基于脑电的深度学习失眠障碍检测算法
失眠障碍(insomniadisorder)是以频繁而持续的入睡困难或睡眠维持困难导致睡眠不足为主要特征的睡眠障碍。失眠障碍的诊断要点包括:①存在入睡困难、睡眠维持困难或早醒症状;②日间疲劳、嗜睡，社会功能受损;③上述症状每周至少出现3次，持续最少3个月。据统计，我国需要积极干预的长期慢性失眠者高达15%。随着生活节奏加快、竞争压力加大，失眠的发病率还在上升。
目前基于脑电信号的自动失眠障碍检测算法研究较少，分为两个阶段，首先是睡眠分期，其次是基于不同睡眠时期的脑电信号识别失眠障碍。张某等提取C3－A2与C4－A1导联脑电信号的特征，进行五态睡眠分期，构建不同性别不同睡眠时期的最优特征子集结构图，实现失眠障碍识别。其结果表明男性N3期和女性ＲEM期对于识别最为有效，准确率分别为93.94%和95.13%，但该研究的特征提取及特征选择工作量大。Shahin等利用深度学习，减少了特征提取的工作量。首先基于深度神经网络训练睡眠分期模型，再利用多种二分类器进行失眠障碍识别，选取其中准确率最高的分类器。其结果表明C3－A2与C4－A1导联的NＲEM期与ＲEM期对于识别最为有效，准确率为92%。
两阶段检测方法虽可以得到识别失眠障碍的最佳睡眠时期，对于临床医学研究具有意义，但其存在缺陷:①差错传播，第一阶段睡眠分期的错误会影响第二阶段失眠障碍识别的准确率;②基于睡眠分期后的脑电信号再进行研究可能丢失睡眠脑电的整体信息;③两次分类过程计算复杂。从应用角度出发，最终目标是检测受试者是否患有失眠障碍，并不需确定哪个睡眠时期的识别准确率最佳，因此可以省略睡眠分期阶段，直接利用PSG采集的睡眠脑电信号进行失眠障碍检测。有实验基于脑电信号的时空特征，提出卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)融合的CNN-BiLSTM深度学习算法，直接检测失眠障碍。
睡眠纺锤波是睡眠脑电信号的特征波之一，睡眠纺锤波由大脑局部产生，但从全脑的角度看，局部之间并非完全跨区域独立，而是局部和全脑有机结合，其局部睡眠纺锤波和全脑纺锤波共存的时空模式，决定了睡眠脑电信号具有丰富的时空特征。为了利用睡眠脑电信号的空间信息，首先人工提取睡眠脑电信号的功率特征，根据PSG的6个脑电导联电极分布构建二维特征矩阵，再将特征矩阵输入CNN进行高级的特征表达。随后馈送至BiLSTM中挖掘睡眠阶段间的时序信息，实现失眠障碍的直接检测。整体流程如图1所示。
CNN和BiLSTM是深度学习中的代表性算法。CNN能够逐层抽象数据局部特征，进一步实现空间维度上的特征提取。BiLSTM具有保留上下文历史信息的特性，实现时间维度上的特征提取。睡眠EEG信号既具有空间分布特征，又在时间层面上连续变化，因此构建CNN-BiLSTM模型，达到同时学习EEG信号空间与时间特征的目的。CNN-BiLSTM模型的整体结构如图2所示。
长短期记忆网络(LSTM)是一种改进的循环神经网络，具有较好的时间序列处理能力。睡眠是一个连续的过程，前后时刻的睡眠脑电信号相互联系，应综合利用前向与后向的时序信息，因此采用BiLSTM，将两个不同方向LSTM的向量拼接计算得到最终的输出向量。BiLSTM输出的向量再通过softmax分类器进行二分类，识别受试者是否患有失眠障碍。
实验数据为ISＲUC-Sleep公开数据集，数据来源于成人，包括健康受试者、睡眠障碍者和受睡眠药物影响的受试者。数据集采集如图3给出的6个电极C3、C4、F3、F4、O1、O2的脑电信号，参考电极为A1、A2，记录速率为200Hz。每个记录都是从科英布拉大学附属医院的睡眠医学中心获取的PSG记录中随机选取的，均由两位专家人工标注睡眠分期。针对每个记录，提供睡眠障碍、所用药物及受试者性别、年龄等相关补充信息。
为排除药物的影响，选取未服用药物的睡眠障碍患者中，PSG表现为睡眠潜伏期延长、睡眠效率下降、客观睡眠时间缩短、非快速眼动1期比例增加、慢波睡眠比例下降的失眠障碍患者PSG记录。按照临床标准，将PSG每30s划分为一个样本，最终数据集为健康对照者9618个样本(10人)，失眠障碍患者6735个样本(7人)。
实验采用的ISＲUC-Sleep数据集中失眠障碍患者与健康对照者的数量有较大差距，为改善数据不均衡，采用基于边界的SMOTE算法。具体过程如图4所示。
为更好地分析本文算法的有效性，设置以下对比实验。
(1)对比实验1:基于相关文献的方法，第一阶段进行睡眠分期，第二阶段进行失眠障碍识别。两次分类过程均提取均值、方差、峰度、偏度、近似熵、绝对功率作为特征，均使用随机森林模型，参数设置200棵树。验证本文算法与两阶段方法相比直接检测失眠障碍的可行性。
(2)对比实验2:构建特征矩阵时忽略导联的位置分布，将6个导联的功率特征矩阵随意进行拼接，输入到CNN-BiLSTM模型进行失眠障碍的检测。验证EEG信号的空间特征对本文算法的有效性。
(3)对比实验3:在构造的特征矩阵输入CNN中进行失眠障碍的检测，不添加后续BiLSTM结构。验证睡眠过程中EEG信号的时序依赖关系对本文算法的有效性。
在同一测试集上进行实验，结果如表3所示。
对比以上实验结果，得出以下结论。
(1)本文算法的准确率略高于对比实验1，表明本文算法与两阶段算法相比，可以直接检测失眠障碍。
(2)本文算法的准确率高于对比实验2，表明EEG信号在全脑分布的空间特征对算法设计是有效的，准确率提升了2.84%。
(3)本文算法的准确率高于对比实验3，表明EEG信号的前后时序依赖关系对算法设计是有效的，准确率提升了5.01%。
来源:北京生物医学工程 范艺晶，罗涛，李剑峰 2022.4.17
参考：BCIduino脑机接口社区仅用于学术交流，不用于商业行为，若有侵权及疑问，请后台留言，管理员即时删侵！
更多阅读
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加QQ群：913607986
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
2.加入社区成为兼职创作者，请联系微信：RoseBCI
点个在看祝你开心一整天!