烧结焊剂《工业控制计算机》2021年第34卷第3期
李坚年(广东工业大学自动化学院，广东广州510006)
Automatic Classification of Sleep Stages Based on the Features of EEG Signals
摘要：使用机器学习方法进行睡眠分期的研究是脑电信号分析的一个方向。首先讨论了睡眠脑电节律波的特点，从时域以及时频域上提取与睡眠分期相关性高的特征，然后通过随机森林这一集成学习算法，按照AASM的睡眠分期判读规则，设计睡眠分期的多分类器，将睡眠时期分为Wake、N1、N2、N3、REM五个时期，并通过Sleep-EDF数据集测试模型的有效性。 关键词：睡眠分期；脑电信号；随机森林
Abstract押The study of sleep stage scoring using machine learning method is a direction of EEG signal analysis.At first熏this paper discusses the characteristics of Sleep EEG rhythm wave.Then the characteristics with high correlation with sleep stages are extracted from time domain and time frequency domain.Finally熏the random forest algorithm is used to design a sleep staging multiple classifier according to the sleep staging interpretation rules of AASM.The sleep period is divided into
five stages押Wake熏N1熏N2熏N3and REM.The validity of the model is tested by Sleep-EDF data set.
Keywords押sleep stage scoring熏EEG熏random forest algorithm
1研究背景及意义
睡眠是发生在人体内的一个重要的、动态的、有规律的过程，对人的日常活动有着重要的影响，睡眠评分研究是睡眠研究的重要领域之一。脑电信号是直接反映大脑活动的生物电信号，所以以睡眠脑电分析为基础的睡眠活动状态的研究得到越来越多的关注。睡眠分期既可以为研究睡眠本质奠定基础，又可以为睡眠的诊断和提供参考，因此睡眠分期具有重要研究意义[1]。
在早期，研究人员在通过多导睡眠监测仪(PSG)测量出人体在睡眠时候的多种生理信号。然后睡眠专家分析各种生理信号的特征后，依据美国睡眠医学会(American Academy of Sleep Medicine,AASM)制定的规则进行睡眠活动分析，但这种方法的缺点在于依赖专家经验和操作水平，工作量大，耗时长[2]。并且受测者需要连接大量的导线与仪器来获取生理方面的指标，很难有一个放松的睡眠心态，无法反映受试者的真实睡眠生理状态[3]。
环境风洞本文提出一种基于脑电信号的睡眠分期方法，利用数字信号处理技术结合机器学习的方法，对脑电信
号进行预处理以及特征提取，使用随机森林模型进行睡眠阶段分类，按照AASM 的规则，将睡眠分为5期：觉醒期(wakefulness,W)、快速眼动睡眠期(rapid eye movement,REM)和3个非快速眼动睡眠期(non-rapid eye movement,NREM)。有效地解决了人工分析效率低、主观性强以及采集信号对测试者的影响等一系列问题。2数据预处理以及特征提取
本实验以Sleep-EDF Database Expanded数据库的部分数据作为研究对象，利用脑电信号特征值来训练睡眠分期多分类器模型的步骤主要包括：单通道脑电信号提取、信号的预处理、脑电信号的特征提取以及组合、分类器模型的设计。
2.1数据集介绍
本实验使用PhysioNet系统上的Sleep-EDF Database Expanded数据库进行研究，其包含197名受测者的两天的PSG数据，分为SC和ST两个子集，其中SC子集是健康人的数据。在PSG记录的信号中，该数据库的脑电信号分别取自Fpz-Cz和Pz-Oz电极位置，采样率为100Hz，数据按30s进行切片，每段的睡眠阶段按照R&K标准分为:W、N1、N2、N3、N4、REM、MOVEMENT、UNKNOWN[4]。本实验使用部分SC子集共20人的PSG数据进行实验分析，采用Fpz-Cz导联的脑电信号，根据AASM判断规则，合并N3和N4两个时期为N3，并截取睡前到醒后30分钟的睡眠数据。
表1实验数据中每个睡眠时期的数量
2.2滤波器设计
脑电信号是不具备各态历经性的非平稳随机信号[4]，而且其背景噪声也很强，如眼动、电扰动，但是脑电信号较为微弱，只达到uV级。与睡眠相关的主要有如表2所示的几种节律波:
表2与睡眠相关的节律波
在W期，睁眼状态主要表现为β波，闭眼状态表现为α波。N1期表现为皮质锐波。N2期表现为非觉醒相关睡眠梭形波(纺锤波)和K复合波。N3期表现为高波幅低频δ波。REM期表现为锯齿波[5]。
脑电信号微弱，随机性强，且极易受到信号干扰，所以需要对信号进行预处理，消除噪声[3]。从表2可以得知，与睡眠相关的节律波属于低频、微弱的电信号，因此设计8阶的Butter⁃worth低通滤波器预处理脑电信号，截止频率为30Hz。并且对EEG信号数据进行标准化，映射到[-1,1]的区间里面。
2.3特征提取
使用脑电信号进行睡眠分期多分类模型设计的过程中，提取数量足够多以及相关性强的特征值是尤其重要，本实验从时域、时频域中提取了单通道EEG信号的共68个特征作为多分类器模型的输入，其中时域主要包括统计量、过零率以及Hurst 指数。时频域主要是研究单通道脑电信号的Wigner-Ville
分布
103
基于脑电信号的睡眠分期研究
以及离散小波变换，然后提取相应域上的特征量。2.3.1时域特征2.3.1.1统计参量
在参考文献中，一系列统计参量已经作为EEG 的视频特征，主要包括平均值、方差、偏度、峰度，可以用来衡量每段EEG 信号的集中趋势、分散程度、对称程度以及峰值。
AM=1
N
N
n =1∑x
n
平均值,x n 是EEG 信号
V=N
n =1∑(x n -AM )2
N-1方差
SD=
N
n =1
∑
(x n -AM )
√2
N-1标准差S=N
n =1∑(x n -AM )
3
(N-1)SD
3
偏差K=N
n =1
∑(x n -AM )
4
(N-1)SD
4
峰度
2.3.1.2过零率
过零率是统计EEG 信号穿过该段的平均线的次数，该特征发现能够稳健地表征睡眠时期的纺锤波，并已在睡眠研究中的脑电图分析中得到证实。在本实验中，我们对该特征的计算进行改进，由于每段EEG 的信号是30s ，为了屏蔽外部干扰的影响，利用滑动窗口的方法，每10s 进行计算平均值，然后统计每个窗口内的过零率的和，有效地减少了肌电的干扰。2.3.1.3Hurst 指数
Hurst 指数取值范围为[0,1]，不需要通常概率统计学的独立随机事件假设，它反映的是一长串相互联系事件的结果，刻画一个时间序列的长记忆性。当用于分析EEG 信号时，可以表征脑电图的非平稳特性，其公式如下:
吸湿剂H=
log R S ()
log (T )
其中,T 是EEG 的信号的时长。R (n )是n 个观测点的变化范
围,S (n )是EEG 信号的标准差,R /S 是以标准差重新标度过的范围，称为重标极差。H 的取值范围在0和1之间。当H=1/2时，该时间序列没有相关性。当H>1/2时，该时间序列有长记忆性；当H<1/2时，该时间序列表现出反持续性，因此它表现出比纯随机更强的波动。2.3.2时频域分析
2.3.2.1Wigner-Ville 分布
Wigner-Ville 分布是一个时频分布，常用于分析随时间变化的信号。傅立叶变换对于研究稳态穴时间独立雪的信号是一项非常有用的工具，然而,EEG 信号一般来说在时间上并非是独立的，这样波形傅立叶变换并无法有效地完全分析其特性，对于一个非稳态的信号完全分析需要测量出时间以及频率上的表现。Wigner-Ville 分布可以看成信号的瞬时对称相关函数的傅里叶变换。火漆印章头如何自制
W x (t ,w )=+∞
t=-∞∑f t+
t 02(
插卡音箱方案)f ∗t-t
02
()
e -jt w dw 0W (t ,w )是
f (t )信号在时间t 和频率f 下的能量谱,w=2πf 。
f t+
t 02(
)f ∗t-t
02
()
是信号f (t )的瞬时自相关函数，瞬时自相关函数是一个二元函数，自变量对应的就是信号的时间轴，因变量表示信号的自相关函数的时延，瞬时自相关函数隐含了瞬时频率的信息，直观上就是频率越高的信号随t 的增加，自相关值下降得越快。对EEG 信号进行Wigner-Ville 分布转换，从得到的时频域平面中提取特征。
2.3.2.2离散小波变换
离散小波变换是一种为了克服非平稳信号傅里叶变换的不足而开发的变换方法，该方法对噪声较不敏感，易于应用于非平稳信号EEG 分析中，离散小波变换是对连续小波变换的尺度、位移进行离散化得到的。经典的傅里叶变换可以反映出信号的整体内涵，但表现形式往往不够直观，并且噪声会使得信号频谱复杂化。小波分解的意义就在于能够在不同尺度上对信号进行分解。离散小波变换的公式如下:
DWT (j ,k )=
1
2
j
√
+∞-t
∫
x (t )ψt-2j
k
2
j
(
)
dt 其中,x (t )是EEG 信号,ψ是小波基函数。小波变换的分解层数是根据信号的主频分量进行选择的,EE
G 信号的有用信息主要包含在0~30Hz 的频段里，因此选择分解层数为6。当分解层数小于6时，信号的低频灵敏度将会丢失。因此得到D1~D6的离散小波分解，以及近似表达A6。小波基函数选择使用Daubechies 小波。然后计算小波分解后各层的统计特征。猿集成学习模型
集成学习模型是监督学习的一种机器学习算法，与其它监督学习模型不同，集成学习着重于将训练集划分为各种子集或者权重变换后，用较弱的基模型进行拟合，然后综合若干个基模型的预测作为最终整体结果。主要有两种集成学习算法，一种是Bagging 算法，将若干个基模型在若干个训练子集上进行互相独立的分别训练，在预测时一次综合基模型的结果,Bagging 算法主要关注于降低方差，即通过多次重复训练提高稳定性，著名的算法主要有随机森林(Random Forrest )；另一种是Boosting 算法，按照迭代的顺序逐个训练基模型，在每次训练后都进行模型测试，然后根据测试结果调整下一轮基模型训练时所采用的训练数据的权重，最后预测时仍使用所有的子模型得到最终结果，著名的算法有AdaBoost 算法。3.1随机森林模型
随机森林在训练过程中对训练集进行随机抽样，分别进行训练后形成若干个小的决策树，分类问题的预测通过这些基决策树的投票进行完成。由于通过随机采样，每个弱模型只训练部分样本数据，每个基模型的决策树之选用数据特征中的一部分进行训练和预测，随机森林具有样本裁剪以及特征裁剪的特点。3.2实验模型设计
本实验中，随机森林的弱模型选择为决策树，设置共20个评估器，每棵树的深度最大为45，使用有放回采样(bootstrap )手段,20倍的交叉校验，采用One-Vs-All 的多目标类型预测，其模型训练的各个睡眠时期的ROC 曲线以及混淆矩阵如图1、图2所示。
图1训练过程各个睡眠时期的ROC 曲
线
(下转第107页)
104
《工业控制计算机》2021年第34卷第3期
(上接第104页)
图2数据集30倍交叉校验的混淆矩阵
从图2可以看出，在30倍交叉校验的实验中，本模型的准确率达到84.3%，对Wake 、N2、N3、REM 的判别表现较好。但是，由于数据集中各个睡眠阶段的数量呈现出不平衡的状况，尤其N1时期的数据
量最小，并且N1时期的脑电受肌电、眼电等干扰较为严重，因此模型对N1阶段表现出欠拟合的现象，准确率以及召回率都比较低。4结束语
本文研究了基于脑电信号的睡眠分期分类器的设计，主要工作步骤为：数据预处理、时域和时频域脑电信号特征提取，以及使用随机森林方法算法训练睡眠分期多分类器。从实验数据测试结果可以看出，分类器对于Wake 、N2、N3、REM 的判别性
能表现良好，但对N1时期的判别性能有待进一步优化。
参考文献
[1]王怡.睡眠信号自动分期的深度学习算法研究[D ].重庆：重庆邮电大学,2020[2]刘跃雷.一种新的人睡眠EEG 自动分期方法研究[D ].兰州：兰州大礼花发射器
学,2010
[3]林少倩.基于脑电信号的睡眠自动分期研究[D ].杭州：浙江工业大学,2020
[4]Stephansen Jens B熏Olesen Alexander N熏Olsen Mads熏et al.
Neural network analysis of sleep stages enables efficient di⁃agnosis of narcolepsy [J ].Nature Communications熏2018熏9穴1雪押5229[5]Sen Baha熏Peker Musa熏覶avusoglu Abdullah熏et al.A compar⁃
ative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms
[J ].Journal of Medical System熏2014熏38穴3雪押18[收稿日期:2020.12.30
]
避免(CSMA )机制，若两个标签同时测距，会导致射频冲突。由于采用对称双向双边测距的方式，根据配置不同，其测距持续的时间也不同，如表1所示，无论采用哪种速率，测距需时间均满足系统实际需求。
表1速率与测距时间测试
4.2智能控制模式测试
测试支洞隧道总长约5km ，具有7段单行车道隧道，根据现场情况，沿隧道每隔100m 一个安装室外U
WB ，配置基于UWB 的智能交通系统。测试结果表面：该智能交通系统在隧道内运行良好，其中该系统中的车辆定位系统不仅为智能控制算法提供车载标签的ID 、位置等信息，还对行驶的车辆进行速度检测。如图7所示，在4#隧道单行车道中，测试车辆3低速出洞，出洞方向红绿灯均为绿灯，在4#隧道单行车道进口红绿灯变红，控制反向行驶车辆进入隧道单行车道，保证测试车辆3行
车安全。
图7智能控制模式测试
5结束语
本文设计了一种基于UWB 定位技术的隧道智能交通系统，提高了隧道运输车辆的工作效率，有助于整个隧道掘进速度。该系统包含车辆定位系统和智能红绿灯控制系统：车辆定位系统采用基于TOF 的UWB 对称双边双向测距原理，对隧道内行驶车辆进行定位；智能红绿灯控制系统结合车辆定位信息，根据有效算法，实现红绿灯智能控制。现场测试表明：设计的一种基于UWB 定位技术的隧道智能交通系统通讯稳定，收发数据时间短，现场运行良好，可以广泛应用于隧道施工、交通运输等行业。
参考文献
[1]李伟杰，戴亚文，唐雨，等.基于UWB 的地铁隧道定位系统设计[J ].
计算机测量与控制,2019,27(8):198-200
[2]张士兵，张力军.超宽带无线通信及其关键技术[J ].电讯技术,2004,44(5):1-6
[3]唐春玲，孙明刚.基于无线定位技术的煤矿井下人员定位系统研究[J ].煤炭技术,2014,33(1):116-118[4]顾慧东，焦良葆，等.室内UWB 通信高精度定位系统设计[J ].软件导刊,2020(4):159-163
[5]李小亭，郎月新，等.基于改进双向双边测距的超宽带定位技术及应用研究[J ].中国测试,2017,45(10):21-27[6]张鲲，沈重，王咸鹏，等.一种基于UWB 的对称双边双程测距优化算
法:CN 110072188A [P ].2019-07-30
[收稿日期:2020.12.27
]
图6智能控制模
式
107
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议