许力等：基于一维卷积神经网络的儿童睡眠分期 1255· 置适用于儿童，但由于儿童头型较小，所以颏EMG 型利用卷积神经网络提取时间不变特征，并利用 电极间距离通常需要从2cm减小到1cm,EOG电 双向长短期记忆自动学习脑电图分期间的睡眠转 极距眼睛的距离通常需从1cm减小到0.5cm. 换规律。作者采用了两步训练算法来训练模型，使 由于PSG需要专门的睡眠监测室及专业技术 用来自两个公共睡眠数据集的不同单通道EEGs 人员分析结果，且费用比较昂贵，技术要求高，在 (F4-EOG(左)、Fpz-Cz和Pz-Oz)评估该模型，结果 临床儿童患者中实施存在一定难度，对疑似的儿 表明，与最先进的方法相比，该模型在两个数据集 童患者无法大规模筛查，且患儿依从性不高、配合 上取得了相似的总体精度和f1 score.这表明，在不 度差.而使用单通道EEG可以降低睡眠监测的难 改变模型架构和训练算法的情况下，该模型可以 度，为便携式可穿戴设备的开发提供基础 自动从不同数据集的原始单通道脑电图中学习睡 目前已有的自动睡眠分期方法大多是利用单 眠阶段评分的特征，实现自动睡眠分期.与之类似， 通道或多通道脑电信号，针对成年人的自动睡眠 针对帧和序列进行设计的模型还有SeqSleepNet!141、 分期规则，而适用于儿童的自动睡眠分期方法很 SleepEEGNet!5、CCRRSleepNet!16,它们共同关注 少.由于儿童与成人的EEG存在差异，如儿童的 了睡眠分期的独立性与连续性 后部优势节律(Posterior dominant rhythm,PDR)在 Dehkordi等7刀分析了从脉搏血氧仪光体积描 不同年龄稍有不同，儿童N1期会有睡前超同步 记图(PPG)中提取的心率变异性的标准特征，以识 (HH)和弥散或枕部优势高波幅节律性3~5Hz活 别不同的睡眠阶段.作者使用多导睡眠图和Phone 动，这个是成人没有的，所以很多利用机器学习等 OximeterTM记录了146名儿童的整晚的PPG信号. 方法用于成人的自动睡眠分期方法不适用于儿 根据多导睡眠图，将记录分为1mim,并标记为 童，因此需要对已有方法进行改进或提出更适用 Wake,non-REM和REM.对于每个时段，估计了心 于儿童脑电特征的自动睡眠分期方法 率变异性的六个标准时域和频域特征.作者分别 本文针对睡眠分期这一问题，提出了一种基 训练了两个支持向量机分类器，以对从睡眠时期 于单通道脑电信号的端到端一维CNN(ID-CNN) 中W期和NREM期进行分类.觉醒和睡眠的分类 模型，从而克服了手工提取特征受到先验知识的 精度为77%，REM和NREM的分类精度为80%. 限制：数据集包含14位3到10岁健康受试者，从 基于家庭的儿童睡眠监测是一个急需解决的 而保证了模型对儿童睡眠分期的有效性 问题.由于EEG是了解睡眠的重要标准，所以监 测单通道EEG信号是识别睡眠障碍最有前途的方 1儿童和成人睡眠分期的相关工作 法.该方法不需要在用户身上附加大量的传感器， 目前，睡眠分期依然是由睡眠分析技师采用 更适合儿童的睡眠监测，使得数据更能反应睡眠 AASM准则对多导睡眠图进行人工分期，但是由 习惯.目前的研究大多从脑电中提取各种特征作 于多导睡眠图的数据量非常大，同时由于技师本 为神经网络的训练样本，将深度学习模型作为进 身的主观因素限制，所以这是一项既耗费时间又 一步特征融合和筛选的工具，没有充分展现深度 难以保持客观性的睡眠分期行为，随着近几年人 学习的优势.因此，为了适应当前需求，本文提出 工智能的发展，越来越多的自动化技术被应用到 了一种基于单通道脑电的儿童睡眠分期算法 了医学影像和医学信号领域 2 Dong等2提出了一种实用的方法来解决使 研究方法 用单通道脑电图(EEG)进行睡眠阶段分类的局限 卷积神经网络(Convolutional neural networks,. 性.作者利用整流神经网络检测分层特征，利用长 CNN)是一种深度神经网络.深度学习已在诸如视 短时记忆(LSTM)网络进行序列数据学习，优化单 觉识别，语音识别和自然语言处理等各种问题上 通道记录的分类性能.在探索了替代电极放置后， 取得了很好的成绩.在不同类型的深度神经网络 作者发现了一个舒适的放置于前额的单通道脑电 中，关于卷积神经网络的研究最为广泛图1显 电极位置，并表明它可以与其他电极集成，同时记 示了CNN的层次结构及应用 录眼电图(E0G).通过对62人(494h睡眠)的数据 2.1数据扩容 进行评估，证明该分析算法比现有的顶点或枕部 对于儿童睡眠数据少的情况，可采用重叠的 电极放置方法的性能更好 方法对数据集进行扩充，规则如下：如果受试者的 Supratak等)提出了DeepSleepNet模型，该模 两个连续时期具有相同的睡眠阶段，则使用滑动置适用于儿童，但由于儿童头型较小，所以颏 EMG 电极间距离通常需要从 2 cm 减小到 1 cm，EOG 电 极距眼睛的距离通常需从 1 cm 减小到 0.5 cm. 由于 PSG 需要专门的睡眠监测室及专业技术 人员分析结果，且费用比较昂贵，技术要求高，在 临床儿童患者中实施存在一定难度，对疑似的儿 童患者无法大规模筛查，且患儿依从性不高、配合 度差. 而使用单通道 EEG 可以降低睡眠监测的难 度，为便携式可穿戴设备的开发提供基础. 目前已有的自动睡眠分期方法大多是利用单 通道或多通道脑电信号，针对成年人的自动睡眠 分期规则，而适用于儿童的自动睡眠分期方法很 少. 由于儿童与成人的 EEG 存在差异，如儿童的 后部优势节律（Posterior dominant rhythm，PDR）在 不同年龄稍有不同，儿童 N1 期会有睡前超同步 （HH）和弥散或枕部优势高波幅节律性 3～5 Hz 活 动，这个是成人没有的，所以很多利用机器学习等 方法用于成人的自动睡眠分期方法不适用于儿 童，因此需要对已有方法进行改进或提出更适用 于儿童脑电特征的自动睡眠分期方法. 本文针对睡眠分期这一问题，提出了一种基 于单通道脑电信号的端到端一维 CNN（1D-CNN） 模型，从而克服了手工提取特征受到先验知识的 限制;数据集包含 14 位 3 到 10 岁健康受试者，从 而保证了模型对儿童睡眠分期的有效性. 1    儿童和成人睡眠分期的相关工作 目前，睡眠分期依然是由睡眠分析技师采用 AASM 准则对多导睡眠图进行人工分期，但是由 于多导睡眠图的数据量非常大，同时由于技师本 身的主观因素限制，所以这是一项既耗费时间又 难以保持客观性的睡眠分期行为. 随着近几年人 工智能的发展，越来越多的自动化技术被应用到 了医学影像和医学信号领域. Dong 等[12] 提出了一种实用的方法来解决使 用单通道脑电图 (EEG) 进行睡眠阶段分类的局限 性. 作者利用整流神经网络检测分层特征，利用长 短时记忆（LSTM）网络进行序列数据学习，优化单 通道记录的分类性能. 在探索了替代电极放置后， 作者发现了一个舒适的放置于前额的单通道脑电 电极位置，并表明它可以与其他电极集成，同时记 录眼电图 (EOG). 通过对 62 人 (494 h 睡眠) 的数据 进行评估，证明该分析算法比现有的顶点或枕部 电极放置方法的性能更好. Supratak 等[13] 提出了 DeepSleepNet 模型，该模 型利用卷积神经网络提取时间不变特征，并利用 双向长短期记忆自动学习脑电图分期间的睡眠转 换规律. 作者采用了两步训练算法来训练模型，使 用来自两个公共睡眠数据集的不同单通道 EEGs (F4-EOG(左)、Fpz-Cz 和 Pz-Oz) 评估该模型，结果 表明，与最先进的方法相比，该模型在两个数据集 上取得了相似的总体精度和 f1 score. 这表明，在不 改变模型架构和训练算法的情况下，该模型可以 自动从不同数据集的原始单通道脑电图中学习睡 眠阶段评分的特征，实现自动睡眠分期. 与之类似， 针对帧和序列进行设计的模型还有 SeqSleepNet[14]、 SleepEEGNet[15]、 CCRRSleepNet[16] ，它们共同关注 了睡眠分期的独立性与连续性. Dehkordi 等[17] 分析了从脉搏血氧仪光体积描 记图（PPG）中提取的心率变异性的标准特征，以识 别不同的睡眠阶段. 作者使用多导睡眠图和 Phone OximeterTM 记录了 146 名儿童的整晚的 PPG 信号. 根据多导睡眠图 ，将记录分为 1 min，并标记为 Wake，non-REM 和 REM. 对于每个时段，估计了心 率变异性的六个标准时域和频域特征. 作者分别 训练了两个支持向量机分类器，以对从睡眠时期 中 W 期和 NREM 期进行分类. 觉醒和睡眠的分类 精度为 77%，REM 和 NREM 的分类精度为 80%. 基于家庭的儿童睡眠监测是一个急需解决的 问题. 由于 EEG 是了解睡眠的重要标准，所以监 测单通道 EEG 信号是识别睡眠障碍最有前途的方 法. 该方法不需要在用户身上附加大量的传感器， 更适合儿童的睡眠监测，使得数据更能反应睡眠 习惯. 目前的研究大多从脑电中提取各种特征作 为神经网络的训练样本，将深度学习模型作为进 一步特征融合和筛选的工具，没有充分展现深度 学习的优势. 因此，为了适应当前需求，本文提出 了一种基于单通道脑电的儿童睡眠分期算法. 2    研究方法 卷积神经网络（Convolutional neural networks, CNN）是一种深度神经网络. 深度学习已在诸如视 觉识别，语音识别和自然语言处理等各种问题上 取得了很好的成绩. 在不同类型的深度神经网络 中，关于卷积神经网络的研究最为广泛[18] . 图 1 显 示了 CNN 的层次结构及应用. 2.1    数据扩容 对于儿童睡眠数据少的情况，可采用重叠的 方法对数据集进行扩充，规则如下：如果受试者的 两个连续时期具有相同的睡眠阶段，则使用滑动 许    力等： 基于一维卷积神经网络的儿童睡眠分期 · 1255 ·