基于多尺度排列熵的睡眠阶段阈值研究

骆金晨，邹任玲

（上海理工大学医疗器械与食品学院，上海 200093）

0 引言

如今睡眠障碍已成为抑郁症、脑卒中、精神分裂等高发疾病的临床表现之一［1］。研究表明，患有失眠症的患者较健康人的抑郁症患病风险高出10 倍［2］，有超过90% 的抑郁症患者患有睡眠障碍疾病［3］，并且脑卒中患者睡眠障碍的形成会使疾病加重［4］，故进行睡眠阶段脑电相关研究将有助于抑郁症、脑卒中等疾病的早期诊断。根据美国睡眠医学学会（AASM）制定的指南，将睡眠阶段分为W 期、N1 期、N2 期、N3 期和REM 期。脑电信号（Electroencepha⁃logram，EEG）具有明显的非平稳性和非线性特点［5］，近年来，对EEG 信号提取非线性动力学特征以提高睡眠分期识别准确率成为该领域的研究方向之一。其中，具有代表性的研究成果有：Khald 等［6］对睡眠EEG 信号分别提取平均Teager 能量、平均曲线长度以及Hurst 指数特征，经决策树分类器分类得到89.06% 的识别率；Fan［7］通过对睡眠脑电主成分进行分析，并提取多尺度熵，经BPNN 分类得到87.9% 的识别率；杨芳等［8］通过对睡眠脑电信号分别提取脑电能量特征和模糊熵特征，经支持向量机分类得到88.45% 的识别率。

在睡眠阶段分期研究中，研究者主要集中于选择特征向量类别以提高分类准确率，而忽视了对所选特征进行定量分析。多尺度排列熵（Multiscale Permutation Entropy，MPE）作为一种非线性分析方法，对刻画信号复杂度具有良好的适应性，目前已开始应用于人体生理信号、车辆振动等非平稳、非线性信号研究中［9］。因此，本文引入MPE 方法用于睡眠各期阈值研究。

1 实验源数据

本……