·综述· DOI：10.19368/j.cnki.2096-1782.2017.13.164 系统医学 2017 年 7 月第 2 卷第 13 期 基于心率变化的睡眠分期方法 范林玉，孙晓燕，张艺超 杭州师范大学信息科学与工程学院,浙江杭州 311121 [摘要] 研究睡眠分期对睡眠疾病的检测、预防和治疗有着重要的临床意义。 实现无干扰的睡眠监测能降低被测 试者的约束和不适感,有利于提高睡眠评价结果,长期的、连续不间断的睡眠监测,可以提高睡眠相关疾病的检 测效果。 该文根据人脑自主神经系统功能在睡眠的不同时期存在差异的特征,结合自主神经系统功能的评价指 标,提出一种基于睡眠期间心率变化特点,进行觉醒期、非快速眼动期及快速眼动期的三期睡眠结构的自动划 分。 结果表明,该文算法对于不同睡眠状态的分期正确率达到了 64.15%,对与实现非脑电的睡眠分期研究进行 了有益探索。 [关键词] 睡眠分期；无干扰；非脑电 [中图分类号] R33 [文章编号] 2096-1782(2017)07(a)-0164-05 [文献标识码] A Sleep Staging Based on Heart Rate Changes FAN Lin-yu, SUN Xiao-yan, ZHANG Yi-chao Institute of Information Science and Engineering, Hangzhou Normal University, Hangzhou, Zhejiang Province, 311121 China [Abstracts] The study of sleep staging has important clinical significance for the detection, prevention and treatment of sleep disorders. To achieve interference-free sleep monitoring can reduce the repondents restraint and discomfort, is conducive to improve the sleep evaluation results. Long-term, continuous uninterrupted sleep monitoring can improve the detection of sleep-related diseases. Based on the characteristics of autonomic nervous system function in different periods of sleep, combined with the evaluation index of autonomic nervous system function, this paper presents a method based on the changes of heart rate during sleep, the period of awakening, non-rapid eye movement and rapid eye movement period of the three phases of the automatic division of sleep. The results show that the correct rate of dif- ferent sleeping stages of this algorithm reaches 64.15%, which is benecial for the study of non-EEG sleep staging. [Key words] Sleep staging; Interference-free; Non-EEG 睡眠是人类重要的生理需求[1],遍认为睡眠与人 的生理功能、认知能力有密切关系,能帮助恢复体力、 脑力和精神,并能舒缓压力,增强学习能力,从而保持 身体健康[2]。 美国睡眠医学学会将睡眠分为 WAKE (清醒期)、REM(快速眼动期)和 NREM(非快速眼动 期)等 5 个时期[3],其 中 NREM 又 能 分 为 NREM1, NREM2,NREM3(最早,NREM 被分为 NREM1,NREM 2,NREM3,NREM4 4 个时期, 现在 NREM4 被归为 NREM3),其中 NREM1 和 NREM2 为浅睡期,NREM3 [作者简介] 范林玉(1996-),男,河南信阳人,本科,研究方 向:医疗健康。 164 系统医学 SYSTEMS MEDICINE 为深睡期[4]。 正常睡眠中睡眠时期的组成应该由 4~5 个从 NREM 期到 REM 期这样的序列[5],也称作一个 睡眠周期。 一个典型的睡眠时相关序列图如图 1 所 示。 图 1 睡眠分期状态图 ˝ • ‰ ˚ 

系统医学 2017 年 7 月第 2 卷第 13 期 睡眠分期是研究睡眠及相关疾病的基础[6-7],是完 成睡眠质量评估的前提,具有重要临床意义。 目前睡 眠监测分析的主要方式是计算机根据多导睡眠图 (Polysomnograph,PSG)中记录的脑电、眼电和肌电等 生理参数[8],以 30 s 为单位进行自动睡眠分期,然后 再由睡眠分析师校正, 但是由于 PSG 技术对实验环 境要求高、费用昂贵,并且贴身电极采集数据的方式 对人自然的睡眠状态造成干扰,PSG 监测给被测者带 来约束,应用上具有局限性[9]。由于不同睡眠时相间交 感和副交感神经的拮抗变换规律不同,而心率又是受 交感和副交感神经调制比较明显的生理信号,因此有 多项研究表明整晚心率的变化趋势与睡眠时相具有 相关性,并论证了根据心率变化特征来判断健康人睡 眠分期的可靠性[10-11]。 该文提出了一种基于心率变化 的睡眠结构分析方法,尝试根据心率的变化特点对睡 眠中不同时相进行检测识别。 1 方法实现 1.1 分期算法 基于健康成人夜间睡眠西农旅变化的一般规律, 可概括有一下先验知识。 NREM 期心率平稳且偏低, 一般会比醒觉时心率慢 10~30 次/min;NREM 期进入 REM 期时, 心动周期的上升形式较缓, 约 6~ 10 min 内升到顶部,NREMS 期进入 WAKE 期时, 心率值上 升迅速,一般在 2 min 内上升到顶部;睡眠状态具有 局部稳定性和连续性,不会短时间内频繁转换睡眠时 相; 图 2 显示的是某组 PSG 数据中心率及专家分期 的变换曲线。 忽略心率计算存在的误差及其它因素, 可知曲线状态在整体上显然满足上述概括的健康成 人心率变化与睡眠时相间的先验知识。 图 2 相同分期片段下平均心率值与分期结果各自的变化趋势图,(分 期曲线中 WAKE，REM，NREM 分别对应值 50,40,30) 根据以上知识设计睡眠分期算法如图3。 ①在该 研究中, 对样本数据分析发现,30 s 长度内的心率变 化状态容易受心率计算误差影响, 对 NREM 期心率 ·综述· 的平稳状态反映效果不够理想。 之后研究发现 2 min 长度内的心率数据的规则较能反映上述特征。外加之 睡眠状态具有局部稳定性和连续性的特点,实验中把 睡眠心率的连续 4 个片段 (2 min) 作为一个处理单 元。 ②根据 NREM 期心率平稳且偏低(一般会比醒觉 时心率慢 10~30 次/min)的特征,实验首先处理单元 内的心率均值及标准差及均值与 NREM 期心率的波 动程度阈值和觉醒状态下心率值进行比较,判断其是 否属于 NREM 期。 ③对于不满足 NREM 期特点的处 理单元,即睡眠时相属于 REM 期或 WAKE 期的处理 单元,算法首先利用睡眠状态的连续性特点,判断其 相邻的前一单元所属的时期,若前一单元属于 WAKE 期或 REM 期,表示该单元极可能继续保持其前一单 元的睡眠时期状态,所以算法会将该单元所属时期划 分与前一单元一致;若前一单元属于 NREM 期,则意 味着当前单元内睡眠时相发生转变,对于这种过渡单 元的分期见步骤④。④对于过渡单元主要需要解决粒 度不精导致的单一时期的区分特征失效的问题。 所 以, 算法将过渡单元划分为时间长度为 30 s 的 4 个 小单元重新处理———首先顺序处理每个小单元直至 不满足 NREM 时期的特征 (显然至少存在小单元不 属于 NREM 期);然后利用 NREM 期进入 REM 期时, 心率值上升迅速的区分特征,通过计算由时相改变处 两侧 2 个所属不同时相的 30 s 片段构成的 1 min 心 率数据的极差值, 与 NREM 到 WAKE 期心率跳变程 度阈值比较, 判断余下单元所属的时相为 WAKE 或 REM 期。⑤算法所需的参数说明及设置方式。 考虑到 不同个体生理参数的差异性, 该算法需要的参数有： 样本数据所有者的觉醒状态下心率值、NREM 期心率 的波动程度阈值 (以心率标准差表示)、NREM 到 WAKE 期心率表变程度阈值(以 1 min 内心率变化的 极差表示)及记录前一单元时相的状态变量(初始化 为 WAKE 期)。 1.2 实验对象 实验选择 Physionet 生物医学信号研究资源平台 中的数据用于设计验证实验[12]。PhysioNet 是一个基于 web 的复杂生理信号和生物医学信号研究资源。 实验 中使用的数据集合来自于 MIT-BIH Polysomnographic 数据库———是由 Boston Beth Israel 医院的睡眠实验 165 SYSTEMS MEDICINE 系统医学 ˝ • ‰ ˚ 

·综述· 图 3 分期算法框图 室对监护对象在睡眠状态下进行连续监测获得的。其 中每例监测数据中包括相关测试的获取时间(Time and data), 生理信号———心电信号 (ECG)、 血压值 (BP)、 脑 电 信 号(EEG)、 呼 吸 值(Resp)、 眼 电 信 号 (EOG)、 肌电信号 (EMG), 及对应的专家分期结果 (annotations)———时间 (Time and data) 及判断结果 (Aux),包括清醒状态(W)、快速眼动期(R)、睡眠 1 期①、睡眠 2 期②、睡眠 3 期③、睡眠 4 期④。 实验选 择该数据库中监测时长大于 5 h、 至少包含 2 个睡眠 周期(NREM-REM)且数据从觉醒期开始记录的数据 集合。 表 1 列出了其中具有代表性的 2 组样本,并将 睡眠分期中的 1、2、3、4 期统一归为 N 期。 1.3 数据处理 原数据集中的心率数据以ECG 信号体现,需从中 基于 ECG 信号中的 R 峰间距计算出每个 R 峰位置 对应的心率值。 处理方法包括 R 峰提取、R 峰校验、 数据分组和心率计算四个部分,功能流程图见图 4。 图 4 数据处理流程图 1.3.1 R 峰提取 实验利用 Matlab 中 findpeaks 方法 提取 R 峰。 其中 MinPeakHeight 和 MinPeakDistance 两个参数的根据以下规则设置： ①在 Matlib 绘制心 电数据图形吗,在每个五等分位置处抽样,选择长度 为 6000 的区间观察记录 R 峰的最低高度,并以最低 值设置 Min-PeakHeight 值, 尽量保证不会漏掉正确 166 系统医学 SYSTEMS MEDICINE 系统医学 2017 年 7 月第 2 卷第 13 期 的 R 峰;②安静状态下,成年人的正常心率范围在 60 ~100 次/min, 剧烈运动过后心率可能会达到 160 ~ 180 次/min。 所以一般情况下, 每分钟最多出现 180 次心搏,即每分钟心电图中的最多出现 180 次 R 峰, 可以认为 R 峰的最小间距为 0.3 s。 对应到实验数据 中,因为数据中心电采集的时间单位为 0.004 s,所以 在利用 Matlab 中的 findpeaks 方法提取 R 峰时,可以 将 MinPeakDistance 参数设置为 75。 1.3.2 人工校验 在 Matlab 中提取 R 峰的同时,可以 计算相邻 R 峰的时间间隔 (数据中相邻 ECG 信号数 据点的时间间隔为 0.004 s),进而可以计算出每个 R 峰位置上心率的近似值;再设置异常筛选条件①心率 结果明显错误的,心率结果不在 40~180 范围内、②相 邻 R 峰心率值出现较大波动的,波动范围大于 30 将 存在异常的 R 峰位置输出,人工的在Matlab 图像中观 察对应位置是否存在 R 峰提取错误并做对应的修正。 1.3.3 数据分组 在专家分期结果的数据中, 包含了 每个分期对应的时间片段。再结合心电数据中的时间 信息, 可以将校验后的 R 峰数据按照分期的时间片 段分组。 1.3.4 心率计算 心率即每分钟心脏跳动次数。 对于 数据分组中每个时间片段内的 R 峰信息可以计算出 该片段内相邻 R 峰的平均时间间隔, 进而计算对应 片段的平均心率值。 2 实验结果与讨论 表 1 显示了对于数据集中的 spl37 和 spl45 两组 数据应用上述分期算法得到的分期结果与专家分期 结果对比的准确度。 显然可见,该算法对 NREM 期的 识别效果较好,能够达到 80% 左右,而对于 REM 期 的识别效果不理想。 总体而言,两组实验数据的整体 识别的准确率都超过了 60%。 从研究的总体睡眠片段分析,对于实验数据中的 1 512 个睡眠片段,专家分期结果中,WAKE 期、REM 期和 NREM 期对应的睡眠片段数分别为 260、161 和 1 109。 该实验中的分期算法对于 WAKE 期、REM 期 及 NREM 期的识别准确率分别为 33.46%、6.21% 及 80.02%。 ˝ • ‰ ˚ 

系统医学 2017 年 7 月第 2 卷第 13 期 ·综述· 样本序号 Slp37(774) Slp45(756) 总样本 36.17(51/141) 30.25(36/119) 33.40(87/260) 表 1 三期睡眠分期准确率 N 期 W 期 R 期 10.00(10/80) 2.47(2/81) 6.21(12/161) 79.07(437/553) 80.93(450/556) 80.02(887/1109) 整体 64.34(498/774) 64.55(488/756) 64.44(986/1530) 由实验结果数据不难发现,算法对于睡眠时期中 的 WAKE 期和 REM 期识别效果不理想, 特别是 REM 期。实验截取了 slp37 数据集中睡眠分期序号在 325~493 的专家分期与本实验中的分期结果对比,如 图 5 所示。该部分实验计算得到的心率数据标准差值 以及该部分分期片段对应的平均心率值,如图 6、7 所 示。 显然,最初的 REM 期识别正确,但是其后部分却 被误判为 NREM 期。 原因在于 358~381 的所以分期 片段内的心率处于平稳状态 (该数据集中设置的 NREM 期心率的波动程度阈值为 6, 正常状态下心率 值为 90)。 图 5 slp37 分期片段 325~493 的专家结果(上)与算法结果(下) 图 6 slp37 分期片段 325~493 对应的 30s 内心率值标准差值 图 7 slp37 分期片段 325~493 对应的 30s 内平均心率 77. 3 结论 该研究中提出的基于心率变化的睡眠分期方法 在极大的避免了睡眠评估中 PSG 技术存在的严格的 环境要求、昂贵的测试成本、复杂的操作及不适用于 长时间、不间断检测需求等不足,并且能够在睡眠分 期结果上到达 64%的准确性,为进一步对于无干扰的 睡眠监测手段的研究有着积极的促进作用。 [参考文献] [1] 秦保锋. 关注睡眠,助力健康[J].家庭用药, 2016(3):77- [2] Boostani R, Karimzadeh F, Nami M. A comparative review on sleep stage classification methods in patients and healthy individuals [J]. Computer Methods & Programs in Biomedicine, 2017, 140:77-91. [3] Da S T, Kozakevicius A J, Rodrigues C R. Single-channel EEG sleep stage classification based on a streamlined set of statistical features in wavelet domain[J]. Medical & Bi- ological Engineering &Computing, 2017, 55(2):343. [4] Wu HT, Talmon R, Lo YL. Assess sleep stage by modern signal processing techniques[J]. IEEE transactions on bio- medical engineering, 2014, 62(4):1159-1168. [5] Okuno K, Nohara K, Takai E, et al. Sleep Stage Coordi- nation of Respiration and Swallowing: A Preliminary Study [J]. Dysphagia, 2016, 31(4):579. [6] 黄敏方, 黄懂生, 付丽丽. 不同严重度阻塞性睡眠呼吸 暂停低通气综合征中年患者的睡眠结构分析[J].世界睡 眠医学杂志, 2015(5):273-276. [7] Basunia M, Fahmy SA, Schmidt F, et al. Relationship of symptoms with sleep -stage abnormalities in obstructive sleep apnea-hypopnea syndrome[J]. Journal of Community Hospital Internal Medicine Perspectives, 2016, 6(4). [8] Younes M, Raneri J, Hanly P. Staging Sleep in Polysomn ograms: Analysis of Inter-Scorer Variability [J]. Journal of Clinical Sleep Medicine Jcsm Official Publication of the American Academy of Sleep Medicine, 2016, 12(6). [9] 王海涛, 郑慧君, 曹征涛,等. 考虑个体特征的非脑电睡 眠分期[J]. 中国生物医学工程学报,2010,29(2):161-165. [10] Scherz WD, Fritz D, Velicu OR, et al. Heart rate spec- trum analysis for sleep quality detection[J].Eurasip Jour- 167 SYSTEMS MEDICINE 系统医学 ˝ • ‰ ˚ 

·综述· nal on Embedded Systems,2017(1):26. [11] 王金海,孙微,韦然,等.基于心率变异性分析的睡眠分 期方法研究[J].生物医学工程学杂志, 2016(3):420-425. [12] Da ST, Kozakevicius AJ, Rodrigues CR. Single-channel 系统医学 2017 年 7 月第 2 卷第 13 期 EEG sleep stage classification based on a streamlined set of statistical features in wavelet domain[J]. Medical & Biological Engineering & Computing, 2017, 55(2):343. (收稿日期：2017-04-10) [参考文献] (上接第144 页) 4 项满意度指标与该文数据差异较小,说明该文研究 结果具有较高的可靠性。 综上所述,早期康复护理干预适用于脑血栓患者 中,能够促进患者康复时间的缩短,提高生活质量和 满意度。 [1] 范秋诊.急性脑血栓形成早期康复护理干预效果观察[J]. 中国卫生标准管理,2016,7(11):243-244. [2] 王颖.心理及康复护理干预在老年脑血栓患者中的应用 效果分析[J].中西医结合心血管病杂志：电子版,2016,4 (22):123. [3] 胡兰芳.急性脑血栓早期康复护理干预对降低脑血栓患 者致残率的影响[J].中国实用神经疾病杂志,2016,19(8): 138-139. [4] 朱珍珍.急性脑血栓形成早期康复护理干预的效果探究[J]. 中西医结合心血管病杂志：电子版,2016,4(8):105-106. [5] 关晓云.护理干预在急性脑血栓患者早期康复中的应用 ·编读往来· [6] 戴丽君.康复护理干预在脑血栓患者中的应用效果观察[J]. [7] 张红君.早期康复护理对改善高血压脑血栓患者生活质 中国实用医药,2015,10(32):222-223. 量的影响[J].中国医药指南,2016,14(26):259. [8] 罗良艳.急性脑血栓患者护理干预对早期康复的影响效 果[J].世界最新医学信息文摘：电子版,2015,15(59):231. [9] 李薇.急性脑血栓患者早期康复护理的效果观察[J].中 价值[J].中国药物经济学,2017,12(1):139-141. 西医结合心血管病杂志：电子版,2015,3(28):147-148. [10] 刘佳慧. 急性脑血栓早期康复护理干预的应用与效果 观察[J].中西医结合心血管病杂志：电子版,2016,4(21): 148-149. [11] 张依群. 早期康复护理对急性脑血栓患者生活质量和 对医护满意度的影响[J].心血管康复医学杂志,2014,23 (4):466-468. (收稿日期：2017-04-15) 论文写作技巧———摘要 1. 摘要应着重反映研究中的创新内容和作者的独到观点;不要简单地重复题名中已有的信息。 2. 研究性文章摘要的内容应包括研究目的、研究方法、主要发现(包括关键性或主要的数据)和主要结论,一般应写成冠以 “目的(Objective)”“方法(Methods)”“结果(Results)”和“结论(Conclusion)”小标题的结构式摘要。 3. 综述类文章摘要的内容应包括综述的主要目的、资料来源、综述时所选择的研究数目及这些研究是如何选择的、提炼数 据的规则及这些规则是如何应用的、数据综合的最重要的结果和结论。 可以写成结构式摘要,也可写成指示性或报道-指示性 摘要。 名的术语,可使用原文或在译名后括号中注明原文。 4. 中文摘要一般使用第三人称撰写,不列图、表,不引用文献,不加评论和解释。 5. 摘要中首次出现的缩略语、代号等,除了公知公认者外,首次出现时须注明全称或加以说明。 新术语或尚无合适汉语译 6. 英文摘要一般与中文摘要内容相对应,但为了对外交流的需要,可以略详。 7. 中文摘要一般置于题名和作者姓名下方,英文摘要(含英文题名、汉语拼音作者姓名及工作单位)可置于中文摘要的下方。 168 系统医学 SYSTEMS MEDICINE ˝ • ‰ ˚