光电容积脉搏波的睡眠呼吸暂停综合征筛查方法

《光电容积脉搏波的睡眠呼吸暂停综合征筛查方法》由会员分享，可在线阅读，更多相关《光电容积脉搏波的睡眠呼吸暂停综合征筛查方法（11页珍藏版）》请在装配图网上搜索。

1、光电容积脉搏波的睡眠呼吸暂停综合征筛查方法李肃义;姜珊;刘丽佳;熊文激;倪维广【摘要】睡眠呼吸暂停综合征(SAS)素有睡眠杀手之称由于其诊断金标准多导 睡眠监测仪(PSG)的限制，诊断率一直偏低由于呼吸暂停发生时会引发心率节奏的 变化，因此利用心电图(ECG)通过心率变异性(HRV)分析可以实现SAS的自动筛查. 但是,ECG-SAS方法所用电极穿戴繁琐、材质致敏性较高，影响睡眠安适度.鉴于脉 率变异性(PRV)分析与HRV分析高度相关，并且光电容积脉搏波(PPG)信号相对 ECG信号获取方式更加简单，不仅电极不易致敏，而且更易于穿戴,对睡眠干扰小.由 此,提出利用同步采集的PPG信号和ECG

2、信号，应用相同的建模方法,比较二者的疾 病识别能力.应用反向传播(BP)神经网络，分别建立PPG-SAS与ECG-SAS自动筛查 模型,并采用十折交叉验证法及受试者工作特征(ROC)曲线对模型进行对比与评估. 实验数据来源于MIT-BIH Polysomnographic Database,共8248个样本，其中正 常样本6227例.首先采用三层BP神经网络，默认参数下建立PPG-SAS与ECG- SAS 模型，使用十折交叉验证法及ROC曲线进行模型分类准确性的对比;然后依次 改变影响分类性能的隐层节点数、训练函数以及传递函数，建立多个PPG-SAS与 ECG-SAS模型，从中选取各自的最优模

3、型再进行对比通过比较识别率、预测率以及 ROC曲线面积，采用默认参数的PPG-SAS模型优于ECG-SAS模型.通过比较平均 分类准确率,隐层节点数为50、训练函数为一步正割算法、隐含层传递函数为双曲 正切S型函数时,PPG-SAS模型得到的最高识别率与预测率分别为80.30%和 80.13%;隐层节点数为50、训练函数为一步正割算法、隐含层传递函数为径向基 时,ECG-SAS模型的最高识别率与预测率分别为77.60%和77.67%以上实验结果 均表明PPG信号的SAS分类能力较ECG信号更具优越性，由此证明了 PPG信号筛 查SAS的可行性及可靠性,为临床SAS病症的早期发现及诊断率提升奠定

4、理论基础.期刊名称】光谱学与光谱分析年(卷),期】2019(039)006【总页数】6页(P1852-1857) 【关键词】 睡眠呼吸暂停综合征;光电容积脉搏波;心电信号;神经网络;十折交叉验证 法【作 者】 李肃义;姜珊;刘丽佳;熊文激;倪维广【作者单位】 吉林大学仪器科学与电气工程学院,吉林长春 130061;吉林大学仪器 科学与电气工程学院,吉林长春 130061;吉林大学仪器科学与电气工程学院,吉林 长春 130061;吉林大学第一医院,吉林 长春 130021;吉林大学仪器科学与电气工程 学院,吉林长春 130061【正文语种】 中文【中图分类】 TP391引言睡眠呼吸暂停综合征(s

5、leep apnea syndrome, SAS)是一种常见的睡眠障碍性疾病， 可导致人嗜睡、易怒、注意力不集中，增加27倍的车祸风险。不仅能诱发高 血压、冠心病等心脑血管疾病， 还会引发慢性疾病，严重时甚至可能导致“猝 死”1-3。由于SAS诊断的金标准多导睡眠监测仪(polysomnography, PSG)造 价高、过程复杂且需要专业的操作技术，导致SAS的诊断率偏低，据有关统计 表明：高达93%的女性和82%的男性患者未被确诊4。因此国内外一直在积极 地寻求检测方便、价格低、对睡眠干扰小的筛查方法来提升SAS诊断率。呼吸暂停的发生会引起心率节奏的变化，因此利用心电信号(electroc

6、ardiograph, ECG)通过心率变异性(heart rate variability, HRV)分析可实现SAS的筛查。Chazal等以PSD、心率、R波幅值等多个时域、频域指标作为特征参数来进 行SAS的自动检测；由于SAS发作时心率波动是瞬时的、高度非线性与非平稳 的，所以Mietus等6提出使用Hilbert变换来进行RR间期变化分析；Zywietz 等7采用小波变换提取正常人与SAS患者的HRV频谱成分；Chazal等8基于 RR间期系列与ECG的形态，计算了 88个有关特征参数，提升了 SAS的检测准 确度；2006年，佟光明等9通过比较分析80例睡眠中心患者的HRV频域与时

7、 域指标，并联合推导的呼吸曲线EDR实现了 SAS的检测；反向传播(back- propagation ，BP)神经网络是一种按误差反向传播算法训练的多层前馈网络， 已经被成功应用于很多领域， 尤其适用于人体参数与复杂疾病的模型建立。 2011 年，Acharya等10提出使用ECG的关联维数、分形维数等5个非线性参数训 练BP神经网络以进行SAS的自动分类；Lweesy等11 尝试使用P波形态参数 来训练BP神经网络。2012年，Kesper等12通过分析H RV与EDR参数设计 了 SAS自动检测算法。以上研究的分类准确率在65% 91%之间，充分证明了 ECG-SAS筛查模型的有效性。但

8、是，ECG-SAS筛查方法需要患者佩戴多个心电 电极， 以氯化银为主的电极不仅会对皮肤有较高致敏性， 而且其布放的位置也会 影响睡眠安适度13。动脉血管壁会随心脏节律性跳动而产生周期性波动， 当利用光电传感器进行照射 时， 接收端接收到的交流信号会随之产生变化， 即光电容积脉搏波 (photoplethysmography, PPG)14。 呼吸暂停的发生也会引起脉率节奏的相应 变化，并且基于PPG的脉率变异性(pulse rate variability, PRV)分析与基于ECG 的HRV分析已被证实具有高度相关性15-16。另外，与心电电极相比，脉搏传 感器可以布放在指端、 手腕、 耳垂

9、等位置17 ， 穿戴相对简单， 采集更加灵活， 所以，禾U用PPG来进行SAS的筛查已成为可能18。本工作拟通过同步采集的PPG信号和ECG信号，使用相同的分类方法，分别建 立PPG-SAS与ECG-SAS的自动筛查模型，并且通过比较它们分类准确率来进一 步验证PPG用于筛查SAS的可靠性与有效性。1 实验部分1.1 数据实验数据来源于Bostons Beth Israel医院睡眠实验室提供的MIT-BIH Polysomnographic Database ,记录了年龄在32 - 56岁之间(平均年龄43岁), 体重在89 152 kg(平均体重119 kg)的16名受试者睡眠期间包括ECG

10、、EEG、 脉压、呼吸信号、PPG信号等在内的多个生理信号，其采样频率为250 Hz,每 30 s的数据附有专家提供相关睡眠阶段和呼吸暂停的注释。图1为同一患者同步 的带有专家注释的归一化后的30 s PPG信号与ECG信号。通过比较图1(a)(专家 注释为SAS的PPG信号)与图1(c),图1(b)(专家注释为SAS的ECG信号)与图 1(d),我们可以观察到图1(a)与图1(b)在SAS发生时，峰峰间期均产生了改变， 尤其在3 000-5 000采样点时峰峰间期均偏大。图1(c)与图1(d)为正常信号， 峰峰间期比较均匀。图1同步采集的PPG信号和ECG信号：SAS的PPG信号；(b) :

11、 SAS的 ECG信号；(c):正常的PPG信号；(d):正常的ECG信号Fig.1 The PPG and ECG signals collected synchronously(a): PPG signal labeled as SAS; (b): ECG signal labeled as SAS; (c): PPG signal labeled as normal; (d): ECG signal labeled as normal我们整理了数据库中伴有专家注释的所有PPG信号和ECG信号，分别形成PPG- SAS 与ECG-SAS实验样本集。以PPG-SAS为例，样本集由输入向量X与

12、输出 向量Y组成，其中输入向量为PPG信号，共8 248个，每个7 500维，输出向量为分类结果，01代表患有SAS , 10代表正常，其中正常样本6 227例，SAS样本2 021例。1.2 SAS筛查模型的建立与优化鉴于BP神经网络在ECG-SAS筛查模型中的成功应用，应用BP分类器分别建立PPG-SAS与ECG-SAS的自动筛查模型。主要实现步骤如下：(1) 数据归一化处理为避免不同数量级数字间的影响，对PPG与ECG原始数据分别采用式(1)进行归一化处理：(1)其中X为原始数据，为归一化后的数据。(2) BP网络的建立BP网络属于有监督的训练，设每个节点输出值Y为(2)其中，W为两节点

13、间的连接权重，I为上一层节点个数，X为上一层节点的输出 值，b为当前节点的阈值，。表示传递函数。计算网络实际输出与期望输出之间的误差， 通过训练算法修正各层各节点间的权 重及节点的阈值(3)其中，n为网络训练的学习率，c为动量因子。BP网络建立的核心是设计与选取合适的网络结构、传递函数、训练函数以及性 能函数等参数19。网络结构：依据Kolmogorov定理，三层BP神经网络即可实现任何函数在任何 精度上的非线性映射。传递函数：包括隐含层传递函数与输出层传递函数。常用的有双曲正切S型 (tansig)、S型(logsig)、竞争型(compet)、径向基(radbas)、和三角形径向基 (tr

14、ibas)传递函数。训练函数：BP网络的训练函数常用的学习算法有量化共轭梯度法(trainscg)、自 适应学习率动量梯度下降法(traingdx)、Powell-Beale共轭梯度法(traincgb)、 Fletcher-Reeves共轭梯度法(traincgf)、一步正割算法(trainoss)和自适应学习率 梯度下降法(traingda)。性能函数：常用的性能函数有交叉熵函数(cross-entropy)和均方误差(mean squared error, MSE)，般分类问题用cross-entropy来定义损失函数。 鉴于网络模型的主要参数对最终筛查效果有不同程度的影响， 依次改变隐

15、层节点 数、 传递函数及训练函数， 并通过对比模型训练时间与预测准确率， 进行不同参 数下同步的PPG信号和ECG信号对SAS的分类效果的比较。1.3 SAS筛查模型的评估采用十折交叉验证法来评估PPG-SAS与ECG-SAS模型的分类性能。将PPG信 号与ECG信号分别从患病、健康样本中各随机选取90%的数据(共7 423例)作为 训练集， 10%的样本(共825例)作为测试集，共进行10次， 按式(4)计算每次 的分类准确率(4)其中TP(True Positive)代表检测为真阳，TN(True Negative)代表检测为真阴， FP(False Positive)代表检测假阳，FN(

16、False Negative)代表检测为假阴。最终通过对比这10次分类准确率的平均值，来分析同步的PPG信号和ECG信号 在同一模型下对SAS的筛查效果。2 结果与讨论2.1 默认参数下模型分类性能对比利用随机分配的PPG与ECG样本，分别建立BP分类模型。分类模型默认的主 要参数如下：网络结构为3层；隐层节点数为10 ；训练函数使用trainscg ；隐 含层传递函数采用tansig，输出层采用softmax ；性能函数为cross-entropy。 采用十折交叉验证法， 分别计算了两种模型的识别率与预测率， 如表1所示。表1 PPG-SAS，ECG-SAS模型的训练与测试分类结果Table

17、 1 Training and test classification resultsof PPG-SAS and ECG-SAS models 实验次数 PPG- SASECG-SAS识别率/%预测率/%识别率/%预测率/%176.8277.9875.4275.51279.0078.1773.9775.51379.7877.8276.5175.47479 .7279.0175.4275.51578.6379.0775.4275.72679.4279.3774.9475.50781.4280. 3074.0975.52877.8578.0476.0375.37978.3378.8277.247

18、5.221079.6678.2377.2475.55均值79.0678.6875.6375.49通过表1可知，PPG-SAS模型的平均识别率为79.06%，预测率为78.68% ； ECG-SAS模型分别为75.63%与75.49%，由此可见在默认参数下，利用同步采 集的PPG信号与ECG信号预测SAS，PPG信号的准确率优于ECG信号的准确 率。图形可以更加直观地对比两种模型的预测效果， 图2为第5次实验的受试者工作 特征(receiver operating characteristic，ROC)曲线，曲线所占面积越大、即 曲线越靠近左上角，其准确率就越高。图2(a)为PPG-SAS模型的

19、ROC曲线， 图2(b)为ECG-SAS模型的，其中Class1为TP曲线，Class2为TN曲线。直 观对比二者所占面积，PPG-SAS的分类效果明显优于ECG-SAS的分类效果。2.2 优化参数下模型分类性能对比隐层节点数、训练函数以及传递函数是影响网络分类性能的主要参数， 采用2.1中十折交叉验证时形成的PPG与ECG样本，采用3层网络结构，在不改变其他 参数的基础上， 依次调整以上参数以评估模型的分类性能。图 2 ROC 曲线：PPG-SAS 模型；(b) : ECG-SAS 模型 Fig.2 ROC curves (a):PPG-SAS model； (b)： ECG-SAS mod

20、el表2列出了两种模型的隐层节点数分别为10 ， 25， 50， 100， 300和500下 输出的平均识别率、 预测率以及建模时间的对比。表2 不同隐层节点数下两种模型的分类准确率与建模时间均值比较Table 2 Comparisons of average classification accuracies and averagemodeling time between two models with different numbers of hiddenunits隐层单元数PPG-SASECG-SAS识别率/%预测率/%耗时/s识别率/%预测率/%耗 时/s1079.0678.689.

21、2475.6375.498.352577.9077.9010.9675.6875.8610.665079.3479.7013.6875.9276.1719.5610079.8279.4127.0275.2475.0929.4330080.85 80.6788.2473.0472.8575.1150079.9279.76149.6274.7874.54168.80 通过表2可知， 识别率与预测率会随隐层节点数的增加略有增加， 但增加到一定 程度时则会有所降低； 建模耗时会随隐层节点数的增加而大大增加。 综合考虑输 出准确率与耗时， 将筛查模型的隐层节点数定为50。保持隐层节点数为50不变， 改变

22、训练函数， 表3列出了不同训练函数下取得的 两个模型的平均识别率与预测率。通过表3可知，训练函数为trainoss函数时，PPG-SAS与ECG-SAS模型的分 类准确率均更高，其中PPG-SAS模型可达80%左右。隐层节点数为50,训练函数为trainoss，由于处理的是分类问题，所以输出层 的传递函数固定为softmax,改变隐含层的传递函数，表4为两种模型在不同传 递函数下的平均识别率与预测率对比结果。表3 不同训练函数下两种模型的平均分类准确率对比Table 3 Comparisons of average classification accuracies between two m

23、odels with different training functions训练函数PPG-SASECG-SAS识别率/%预测率/%识别率/%预测率/%trainscg79.3479.7075.9276.17traingdx78.9579.1274.7774.87traincgb79.2379.5376.0475.88traincgf78.8279.0576.0076.05trainoss80.3080.1376.4476.6 0traingda71.7371.9472.3671.87表4不同传递函数下的两种模型的平均分类准确率对比Table 4 Comparisons of average

24、 classification accuracies between two models with different transfer functions隐含层传递函数PPG-SASECG-SAS识别率/%预测率/%识别率/%预测率 /%tansig80.3080.1376.4476.60logsig80.0580.1975.7175.83compet75.9475.4075.5875.32radbas75.9975.4777.6077.67tribas75.9975.4776.7776.63通过表4可知，ECG-SAS模型在隐含层传递函数为radbas及tribas时比PPG- SAS模

25、型的分类准确率稍高，但PPG-SAS模型在传递函数为tansig及logsig时， 分类准确率均超过了80%。通过分析以上实验结果，可以看到，当使用同步采集的ECG与PPG信号进行 SAS分类模型的建立时，无论是使用默认参数的BP分类模型还是优化参数的模 型，PPG-SAS模型分类效果均要优于ECG-SAS模型。3结论根据HRV分析与SAS密切相关的原理，禾U用ECG筛查SAS已被证实具有可行 性及有效性。但是，ECG的电极材质致敏性较高，并且电极穿戴繁琐会对睡眠 安适度造成影响。鉴于PRV分析与HRV分析的高度相关性，并且PPG传感器 不易致敏且穿戴简单，利用MIT-BIH Polysomn

26、ographic Database中同步采集 的PPG信号和ECG信号，应用相同的BP建模方法，分别建立了 PPG-SAS与 ECG-SAS筛查模型，采用十折交叉验证法评估了二者的分类准确率以探讨临床上 使用PPG信号筛查SAS的可行性及可靠性。在默认参数下，得到ECG-SAS模 型的平均识别率与预测率为75.63%与75.49% ； PPG-SAS模型为79.06%与 78.68%。 通过依次改变隐层节点数、 训练函数以及传递函数等影响网络分类性 能的主要参数，得到优化后的ECG-SAS模型的最高训练识别率和测试预测率分 别为77.60%和77.67%，而PPG-SAS模型则分别达到80.3

27、0%与80.13%。结 果表明，PPG-SAS模型优于ECG-SAS模型。由此说明，进一步深入研究这种 简单易行的PPG-SAS筛查技术，具有重要研究意义与广阔应用前景。本工作仅 研究了使用原始信号及较为经典的BP神经网络建立了分类模型。鉴于信号预处 理技术、 特征提取和分类算法对输出结果的重要影响， 并且人体与疾病的复杂性 与不可预测性又非常适合应用深度学习技术来进行映射， 所以下一步的研究重点 将基于深度学习理论设计特征提取及分类方法，进行PPG-SAS模型的优化及准 确率的提升，为SAS临床的早期检测、治疗效果评价及预后评估奠定基础。 References【相关文献】1 Chang C

28、C, Chuang H C, Lin C L, et al. Sleep Medicine, 2014, 15(4): 410.2 Yaggi H Klar, John Concato, Walter N Kernan, et al. The New England journal of medicine, 2005, 353(19): 2034.3 Selim B J, Junna M R, Morgenthaler T I. Sleep Medicine Clinics, 2014, 9(1): 37.4 Hang L W, Lin H H, Chiang Y W, et al. Appl

29、ied Mathematics & Information Sciences,2013, 7(1): 227.5 Chazal P D, Heneghan C, Sheridan E, et al. Computers in Cardiology, 2000, 27: 745.6 Mietus J E, Peng C K, ChIvanov P, et al. Computers in Cardiology, 2000, 27: 753.7 Zywietz C W, Von E V, Widiger B, et al. Methods of Information in Medicine, 2

30、004, 43(1): 56.8 Chazal P D, Heneghan C, Sheridan E, et al. IEEE Transactions on Biomedical Engineering, 2003, 50(6): 686.9 TONG Gua ng-mi ng, GUO Ji-ho ng, HAN Fa ng, et al(佟光明，郭继鸿，韩芳,等).Natio nal Medical Jour nal of Chi na(中华医学杂志),2006, 86(122): 1545.10 Acharya U R, Chua E C, Faust O, et al. Physi

31、ological Measurement, 2011, 32(3): 287.11 Khaldon Lweesy, Luay Fraiwa, Natheer Khasawneh, et al. Journal of Medical Systems,2011, 35: 723.12 Kesper K, Canisius S, Penzel T, et al. Medical & Biological Engineering & Computing,2012, 50(2): 135.13 Poupard Laurent, Philippe Carole, Goldman Michael David

32、, et al. Sleep and Breathing, 2012, 16(2): 419.14 Ahmet Resit Kavsaoglu, Kemal Polat, Mehmet Recep Bozkurt. Turkish Journal of Electrical Engineering & Computer Sciences, 2016, 24: 1782.15 Schafer A, Vagedes J. In ter nati on al Jour nal of Cardiology, 2013, 166(1): 15.16 Bulte C S E, Keet S W M, Bo

33、er C, et al. European Journal of Anaesthesiology, 2013, 68(7): 775.17 Poh M Z, Swenson N C, Picard R W. IEEE Transactions Information Technology in Biomedicine, 2010, 14(3): 786.18 Li Y, Gao H, Ma Y. Medicine, 2017, 96(18): e6755.19 LI Jun-fe ng, WANG Yue-le, HU She ng, et al(李俊峰，汪月乐，胡升,等).Spectroscopy and Spectral An alysis(光谱学与光谱分析)，2016, 36(10): 3261.