样本不平衡的睡眠数据分期研究

　　李玉平, 夏斌

　　(上海海事大学 信息工程学院，上海 201306）

       摘要：睡眠数据中各个阶段的样本数差异较大，睡眠数据的自动分期是一个典型的样本不平衡的机器学习问题。均衡样本方法通过抽样的手段来平衡样本，是解决样本不平衡问题的主要方法。采用均衡样本方法来平衡睡眠数据的不同阶段的样本，并且结合多域特征（时域、频域、时频域以及非线性）和随机森林分类算法进行分类预测。比较分析了样本均衡处理和非均衡处理的分类结果，发现均衡处理后的数据取得了更好的分类效果。

　　关键词：睡眠分期；数据不平衡；随机森林

0引言

　　睡眠是生命过程中必不可少且十分重要的生理现象。依据国际R&K标准［1］，睡眠期可分为快速眼动期、非快速眼动期（S1，S2，S3，S4）以及清醒期，区别分期主要以眼球是否进行了阵发性快速运动为标准。根据上述睡眠分期标准，睡眠数据可分为6类，且不同类别的数据量之间具有较大的差异性，即睡眠数据分期存在样本不平衡的问题。在应用机器学习研究睡眠分期过程中，样本不平衡会导致睡眠分期结果不准确，睡眠分期的可信度降低。在以前的睡眠分期研究中，研究的主要是睡眠数据特征的提取以及分类算法的选取［24］，并没有研究睡眠分期样本不平衡问题。本文采用EEG、EOG、EMG 3种信号5个通道的睡眠数据，研究中发现，EOG信号会出现在EEG信号的一些睡眠分期（如清醒状态和快速眼动状态）中，这种数据会对睡眠分期产生不好的影响［5］。本文通过对睡眠分期样本不平衡的研究以及信号混杂的处理，进一步提高睡眠分期的准确度，同时对相关睡眠疾病的诊断和治疗提供重要的参考意义。

　　基于以上睡眠数据分期的讨论，本文采用均衡采样的方法解决睡眠分期样本不平衡问题，同时研究睡眠数据的特征提取以减少信号混杂对睡眠分期的影响。

1方法

　　1.1特征提取

　　睡眠数据的特征主要划分为时域特征、频域特征、时频域特征以及非线性特征。本文中，提取EEG、EOG和EMG每种信号各38种特征。

　　特征参数如下：第1~6种是6个时域特征［68］：均值（Mean）、方差（Variance）、峰度（Kurtosis）、偏度（Skewness）、过零率（Number of zero crossing，NZC）、最大值(MaxV);第7~19种是频域特征［810］：对4个子节律波分别提取各自范围的功率谱能量（SP_）,计算0.01~30 Hz频带的总功率谱能量（SP_D），以及总功率谱能量的规范化能量比（NSP_），即theta/beta、beta/alpha、(theta+alpha)/beta, (theta+alpha)/(beta+alpha)；第20~35种是时频域特征［810］：4个子节律波在当前频带范围上小波系数的均值、能量、标准差以及相对于总频带范围的绝对平均值；第36~38种特征分别是Petrosian分形指数、Hurst指数、排列熵［1112］。

　　1.2均衡采样

　　睡眠数据存在样本不平衡的问题，在6类的数据中，最多一类的数据集与最少的一类数据集的比例达到10倍以上，存在严重不平衡现象。本文应用均衡采样的方法处理样本失衡的问题［13］:(1）分别计算6类睡眠分期数据的个数n1、n2、n3、n4、n5、n6；（2）去掉个数最少和个数最多的个数值，剩余为n1、n2、n3、n4，计算这4类个数的平均值n；（3）对6类数据按个数平均值n采样，不足平均个数的类别重复采样，超过平均个数的类别欠采样；（4）整合6类数据采样得到的新数据集即为均衡处理后的数据［4，14］。

　　1.3随机森林分类器

　　随机森林模型是决策树集成的算法，并且由一随机向量决定决策树的构造。通过训练集得到随机森林模型后，当有一个新的输入样本进入时，就让随机森林的每一棵决策树分别进行判断，判断样本所属类别，然后计算哪一个类别被选择最多，就预测该样本所属的类别。随机森林算法特征参数较多，测试结果不会出现过拟合的情形；能够处理高维度特征的睡眠数据，不用做特征选择，对数据集的适应能力强；训练速度快，能够检测不同特征之间的影响［13,15］。

　　随机森林实现过程为：（1）原始训练集为N，采用集成算法有放回地随机选取k个样本集构建k棵分类树，每次没有被抽到的样本组成k个袋外数据；（2）设定mall变量，在每棵树的每个节点处随机抽取mtry个变量（mtry,n,mall）,然后在mtry中选择一个最佳的分类变量，变量分类的阈值通过检查每一个分类点确定；（3）每一棵树最大限度地生长，不做任何修剪；（4）将构造的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别与分类，分类的结果按树分类器投票数确定。

2实验与结果

　　2.1数据

　　本文采用9名受试者的睡眠数据来验证分类方法和数据不平衡处理的可行性。数据集记录了这9名志愿者一晚上的睡眠数据，以1~9命名这些数据集。数据包含15个通道的睡眠时的信号数据以及呼吸频率和身体温度。对应的EEG、EOG、EMG信号按100 Hz进行采样。数据集处理部分，分别进行了7/3分和留一方法，采用这两种方法验证睡眠分期样本不平衡的处理效果。

　　2.2数据预处理

　　首先采用巴特沃夫滤波器提取原始睡眠数据中0.01~35 Hz的数据，并应用高斯归一化方法对数据进行归一化处理。由于采样的睡眠数据可能存在标签不正确的问题，因此会剔除不正确的标签数据。具体方法是，首先找出空标签或标签异常（不在已有类别中的标签），根据标签对应的位置，剔除这些标签对应的数据集，最后更新数据集。采用以上方法进行数据预处理之后，得到7 461条数据。

　　2.3均衡采样数据

　　经预处理和特征提取之后，对9个受试者的数据进行整合，数据总量为59 680。采用7/3分数据集，即70%数据做训练集，30%数据做测试集，训练集数据量为41 773，测试集数据量为17 907。为了验证均衡采样的可行性，对训练集做均衡处理，得到22 465条新的训练集。

　　2.4结果

　　本文第一种验证方法是7/3数据集，结果如下：表1是所有数据集7/3分，对训练集进行均衡处理的分类结果准确率；表2是均衡采样数据集和普通数据集分类结果对比；表3是不同信号组合，均衡采样分类结果对比。

第二种验证方法是对9个受试者的数据集进行留一验证。分别提取其中8个受试者的数据集作为训练集做均衡处理，剩下1个受试者的数据集作为测试集。分类结果如图1所示。

　　由表1得知，同时考虑EEG、EOG、EMG 3种信号5个通道的数据集，得到的分类准确率达到84.33%，wake类别的分类准确率最高，模型对wake类别的泛化能力最好，而S1类别数据量最少，同时分类效果也最差。由表2得知：均衡处理之后，wake、S1、S3、rem这4类睡眠分期结果得到了提升，S4基本一致，S2的结果降低了。由表3知：提取一种信号EEG时，睡眠分期准确率比同时提取多种信号时的准确率低。由图1留一验证知，2、5、9号受试者睡眠分期的结果达到了80%以上,分类效果较好；3、6号受试者睡眠分期准确率较低。

3结论

　　本研究采用了EEG、EOG、EMG 3种信号5个通道数据集，并且应用均衡采样的方法处理训练集数据不平衡问题，睡眠分期结果较好，平均分类准确率得到了提升，并且有4个睡眠分期的分类结果都得到了提升。在今后对睡眠分期样本不平衡的研究中，可以采用加权随机森林或其他的方法处理睡眠数据集不平衡的问题。

　　参考文献

　　［1］ 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，范影乐，庞全.基于排列组合熵的脑电信号睡眠分期研究［J］．生物医学工程学志，2009，26(4)：869-872．

　　［3］ 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．

　　［4］ 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.

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

　　［6］ 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.

　　［8］ 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.

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

　　［10］ 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.

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

　　［13］ 毛文涛，王金婉，等.面向贯序不均衡数据的混合采样极限学习机［J］.计算机应用，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.

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