0 引言

    睡眠是人類一項(xiàng)最基本的生理活動(dòng)之一，對(duì)人的健康至關(guān)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(guān)領(lǐng)域的研究已經(jīng)成為人們研究的一個(gè)熱點(diǎn)。

    睡眠質(zhì)量一般可通過腦電、心電、眼電、肌電、體動(dòng)、脈搏波等信號(hào)來進(jìn)行客觀評(píng)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(cè)方法^[2]。睡眠分期是研究睡眠的基礎(chǔ)，是睡眠質(zhì)量評(píng)估至關(guān)重要的步驟。睡眠分期準(zhǔn)則普遍采用美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)(American Academy of Sleep Medicine，AASM)的標(biāo)準(zhǔn)，AASM準(zhǔn)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(cè)主要采用多導(dǎo)睡眠圖，通過記錄腦電圖、眼電運(yùn)動(dòng)、肌肉活動(dòng)、呼吸信號(hào)等多個(gè)特征參數(shù)來完成睡眠監(jiān)測(cè)^[4]，但是信號(hào)采集普遍由多電極組成，體積龐大，設(shè)計(jì)復(fù)雜，無(wú)法滿足便攜性；市場(chǎng)上睡眠監(jiān)測(cè)設(shè)備也層出不窮，多數(shù)是基于睡眠姿態(tài)進(jìn)行分期，雖然便于使用，但無(wú)標(biāo)準(zhǔn)的睡眠分期準(zhǔn)則，在準(zhǔn)確性方面遠(yuǎn)未達(dá)到臨床要求的睡眠分期精度。所以，研究一種便攜性較好、準(zhǔn)確性較高的睡眠監(jiān)測(cè)系統(tǒng)具有重要的意義和價(jià)值。為了同時(shí)兼顧便攜性和準(zhǔn)確性，本文設(shè)計(jì)了一套能夠采集人體睡眠腦電信號(hào)，并在智能終端上實(shí)時(shí)記錄和顯示睡眠質(zhì)量的系統(tǒng)。

1 總體設(shè)計(jì)

    系統(tǒng)框架圖如圖1所示，包括信號(hào)采集模塊、智能終端2部分。信號(hào)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(shì)測(cè)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(shè)，并且支持多種串行通信接口，如USART、SPI、2-wire。選用HM-16藍(lán)牙芯片，HM-16采用Cypress公司的CYBL系列芯片，遵循V4.1 BLE藍(lán)牙協(xié)議，傳輸速率快，使用靈活。信號(hào)采集模塊主要完成腦電信號(hào)的采集和傳輸工作，ATmega328P通過SPI接口配置ADS1299，使能ADS1299對(duì)輸入的模擬信號(hào)采樣并保存ADS1299的數(shù)字化結(jié)果，再通過UART口配置藍(lán)牙模塊并發(fā)送數(shù)據(jù)，實(shí)時(shí)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(jìn)行處理和分析。

    本文主要分析智能終端軟件的設(shè)計(jì)，完成的功能包括藍(lán)牙通信、數(shù)據(jù)接收并做數(shù)據(jù)處理、算法實(shí)現(xiàn)睡眠自動(dòng)分期、評(píng)估結(jié)果顯示和存儲(chǔ)。通過智能終端上的藍(lán)牙設(shè)備搜索HM-16并建立連接，進(jìn)行數(shù)據(jù)傳輸，解析數(shù)據(jù)格式，并對(duì)數(shù)據(jù)處理、算法分析，從而實(shí)現(xiàn)睡眠自動(dòng)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(píng)價(jià)睡眠質(zhì)量；最后將評(píng)價(jià)結(jié)果實(shí)時(shí)地顯示在Android手機(jī)上以便用戶了解自己的睡眠情況。

2 智能終端軟件設(shè)計(jì)與實(shí)現(xiàn)

2.1 數(shù)據(jù)傳輸模塊

    藍(lán)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(fù)責(zé)控制設(shè)備訪問模式，用于藍(lán)牙設(shè)備的發(fā)現(xiàn)、連接、初始化管理等參數(shù)^[7]。GATT層負(fù)責(zé)設(shè)備之間的數(shù)據(jù)通信。本系統(tǒng)中，Android手機(jī)端代表主機(jī)，HM-16設(shè)備代表從機(jī)，UART口通信波特率為115 200 Baud，在數(shù)據(jù)傳輸前，進(jìn)行設(shè)備的認(rèn)證，首先手機(jī)端發(fā)送搜索請(qǐng)求，掃描正在廣播的HM-16設(shè)備，若GAP服務(wù)的UUID匹配成功，則請(qǐng)求成功；接著手機(jī)端向HM-16設(shè)備發(fā)送連接請(qǐng)求，HM-16設(shè)備正確應(yīng)答則認(rèn)證成功，建立連接。

    Android手機(jī)與HM-16建立連接后，發(fā)送主服務(wù)UUID，主服務(wù)UUID匹配正確后，發(fā)送相應(yīng)數(shù)據(jù)操作“特性”的UUID，獲取GATT數(shù)據(jù)服務(wù)，從而進(jìn)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(hào)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(hào)和抑制肌電噪聲的干擾。小波去噪過程是用實(shí)際信號(hào)與高低頻濾波矩陣進(jìn)行卷積運(yùn)算后進(jìn)行采樣，從而得到不同頻段的小波系數(shù)，然后對(duì)小波系數(shù)閾值化處理，最后逆變換重構(gòu)睡眠腦電信號(hào)。在智能終端中使用Java語(yǔ)言編寫對(duì)應(yīng)的卷積、采樣、信號(hào)延拓等基本的類實(shí)現(xiàn)小波變換算法，完成EEG信號(hào)預(yù)處理過程。本文選用db4小波基，對(duì)原始EEG信號(hào)做6層小波分解，去除噪聲信號(hào)后小波逆變換，重構(gòu)睡眠腦電信號(hào)。圖3為采集的原始EEG信號(hào)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(jì)算時(shí)間序列復(fù)雜度和統(tǒng)計(jì)量化的非線性動(dòng)力學(xué)參數(shù)^[8]，樣本熵值越小，表明序列的復(fù)雜度越低；樣本熵值越高，表明序列的復(fù)雜度也越高，對(duì)時(shí)間序列的復(fù)雜度變化敏感，能夠較好地對(duì)腦電數(shù)據(jù)進(jìn)行觀測(cè)，故本文提取腦電信號(hào)的樣本熵值，作為分類算法的輸入值。樣本熵的計(jì)算公式如式(1)所示。

    SampEn(m，r，N)中的參數(shù)m和r在整個(gè)計(jì)算過程中是恒定的，m是窗口的長(zhǎng)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(jì)算出有效的統(tǒng)計(jì)特性。本文利用Pearson相關(guān)系數(shù)計(jì)算樣本熵與初始腦電數(shù)據(jù)的相關(guān)性，Pearson相關(guān)系數(shù)計(jì)算如式(2)所示。

    對(duì)比分析得出，選用m=2，r=0.2 SD計(jì)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(shì)在于訓(xùn)練速度快、精度高、避免過擬合和抗噪性強(qiáng)等。因此，本文利用RF算法對(duì)采集到的睡眠EEG進(jìn)行處理、分析。隨機(jī)森林算法框架如圖5所示。

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

    (2)隨機(jī)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(gè)決策樹歸類結(jié)果，H(s)表征組合歸類結(jié)果，即目標(biāo)變量Y下s的最終歸類結(jié)果。

    結(jié)合AASM睡眠分期標(biāo)準(zhǔn)，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(kù)(睡眠數(shù)據(jù)每一期都是以30 s為單位進(jìn)行劃分的)中的實(shí)測(cè)睡眠EEG數(shù)據(jù)并結(jié)合專家分期來驗(yàn)證本算法分期結(jié)果的準(zhǔn)確性。表1顯示了睡眠各期分類樣本數(shù)。RF算法隨機(jī)選取每一睡眠狀態(tài)的80%數(shù)據(jù)(13 410個(gè)樣本數(shù))作為訓(xùn)練集，20%數(shù)據(jù)(3 352個(gè)樣本數(shù))作為預(yù)測(cè)集，通過MATLAB進(jìn)行仿真，RF分類與專家分期結(jié)果對(duì)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(zhǔn)確率可達(dá)到94.91%。RF算法的基礎(chǔ)是bagging，利用Weka程序包結(jié)合Java程序，在智能終端上實(shí)現(xiàn)隨機(jī)森林算法。

2.5 睡眠評(píng)價(jià)

    智能終端應(yīng)用軟件對(duì)睡眠腦電數(shù)據(jù)處理、算法分析，實(shí)現(xiàn)睡眠自動(dòng)分期，對(duì)睡眠狀態(tài)做出客觀評(píng)估，再結(jié)合PSQI量表，與客觀評(píng)估形成對(duì)比，給出睡眠的綜合評(píng)估，使評(píng)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(shí)間；(2)睡眠潛伏期；(3)NREM各期及REM占總睡眠時(shí)間的百分比；(4)睡眠效率其中T_NREM+REM是NREM和REM時(shí)間之和，T是記錄數(shù)據(jù)的時(shí)間。

    本文使用Android平臺(tái)下的第三方繪圖工具AChartEngine對(duì)軟件分析得到的結(jié)果進(jìn)行繪制，調(diào)用XYMultipleSeriesRenderer getRenderer()方法對(duì)坐標(biāo)系、網(wǎng)格、顏色、標(biāo)題等參數(shù)進(jìn)行設(shè)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(diǎn)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(cè)試

    本文將The CAP Sleep Database數(shù)據(jù)庫(kù)中的5名實(shí)驗(yàn)者的睡眠EEG數(shù)據(jù)通過藍(lán)牙發(fā)送至本設(shè)計(jì)的智能終端，用來驗(yàn)證本系統(tǒng)軟件處理終端是否可行，對(duì)每期按照8:2的比例分配訓(xùn)練樣本和測(cè)試樣本。對(duì)5名實(shí)驗(yàn)者的睡眠數(shù)據(jù)識(shí)別結(jié)果以表格形式進(jìn)行統(tǒng)計(jì)，結(jié)果如表3所示。與標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)的專家分組對(duì)比發(fā)現(xiàn)，準(zhǔn)確率可達(dá)91%，證明本系統(tǒng)所使用的方法在智能終端上自動(dòng)分期是可行的。

    用戶注冊(cè)登錄過后，跳轉(zhuǎn)到軟件主頁(yè)面，可選擇PSQI進(jìn)行量測(cè)，也可查看以往的睡眠記錄。5名無(wú)病理、無(wú)異常狀態(tài)志愿者參與在線實(shí)驗(yàn)，年齡分布在23～67之間，實(shí)驗(yàn)是在安靜的睡眠實(shí)驗(yàn)室完成。本文使用一個(gè)信號(hào)電極、一個(gè)參考電極和一個(gè)接地電極來采集EEG信號(hào)，其中信號(hào)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(shè)置為250 Hz。評(píng)估睡眠過程中的總睡眠時(shí)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(shí)間所占睡眠記錄時(shí)間的比例為基礎(chǔ)給睡眠質(zhì)量進(jìn)行打分Score，并將評(píng)估結(jié)果存儲(chǔ)。圖6所示為1例受試者的整夜睡眠信號(hào)監(jiān)測(cè)結(jié)果以及一周的睡眠記錄，表4為展示實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果。

    在健康成年人的一夜就寢時(shí)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(shí)結(jié)合PSQI量表結(jié)果，判斷此受試者睡眠質(zhì)量較好，驗(yàn)證了本睡眠監(jiān)測(cè)系統(tǒng)的有效性。

4 結(jié)束語(yǔ)

    本文設(shè)計(jì)了一種智能終端的睡眠監(jiān)測(cè)系統(tǒng)，能夠采集人體睡眠腦電信號(hào)，監(jiān)測(cè)睡眠狀態(tài)，為睡眠質(zhì)量打分。首先設(shè)計(jì)了EEG信號(hào)采集設(shè)備，利用ADS1299采集高質(zhì)量的睡眠腦電信號(hào)，經(jīng)藍(lán)牙發(fā)送到智能終端，完成睡眠腦電信號(hào)的采集和短距離無(wú)線傳輸；同時(shí)，搭建了基于智能終端的睡眠腦電信號(hào)處理平臺(tái)，通過藍(lán)牙實(shí)時(shí)接收睡眠腦電信號(hào)并對(duì)數(shù)據(jù)處理、分析，實(shí)現(xiàn)睡眠自動(dòng)分期，將腦電數(shù)據(jù)分析結(jié)果與PSQI相結(jié)合，客觀評(píng)估睡眠質(zhì)量。通過實(shí)驗(yàn)驗(yàn)證，證明了所采集的EEG信號(hào)質(zhì)量好，分期算法能夠快速準(zhǔn)確分期，睡眠質(zhì)量評(píng)估方法有效。小型化設(shè)計(jì)增強(qiáng)了系統(tǒng)的便攜性，快速化算法提高了分期的準(zhǔn)確性，能有效擴(kuò)展系統(tǒng)的應(yīng)用領(lǐng)域。

參考文獻(xiàn)

[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(shù)研究[J].電子技術(shù)應(yīng)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(hào)采集系統(tǒng)前端設(shè)計(jì)[J].電子技術(shù)應(yīng)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(xué) 生物信息學(xué)院，重慶400065；2.重慶郵電大學(xué) 自動(dòng)化學(xué)院，重慶400065）