基于多特征融合的睡眠分期

熊馨 罗剑花 王春武 易三莉 刘瑞湘 贺建峰

0 引言

睡眠是人体中不可缺少的一种生理活动，睡眠质量的好坏直接影响人的健康、工作和情绪。因此，睡眠分期的研究对睡眠障碍及相关疾病的诊断和睡眠质量的评估具有重要的意义。目前国际上通用的睡眠分期原则是R&K(Rechtschaffen和Kales)的分期准则[1]，将睡眠分为清醒期(wake，W)、非快速眼动期(no-rapid eye movement，NREM)和快速眼动期(rapid eye movement，REM)，其中非快速眼动期又分为N1期、N2期和N3期。

睡眠分期包括数据采集、预处理、特征提取和分类4个过程，其中，特征提取的方法对分类结果具有重大影响，因此特征提取在睡眠分期过程中至关重要。针对睡眠生理信号的特性，有时域、频域、时频域和非线性特征提取方法。时域方法包括方差分析等，频域方法包括功率谱估计等，而时频(小波包变换等)分析方法把时域和频域结合起来，可以描述出脑电(electroencephalogram，EEG)、肌电(electromyogram，EMG)、眼电(electro-oculogram,EOG)等在时间和频率上的能量和谱密度[2]。非线性分析方法为提取EEG、心电(electrocardiogram，ECG)等的非线性特征开辟了新途径，常用的非线性分析方法有样本熵、模糊熵、最大Lyapunov指数和去趋势波动等[3-4]。

程佳[5]采用小波、小波包、功率谱熵和多尺度熵的方法，证明这些方法可用于睡眠分期；唐其彪[6]运用小波包、样本熵和模糊熵的方法，睡眠分期的平均准确率达到91.4%；郑声涛等[7]将小波包能量用于睡眠分期，发现脑电节律是研究睡眠分期的关键环节。然而上述这些研究仅仅在健康被试中进行了验证，并没有在睡眠障碍患者中验证算法的性能。……