睡眠分期是研究睡眠及相關疾病的基礎,是完成睡眠質量評估的前提,具有重要臨床意義。近年來,基于計算機技術的睡眠腦電信號自動分期成為研究熱點,并取得了一些成果。本文介紹了睡眠分期與腦電信號的基礎知識,詳細論述了基于腦電信號的自動睡眠分期研究中的兩個關鍵技術——特征提取和模式識別,比較了小波變換、Hilbert-Huang變換兩種常用的腦電特征提取方法,和人工神經網絡、支持向量機兩類模式識別方法的優缺點及其在睡眠分期中的應用,總結了近幾年該領域的研究現狀和發展趨勢。
引用本文： 高群霞, 周靜, 吳效明. 基于腦電信號的自動睡眠分期研究進展. 生物醫學工程學雜志, 2015, 32(5): 1155-1159. doi: 10.7507/1001-5515.20150205 復制
引言
睡眠醫學作為一門新興的邊緣交叉學科正廣泛受到大家的重視，其研究有助于了解機體重要生理機制，診斷和治療睡眠障礙疾病，以及改善睡眠質量。近年來，一些睡眠研究組織相繼誕生，許多醫院和科研機構成立了專門的睡眠實驗室和睡眠中心，與睡眠醫學相關的著作也應運而生[1]。睡眠醫學無論在基礎研究領域還是學科建設方面均取得了較大進展。
睡眠是一種復雜的生理過程，是機體復原和鞏固的重要環節。隨著現代生活壓力的增大，越來越多的人睡眠受到影響，甚至存在睡眠障礙疾病，許多心血管疾病及精神疾病也與睡眠密切相關。睡眠分期是研究睡眠及相關疾病的基礎，是完成睡眠質量評估的前提。目前，睡眠分期主要通過人工手動判別和計算機輔助自動分期兩種方法實現。人工手動判別需通過睡眠專家的視覺分析來完成，效率低，且易造成誤判。計算機輔助分期是利用現代信號處理技術對睡眠進行自動分期，高效、客觀，是現代睡眠分期研究的主要方法，也是未來的一個挑戰[2]。睡眠腦電圖(electroencephalogram，EEG)是睡眠各階段的電生理記錄，包含重要生理病理信息。通過EEG信號分析研究睡眠是經典方法，有助于客觀評估睡眠質量，以及預防和診斷睡眠相關疾病。
1 睡眠分期與腦電基礎知識
正常人整晚睡眠中經歷著幾種相對穩定的狀態，為更好地描述睡眠，Rechtschaffen和Kales根據睡眠時EEG、眼電圖(electrooculogram，EOG)、肌電圖(electromyography，EMG)的表現，將睡眠分為6期(即R&K準則)：覺醒期(wakefulness，W)、快速眼動睡眠期(rapid eye movement，REM)和4個非快速眼動睡眠期(non-rapid eye movement，NREM)。其中NREM又分為睡眠1期(S1)、睡眠2期(S2)、睡眠3期(S3)和睡眠4期(S4)，睡眠1、2期為淺睡期(LS)，睡眠3、4期為深睡期(也叫慢波睡眠期(SWS))[3]。目前，國際上普遍采用2007年美國睡眠醫學會(American Academy of Sleep Medicine，AASM)修正過的R&K睡眠分期標準，將R&K準則中的S3、S4期合并為一期，并分別用W、R、N1、N2、N3來表示各期[4](如圖 1所示)。成人整個睡眠過程中，NREM和REM交替進行，形成90~120 min的睡眠周期。
圖1
睡眠分期結構圖
Figure1.
Structure diagram of sleep staging
睡眠EEG信號是睡眠各階段的電生理記錄，通常包含δ波、θ波、α波、β波及k復合波(k-complex)、睡眠梭形波(sleep spindle)和鋸齒波(sawtooth wave)，是一種典型的非線性非平穩時變信號，且具有信號微弱、噪聲強、頻率范圍低(0.5~30 Hz)、隨機性強和個體差異大等特點。
2 基于腦電信號的自動睡眠分期研究
1932年以前對EEG信號的研究還停留在主觀水平上，1932年Dietch首先用傅立葉變換分析EEG信號后，相繼引入了頻域分析、時頻分析等方法，有力地推動了EEG信號研究的進展。近年來，混沌、復雜度等非線性動力學理論蓬勃興起，并迅速在睡眠EEG分析中得到應用。
在睡眠EEG信號的研究上，一些研究者通過用睡眠EEG的復雜度[5-6](C0、C1、C2復雜度及Lempel-Ziv復雜度等)、分形維數[7]、關聯維數(D2)[8]、熵值(近似熵[9]、樣本熵[9]、多尺度熵[10]等)、ZCR值[2]、奇異譜分析[11]、獨立成分分析(independent components analysis,ICA)[12]等方法來區別不同睡眠時相。這些新興理論為睡眠EEG自動分期打下了堅實基礎。
基于EEG信號的自動睡眠分期一般過程是“EEG信號采集-預處理-特征提取-模式識別分類-睡眠分期完成”，整個過程中EEG信號特征提取和模式識別分類是實現準確分期的關鍵。
2.1 特征提取方法
常用的特征提取方法有：自回歸模型(AR模型)、功率譜密度估計、小波變換(wavelet transform，WT)、Hilbert-Huang變換(Hilbert-Huang transform，HHT)、混沌法、公共空間模式、新型描述符、多維統計分析等[12]。提取的特征主要有時域特征、頻域特征和非線性動力學特征[13]。由于EEG信號的非線性非平穩性及頻域特征較突出的特點，其分析較適合用非線性、時頻分析方法。近年來，小波變換和HHT兩種時頻分析方法常用于EEG信號頻域特征提取。
小波變換[14]是時間(空間)-頻率的局部化分析，能自動適應時頻信號分析的要求，雖然其適應性較差，且受Heisenberg測不準原理制約，但可對信號進行多尺度細化，實現多分辨率分析。近年來，小波變換在睡眠EEG頻域特征提取上取得了顯著效果。Azim等[15]用離散小波變換(discrete wavelet transform，DWT)和快速傅里葉變換分別提取睡眠EEG信號的時頻和頻域特征，表明離散小波變換效果更好。Khalighi等[16]用最大重疊離散小波變換對6道睡眠EEG和兩道心電特征進行了有效提取，并用支持向量機(support vector machine，SVM)進行特征分類，分類結果達93%。Fraiwan等[17]對比連續小波變換(continuous wavelet transform，CWT)、Choi-Williams分布和HHT提取EEG信號時頻特征的有效性，結果證明連續小波變換更有效。
HHT[18]是最新發展起來的處理非線性非平穩信號的時頻分析方法，雖然其理論發展相對滯后，且存在端點效應、模態混疊等問題，但它通過經驗模態分解和希爾伯特譜兩個步驟，將非線性非平穩數據分解成具有物理意義的一組信號的表示，能很好地用于生物醫學信號處理[19]。當前，HHT已被廣泛用到EEG信號處理中，并獲得了較好效果。近年來有學者將HHT用于睡眠EEG信號分析，也取得了一定效果。Shen等[20]用小波包改進后的HHT分析EEG信號，睡眠分期準確率達87.73%。Liu等[21]用HHT與反向傳播(back propagation，BP)神經網絡結合進行睡眠自動分期，準確率達89.5%。Zhu等[22]對比了HHT和小波變換在睡眠EEG信號處理中的應用，對HHT存在的問題提出了改進方案，并提出用總體經驗模態分解法(ensemble empirical mode decomposition，EEMD)分析EEG信號，效果良好。
2.2 模式識別方法
通過模式識別方法對提取到的特征進行自動分類，便可實現睡眠分期。常用的模式識別方法有：Fisher線性判別、貝葉斯方法、人工神經網絡(artificial neural network，ANN)、SVM等。其中，ANN和SVM是近年來應用較多、效果較好的模式識別分類方法。
ANN是人腦及其活動的一個理論化數學模型，能進行復雜邏輯操作，實現非線性關系，不足之處是泛化能力不夠強，且易陷入局部極小。但由于其應用簡單，分類結果也較準確，許多學者將其用于睡眠自動分期系統中。Tagluk等[23]用ANN對睡眠EEG、EOG和EMG信號特征進行分類，效果較好，證明ANN可用于睡眠分期研究。Ronzhina等[24]對ANN在睡眠分期中的應用做了綜述，論證了ANN用于睡眠分期的可行性和有效性。Hsu等[25]提出了一種遞歸神經網絡進行睡眠自動分期，與前向神經網絡和概率神經網絡相比，其分類結果最好，可達87.2%。
SVM是在統計學習VC理論基礎上發展起來的一種新的機器學習方法，基于結構風險最小化原則，具有良好的泛化能力，但速度較慢，不適合大量數據的處理。由于SVM在解決小樣本、高維數、非線性、局部極小點等問題上效果較好,常被用于睡眠分期研究中。See等[26]對三通道EEG信號的樣本熵和功率譜特征采用SVM分類，準確率達96.2%。2013年較多學者將SVM用于睡眠自動分期中：Huang等[27]用SVM對前額睡眠EEG信號特征進行多級分類，效果較好，可用于家庭睡眠監護；Kempfner等[28]將一對多形式的SVM用于從成年到老年患者的睡眠自動分期研究，通過對EEG和EOG信號特征的識別，睡眠分期準確率達91%；Lee等[29]對比了SVM和ANN對睡眠EEG頻域特征分類的有效性，結果證明SVM能更好地進行睡眠分期，準確率達89.1%；Bajaj等[30]將最小二乘SVM用于睡眠EEG自動分期，準確率達92.93%。
2.3 國內外研究現狀
近年來，已有許多學者致力于睡眠分期研究，但國外進展較好，國內相對滯后，其方法大多是在特征提取和分類問題上有差異。不同特征提取和模式識別分類方法的組合形成了不同睡眠分期方法，效果也各不相同(如表 1所示)，從自動睡眠分期實現難易程度和準確度來看，睡眠分期研究仍有較大進步空間。
表1
基于EEG信號的自動睡眠分期方法對比
Table1.
Comparisons of various automatic sleep staging methods based on EEG signals
3 結論及展望
現代生活中，越來越多的人經受著睡眠及相關疾病的折磨，失眠、嗜睡、睡眠呼吸暫停綜合征等睡眠疾病越來越高發，與這些疾病密切相關的睡眠研究也方興未艾。睡眠分期是研究睡眠及相關疾病的基礎，是完成睡眠質量評估的前提。通過EEG信號處理實現自動睡眠分期，是一種客觀、有效的手段，具有廣闊的應用前景。
小波變換和HHT是提取EEG信號頻域特征的兩種有效方法，前者可對信號進行多分辨率分析，但適應性較差，后者能自適應分離出特征信號，但存在端點效應、模態混疊等問題。ANN和SVM是實 現睡眠自動分期的有利工具，前者能很好地實現非線性映射，但結構較復雜，后者泛化能力較好，但對大規模樣本難以實施。自動睡眠分期中的兩個關鍵問題，有效的特征提取方法和分類方法，仍需研究者們繼續探索。
隨著睡眠監護儀向便攜化、家用化方向發展，只采用單通道EEG信號分析睡眠將成為未來一個發展方向。此外，由于EEG信號采集較為困難，采用心電、脈搏波等易獲得的信號進行睡眠相關事件分析是另一個發展方向。
引言
睡眠醫學作為一門新興的邊緣交叉學科正廣泛受到大家的重視，其研究有助于了解機體重要生理機制，診斷和治療睡眠障礙疾病，以及改善睡眠質量。近年來，一些睡眠研究組織相繼誕生，許多醫院和科研機構成立了專門的睡眠實驗室和睡眠中心，與睡眠醫學相關的著作也應運而生[1]。睡眠醫學無論在基礎研究領域還是學科建設方面均取得了較大進展。
睡眠是一種復雜的生理過程，是機體復原和鞏固的重要環節。隨著現代生活壓力的增大，越來越多的人睡眠受到影響，甚至存在睡眠障礙疾病，許多心血管疾病及精神疾病也與睡眠密切相關。睡眠分期是研究睡眠及相關疾病的基礎，是完成睡眠質量評估的前提。目前，睡眠分期主要通過人工手動判別和計算機輔助自動分期兩種方法實現。人工手動判別需通過睡眠專家的視覺分析來完成，效率低，且易造成誤判。計算機輔助分期是利用現代信號處理技術對睡眠進行自動分期，高效、客觀，是現代睡眠分期研究的主要方法，也是未來的一個挑戰[2]。睡眠腦電圖(electroencephalogram，EEG)是睡眠各階段的電生理記錄，包含重要生理病理信息。通過EEG信號分析研究睡眠是經典方法，有助于客觀評估睡眠質量，以及預防和診斷睡眠相關疾病。
1 睡眠分期與腦電基礎知識
正常人整晚睡眠中經歷著幾種相對穩定的狀態，為更好地描述睡眠，Rechtschaffen和Kales根據睡眠時EEG、眼電圖(electrooculogram，EOG)、肌電圖(electromyography，EMG)的表現，將睡眠分為6期(即R&K準則)：覺醒期(wakefulness，W)、快速眼動睡眠期(rapid eye movement，REM)和4個非快速眼動睡眠期(non-rapid eye movement，NREM)。其中NREM又分為睡眠1期(S1)、睡眠2期(S2)、睡眠3期(S3)和睡眠4期(S4)，睡眠1、2期為淺睡期(LS)，睡眠3、4期為深睡期(也叫慢波睡眠期(SWS))[3]。目前，國際上普遍采用2007年美國睡眠醫學會(American Academy of Sleep Medicine，AASM)修正過的R&K睡眠分期標準，將R&K準則中的S3、S4期合并為一期，并分別用W、R、N1、N2、N3來表示各期[4](如圖 1所示)。成人整個睡眠過程中，NREM和REM交替進行，形成90~120 min的睡眠周期。
圖1
睡眠分期結構圖
Figure1.
Structure diagram of sleep staging
睡眠EEG信號是睡眠各階段的電生理記錄，通常包含δ波、θ波、α波、β波及k復合波(k-complex)、睡眠梭形波(sleep spindle)和鋸齒波(sawtooth wave)，是一種典型的非線性非平穩時變信號，且具有信號微弱、噪聲強、頻率范圍低(0.5~30 Hz)、隨機性強和個體差異大等特點。
2 基于腦電信號的自動睡眠分期研究
1932年以前對EEG信號的研究還停留在主觀水平上，1932年Dietch首先用傅立葉變換分析EEG信號后，相繼引入了頻域分析、時頻分析等方法，有力地推動了EEG信號研究的進展。近年來，混沌、復雜度等非線性動力學理論蓬勃興起，并迅速在睡眠EEG分析中得到應用。
在睡眠EEG信號的研究上，一些研究者通過用睡眠EEG的復雜度[5-6](C0、C1、C2復雜度及Lempel-Ziv復雜度等)、分形維數[7]、關聯維數(D2)[8]、熵值(近似熵[9]、樣本熵[9]、多尺度熵[10]等)、ZCR值[2]、奇異譜分析[11]、獨立成分分析(independent components analysis,ICA)[12]等方法來區別不同睡眠時相。這些新興理論為睡眠EEG自動分期打下了堅實基礎。
基于EEG信號的自動睡眠分期一般過程是“EEG信號采集-預處理-特征提取-模式識別分類-睡眠分期完成”，整個過程中EEG信號特征提取和模式識別分類是實現準確分期的關鍵。
2.1 特征提取方法
常用的特征提取方法有：自回歸模型(AR模型)、功率譜密度估計、小波變換(wavelet transform，WT)、Hilbert-Huang變換(Hilbert-Huang transform，HHT)、混沌法、公共空間模式、新型描述符、多維統計分析等[12]。提取的特征主要有時域特征、頻域特征和非線性動力學特征[13]。由于EEG信號的非線性非平穩性及頻域特征較突出的特點，其分析較適合用非線性、時頻分析方法。近年來，小波變換和HHT兩種時頻分析方法常用于EEG信號頻域特征提取。
小波變換[14]是時間(空間)-頻率的局部化分析，能自動適應時頻信號分析的要求，雖然其適應性較差，且受Heisenberg測不準原理制約，但可對信號進行多尺度細化，實現多分辨率分析。近年來，小波變換在睡眠EEG頻域特征提取上取得了顯著效果。Azim等[15]用離散小波變換(discrete wavelet transform，DWT)和快速傅里葉變換分別提取睡眠EEG信號的時頻和頻域特征，表明離散小波變換效果更好。Khalighi等[16]用最大重疊離散小波變換對6道睡眠EEG和兩道心電特征進行了有效提取，并用支持向量機(support vector machine，SVM)進行特征分類，分類結果達93%。Fraiwan等[17]對比連續小波變換(continuous wavelet transform，CWT)、Choi-Williams分布和HHT提取EEG信號時頻特征的有效性，結果證明連續小波變換更有效。
HHT[18]是最新發展起來的處理非線性非平穩信號的時頻分析方法，雖然其理論發展相對滯后，且存在端點效應、模態混疊等問題，但它通過經驗模態分解和希爾伯特譜兩個步驟，將非線性非平穩數據分解成具有物理意義的一組信號的表示，能很好地用于生物醫學信號處理[19]。當前，HHT已被廣泛用到EEG信號處理中，并獲得了較好效果。近年來有學者將HHT用于睡眠EEG信號分析，也取得了一定效果。Shen等[20]用小波包改進后的HHT分析EEG信號，睡眠分期準確率達87.73%。Liu等[21]用HHT與反向傳播(back propagation，BP)神經網絡結合進行睡眠自動分期，準確率達89.5%。Zhu等[22]對比了HHT和小波變換在睡眠EEG信號處理中的應用，對HHT存在的問題提出了改進方案，并提出用總體經驗模態分解法(ensemble empirical mode decomposition，EEMD)分析EEG信號，效果良好。
2.2 模式識別方法
通過模式識別方法對提取到的特征進行自動分類，便可實現睡眠分期。常用的模式識別方法有：Fisher線性判別、貝葉斯方法、人工神經網絡(artificial neural network，ANN)、SVM等。其中，ANN和SVM是近年來應用較多、效果較好的模式識別分類方法。
ANN是人腦及其活動的一個理論化數學模型，能進行復雜邏輯操作，實現非線性關系，不足之處是泛化能力不夠強，且易陷入局部極小。但由于其應用簡單，分類結果也較準確，許多學者將其用于睡眠自動分期系統中。Tagluk等[23]用ANN對睡眠EEG、EOG和EMG信號特征進行分類，效果較好，證明ANN可用于睡眠分期研究。Ronzhina等[24]對ANN在睡眠分期中的應用做了綜述，論證了ANN用于睡眠分期的可行性和有效性。Hsu等[25]提出了一種遞歸神經網絡進行睡眠自動分期，與前向神經網絡和概率神經網絡相比，其分類結果最好，可達87.2%。
SVM是在統計學習VC理論基礎上發展起來的一種新的機器學習方法，基于結構風險最小化原則，具有良好的泛化能力，但速度較慢，不適合大量數據的處理。由于SVM在解決小樣本、高維數、非線性、局部極小點等問題上效果較好,常被用于睡眠分期研究中。See等[26]對三通道EEG信號的樣本熵和功率譜特征采用SVM分類，準確率達96.2%。2013年較多學者將SVM用于睡眠自動分期中：Huang等[27]用SVM對前額睡眠EEG信號特征進行多級分類，效果較好，可用于家庭睡眠監護；Kempfner等[28]將一對多形式的SVM用于從成年到老年患者的睡眠自動分期研究，通過對EEG和EOG信號特征的識別，睡眠分期準確率達91%；Lee等[29]對比了SVM和ANN對睡眠EEG頻域特征分類的有效性，結果證明SVM能更好地進行睡眠分期，準確率達89.1%；Bajaj等[30]將最小二乘SVM用于睡眠EEG自動分期，準確率達92.93%。
2.3 國內外研究現狀
近年來，已有許多學者致力于睡眠分期研究，但國外進展較好，國內相對滯后，其方法大多是在特征提取和分類問題上有差異。不同特征提取和模式識別分類方法的組合形成了不同睡眠分期方法，效果也各不相同(如表 1所示)，從自動睡眠分期實現難易程度和準確度來看，睡眠分期研究仍有較大進步空間。
表1
基于EEG信號的自動睡眠分期方法對比
Table1.
Comparisons of various automatic sleep staging methods based on EEG signals
3 結論及展望
現代生活中，越來越多的人經受著睡眠及相關疾病的折磨，失眠、嗜睡、睡眠呼吸暫停綜合征等睡眠疾病越來越高發，與這些疾病密切相關的睡眠研究也方興未艾。睡眠分期是研究睡眠及相關疾病的基礎，是完成睡眠質量評估的前提。通過EEG信號處理實現自動睡眠分期，是一種客觀、有效的手段，具有廣闊的應用前景。
小波變換和HHT是提取EEG信號頻域特征的兩種有效方法，前者可對信號進行多分辨率分析，但適應性較差，后者能自適應分離出特征信號，但存在端點效應、模態混疊等問題。ANN和SVM是實 現睡眠自動分期的有利工具，前者能很好地實現非線性映射，但結構較復雜，后者泛化能力較好，但對大規模樣本難以實施。自動睡眠分期中的兩個關鍵問題，有效的特征提取方法和分類方法，仍需研究者們繼續探索。
隨著睡眠監護儀向便攜化、家用化方向發展，只采用單通道EEG信號分析睡眠將成為未來一個發展方向。此外，由于EEG信號采集較為困難，采用心電、脈搏波等易獲得的信號進行睡眠相關事件分析是另一個發展方向。
