基于脑电波的便携式睡眠质量监测系统.docx

基于脑电波的便携式睡眠质量监测系统.docx

《基于脑电波的便携式睡眠质量监测系统.docx》由会员分享，可在线阅读，更多相关《基于脑电波的便携式睡眠质量监测系统.docx（13页珍藏版）》请在冰豆网上搜索。

基于脑电波的便携式睡眠质量监测系统

基于脑电波的

便携式睡眠质量监测系统

金旭扬

导师：

华东理工大学信息学院万永菁

中学信息学科组吴奕明

摘要

睡眠是人体重要的生理活动，睡眠质量近年来受到高度关注；本文从脑电波角度探寻睡眠监测的有效易行方法，从软硬件角度设计了便携式睡眠质量监测系统。

研究分析便携式脑电采集设备采集的数据和CAP睡眠脑电数据库，用功率谱分析和BP神经网络探究了睡眠分期的有效算法。

实验进行了初步的睡眠分期与质量评估，证明了便携式睡眠质量监测系统的准确性与利用脑电数据进行睡眠分期的有效性。

本课题研究，提出了利用单导连脑电信号进行睡眠分期的可行性，为之后研究便携式、市场化的睡眠监测设备以与其他应用提供了重要的实验参考依据。

关键词：

脑电；脑机接口；睡眠监测；睡眠分期；BP神经网络

一、引言

1.1睡眠质量研究背景与意义

睡眠是一种重要的生理现象。

从生到死，人类始终是在觉醒和睡眠中度过。

人类通过高质量的睡眠，可以消除疲劳，更好地恢复精神和体力，使人在睡眠之后保持良好的觉醒状态，提高工作、学习效率。

人类用于睡眠的时间占人一生中的三分之一。

然而迄今我们对这一重要的生理现象的认识还微乎其微，对睡眠进行科学的研究只有短短的几十年历史。

1937年，Lomis、Harvey和Hobart注意到，睡眠不是处于一种稳定状态，而是要发生一系列非常有规律的周期性变化。

[1]

1986年，Rechtschaffen等人重新肯定了Dement和Kleitman的分期标准，并根据十年来的经验作了一些必要的修改和补充，使之更趋完善。

[2]

2007年，美国睡眠医学会基于上述标准进行改进，发布了新的睡眠分期专业标准，其中规定了各个指标具体的采集标准与判定方法。

[3]

1.2脑电信号分析方法综述

随着电子技术的发展，数字处理技术逐步应用到EEG的分析中来。

经典的EEG分析方法有：

以分析EEG波形的几何性质，如幅度、均值、峭度等为主的时域分析方法和以分析EEG各频率功率、相干等为主的领域方法。

早在70年代初，W.C.Yeo和J.P.Smith[4]就应用Walsh谱分析离线地研究了一个处于睡眠状态的男性的三段脑电图。

R.D.Larsen等[5]应用Walsh顺序的Walsh函数对EEG进行展开，并定义了双值自相关函数，尔后讨论了可以按双值自相关函数来显示各种睡眠EEG的特征。

1982年，美国物理学家Hopfield提出了HNN模型，从而有力地推动了应用神经网络方法解释许多复杂生命过程的进展。

自八十年代末以来，人工神经网络的应用已涉与到了脑电分析的各个方面，其中包括自发脑电的睡眠分级与睡眠EEG分析。

S.Roberts和L.Tarassenko[6,7]把人工神经网络应用于睡眠EEG的自动分析。

他们采用无监督学习网络对大量没有经过人工判别的数据进行自组织分类，少量的经过人工判别的标准样本则用来自组织分类结果做解释和量化，从而在网络中形成了8个聚类区。

根据EEG在8个聚类区之间随时间运动的轨迹可以对一夜的睡眠状况有定性的了解。

[8]

1.3脑电监测设备介绍

目前，脑电监测设备大致有二：

一为大型的、医院专用的多导睡眠监测系统。

这种系统需要测量多导连的脑电图、眼电图、肌电图、口鼻气流、呼吸运动、血氧饱和度等众多指标，且有严格的判定规则、需要专业知识。

[3]

二为便携式脑机接口设备。

此类设备通常体积小、使用方便、成本也较低，测量的脑电图多为单导连，但由于获取的数据用途较为单一，可以很好地完成睡眠监测的任务。

[9]

1.4课题研究目标

本课题利用便携式脑电波采集设备实时获取脑电数据，并且与终端设备通讯实时存储、分析数据。

利用Windows、Android等移动平台下编写的软件实现此功能，实现人体的睡眠监控。

二、方法和假设

2.1系统软硬件平台的基本架构

2.1.1睡眠质量监测系统的硬件组成

用于采集数据的设备是宏智力公司出品的Brainlink意念力头箍，它采用基于Neurosky芯片平台的Thinkgear芯片，主要用于检测脑电信号。

实验采用手机（Android）系统和电脑（Windows）系统作为采集终端。

图2-1睡眠质量监测系统框图

图2-2宏智力公司出品的Brainlink意念力头箍

2.1.2睡眠质量监测系统的数据采集方式

NeuroSky的脑电波采集设备较为轻便，只有前额、左耳垂两个电极（一导连）。

设备采用AAA电池供电，根据介绍续航能力有8小时（若再并联一颗电池可以更长），没有传统脑电采集中与脑电频段接近的50Hz工频交流干扰信号。

设备采用无线蓝牙连接，更有利于睡眠时数据的传输；耳垂采用导电夹，容易固定；利用心电图电极片改装前额电极，也可以弥补原本接触不良的缺点。

为了完成单向传输数据的目的，使用的蓝牙模拟串口（发送）芯片能耗低、续航能力强、编程较为简易。

接收端可以是任何蓝牙4.0设备，只需一次配对后就可自动连接，对于手机、电脑硬件的要求不高。

初步测试时，采集使用的是MicrosoftWindows平台，使用Neurosky提供的API接口，在VisualC++上编写简单的程序即可完成数据的存盘。

采样频率约为513.5Hz，远高于脑电信号的最高有效频率30Hz的两倍，符合采样定理。

图2-3Windows7下的采集、分析软件

利用Neurosky提供的AndroidAPI接口，在Android平台下的脑电波预览、采集工作也得以完成，程序可以在后台运行，并且将采样数据即使存盘，在实际使用过程中更为方便，也省去了用电脑建立连接、定义接口的繁杂步骤，适合移动平台。

图2-4Android下的采集、预览软件

2.2基于脑电信号的睡眠质量监测方法

2.2.1脑电信号预处理方法

脑电波在时域上属于非平稳随机信号，实验中采集的脑电波只有一导连，因此信号不稳定、噪波严重。

需要经过初步的低通数字滤波预处理。

为方便起见，频率衰减带上限取到高于脑电波分析中有效频率30Hz的50Hz。

数字滤波器包括有限冲激响应（FIR）滤波器和无限冲激响应（IIR）滤波器两大类。

FIR滤波器可以得到严格的线性相位，相比IIR需要采用较高的阶数（约是IIR的五至十倍），但软件实现方便。

[10]

假设FIR滤波器的单位冲击响应h（n）为一个长度为N的序列，那么滤波器的系统函数为：

（2-1）

上式的差分形式为：

（2-2）

由于理想滤波器在边界频率处不连续，故其时域信号hd（n）一定是无限时宽的，无法实现。

因此，需要把具有理想线性相位特性的滤波器曲线用窗函数截取：

（2-3）

这种设计思想称为窗函数设计法。

其中，常用的汉明窗（HammingWindow）函数如下：

（2-4）

幅值函数为：

（2-5）[11]

使用Matlab的fir1工具设计300点的FIR低通滤波器，采用汉明窗，以512Hz作为采样频率，50Hz作为率减带，得到的滤波器幅频响应曲线如下：

图2-5300点低通滤波器幅频响应曲线

（采用归一化角频率，2π即为实际采样频率的512Hz）

2.2.2脑电信号的频域分析

脑电波按频率从高到低划分依次为：

β波（14~30Hz），α波（8~14Hz），θ波（4~8Hz），δ波（0.5~4Hz）。

脑电波

频率围

精神状态

β波

14~30Hz

运动感觉节律，放松可集中注意力，有协调性，思考，对于自我和周围环境意识清楚机警，激动

α波

8~14Hz

放松但不困倦，安静，有意识

θ波

4~8Hz

直觉的，回忆的，幻想，想象，浅睡

δ波

0.5~4Hz

深度睡眠，非快动眼睡眠，无意识

表2-1脑电波的频段划分以与不同类型脑电波所反映出的脑部精神状态[12]

离散时间序列x（n）的傅立叶（FourierTransform）变换是：

（2-6）

如已知随机信号x（n）的自相关函数r（k），那么功率谱密度函数就定义为：

（2-7）

功率谱函数的另一定义是：

（2-8）

理论上，离散信号处理方法对有限带宽的信号能做准确分析，但有限带宽信号在时域上是无限长的，只取其中有限长的一段进行傅立叶变换，相当于在原信号上加了矩形窗运算。

加窗在频域上，对原功率谱起到了平滑的作用。

（2-9）[13]

其中，w（n）表示窗口函数。

常用的窗有三角窗、汉宁窗、汉明窗、布莱克曼窗等。

这些窗的旁瓣电平比矩形窗低，但分辨率也较矩形窗低。

[14]这里使用的是汉明窗，在2.2.1节已有详细介绍。

2.2.3睡眠分期判定的改进算法

根据美国睡眠医学会2007年的标准，睡眠分期的脑电标准如下：

睡眠阶段

划分规则（仅含脑电，且忽略例外情况）

W（觉醒期）

枕区α波含量大于50%

N1（非快速眼动期1）

α波减弱，低幅度、4～7Hz的波含量大于50%

N2（非快速眼动期2）

开始阶段：

出现与觉醒无关的K复合波或者纺锤波

持续阶段：

低幅度、4～7Hz的波（不含K复合波或纺锤波）

N3（非快速眼动期3）

0.5～2Hz的慢波含量大于20%

R（快速眼动期）

出现低幅度、4～7Hz的波（不含K复合波或纺锤波）

表2-2睡眠分期的脑电标准[3]

其中，非快速眼动期睡眠深度从深到浅，依次是：

N3、N2、N1。

人工神经网络（ArtificialNeuralNetwork）是由大量简单的处理单元广泛连接组成的复杂网络，用于

模拟人类大脑神经网络的结构和行为。

它反映了人脑功能的许多基本特性，但它并不是人脑全部的真实写照，而只是对其作某种简化、抽象和模拟[15]。

在各种学习算法中，多层网络的反向传播算法（简称BP算法）应用最为广泛。

BP算法最早是由Werbos在1974年提出来的，Rumelhart等人于1985年发展了该理论，提出了清晰而又严格的算法。

BP算法适用于前向网络，它采用有导师学习的训练形式，提供输入矢量集的同时提供输出矢量集，通过反向传播学习算法，调整网络的连接权值，以使网络输出在最小均方差意义下，尽量向期望输出接近，反向学习的进程由正向传播和反向传播组成。

在正向传播过程中，输入信息经隐含神经元逐层处理并传向输出层，如果输出层不能得到期望的输出，则转入反向传播过程，将实际输出与期望输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权值，使误差减小，然后转入正向传播过程，反复循环，直至误差小于给定的值为止。

设有N个训练对组成的训练集，每一个训练对用输入矢量Xi=（xi1,xi2,…,xim）和输出矢量Di=（di1,di2,…,din），1≤i≤N。

在前向传播中，把Xi作为网络的输入，根据现有的W计算网络的输出Yi=（yi1,yi2,…,yin）。

比较实际输出Yi与期望输出Di之间的差异，计算每一个输出单元的平方误差（yij-dij）2，1≤j≤n。

把这些误差进行加总得到误差函数：

（2-10）

所要做的就是通过改变W来减小E，以使得所有的输入矢量都尽量与相应的输出矢量相匹配。

因此学习的过程就转化为定义在权值空间上的目标函数E的极小化问题。

在训练过程中总是以尽可能快的减小E的方式进行。

一般它依赖于在权值空间中是否沿梯度方向搜索，所以采用梯度下降法来训练权值。

每一个权值wij的变化量△wij按如下方式计算：

（2-11）

其中Z为学习率，是控制算法收敛速度的参数。

在第一阶段得到的总误差平方和又在第二阶段被一层一层地反向传播回去，从输出单元到输入单元。

权值的调整决定于传播过程中的每一步。

由于Ii、fi和E都是连续可微的，因此，可以应用以下公式计算△E/△wij的值：

（2-12）

W的修改可以有两种方式，一是对于每一训练对（Xi,Di）都修改一次W，另一种方式是输入全部的训练对后再加总