Article Info

[摘要]对于睡眠姿势的有效监测可以对某些疾病的诊断、预防、治疗提供直接参考。本文提出了一种基于生物电阻抗技术的睡眠姿势识别新方法。该方法采用无创、连续的生物电阻抗技术采集左右胸部呼吸电阻抗信号，从呼吸电阻抗信号中提取睡眠姿态信息，达到睡眠姿势识别的目的。该系统硬件部分采用Agilent E4980A电阻抗仪，通过多通道开关实时采集人体左右胸部两通道的呼吸信号。软件部分分为实时的计算机Labview显示和存储部分以及线下Matlab分类识别处理算法部分。实验共召集了19名测试者参与，每人4次实验。测试者在指导下依次保持仰卧位、左侧卧位、右侧卧位、俯卧位4种姿势，分别在4种姿势下做正常呼吸运动。根据提取的特征值使用支持向量机的方法对4种姿势进行分类识别，结果显示测试组的最高分类识别精度可以达到94.6%。

[关键词]生物电阻抗技术；呼吸信号；睡眠姿势识别；特征提取；支持向量机

引言

在人类平均每天约7～9 h的睡眠过程中，身体会自身调节、修复和生长。睡眠对人的身心健康以及情绪有着重要的影响[1]。主观评价法和客观评价法是目前惯用的评估睡眠质量的两种方法，各有优缺点。在客观评价法方面，评估夜间睡觉质量大多用到脑电图研究，如多导睡眠仪，患者在睡眠实验室或在家中都能接受相关检测[2]。在连续睡眠监测中，睡眠姿势的改变是客观评价睡眠质量的重要方式之一[3]。睡眠姿势也是睡眠分期和睡眠困难评估的关键指标之一，广泛用于临床中。

睡眠姿势对呼吸暂停的影响引起了诸多学者的广泛关注。近年来，许多有关于分析睡眠呼吸暂停和睡眠姿势关系的研究工作也取得了巨大的进展。韩国高丽大学的Lee等[4]研究报道，侧卧位睡姿能够有效地减轻中度/轻度睡眠呼吸暂停综合征患者的睡眠障碍。Liu等[5]研究表明，呼吸疾病患者应避免仰卧位的睡姿。体位性阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea，OSA）患者在仰卧位睡眠时会发生为呼吸异常。然而在侧卧位时，他们发生呼吸暂停和低通气的次数显著降低甚至完全消除[6]。因此，睡眠姿势的实时识别与调节将有效地减轻睡眠呼吸暂停患者的睡眠呼吸障碍。

睡眠姿势已被证明是评估睡眠质量和预防压疮的关键因素[7]。德克萨斯大学的Yousefi等[8]研制出一个人体压力分布示意图测量系统，可实时监测卧床病人全身的压力分布，根据监测数据的指示，帮助临床护理人员对病人姿势做出及时调整。

由此可见，对于睡眠姿势的实时监测可以实现相关呼吸疾病的早诊断、早预防、早预警。睡眠姿势监测俨然已成为睡眠监测的重要指标，对人类的健康产生直接影响。

基于以上背景，本课题提出了一种基于生物电阻抗技术的睡眠姿势识别新方法。利用电阻抗技术实时监测左侧胸部和右侧胸部的呼吸电阻抗信号，从两通道呼吸信号中提取睡眠姿态信息，深入分析左右胸部呼吸阻抗相关性与睡眠姿态之间的关系，结合支持向量机（Support Vector Machine，SVM）等分类算法，实现睡眠姿势精确识别。

1 材料与方法

生物电阻抗技术是一种运用生物组织与器官的电生理特性及其变化规律，提取出与人体生理、病理状况相关的生物医学信息的检测技术[9]。通常是借助置于体外（表）的电极系统向受试对象注入一个微小的交流激励电流，检测电压变换，最后换算得到相应部位的电阻抗变化。根据不同的应用目的，可以获取相应的生理和病理信息。作为一种非侵入的方法，生物电阻抗法提取信息快[10]，无创、安全、廉价、操作简便、功能完备、信息丰富，医生和病人易于接受。

对人体相应组织注入一个稳定的微小的交电流，检测相应组织部位的电压，根据电压与电流比值关系计算出生物电阻抗值[11]：Z=U/I。

生物电阻抗技术的一大应用领域就是用于呼吸信号的检测，包括呼吸通气功能检测[12-13]及电阻抗成像用于呼吸通气的检测[14]。研究表明，可以通过测量呼吸过程中胸部的电阻抗变化来检测呼吸频率、潮气量等指标[15]。

基于生物电阻抗技术的睡眠姿势识别实验方案，见图1。主要包括计算机一台、Agilent E4980A阻抗仪一台、多通道开关转接板、一次性心电电极等。本实验可实现人体左胸、右胸两个位置同步采集电阻抗呼吸信号。两个通道注入的人体电流均为1 mA、50 kHz的正弦交流电流，符合人体安全要求。

图1 睡眠姿势识别实验方案

注：PC为计算机；LCR Meter为Agilent E4980A电阻抗仪；Multichannel adapter为多通道开关转接板；I+、I-、V+、V-分别代表阻抗仪输出的激励电流正极、激励电流负极、测量电压正极、测量电压负极；IL、IR、VL、VR为多路开关上的连接节点；对应于阻抗仪的I+、I-、V+、V-。IL1、IR1为作用于人体的左右胸部共用的激励电流的正极和负极；VL1、VR1为右侧胸部的测量电压的正极和负极；VL2、VR2为左侧胸部的测量电压的正极和负极。

实验时，通过Agilent E4980A电阻抗仪向人体提供一激励电流，同时检测相应部位的电压值，通过阻抗计算的相关运算法则计算得到电阻抗值，在计算机上显示并能存储数据。整体框图，见图2。

本实验采用一次性医用Ag-Agcl心电电极，导电性能良好，耐受度强，使用时间长。本实验实际测量时激励电极与测量电极的佩戴示意图，见图3。

图3 电极贴法示意图

注：I+为激励电极的正极；I-为激励电极的负极；VL+为左胸通道测量电极正极；VL-为左胸通道测量电极负极；VR+为右胸通道测量电极正极；VR-为右胸通道测量电极负极。

选择19个健康志愿者参与本实验，采用仰卧位、左侧卧位、右侧卧位、俯卧位4种睡眠姿势。4种睡眠姿势示意图，见图4。

（1）按图3方式贴好两个位置的电极，贴电极前，用砂纸去除贴电极部位的角质，然后用医用消毒酒精对皮肤进行消毒。

（2）让受试者处于仰卧状态，启动电阻抗仪，开启计算机Labview软件，发出指令，让受试者开始正常呼吸。持续5 min。

（3）5 min后暂停计算机让受试者换成左侧卧位姿势。开启软件，发出指令，让受试者开始正常呼吸。持续5 min。

（4）接着，休息2 min，暂停计算机。让受试者换成右侧卧位姿势。开启软件，发出指令，让受试者开始正常呼吸。持续5 min。

（5）最后，休息2 min，暂停计算机。让受试者换成俯卧位姿势。开启软件，发出指令，让受试者开始正常呼吸。持续5 min。

（6）完成全部数据的测试，存好数据，关闭软件和阻抗仪，摘除电极。

硬件部分由Agilent E4980A电阻抗仪、多路开关、导线、Ag-Agcl心电电极、计算机组成。阻抗仪用来向被试者输入一个恒定的安全电流，然后检测相应部位的电压，通过计算得到阻抗值。多路开关用来使单一输出的电阻抗分路输出，达到左右胸部两通道同时采集的目的。电极线和电极作用于被试者，实现信号的传输。计算机用来对电阻抗数据的显示和存储。

软件由Labview 2010实时采集和Matlab R2010b线下处理共同实现。其中，在线采集部分分为4个模块：信号读取模块、数据转化模块、显示模块和数据存储模块。线下处理部分包括：数据读取模块、预处理模块、特征提取模块和分类算法模块。将软件系统分开进行设计，将获得更加清晰明确的设计流程，节约开发时间，并且使系统调整和修改具有更加灵活的空间。Labview在线采集部分，见图5。Matlab线下处理部分，见图6。

信号读取模块实现连接Agilent E4980A电阻抗仪，接口匹配，函数调用的功能；数据转化模块实现获得信号的转化，将模拟量转化为数字量；显示模块实两通道电阻抗呼吸信号的实时显示，包括阻抗值的实部和虚部；数据存储模块实现最终呼吸信号数据的存储，存储形式为“.excel”格式。在线采集部分的软件设计流程图，见图7。Matlab线下处理部分是本实验的数据处理的关键部分，对能否实现姿势的正确识别至关重要；数据读取模块功能是用Matlab将存为Excel格式的数据正确读取，便于后面的算法处理；预处理模块功能是对数据去噪、滤波、分段等处理；特征提取模块用于对所要选取的特征值的算法实现，并进行分段的存储；分类算法模块则是根据所提取到的特征值，用模式识别方法，达到分类识别的目的。

2 结果

对左右胸部两通道采集的呼吸电阻抗信号进行分析，获得有用的信息作为分类的指标。而特征提取是分类识别的初级运算，是对不同信号所具有特点的深度提炼和总结，为接下来的各种分类算法做准备。

实验通过佩戴在患者左右两侧胸部对应位置的测试电极，采集生物电阻抗数据。首先采集左侧胸部电阻抗呼吸信号ZL(k)，同时采集右侧胸部电阻抗呼吸信号ZR(k)，采集得到的呼吸信号经过Matlab初步滤波、去过载点等预处理，得到仰卧、左侧卧、右侧卧、俯卧4种姿势下的原始呼吸波形，分为上下两个通道显示。初步处理得到的两通道生物电阻抗呼吸信号波形图，见图8。

对原始信号ZL(k)、ZR(k)进行相关特征的提取，作为特征值，输入到SVM方法训练集。本实验得到6个原始特征值：ZL、ZR、FL、FR、SL、SR，进过相应的整合处理，得到可以反映整合后左右通道呼吸信号和不同姿势关系的参数，最后确定用整合后的6个参数作为本实验的特征值。总体框图，见图9。

根据对两通道原始呼吸信号的初步观察，左侧卧时，右侧通道的呼吸信号基线值要明显高于左侧通道；右侧卧时情况相反。

根据所述左侧胸部的电阻抗呼吸信号，计算出左侧胸部的电阻抗均值，即

其中ZL为左侧胸部的电阻抗均值，ZL(k)为左侧胸部在当前时刻k的电阻抗值，N为采集数据的长度。

根据所述右侧胸部的电阻抗呼吸信号，计算出右侧胸部的电阻抗均值，即

其中ZR为右侧胸部的电阻抗均值，ZR(k)为右侧胸部在当前时刻k的电阻抗值，N为采集数据的长度。

接下来，计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之差(ZL-ZR)，将差值(ZL-ZR)作为第一参考特征值，记做M1；计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之和(ZL+ZR)，并将和(ZL+ZR)作为第二参考特征值，记做M2。

进一步观察，左侧卧时，左侧通道的呼吸信号波形幅度要高于右侧通道；右侧卧时情况相反。仰卧和俯卧时两通道的呼吸信号波形幅度要稍高于另外两种姿势。

根据所述左侧胸部的电阻抗呼吸信号，找出极大值点ZLmax和极小值点ZLmin。对阻抗值求微分，为找到极值点做准备，即

其中DiffL(k-1)为当前阻抗的微分值，ZL(k)为左侧电阻抗呼吸信号的当前阻抗值。

计算出当前时刻k的左侧胸部的电阻抗极大值点和极小值点差的平均值，即呼吸信号幅值的平均值:

其中，FL表示左侧呼吸信号的平均幅值，ZLmax表示左侧胸部的电阻抗极大值，ZLmin表示左侧胸部的电阻抗极小值，N为采集数据的长度。

同理得到右侧胸部的电阻抗极大值点和极小值点差的平均值，即呼吸信号幅值的平均值:

其中，FR表示右侧呼吸信号的平均幅值，ZRmax表示右侧胸部的电阻抗极大值，ZRmin表示右侧胸部的电阻抗极小值，N为采集数据的长度。

把两个通道的信号特征通过简单计算用一个时域特征来表示。因此，将左右胸部电阻抗呼吸信号平均幅值的差值(FL-FR)作为第3参考特征值，记做F1；将左右胸部电阻抗呼吸信号平均幅值的和值(FL+FR)作为第4参考特征值，记做F2。

在吸气和呼气过程中，呼吸信号的积分值经过Biopac呼吸流量计的定标，分别反映了吸气和呼气的气量。在本实验中，采集的电阻抗呼吸信号是一个个离散的阻抗值点，因此求离散点的积分值为离散点的累加之和。

根据所述左侧胸部的电阻抗呼吸信号，对左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到积分累加值，即：

其中，SL表示得到的积分累加值，ZL(k)表示左侧胸部在当前时刻k的电阻抗值，N为采集数据的长度。

根据所述左侧胸部的电阻抗呼吸信号，对右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到积分累加值，即：

其中，SR表示得到的积分累加值，ZR(k)表示右侧胸部在当前时刻k的电阻抗值，N为采集数据的长度。

把两个通道的信号特征值通过简单计算用一个时域特征来表示。因此将左右胸部电阻抗呼吸信号积分累加值的差值(SL-SR)作为第5参考特征值，记做S1；将左右胸部电阻抗呼吸信号平均幅值的和值(SL+SR)作为第6参考特征值，记做S2。由此，我们得到了第3组需要的特征值S1和S2。

SVM是一种极为高效的用于解决各种分类和回归问题的技术。SVM由Vapnik[16]首先提出，是一种新型的统计学习方法[17]。SVM的中心思想是建立一个高维超平面作为决策面，从而让各类样本点的间隔边沿达到最大程度，从而找到一个最优的分类面。

SVM实现了从低维到高维样本空间的非线性映射过程，见图10。

在用SVM对样本进行分类识别时，通常会用到以下的步骤：① 把样本的特征值数据转化成SVM所需要的数据包格式进行存储；② 在有必要的情况下对数据进行统一的规范化，按比例缩放到某个区间范围；③ 考虑使用哪种核函数，包括线性核函数（Linear）、多项式核函数（Polynomial）、径向基核函数（Radial Basis Function，RBF）、S型核函数（Sigmoid），优先考虑使用RBF核函数；④ 使用交叉验证来找到最优的关联参数c和γ；⑤ 选择最优的关联参数c和γ，接着应用于整个训练集的训练，建立训练好的分类模型；⑥ 用建立好的模型对测试集进行预测，得出分类识别的识别精度。

在使用以上不同的方法和参数进行测试比较之后，得到最终的一个用支持向量机方法的睡眠姿势识别精确程度的评估，综合评价，见表1。

表1 SVM各种方法综合评估

由上表可知，进过规范化和交叉检验后得到了最高的分类准确率94.5652% (87/92)。因此，用支持向量机的方法对睡眠姿势有很好的分类识别效果。

3 讨论

Lee等[18]开发和测试了一个系统，该系统使用12导联和导电床单来获取无约束的心电图信号的方法来识别身体姿势。RBF内核的支持向量机用来评估4个在床上的身体姿势：仰卧、俯卧、左侧卧和右侧卧，最高的估计精度可达98.4%。Wrzus等[19]用绑在受试者胸部的三轴动态加速度计获得的数据来识别睡眠姿势，识别准确率达到99.7%。Hoque等[20]介绍了一种利用加速度计和基于WISP网络平台和无线射频技术的睡眠监测系统。展示了准确从紧贴床垫的加速度计获得的身体位置型号并通过WIPS网络传输，动作发生和持续的时间同样可以被检测到。最后对单独动作的识别准确率达到100%，而对于连续监测的识别准确率也达到90%。Liu等[5]提出的一种压力感应床单结合算法的方法来识别和监测睡眠姿势，最后识别精度达到83.0%。

该方法相比较其他睡眠姿势检测的方法有许多优点，不仅可以避免监测时佩戴过多传感器对受试者造成的不舒适感，而且同时可以为医护工作人员提供准确的监测信息，为某些疾病的诊断、预防、治疗作指导。同时，分类识别精度最高可达到94.6%，也在一个较高的可接受范围内，能够被用来对4种睡眠姿势进行识别。

4 结论

通过实验设计、数据采集和数据分析，各种睡眠姿势识别方法进行对比，本研究得出以下两点结论：① 提取的参考特征值相互间基本都有显著性差异，对有效区分左侧卧、右侧卧、仰卧、俯卧4种睡眠姿势有很好的分类基础；② 用SVM的方法进行训练然后进行分类预测，准确率达到94.6%，表明此方法也能对4种睡眠姿势进行较好的区分。由此可见，本课题创造性的提出了一种基于生物电阻抗技术的两通道睡眠姿势识别新方法。利用电阻抗仪采集左、右胸两通道的呼吸电阻抗信号，从呼吸信号中提取睡眠姿势的信息，结合特征提取和支持向量机的高精度分类算法，实现4种姿势的精确识别（精度94.56%），是一种低负荷睡眠姿势监测新方法。

[1] Liu X,Payandeh S.Toward study of features associated with natural sleep posture using a depth sensor[A].IEEE Canadian Conference on Electrical and Computer Engineering[C].New York:IEEE,2016:1-6.

[2] Zhang L,Zhao ZX.Objective and subjective measures for sleep disorders[J].Neurosci Bull,2007,23(4):236-240.

[3] 胡弢,王蕾,侯琳琳,等.基于加速度传感器的睡眠体位监测方法的研究[J].中国医学物理学杂志,2012,29(4):3542-3545.

[4] Lee JB,Park YH,Hong JH,et al.Determining optimal sleep position in patients with positional sleep-disordered breathing using response surface analysis[J].J Sleep Res,2009,18(1):26-35.

[5] Liu JJ,Xu W,Huang MC,et al.Sleep posture analysis using a dense pressure sensitive bedsheet[J].Pervasive Mob Compu, 2014,10:34-50.

[6] Oksenberg A,Gadoth N.Are we missing a simple treatment for most adult sleep apnea patients? The avoidance of the supine sleep position[J].J Sleep Res,2014,23(2):204-210.

[7] Xu X,Feng L,Wang A,et al.body-earth mover’s distance: a matching-based approach for sleep posture recognition[J].IEEE Trans Biomed Circuits Syst,2016,10(5):1023-1035.

[8] Yousefi R,Ostadabbas S,Faezipour M,et al.Bed posture classification for pressure ulcer prevention[A].Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE[C].New York:IEEE,2011:7175-7178.

[9] 董秀珍.生物电阻抗技术研究进展[J].中国医学物理学杂志, 2004,21(6):311-317.

[10] Mialich MS,Sicchieri JMF,Junior AAJ.Analysis of body composition: a critical review of the use of bioelectrical impedance analysis[J].Int J Clin Nut,2014,2(1):1-10.

[11] Kyle UG,Bosaeus I,De Lorenzo AD,et al.Bioelectrical impedance analysis-part I: review of principles and methods[J]. Clin Nutr,2004,23(5):1226-1243.

[12] Stansley W,Washuta EJ.Comparison of thoracic impedance pneumography and inductive plethysmography in the assessment of respiratory function[J].J Pharmacol Toxicol Methods,2012,66(2):198.

[13] Grivans C,Lundin S,Stenqvist O,et al.Positive end-expiratory pressure-induced changes in end-expiratory lung volume measured by spirometry and electric impedance tomography[J]. Acta Anaesthesiol Scand,2011,55(9):1068-1077.

[14] Stankiewicz-Rudnicki M,Gaszyński T,Gaszyński W.Assessment of regional ventilation in acute respiratory distress syndrome by electrical impedance tomography.[J].Anaesthesiol Intensive Ther,2015,47(1):77-81.

[15] Balleza-Ordaz M,Perez-Alday E,Vargas-Luna M,et al.Tidal volume monitoring by electrical impedance tomography (EIT) using different regions of interest (ROI): Calibration equations[J].Bio Sign Proc Contr,2015,18:102-109.

[16] Vapnik V,Izmailov R.Knowledge transfer in SVM and neural networks[J].An Math Artific Intel,2017,1-17.

[17] 李正最,谢悦波.洞庭湖富营养化支持向量机评价模型研究[J].人民长江,2010,41(10):75-78.

[18] Lee H,Hwang S,Lee S,et al.Estimation of body postures on bed using unconstrained ECG measurements[J].IEEE J Biomed Health Inform,2013,17(6):985-993.

[19] Wrzus C,Brandmaier AM,Von Oertzen T,et al.A new approach for assessing sleep duration and postures from ambulatory accelerometry[J].PloS one,2012,7(10):e48089.

[20] Hoque E,Dickerson RF,Stankovic JA.Monitoring body positions and movements during sleep using wisps[A].Wireless Health 2010[C].New York:ACM,2010:44-53.

XU Huan, ZHANG Ping
Department of Clinical Equipment, Zhejiang Provincial People’s Hospital, Hangzhou Zhejiang 310000, China

Abstract：The effective monitoring of sleep posture provides a direct reference for diagnosis, prevention and treatment of some disease. This paper proposed a new method based on bioelectrical impedance technology for sleep posture recognition. To recognize sleeping posture, this method collected information of sleeping posture from the respiratory impedance signal using non-invasive, continuous bioelectrical impedance technology around the chest. The hardware part acquired human’s respiratory signal through two channels multi-channel switch around the chest in real-time based on Agilent E4980A electrical impedance instrument. The software part was composed of Labview which acted as a realtime display and storage online system and the Matlab which could classify and recognize the algorithm offline. In this study, 19 volunteers were recruited to participate experiment for 4 cycles. All of the volunteers were separately perform normal breathing exercises in posture of supine position, left lateral position, right lateral position and prone position. Support vector machine (SVM) was used to recognize and classify these 4 kinds of postures according to the extraction of characteristic values. The results showed that the highest classification accuracy of test group could reach 94.6% by using SVM.

Key words：bioelectrical impedance technology; respiratory signal; sleeping posture recognition; feature extraction; support vector machine

基金项目：浙江省医学会医学工程学青年发展基金（2016-005）。通讯作者：张平，教授，高级工程师，主要研究方向为医学电子仪器。

基于生物电阻抗技术的睡眠姿势识别方法的探讨

引言

1 材料与方法

2 结果

3 讨论

4 结论