低頻濾波矩陣進行卷積運算后進行采樣，從而得到不同頻段的小波系數(shù)，然后對小波系數(shù)閾值化處理，最后逆變換重構(gòu)睡眠腦電信號。在智能終端中使用Java語言編寫對應的卷積、采樣、信號延拓等基本的類實現(xiàn)小波變換算法，完成EEG信號預處理過程。本文選用db4小波基，對原始EEG信號做6層小波分解，去除噪聲信號后小波逆變換，重構(gòu)睡眠腦電信號。圖3為采集的原始EEG信號小波去噪前后的效果圖。

2.3 特征參數(shù)提取

    樣本熵用來計算時間序列復雜度和統(tǒng)計量化的非線性動力學參數(shù)^[8]，樣本熵值越小，表明序列的復雜度越低；樣本熵值越高，表明序列的復雜度也越高，對時間序列的復雜度變化敏感，能夠較好地對腦電數(shù)據(jù)進行觀測，故本文提取腦電信號的樣本熵值，作為分類算法的輸入值。樣本熵的計算公式如式(1)所示。

    SampEn(m，r，N)中的參數(shù)m和r在整個計算過程中是恒定的，m是窗口的長度，r是匹配過程的公差閾值。一般情況下，選擇m=1或m=2，r=0.1 SD～0.25 SD可以計算出有效的統(tǒng)計特性。本文利用Pearson相關系數(shù)計算樣本熵與初始腦電數(shù)據(jù)的相關性，Pearson相關系數(shù)計算如式(2)所示。

    對比分析得出，選用m=2，r=0.2 SD計算SampEn值最適合。圖4所示為不同睡眠期的SampEn值。

2.4 分期算法

    RF是基于決策樹的組合模型^[9]，與其他分類算法相比(如ANN和SVM)，它的優(yōu)勢在于訓練速度快、精度高、避免過擬合和抗噪性強等。因此，本文利用RF算法對采集到的睡眠EEG進行處理、分析。隨機森林算法框架如圖5所示。

    (1)由樣本量為K的訓練樣本S和獨立同分布的隨機向量θ_k生成一系列的單棵分類器，即h(S，θ_k)；

    (2)隨機森林即為所有決策樹的集合{h(S，θ_k)}；

    (3)每棵h(S，θ_k)都可以參加投票來選擇待判樣本s的類別輸出，如式(3)所示。

式中，I(·)為示性函數(shù)，h_i(s)是單個決策樹歸類結(jié)果，H(s)表征組合歸類結(jié)果，即目標變量Y下s的最終歸類結(jié)果。

    結(jié)合AASM睡眠分期標準，本文分期算法將睡眠階段劃分成5期（Wake期、N1期、N2期、N3期、REM期），通過The CAP Sleep Database數(shù)據(jù)庫(睡眠數(shù)據(jù)每一期都是以30 s為單位進行劃分的)中的實測睡眠EEG數(shù)據(jù)并結(jié)合專家分期來驗證本算法分期結(jié)果的準確性。表1顯示了睡眠各期分類樣本數(shù)。RF算法隨機選取每一睡眠狀態(tài)的80%數(shù)據(jù)(13 410個樣本數(shù))作為訓練集，20%數(shù)據(jù)(3 352個樣本數(shù))作為預測集，通過MATLAB進行仿真，RF分類與專家分期結(jié)果對比如表2所示。

    從表2可以看出，本文所采用的RF算法分類與專家分期結(jié)果基本一致，平均準確率可達到94.91%。RF算法的基礎是bagging，利用Weka程序包結(jié)合Java程序，在智能終端上實現(xiàn)隨機森林算法。

2.5 睡眠評價

    智能終端應用軟件對睡眠腦電數(shù)據(jù)處理、算法分析，實現(xiàn)睡眠自動分期，對睡眠狀態(tài)做出客觀評估，再結(jié)合PSQI量表，與客觀評估形成對比，給出睡眠的綜合評估，使評估結(jié)果更具可信性和說服力。

    軟件分析得出的參數(shù)主要包括：(1)總睡眠時間；(2)睡眠潛伏期；(3)NREM各期及REM占總睡眠時間的百分比；(4)睡眠效率其中T_NREM+REM是NREM和REM時間之和，T是記錄數(shù)據(jù)的時間。

    本文使用Android平臺下的第三方繪圖工具AChartEngine對軟件分析得到的結(jié)果進行繪制，調(diào)用XYMultipleSeriesRenderer getRenderer()方法對坐標系、網(wǎng)格、顏色、標題等參數(shù)進行設置，完成圖表繪制布局；XYMultipleSeriesDataset getDataSet()方法存放解析出來的睡眠EEG數(shù)據(jù)集合，構(gòu)造圖表中的數(shù)據(jù)；最后通過ChartFactory圖表生成的工廠類將數(shù)據(jù)點繪制出來，繪制睡眠分析所得到參數(shù)的柱狀圖和睡眠歷史記錄的折線圖。

3 系統(tǒng)測試

    本文將The CAP Sleep Database數(shù)據(jù)庫中的5名實驗者的睡眠EEG數(shù)據(jù)通過藍牙發(fā)送至本設計的智能終端，用來驗證本系統(tǒng)軟件處理終端是否可行，對每期按照8:2的比例分配訓練樣本和測試樣本。對5名實驗者的睡眠數(shù)據(jù)識別結(jié)果以表格形式進行統(tǒng)計，結(jié)果如表3所示。與標準數(shù)據(jù)庫的專家分組對比發(fā)現(xiàn)，準確率可達91%，證明本系統(tǒng)所使用的方法在智能終端上自動分期是可行的。

    用戶注冊登錄過后，跳轉(zhuǎn)到軟件主頁面，可選擇PSQI進行量測，也可查看以往的睡眠記錄。5名無病理、無異常狀態(tài)志愿者參與在線實驗，年齡分布在23～67之間，實驗是在安靜的睡眠實驗室完成。本文使用一個信號電極、一個參考電極和一個接地電極來采集EEG信號，其中信號電極置于Fpz，接地電極置于Fpz與Fz之間的GND處，參考電極置于Cz處，ADS1299的數(shù)據(jù)采集率設置為250 Hz。評估睡眠過程中的總睡眠時間、睡眠潛伏期、淺睡（N1期和N2期合并）占比、深睡占比、REM占比，然后根據(jù)睡眠總時間所占睡眠記錄時間的比例為基礎給睡眠質(zhì)量進行打分Score，并將評估結(jié)果存儲。圖6所示為1例受試者的整夜睡眠信號監(jiān)測結(jié)果以及一周的睡眠記錄，表4為展示實驗的統(tǒng)計結(jié)果。

    在健康成年人的一夜就寢時間中，N1期近似占2%~10%，N2期近似占45%~50%，N3期約占15%~25%，REM期約占20%~25%。通過圖6分析得出，睡眠各期所占比例都較正常，同時結(jié)合PSQI量表結(jié)果，判斷此受試者睡眠質(zhì)量較好，驗證了本睡眠監(jiān)測系統(tǒng)的有效性。

4 結(jié)束語

    本文設計了一種智能終端的睡眠監(jiān)測系統(tǒng)，能夠采集人體睡眠腦電信號，監(jiān)測睡眠狀態(tài)，為睡眠質(zhì)量打分。首先設計了EEG信號采集設備，利用ADS1299采集高質(zhì)量的睡眠腦電信號，經(jīng)藍牙發(fā)送到智能終端，完成睡眠腦電信號的采集和短距離無線傳輸；同時，搭建了基于智能終端的睡眠腦電信號處理平臺，通過藍牙實時接收睡眠腦電信號并對數(shù)據(jù)處理、分析，實現(xiàn)睡眠自動分期，將腦電數(shù)據(jù)分析結(jié)果與PSQI相結(jié)合，客觀評估睡眠質(zhì)量。通過實驗驗證，證明了所采集的EEG信號質(zhì)量好，分期算法能夠快速準確分期，睡眠質(zhì)量評估方法有效。小型化設計增強了系統(tǒng)的便攜性，快速化算法提高了分期的準確性，能有效擴展系統(tǒng)的應用領域。

參考文獻

[1] FAULKNER S，BEE P.Experiences, perspectives and priorities of people with schizophrenia spectrum disorders regarding sleep disturbance and its treatment: a qualitative study[J].BMC Psychiatry，2017，17(1)：158-175.

[2] 張發(fā)華，舒琳，邢曉芬.頭皮腦電采集技術研究[J].電子技術應用，2017，43(12)：3-8.

[3] MILES H M，DOLS J D，DILEO H A.Improving provider AASM guideline adherence for adult obstructive sleep apnea[J].Journal for Nurse Practitioners，2017，13(6)：277-281.

[4] MARINO M，LI Y，RUESCHMAN M N，et al.Measuring sleep：accuracy，sensitivity，and specificity of wrist actigraphy compared to polysomnography[J].Sleep，2013，36(11)：1747-1755.

[5] 謝宏，李亞男，夏斌，等.基于ADS1299的可穿戴式腦電信號采集系統(tǒng)前端設計[J].電子技術應用，2014，40(3)：86-89.

[6] KALITA S，BOROLE J N，RANE K P.Wireless earthquake alarm system using ATmega328p，ADXL335 and XBee S2[J].International Journal of Engineering Trends and Technology，2014，12(3)：144-148.

[7] Yao Hongbing，Zhao Xingqun.Research and development of wearable electronic glasses based on Bluetooth technology[J].China Medical Devices，2015，30(1)：15-18.

[8] JIE X，CAO R，LI L.Emotion recognition based on the sample entropy of EEG[J]. Bio-medical Materials and Engineering，2014，24(1)：1185-1192.

[9] ZHU H J，JIANG T H，MA B，et al.HEMD：a highly efficient random forest-based malware detection framework for Android[J].Neural Computing and Applications，2017，10(4)：1-9.

作者信息:

趙德春1，方  程2，劉蒙蒙1，李舒粵1

（1.重慶郵電大學 生物信息學院，重慶400065；2.重慶郵電大學 自動化學院，重慶400065）