一种用于家庭睡眠监护的脑电预处理算法

中国医学物理学杂志

-2653-May．,2011

Vol．28．No．3

ChineseJournalofMedicalPhysics

一种用于家庭睡眠监护的脑电预处理算法

张婷婷，汪丰（东南大学生物科学与医学工程学院，东南大学移动通信国家重点实验室，江苏南京210096）

摘要：目的：睡眠是人体重要的生理活动，对睡眠进行合理的分期，是研究睡眠质量诊断，睡眠疾病的基础。脑电是描述睡眠过程中最显著和最直观的信号，但是由于脑电信号本身比较微弱，心电干扰会随机地出现在脑电信号中，本文的主要目的就是基于手机的家庭睡眠分析的需要，设计一种简单的心电抑制算法。方法：通过参考心电信号的R波检测，提取R峰位置，作为脑电信号中的心电干扰的参考点，建立模板来替换脑电信号中的心电伪迹。结果：从处理后的脑电信号的时域图和频谱图可以看出，心电伪迹得到了有效抑制。结论：将原始脑电信号的各频带能量分布和自适应算法以及本文所提出的算法滤除心电伪迹后的能量分布加以比较，可见抑制心电干扰后，睡眠各期的分段谱特征差异性加大，从而更有利于后面的睡眠各期的自动分类。

关键词：睡眠监护；EEG；ECG；伪迹；QRS波检测；自适应滤波

DOI编码：doi：10.3969/j.issn.1005-202X.2011.03.021

中图分类号：TP399

文献标识码：A

文章编号：1005-202X（2011）03-2653-05

ANewEEGPreprocessingAlgorithmAppliedtoHomeSleepHealth-care

ZHANGTing-ting，WANGFeng

（SchoolofBiologicalScience&MedicalEngineering,SoutheastUniversity,NationalMobileCommunicationsResearchLaboratory,SoutheastUniversity,NanjingJiangsu210096）

Abstract:Objective:Sleepisanimportantphysiologicalactivityofhuman.Itisthebasisforreasonablesleepstagestostudythesleepqualityanddiagnosesleepdisorders.EEGisthemostsignificantandmostintuitivesignalindescribingsleep,buttheEEGsignalisveryfaint,andtheamplitudeoftherandompresenceoftheECGartifactsisverylarge.ThispapertriestouseasimplemethodtoeliminatetheECGartifactsinviewoftheneedofthehomesleephealth-careonmobile.Methods:BymeansofRpeakdetectionofthereferenceECGsignal,wemaketheRpeakpositionasthereferencepointoftheECGartifactsintheEEGsignal,andthenbuildatemplatetoreplacetheartifacts.Results:Fromthetime-domaingraphandthespectralgraphoftheprocessedEEG,wecanseethattheECGartifactshavebeeneffectivelysuppressed.Conclusions:AftereliminatingtheECGartifacts,thespectralfeaturesdifferencesofeachSleepstageareincreased,thus,itwillbemoreconducivetotheAutomaticsleepstageclassification.

Keywords:sleephealth-care;EEG;ECG;artifacts;QRSdetection;adaptivefiltering

前言

收稿日期：2011-03-03

基金项目：东南大学移动通信国家重点实验室开放研究基金资助课题

（No：2010D07）

作者简介：张婷婷（1986-），女，东南大学生物科学与医学工程学院硕

士研究生，河南周口人，研究方向：生理信号处理。

通讯作者：汪丰，副教授。E-mail：feng.wang@seu.edu.cn。

睡眠是一种重要的生理现象是机体复原、整合和巩固记忆的重要环节，是健康不可缺少的组成部分。了解睡眠的特点和机理对改善睡眠质量、诊治睡眠疾患有重要的意义。在医院采用什么睡眠分析仪进行睡眠分析，设备紧张，需要排队等待。此外，在医院环境下，病人本身睡眠会受到影响，影响对睡眠进行诊断。在家庭进行睡眠监护则没有上述问题[1]。基于手机为核心构建远程多参数生理监护系统，非常适合用于家庭睡眠监护。

-2654-中国医学物理学杂志

第28卷第3期

2011年5月

家庭睡眠监护包括睡眠分期，睡眠呼吸暂停分析等。在进行自动分析时，需要保证信号未受到干扰。睡眠分期的定义是基于脑电(EEG)，肌电(EMG)，眼电(EOG)的不同频率成分和波形特征，把睡眠分为清醒期(W)、快速眼动期(REM)，非快速眼动期(NREM，包括S1、S2、S3和S4期)[2]。在家庭监护中，希望尽量使用较少的生理信号，并且可以进行实时分析，以便发现紧急情况及时处理，也可以实现睡眠处于浅睡期时唤醒等[4]。

脑电是区分深睡期和浅睡期的重要生理信号。很多学者开展了基于脑电信号进行睡眠分期的研究[3]。由于脑电信号本身比较微弱，心电信号会对脑电图造成干扰。心电干扰有时会随机地出现在脑电信号中，且幅度较大[4]。心电干扰并且心电信号的主要频率范围与自发脑电的频率范围大致相同，而脑电信号的频谱特征是进行睡眠分期的重要特征，因此，有必要对脑电信号中的心电干扰进行抑制。关于心电干扰伪迹的消除，人们已经提出多种方法，近年来最常用的有主分量分析(PCA)、独立分量分析(ICA)、自适应滤波和小波变换等[5,6]。

尽管手机平台的处理能力已经有很大的提高，但是仍然希望手机平台的分析算法尽可能简单。本文重点根据基于手机的家庭睡眠分析的需要，提出了一种简单的心电抑制算法。该方法通过心电信号的R波检测，提取R峰位置，作为脑电信号中的心电干扰的参考点，建立模板来替换掉脑电中的心电伪迹。并在MIT/BIH睡眠数据库上进行算法估计，与基于自适应滤波器的心电信号消除算法进行了比较。

出现明显的ECG干扰，就如图1（b）和图1（c）所示，从图中可以看出，EEG信号中ECG干扰出现的位置与ECG信号的QRS波位置相近，只是波形有所区别。

基于上述相关性，我们提出了一种简单的心电干扰抑制方法。算法流程如图2所示：包括以下几个基本过程。

1.1ECG信号R峰检测

QRS复波的检测算法是基于经典的Tompkins的方法来设计的。因为QRS复波的频率范围在5~15HZ，所以带通滤波器被设计用来提前这一特殊频段。设计这种滤波器的方法来源于Lynn和Tompkins的方法。经过带通滤波后的信号需要被差分以提供QRS复波的倾斜的信息，然后对得到的信号做35个采样点的移动平均。详细的滤波算法如下所示：

图4是心电信号经过每一个滤波器后的波形结果：图4（a）是带通滤波后的心电波形，图4（b）是差分滤波后的心电波形。图4（c）取绝对值后的心电波形。图4（d）移动平均后的心电波形。（e）检测出相应R峰的心电信号。

1方法

在实际的睡眠信号采集中，由于测量位置及被测对象的关系，ECG信号并不总是出现在EEG信号中，如下图1（a）所示，图中的EEG信号就没有受到ECG伪迹的干扰。但是在大多数情况下，EEG信号中都会

图2算法流程图

Fig.2Algorithmflowchart

(a)无心电伪迹

（b）波形相似

图1参考ECG和EEG样本

（c）波形不相似

Fig.1ExamplesoftemporalsegmentsofanEEGrecordandreferenceECG

-2655-中国医学物理学杂志

第28卷第3期

2011年5月

1.2ECG和EEG信号中的QRS复波检测

ECG信号的R峰位置确定出来后，为了将QRS复波准确的检测出来，还需要找到QRS复波的前后两个基点，文章采用的方法是在R峰前后的0.05ms内分别寻找极小值，这两个个极小值就认为是QRS复波的基点，这样QRS复波的位置就确定出来了。由于EEG中的干扰QRS复波所出现的位置和ECG中的QRS复波的位置大致相同，将ECG中的QRS复波对应映射到EEG中，就可以先定位出EEG中QRS波群的大致范围，再在这个范围内寻找R峰，进而准确确定EEG中QRS复波的位置。ECG和EEG信号中的QRS复波检测结果如图5所示。1.3EEG中QRS复波模板的建立和滤波

这一过程的原理是基于模式识别的，考虑到出现

图3ECG信号的R峰检测算法架构

Fig.3AlgorithmfordetectionofRpeakinECGsignal

图4ECG信号R峰检测过程

Fig.4TheprocessofRpeakdetection

图5ECG和EEG信号中的QRS复波

Fig.5ThedetectionofQRScomplexesintheECGsignalandEEGsignal

-2656-中国医学物理学杂志

第28卷第3期

2011年5月

在EEG中的ECG干扰主要是以棘波的形式出现的，而棘波直接影响到睡眠分期。因此去除棘波是模板建立的根本，文章采用了两种模板对受影响波段进行替换，一种是直线型，另外一种是曲线型，图6是二者的滤波效果。

2算法性能评价

通过选取MIT-BIH多导睡眠数据库中的脑电信号，和心电信号，构造出有心电干扰的脑电信号，以评价所设计的算法的性能，下面给出具体的测试结果。

原始脑电信号和心电信号均为MIT-BIH多导睡眠数据库中的slp66信号（图7（a）和图7（b）所示）。将心电信号乘以一定的比例添加到脑电信号中去模拟

噪声，从图7（b）可以看出，脑电信号几乎湮没在了心电信号中，图7（c）是滤除心电噪声后的脑电信号。图8是心电抑制的频域过程，图8（a）是ECG信号的谱分布，图8（b）是带有心电伪迹的脑电信号的谱分布，图8（c）是滤波之后的脑电谱分布。从中可以看出，文章所提出的算法对于工频干扰的去除，效果比较理想，可以满足应用需求。

3心电抑制对睡眠分期的影响

因为我们进行心电抑制的目的是为了能使处理后的脑电数据更有利于进行睡眠分期，下面我们看一下滤除心电干扰后对睡眠各期的影响，采用的是MIT-BIH多导睡眠数据库中的slp01a信号。人类的

（a）直线型

图6直线型和曲线型滤除ECG前后的EEG

（b）曲线型

Fig.6ComparisonbetweentheLineTypefilteredEEGandtheCurveTypefilteredEEG

图7心电伪迹消除

图8心电伪迹消除的频谱图

Fig.7ECGartifactcancellationFig.8EEGartifactcancellationinthefrequencydomain

-2657-中国医学物理学杂志

第28卷第3期

2011年5月

图9滤除心电干扰前后的睡眠各期相对能量分布

Fig.9RelativepowersofthesleepstagesbetweentheprimaryEEGandthefilteredEEG

脑活动分为三种状态，即清醒状态（wake），非快速眼动睡眠期(non-rapideyemovementsleep，NREMsleep)和快速眼动睡眠期(rapideyemovementsleep，REMsleep)。其中NREM睡眠又可被分为4期，分别为浅睡期（S1期）、轻睡期（S2）、深睡期（S3期）、极度深睡期（S4期）。为了便于评价算法，这里我们睡眠包括清醒期一共分为四个期，即清醒期、浅睡期（S1、S2）、深睡期（S3、S4）、REM期。

图9是slp01a滤除心电干扰前后的睡眠各期谱分布。根据睡眠节律的特点，通常按下述四个频带统计睡眠脑电的分段谱特征0.5Hz~4Hz，4Hz~8Hz，8Hz~13.5Hz，13.5Hz~32.5Hz。红色图是带有心电噪声的原始脑电信号分段谱分布情况，蓝色图采用本文所提出的曲线型模板进行心电抑制后的分段谱分布情况，紫红色图是采用自适应滤波滤除心电干扰后的脑电分段谱分布。从图中我们可以看出，由于心电信号的频带范围在5Hz~18Hz，以上两种方法在滤除心电干扰后，均使高频带的谱能量削弱，低频带的谱能量增强，而各个期的高低频带的频谱差异加大，尤其是REM期。睡眠各期各个谱特征间的差异性变大，从而更有利于后面的睡眠的自动分类。

价。使用本文所提的算法进行心电抑制后，脑电信号中的心电干扰得到明显消除，睡眠各期的分段谱特征差异性加大，更有利于后面的睡眠自动分类。并与基于自适应滤波器的心电信号消除算法进行了比较，得到了类似的滤波效果。如何建立有效的心电替换模板，是本算法的核心，文章只提出了简单的直线型和曲线型，下一步可以试着尝试建立其他更有效的模板，来进行心电抑制，以取得更好的结果。参考文献：

[1]马颖颖.脑电信号的特征提取及睡眠分期方法研究[D].西安：西北

工业大学,2007:1-12.

[2]Rechtschaffen,A.Kales.1968.AManualofStandardizedTerminology,

TechniquesandscoringsystemforSleepStagesofHumanSubjects[S].USGovernmentPrintingoffice,Bethesda,MD.NationalInstitutesofHealthPublication.

[3]AgustinaGarcésCorrea,EricLaciar,HéctorD.Pati觡o,etal.An

AutomaticSleep-StageClassifierUsingElectroencephalographicSignals[J].InternationalJournalofMedicalSciencesandTechnology,2008,1(1):13-21.

[4]JohnR.Hughes.临床实用脑电图学[M].北京：人民卫生出版社,

1997:38-50.

[5]陈颖萍.基于小波和独立分量分析的脑电信号预处理研究[D].武

汉：华中科技大学,2006:12-25.

[6]AGarcésCorrea,ELaciar,HDPati觡o,etal.Artifactremovalfrom

EEGsignalsusingadaptivefiltersincascade[J].JournalofPhysics:ConferenceSeries,2007,90(012081).13-21.

4结论

本文基于手机的家庭睡眠分析的需要给出了一种简单的心电抑制算法，并对算法的性能进行了评