【学术论文】基于智能终端的睡眠监测系统设计

摘要

为了方便地监测睡眠情况，合理评价睡眠质量，设计了基于智能终端的睡眠监测系统。该系统主要包括信号采集模块和智能终端。信号采集模块与智能终端之间采用蓝牙通信，实现对脑电信号的采集、接收、分析及存储。智能终端采用小波变换对脑电信号去噪，提取样本熵作为特征参数，利用随机森林算法对睡眠进行自动分期，并评估睡眠质量。5名志愿者参与实验，结果表明，信号采集模块能够采集高质量的脑电信号，分析软件可以快速、准确地进行睡眠质量评估。该系统体积小，功耗低，可以对睡眠质量进行定量反映和客观评估。

❖

0 引言

睡眠是人类一项最基本的生理活动之一，对人的健康至关重要。世界卫生组织（World Health Organization，WHO）调查显示，全球有27%的人存在着不同范围程度的睡眠问题，睡眠类疾病正威胁着全世界人民的健康[1]。目前，睡眠相关领域的研究已经成为人们研究的一个热点。

睡眠质量一般可通过脑电、心电、眼电、肌电、体动、脉搏波等信号来进行客观评估，其中脑电能反映人脑的健康状况，是最直接、最经典的检测方法[2]。睡眠分期是研究睡眠的基础，是睡眠质量评估至关重要的步骤。睡眠分期准则普遍采用美国睡眠医学学会(American Academy of Sleep Medicine，AASM)的标准，AASM准则将睡眠分成五期，即Wake期、NREM期(又分为N1期、N2期、N3期)、REM期[3]。临床上睡眠监测主要采用多导睡眠图，通过记录脑电图、眼电运动、肌肉活动、呼吸信号等多个特征参数来完成睡眠监测[4]，但是信号采集普遍由多电极组成，体积庞大，设计复杂，无法满足便携性；市场上睡眠监测设备也层出不穷，多数是基于睡眠姿态进行分期，虽然便于使用，但无标准的睡眠分期准则，在准确性方面远未达到临床要求的睡眠分期精度。所以，研究一种便携性较好、准确性较高的睡眠监测系统具有重要的意义和价值。为了同时兼顾便携性和准确性，本文设计了一套能够采集人体睡眠脑电信号，并在智能终端上实时记录和显示睡眠质量的系统。

1 总体设计

系统框架图如图1所示，包括信号采集模块、智能终端2部分。信号采集模块选用德州仪器ADS1299作为A/D转换芯片，ADS1299以其紧凑性、便携性、低功耗性常被用于生物电势测量[5]。选用Atmel公司的ATmega328P芯片为核心模块，控制脑电数据的采集，ATmega328P为高性能、低功耗的8位AVR微处理器[6]，其兼容性好、处理速度快，具有丰富的片内外设，并且支持多种串行通信接口，如USART、SPI、2-wire。选用HM-16蓝牙芯片，HM-16采用Cypress公司的CYBL系列芯片，遵循V4.1 BLE蓝牙协议，传输速率快，使用灵活。信号采集模块主要完成脑电信号的采集和传输工作，ATmega328P通过SPI接口配置ADS1299，使能ADS1299对输入的模拟信号采样并保存ADS1299的数字化结果，再通过UART口配置蓝牙模块并发送数据，实时地将脑电数据发送至智能终端，智能终端接收数据并进行处理和分析。

本文主要分析智能终端软件的设计，完成的功能包括蓝牙通信、数据接收并做数据处理、算法实现睡眠自动分期、评估结果显示和存储。通过智能终端上的蓝牙设备搜索HM-16并建立连接，进行数据传输，解析数据格式，并对数据处理、算法分析，从而实现睡眠自动分期；将软件分析得到的睡眠脑电数据分析结果与PSQI相结合，判断用户睡眠状况，为睡眠状态打分，并客观评价睡眠质量；最后将评价结果实时地显示在Android手机上以便用户了解自己的睡眠情况。

2 智能终端软件设计与实现

2.1 数据传输模块

蓝牙协议的配置文件层包括通用接入规范GAP和通用属性规范GATT，GAP层负责控制设备访问模式，用于蓝牙设备的发现、连接、初始化管理等参数[7]。GATT层负责设备之间的数据通信。本系统中，Android手机端代表主机，HM-16设备代表从机，UART口通信波特率为115 200 Baud，在数据传输前，进行设备的认证，首先手机端发送搜索请求，扫描正在广播的HM-16设备，若GAP服务的UUID匹配成功，则请求成功；接着手机端向HM-16设备发送连接请求，HM-16设备正确应答则认证成功，建立连接。

Android手机与HM-16建立连接后，发送主服务UUID，主服务UUID匹配正确后，发送相应数据操作“特性”的UUID，获取GATT数据服务，从而进行数据传输。图2所示为睡眠脑电数据传输流程图。

2.2 EEG信号去噪处理

本系统采用快速中值滤波除去基线漂移；采用FIR数字低通滤波器除去高频干扰；采用IIR数字陷波器除去50 Hz工频干扰；采用小波变换除去尖脉冲信号和抑制肌电噪声的干扰。小波去噪过程是用实际信号与高低频滤波矩阵进行卷积运算后进行采样，从而得到不同频段的小波系数，然后对小波系数阈值化处理，最后逆变换重构睡眠脑电信号。在智能终端中使用Java语言编写对应的卷积、采样、信号延拓等基本的类实现小波变换算法，完成EEG信号预处理过程。本文选用db4小波基，对原始EEG信号做6层小波分解，去除噪声信号后小波逆变换，重构睡眠脑电信号。图3为采集的原始EEG信号小波去噪前后的效果图。

2.3 特征参数提取

样本熵用来计算时间序列复杂度和统计量化的非线性动力学参数[8]，样本熵值越小，表明序列的复杂度越低；样本熵值越高，表明序列的复杂度也越高，对时间序列的复杂度变化敏感，能够较好地对脑电数据进行观测，故本文提取脑电信号的样本熵值，作为分类算法的输入值。样本熵的计算公式如式(1)所示。

SampEn(m，r，N)中的参数m和r在整个计算过程中是恒定的，m是窗口的长度，r是匹配过程的公差阈值。一般情况下，选择m=1或m=2，r=0.1 SD～0.25 SD可以计算出有效的统计特性。本文利用Pearson相关系数计算样本熵与初始脑电数据的相关性，Pearson相关系数计算如式(2)所示。

对比分析得出，选用m=2，r=0.2 SD计算SampEn值最适合。图4所示为不同睡眠期的SampEn值。

2.4 分期算法

RF是基于决策树的组合模型[9]，与其他分类算法相比(如ANN和SVM)，它的优势在于训练速度快、精度高、避免过拟合和抗噪性强等。因此，本文利用RF算法对采集到的睡眠EEG进行处理、分析。随机森林算法框架如图5所示。

(1)由样本量为K的训练样本S和独立同分布的随机向量θk生成一系列的单棵分类器，即h(S，θk)；

(2)随机森林即为所有决策树的集合{h(S，θk)}；

(3)每棵h(S，θk)都可以参加投票来选择待判样本s的类别输出，如式(3)所示。

式中，I(·)为示性函数，hi(s)是单个决策树归类结果，H(s)表征组合归类结果，即目标变量Y下s的最终归类结果。

结合AASM睡眠分期标准，本文分期算法将睡眠阶段划分成5期（Wake期、N1期、N2期、N3期、REM期），通过The CAP Sleep Database数据库(睡眠数据每一期都是以30 s为单位进行划分的)中的实测睡眠EEG数据并结合专家分期来验证本算法分期结果的准确性。表1显示了睡眠各期分类样本数。RF算法随机选取每一睡眠状态的80%数据(13 410个样本数)作为训练集，20%数据(3 352个样本数)作为预测集，通过MATLAB进行仿真，RF分类与专家分期结果对比如表2所示。

从表2可以看出，本文所采用的RF算法分类与专家分期结果基本一致，平均准确率可达到94.91%。RF算法的基础是bagging，利用Weka程序包结合Java程序，在智能终端上实现随机森林算法。

2.5 睡眠评价

智能终端应用软件对睡眠脑电数据处理、算法分析，实现睡眠自动分期，对睡眠状态做出客观评估，再结合PSQI量表，与客观评估形成对比，给出睡眠的综合评估，使评估结果更具可信性和说服力。

软件分析得出的参数主要包括：(1)总睡眠时间；(2)睡眠潜伏期；(3)NREM各期及REM占总睡眠时间的百分比；(4)睡眠效率

其中TNREM+REM是NREM和REM时间之和，T是记录数据的时间。

本文使用Android平台下的第三方绘图工具AChartEngine对软件分析得到的结果进行绘制，调用XYMultipleSeriesRenderer getRenderer()方法对坐标系、网格、颜色、标题等参数进行设置，完成图表绘制布局；XYMultipleSeriesDataset getDataSet()方法存放解析出来的睡眠EEG数据集合，构造图表中的数据；最后通过ChartFactory图表生成的工厂类将数据点绘制出来，绘制睡眠分析所得到参数的柱状图和睡眠历史记录的折线图。

3 系统测试

本文将The CAP Sleep Database数据库中的5名实验者的睡眠EEG数据通过蓝牙发送至本设计的智能终端，用来验证本系统软件处理终端是否可行，对每期按照8:2的比例分配训练样本和测试样本。对5名实验者的睡眠数据识别结果以表格形式进行统计，结果如表3所示。与标准数据库的专家分组对比发现，准确率可达91%，证明本系统所使用的方法在智能终端上自动分期是可行的。

用户注册登录过后，跳转到软件主页面，可选择PSQI进行量测，也可查看以往的睡眠记录。5名无病理、无异常状态志愿者参与在线实验，年龄分布在23～67之间，实验是在安静的睡眠实验室完成。本文使用一个信号电极、一个参考电极和一个接地电极来采集EEG信号，其中信号电极置于Fpz，接地电极置于Fpz与Fz之间的GND处，参考电极置于Cz处，ADS1299的数据采集率设置为250 Hz。评估睡眠过程中的总睡眠时间、睡眠潜伏期、浅睡（N1期和N2期合并）占比、深睡占比、REM占比，然后根据睡眠总时间所占睡眠记录时间的比例为基础给睡眠质量进行打分Score，并将评估结果存储。图6所示为1例受试者的整夜睡眠信号监测结果以及一周的睡眠记录，表4为展示实验的统计结果。

在健康成年人的一夜就寝时间中，N1期近似占2%~10%，N2期近似占45%~50%，N3期约占15%~25%，REM期约占20%~25%。通过图6分析得出，睡眠各期所占比例都较正常，同时结合PSQI量表结果，判断此受试者睡眠质量较好，验证了本睡眠监测系统的有效性。

4 结束语

本文设计了一种智能终端的睡眠监测系统，能够采集人体睡眠脑电信号，监测睡眠状态，为睡眠质量打分。首先设计了EEG信号采集设备，利用ADS1299采集高质量的睡眠脑电信号，经蓝牙发送到智能终端，完成睡眠脑电信号的采集和短距离无线传输；同时，搭建了基于智能终端的睡眠脑电信号处理平台，通过蓝牙实时接收睡眠脑电信号并对数据处理、分析，实现睡眠自动分期，将脑电数据分析结果与PSQI相结合，客观评估睡眠质量。通过实验验证，证明了所采集的EEG信号质量好，分期算法能够快速准确分期，睡眠质量评估方法有效。小型化设计增强了系统的便携性，快速化算法提高了分期的准确性，能有效扩展系统的应用领域。

参考文献

[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] 张发华，舒琳，邢晓芬.头皮脑电采集技术研究[J].电子技术应用，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] 谢宏，李亚男，夏斌，等.基于ADS1299的可穿戴式脑电信号采集系统前端设计[J].电子技术应用，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:

赵德春1，方  程2，刘蒙蒙1，李舒粤1

（1.重庆邮电大学 生物信息学院，重庆400065；2.重庆邮电大学 自动化学院，重庆400065）