柏浩冉 张 伟 陆冠泽

(同济大学电子与信息工程学院控制科学与工程系，上海 201804)

引言

睡眠分期在临床上广泛用于睡眠质量评估和疾病诊断等，需要有经验的医生对长时间测量的大量患者数据进行分析、判断和统计，工作强度大，出错概率高，特别是对于一些比较模糊或处于过渡状态的数据，不同医生也会有不同的判读标准和结果。最早的睡眠分期判据是1968年Rechtschaffen和Kales[1]提出来的R&K判据，美国睡眠医学学会在此基础上提出了AASM判据，并将人的睡眠分为W、N1、N2、N3和REM等5个阶段[2]，并在实际应用中被广泛认同。

自动睡眠分期的实现主要有两种思路。第一种思路是使用传统机器学习的方法，如支持向量机 (support vector machines, SVM)和决策树，其中特征的构建以及选取是关键，常用特征可粗略分成时域特征、频域特征、时频特征以及非线性特征等几类。时域特征与信号在时间域上的形态有关，如信号的平均值、标准方差、QRS波群面积[3]、RR间隔[4-5]等统计指标。常用频域特征常基于短时傅里叶变换和小波变换[6]。非线性特征主要基于熵和复杂度等，比如多尺度熵(multi-scale entropy，MSE)和近似熵(approximate entropy, ApEn)。叶仙等[7]从复杂性分析角度出发，提出了一种基于精细复合多尺度熵(refined composite multi-scale entropy，RCMSE)与SVM的睡眠分期方法，通过RCMSE的算法来对时间序列信号进行多尺度划分。倪红波等[8]基于脉率变异性，实现了睡眠的自动分期。第二种思路是采取深度学习神经网络技术，如卷积神经网络(convolutional neural networks, CNN)、残差神经网络(residual network, ResNet)、长短期记忆网络(long short-term memory,LSTM)等诸多网络结构均有所尝试。Chang等[9]使用了LSTM网络对多导联心电(electrocardiogram，ECG)信号进行训练，对心室颤动进行检测，并且在Physionet的数据集[10-11]上取得了98%的准确率。……