李玉平, 夏斌

　　(上海海事大學 信息工程學院，上海 201306）

       摘要：睡眠數據中各個階段的樣本數差異較大，睡眠數據的自動分期是一個典型的樣本不平衡的機器學習問題。均衡樣本方法通過抽樣的手段來平衡樣本，是解決樣本不平衡問題的主要方法。采用均衡樣本方法來平衡睡眠數據的不同階段的樣本，并且結合多域特征（時域、頻域、時頻域以及非線性）和隨機森林分類算法進行分類預測。比較分析了樣本均衡處理和非均衡處理的分類結果，發現均衡處理后的數據取得了更好的分類效果。

　　關鍵詞：睡眠分期；數據不平衡；隨機森林

0引言

　　睡眠是生命過程中必不可少且十分重要的生理現象。依據國際R&K標準［1］，睡眠期可分為快速眼動期、非快速眼動期（S1，S2，S3，S4）以及清醒期，區別分期主要以眼球是否進行了陣發性快速運動為標準。根據上述睡眠分期標準，睡眠數據可分為6類，且不同類別的數據量之間具有較大的差異性，即睡眠數據分期存在樣本不平衡的問題。在應用機器學習研究睡眠分期過程中，樣本不平衡會導致睡眠分期結果不準確，睡眠分期的可信度降低。在以前的睡眠分期研究中，研究的主要是睡眠數據特征的提取以及分類算法的選?。?4］，并沒有研究睡眠分期樣本不平衡問題。本文采用EEG、EOG、EMG 3種信號5個通道的睡眠數據，研究中發現，EOG信號會出現在EEG信號的一些睡眠分期（如清醒狀態和快速眼動狀態）中，這種數據會對睡眠分期產生不好的影響［5］。本文通過對睡眠分期樣本不平衡的研究以及信號混雜的處理，進一步提高睡眠分期的準確度，同時對相關睡眠疾病的診斷和治療提供重要的參考意義。

　　基于以上睡眠數據分期的討論，本文采用均衡采樣的方法解決睡眠分期樣本不平衡問題，同時研究睡眠數據的特征提取以減少信號混雜對睡眠分期的影響。

1方法

　　1.1特征提取

　　睡眠數據的特征主要劃分為時域特征、頻域特征、時頻域特征以及非線性特征。本文中，提取EEG、EOG和EMG每種信號各38種特征。

　　特征參數如下：第1~6種是6個時域特征［68］：均值（Mean）、方差（Variance）、峰度（Kurtosis）、偏度（Skewness）、過零率（Number of zero crossing，NZC）、最大值(MaxV);第7~19種是頻域特征［810］：對4個子節律波分別提取各自范圍的功率譜能量（SP_）,計算0.01~30 Hz頻帶的總功率譜能量（SP_D），以及總功率譜能量的規范化能量比（NSP_），即theta/beta、beta/alpha、(theta+alpha)/beta, (theta+alpha)/(beta+alpha)；第20~35種是時頻域特征［810］：4個子節律波在當前頻帶范圍上小波系數的均值、能量、標準差以及相對于總頻帶范圍的絕對平均值；第36~38種特征分別是Petrosian分形指數、Hurst指數、排列熵［1112］。

　　1.2均衡采樣

　　睡眠數據存在樣本不平衡的問題，在6類的數據中，最多一類的數據集與最少的一類數據集的比例達到10倍以上，存在嚴重不平衡現象。本文應用均衡采樣的方法處理樣本失衡的問題［13］:(1）分別計算6類睡眠分期數據的個數n1、n2、n3、n4、n5、n6；（2）去掉個數最少和個數最多的個數值，剩余為n1、n2、n3、n4，計算這4類個數的平均值n；（3）對6類數據按個數平均值n采樣，不足平均個數的類別重復采樣，超過平均個數的類別欠采樣；（4）整合6類數據采樣得到的新數據集即為均衡處理后的數據［4，14］。

　　1.3隨機森林分類器

　　隨機森林模型是決策樹集成的算法，并且由一隨機向量決定決策樹的構造。通過訓練集得到隨機森林模型后，當有一個新的輸入樣本進入時，就讓隨機森林的每一棵決策樹分別進行判斷，判斷樣本所屬類別，然后計算哪一個類別被選擇最多，就預測該樣本所屬的類別。隨機森林算法特征參數較多，測試結果不會出現過擬合的情形；能夠處理高維度特征的睡眠數據，不用做特征選擇，對數據集的適應能力強；訓練速度快，能夠檢測不同特征之間的影響［13,15］。

　　隨機森林實現過程為：（1）原始訓練集為N，采用集成算法有放回地隨機選取k個樣本集構建k棵分類樹，每次沒有被抽到的樣本組成k個袋外數據；（2）設定mall變量，在每棵樹的每個節點處隨機抽取mtry個變量（mtry,n,mall）,然后在mtry中選擇一個最佳的分類變量，變量分類的閾值通過檢查每一個分類點確定；（3）每一棵樹最大限度地生長，不做任何修剪；（4）將構造的多棵分類樹組成隨機森林，用隨機森林分類器對新的數據進行判別與分類，分類的結果按樹分類器投票數確定。

2實驗與結果

　　2.1數據

　　本文采用9名受試者的睡眠數據來驗證分類方法和數據不平衡處理的可行性。數據集記錄了這9名志愿者一晚上的睡眠數據，以1~9命名這些數據集。數據包含15個通道的睡眠時的信號數據以及呼吸頻率和身體溫度。對應的EEG、EOG、EMG信號按100 Hz進行采樣。數據集處理部分，分別進行了7/3分和留一方法，采用這兩種方法驗證睡眠分期樣本不平衡的處理效果。

　　2.2數據預處理

　　首先采用巴特沃夫濾波器提取原始睡眠數據中0.01~35 Hz的數據，并應用高斯歸一化方法對數據進行歸一化處理。由于采樣的睡眠數據可能存在標簽不正確的問題，因此會剔除不正確的標簽數據。具體方法是，首先找出空標簽或標簽異常（不在已有類別中的標簽），根據標簽對應的位置，剔除這些標簽對應的數據集，最后更新數據集。采用以上方法進行數據預處理之后，得到7 461條數據。

　　2.3均衡采樣數據

　　經預處理和特征提取之后，對9個受試者的數據進行整合，數據總量為59 680。采用7/3分數據集，即70%數據做訓練集，30%數據做測試集，訓練集數據量為41 773，測試集數據量為17 907。為了驗證均衡采樣的可行性，對訓練集做均衡處理，得到22 465條新的訓練集。

　　2.4結果

　　本文第一種驗證方法是7/3數據集，結果如下：表1是所有數據集7/3分，對訓練集進行均衡處理的分類結果準確率；表2是均衡采樣數據集和普通數據集分類結果對比；表3是不同信號組合，均衡采樣分類結果對比。

第二種驗證方法是對9個受試者的數據集進行留一驗證。分別提取其中8個受試者的數據集作為訓練集做均衡處理，剩下1個受試者的數據集作為測試集。分類結果如圖1所示。

　　由表1得知，同時考慮EEG、EOG、EMG 3種信號5個通道的數據集，得到的分類準確率達到84.33%，wake類別的分類準確率最高，模型對wake類別的泛化能力最好，而S1類別數據量最少，同時分類效果也最差。由表2得知：均衡處理之后，wake、S1、S3、rem這4類睡眠分期結果得到了提升，S4基本一致，S2的結果降低了。由表3知：提取一種信號EEG時，睡眠分期準確率比同時提取多種信號時的準確率低。由圖1留一驗證知，2、5、9號受試者睡眠分期的結果達到了80%以上,分類效果較好；3、6號受試者睡眠分期準確率較低。

3結論

　　本研究采用了EEG、EOG、EMG 3種信號5個通道數據集，并且應用均衡采樣的方法處理訓練集數據不平衡問題，睡眠分期結果較好，平均分類準確率得到了提升，并且有4個睡眠分期的分類結果都得到了提升。在今后對睡眠分期樣本不平衡的研究中，可以采用加權隨機森林或其他的方法處理睡眠數據集不平衡的問題。

　　參考文獻

　?。?］ RECHTSCHAFFEN A Q, KALES A A. A manual of standardized terminology, techniques, and scoring system for sleep stages of human subjects［J］. Psychiatry & Clinical Neurosciences, 1968,55.

　　［2］ 李谷，范影樂，龐全.基于排列組合熵的腦電信號睡眠分期研究［J］．生物醫學工程學志，2009，26(4)：869-872．

　?。?］ Liu Derong，Pang Zhongyu，LLOYD S R．A neural network method for detection of obstructive sleep apnea and narcolepsy based on pupil size and EEG［J］．IEEE Transactions on Neural Networks，2008，19(2)：308-318．

　?。?］ ANAND A, PUGALENTHI G, FOGEL G B, et al. An approach for classification of highly imbalanced data using weighting and undersampling［J］. Amino Acids, 2010,39(5):1385-1391.

　?。?］ BREIMAN L, FRIEDMAN J, OLSHEN R, et al. Classification and regression trees［M］. New York: Chapman & Hall，1984.

　?。?］ SMITH J R. Automated EEG analysis with microcomputers［J］. Medical Instrumentation, 1980,14(6):319-321.

　　［7］ VURAL C, YILDIZ M. Determination of sleep stage separation ability of features extracted from EEG signals using principal component analysis［J］. Journal of Medical Systems,2010,34(1):83-89.

　?。?］ A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms［J］. Journal of Medical Systems，2014，38（3）：1-21.

　?。?］ HAMIDA T B， AHMED B. Computer based sleep staging： challenges for the future［C］. 2013 IEEE GCC Conference and Exhibition, 2013：280-285.

　?。?0］ AKIN M. Comparison of wavelet transform and FFT methods in the analysis of EEG signals［J］. Journal of Medical Systems,2002,26(3):241-247.

　　［11］ FELL J, RSCHKE J, MANN K, et al. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures［J］. Electroencephalography and Clinical Neurophysiology, 1996，98（5）：401-410.

　?。?2］ PEREDA E, GAMUNDI A, RIAL R, et al. Nonlinear behavioor of human EEG: fractal exponent versus correlation dimension in awake and sleep stages［J］. Neuroscience Letters, 1998,250(2):91-94.

　?。?3］ 毛文濤，王金婉，等.面向貫序不均衡數據的混合采樣極限學習機［J］.計算機應用，2015, 35(8)：2221-2226.

　　［14］ He Haibo,GARCIA E A. Learning from imbalanced data［J］，IEEE Transactions on Knowledge and Data Engineering，2009,21(9):1263-1284.

　?。?5］ BREIMAN L. Random forests［J］. Machine Learning，2001, 45（1）:5=32.