基于单通道心电信号的家用睡眠分期方法.pdf

基于单通道心电信号的家用睡眠分期方法缪竟鸿1，2，韩旭1，Tasmia Avouka1，胡猛1，王慧泉1，2，赵晓赟3，韦然1，2（1.天津工业大学 生命科学学院，天津300387；2.天津工业大学 天津市光电检测技术与系统重点实验室，天津300387；3.天津市胸科医院 呼吸与危重症医学科，天津300222）摘要：为了实现居家环境下的睡眠健康监测，提出基于可穿戴式单通道心电的不同睡眠阶段识别分析方法，研究了心电信号的27个心率变异性（HRV）特征分别在序列前向选择（SFS）、序列后向选择（SBS）和浮动序列前向选择（SFFS）3种不同方式下最优特征集的选取，设计了以堆栈式自编码器（SAE）建立的睡眠分期神经网络模型系统。结果表明：基于SFS-SAE的睡眠分期模型方法的分类效果最好，且相邻RR间期序列差值大于50 ms百分比（pNN50）、相邻RR间期序列差值的绝对中位差（MADRR）和庞加莱散点图中椭圆短轴（SD1）3种HRV特征都能在此模型系统中有效用于各睡眠阶段的识别，在清醒-睡眠（WAKE-SLEEP）分类、非快速眼动-快速眼动（NREM-REM）分类和浅睡-深睡（N1N2-N3）分类下的平均准确率分别为82%、80%和81%，基本满足家用睡眠分期判别，可用于睡眠疾病的日常筛查，是对多导睡眠图睡眠分析方法的有效补充。关键词：睡眠分期；心率变异性；特征选择；神经网络；单通道心电信号中图分类号：TP183文献标志码：A文章编号：员远苑员原园圆源载（圆园21）园4原园园83原06Household sleep staging method based on single channel ECG signalMIAO Jinghong1，2，HAN Xu1，AVOUKA Tasmia1，HU Meng1，WANG Huiquan1，2，ZHAO Xiaoyun3，WEI Ran1，2（1.School of Life Science，Tiangong University，Tianjin 300387，China；2.Tianjin Key Laboratory of Optoelectric Detec-tion Technology and System，Tiangong University，Tianjin 300387，China；3.Department of Respiratory and Critical CareMedicine，Chest Disease Hospital of Tianjin City，Tianjin 300222，China）Abstract：In order to realize sleep health monitoring in the home environment袁 a method based on wearable single channelECG is proposed to identify and analyze different sleep stages.27 heart rate variability 渊HRV冤 features of ECGsignal are studied in three different ways院 sequence forward selection渊SFS冤袁 sequence backward selection 渊SBS冤and floating sequence forward selection渊SFFS冤袁 a sleep staging neural network model system based on stack selfencoder渊SAE冤 is designed.The results show that the sleep stage model based on SFS-SAE has the best classifi鄄cation effect袁 and the three HRV features of the difference between adjacent RR interval sequences is greaterthan 50 milli-second percentage 渊pNN50冤袁 the absolute median difference of the difference between adjacentRR interval sequences渊MADRR冤 and the elliptical minor axis渊SD1冤 in Poincare scatter diagram can be effec鄄tively used in the recognition of each sleep stage in this model system.The average accuracy of WAKE-SLEEPclassification袁 NREM-REM classification and N1N2-N3 classification are 82%袁 80%and 81%respectively袁which basically meet the requirements of household sleep staging and can be used for daily screening of sleepdiseases and it is an effective supplement to polysomnography sleep analysis.Key words：sleepstage曰heartratevariability曰featureselection曰neuralnetwork曰singlechannelECGsignal收稿日期：2021-04-09基金项目：天津市科技计划项目（18ZXRHSY00200）；天津市教委科研计划项目（2019KJ024）第一作者：缪竟鸿（1976），男，博士，副教授，主要研究方向为解决非线性逆散射问题，二维及三维电磁成像算法等。E-mail：通信作者：韦然（1982），男，博士，讲师，主要研究方向为居家环境下生理信号采集。E-mail：ranwei_DOI：10.3969/j.issn.1671-024x.2023.04.013第42卷第4期圆园23年8月Vol.42No.4August2023天津工业大学学报允韵哉砸晕粤蕴 韵云 栽陨粤晕GONG 哉晕陨灾耘砸杂陨栽再第42卷天津工业大学学报多导睡眠仪（polysomnography，PSG）是临床睡眠监测的金标准1，其核心是对人体睡眠结构进行分期。PSG测量人体在夜间的脑电图（electroencephalogram，EEG）、心电图（electrocardiogram，ECG）和眼电图（ele-ctrooculogram，EOG）等多个生理信号，睡眠医师根据测量的信号进行手动睡眠分期，最多耗费2 h可得到一整夜的分期结果，这种临床监测耗时耗力，常在人体有显著症状后进行2。随着时代节奏变快和生活方式改变，很多人都出现睡眠结构紊乱的情况，PSG作为被严格限制于医院和睡眠实验室的设备无法在家庭护理中使用3。为了在家中更好地监测人们日常的睡眠情况，便捷、非脑电的睡眠分析方法的研究有着巨大的价值4，其中有研究表明心率变异性（heart rate variability，HRV）与睡眠结构有潜在联系5，相对于PSG，越来越多低廉的可穿戴设备不但能提取HRV，还可以降低对人体睡眠的干扰6-9，所以本文用单通道心电信号进行睡眠分期，为家庭睡眠监测提供理论支撑和更多思路。根据R&K（rechtschaffen&kales）规则10，睡眠结构一般以30 s数据作为1个分期，主要由清醒期（wake，W）、非快速眼动期（non-rapid eye movement，NREM）和快速眼动期（rapid eye movement，REM）组成。其中NREM期包含4个小期，在美国睡眠医学协会最新的分期规则1中，将NREM的4个小期更改为3个小期，分别是浅睡眠阶段的N1期、N2期和深睡眠阶段的N3期，这3个小期和前面所提及的W期、REM期共同组成了睡眠5期结构。但正如文献11所认为的，用心电信号识别睡眠分期，这样的分期规则并非是最有效的。换句话说，单通道心电作为一种易采集的信号，可以根据不同的实际场景做最有效的分期，所以仅采用心电信号识别睡眠结构的研究者们大部分都是做睡眠3分期（W-NREM-REM或者N1N2-N3-REM）的研究3，11-15，这样可以大致地描述睡眠过程的主要阶段，同时降低临床成本。但一方面想获取日常睡眠状况的人们中的多数都是非专业人士，对睡眠知识有着极大的欠缺16，这类人希望获得真实睡眠的长短，深睡和浅睡的比例；另一方面为填补医院对患者睡眠初筛的空白，家庭睡眠监测应为医生提供专业的睡眠结构，尤其是REM期与NREM期，因为这2期基本涵盖了睡眠全过程且受交感神经（sympathetic nervesystem，SNS）和副交感神经（parasympathetic nerve sys-tem，PNS）系统的拮抗变化17，而心率（heart rate，HR）受SNS和PNS调控明显18。基于以上两方面，本文采用单通道心电信号识别清醒阶段和睡眠阶段（WAKE-SLEEP）、睡眠阶段中快速眼动阶段和非快速眼动阶段（REM-NREM）、非快速眼动阶段中浅睡阶段和深睡阶段（N1N2-N3）。1实验部分1.1数据来源本文所有的PSG数据来源于天津市胸科医院，所采用的PSG设备是飞利浦公司的Alice 6，并由Sleepware G3软件针对每30 s所采集到的数据进行机器分期，再由专业睡眠医师根据美国睡眠协会最新的分期规则1进行人工校正，最后得到标准的睡眠分期结果：WAKE、REM、N1、N2和N3。本研究将REM、N1、N2和N3归为SLEEP，将N1、N2和N3归为NREM，将N1和N2归为N1N2。为保证所有分期数据均为受试者第一次入睡后的真实睡眠数据，故将每夜的熄灯时间至开灯时间记为有效数据时间，去除有效睡眠时间不足4 h和存在睡眠疾病的数据，得到最终有效PSG受试者数据11例，其中4位女性，7位男性，最大年龄76周岁，最小年龄35周岁，平均年龄约为50周岁。从WAKE-SLEEP、REM-NREM和N1N2-N3这3个层面对应提取有效PSG受试者数据中的ECG数据作为本研究的有效ECG数据。1.2数据预处理将有效ECG数据基于Pan-Tompkins算法进行R波检测，将相邻R波间隔记为RR间期序列19。为保证RR间期序列不包含异常点影响实验结果，故将使用上下阈值法，去除RR间隔中在0.71.3倍RR间期序列平均值外的数据，再通过拉伊达准则20去除含可疑点的数据，得到有效RR间期序列数据。每例有效PSG数据中含有有效RR间期序列数据300500组，每组含有RR间期序列2040个，对应每组有效RR间期序列数据的WAKE和SLEEP作为本文实验中的第1层标签，对应每组有效RR间期序列数据的REM和NREM作为本文实验中的第2层标签，对应每组有效RR间期序列数据的N1N2和N3作为本文实验中的第3层标签。1.3特征提取将每组有效RR间期序列数据进行组内心率变异性（heart rate variability，HRV）分析，提取频域特征8个，时域特征15个，非线性特征4个，共计27个特征，具体特征如表1所示。其中：编号18为频域特征；编号923为时域特征；编号2427为非线性特征。从先前的研究工作者的经验上看，这些特征都被合理地用于过睡眠分期的研究。84-第4期1.4特征选择本文采用3种特征选择的方式，尝试找到最优特征子集来做为模型的输入特征，从而提高分类精度。3种特征选择方法如下：序列前向选择（sequential forwardselection，SFS）是指特征子集从空开始，依次加入子集一个特征，使其选择结果最优；序列后向选择（sequen-tial backward selection，SBS）是指从特征全集开始，依次去掉全集中的一个特征，使得去掉特征后的新集合成为最优选择结果；序列浮动前向选择（sequential float-ing forward selection，SFFS）是指从空集开始，先在未选择的特征中选择一个子集加入，使得选择结果可以达到最优，再从已选择的特征子集中选择另一个子集，去掉该子集后使得选择结果达到最优。3种特征选择方式均属于降低特征维度，相比传统的过滤式特征选择方法一般不会意外删除重要的信息成分，计算选择更为精确，但计算成本更高，三者在相同特征下SFFS的计算最为复杂，SFS与SBS的计算用时基本相同。1.5建模方法正常人的睡眠过程中HRV参与构成了睡眠状态的时间函数，HRV与睡眠结构有着潜在的节律联系，相当于与睡眠分期存在一定非线性映射关系，而堆栈式自动编码器（stacked autoencoder，SAE）有着很强的无监督学习能力，可以通过HRV学习到包含着睡眠分期的主要信息成分，故本文采用SAE进行睡眠分期模型的建立。将已选好的最优特征子集作为输入，由第1个稀疏自编码器训练后得到隐藏层的输出，将其再作为第2个稀疏自编码器的输入进行训练，最后通过softmax分类器得到睡眠分期的标签值，模型结构如图1所示。以有效受试者编号11的330组WAKE-SLEEP阶段的数据、320组REM-NREM阶段的数据和250组N1N2-N3阶段的数据建立真实睡眠分期与HRV特征之间的映射关系，在3种特征选择方式下建立的各分期模型对比其分类准确率，选出最优方式，利用相同的方法在其他有效受试者中建立属于自身的睡眠分期模型，从而实现其他有效受试者睡眠分期的识别。2结果与讨论2.1SFS特征选取结果基于SFS筛选不同特征子集结合SAE建模后的3层不同睡眠阶段的分期准确率分布如图2所示。图2中，准确率最高对应的特征子集为SFS-SAE表1本文所用HRV特征集Tab.1HRV feature set简称含义123456789101112131415161718192021222324252627HFLFVLFHFnLFnVLFnLF/HFTPHRmeanRRmeanMedianIQRMADSDNNRMSSDNN50pNN50TINNHRVtiSDSDMADRRCV-RRIRRRSD1SD2SDratioalpha0.150.4 Hz高频功率0.040.15 Hz低频功率0.0030.04 Hz极低频功率归一化的高频功率归一化的低频功率归一化的极低频功率低频功率和高频功率的比值0.000 30.04 Hz总频率功率HR平均值RR间期序列平均值RR间期序列中位数RR间期序列四分差RR间期序列绝对中位差RR间期序列标准差相邻RR间期序列差值的均方根相邻RR间期序列差值大于50 ms的个数相邻RR间期序列差值大于50 ms百分比RR间期直方图的近似三角形底边宽度HRV三角指数相邻RR间期序列差值的标准差相邻RR间期序列差值的绝对中位差RR间期序列的变异系数相邻RR间期序列差值的四分差庞加莱散点图中椭圆短轴庞加莱散点图中椭圆长轴长短轴比率去趋势波动分析的标度指数编号图1睡眠分期模型结构Fig.1Structure of sleep staging model最优特征子集睡眠分期标签隐藏层堆栈式自编码器图2SFS-SAE不同特征子集下睡眠分期准确率分布Fig.2Distribution of sleep staging accuracy under differentfeature subsets of SFS-SAE100959085807570656055502513579 1115 1723特征个数1319 21N1N2-N3REM-NREMWALE-SLEEP高铁成，等：面向重症患者的可穿戴人体多生理参数无线监测设备85-第42卷天津工业大学学报表2SFS-SAE不同睡眠阶段的最优特征子集Tab.2Optimal characteristic subset of SFS-SAE indifferent sleep stages睡眠阶段最优特征子集所含特征的编号WAKE-SLEEP1，4，5，6，7，9，10，12，13，14，15，16，17，18，19，20，21，22，23，24，25，26，27REM-NREM1，9，12，13，14，17，18，20，21，23，24，25N1N2-N31，9，12，13，14，17，18，19，20，21，23，24，25图4SFFS-SAE不同特征子集下睡眠分期准确率分布Fig.4Distribution of sleep staging accuracy under differentfeature subsets of SFFS-SAE100959085807570656055502513579 1115 1723特征个数1319 21N1N2-N3REM-NREMWALE-SLEEP表4SFFS-SAE不同睡眠阶段的最优特征子集Tab.4Optimal characteristic subset of SFFS-SAE indifferent sleep stages睡眠阶段最优特征子集所含特征的编号WAKE-SLEEP1，4，5，6，7，9，10，12，13，14，15，16，17，18，19，20，21，22，23，24，25，26，27REM-NREM1，9，12，13，14，17，18，20，21，23，24，25N1N2-N31，9，12，13，14，17，18，19，20，21，23，24，25最优特征子集，若准确率出现相同情况，则优先选取特征个数少的子集，SFS-SAE在3层不同睡眠阶段最优特征子集的特征编号如表2所示。2.2SBS特征选取结果基于SBS筛选不同特征子集结合SAE建模后的3层不同睡眠阶段的分期准确率分布如图3所示。图3中，准确率最高对应的特征子集为SBS-SAE最优特征子集，若准确率出现相同情况，则优先选取特征个数少的子集，SBS-SAE在3层不同睡眠阶段最优特征子集的特征编号如表3所示。2.3SFFS特征选取结果基于SFFS筛选不同特征子集结合SAE建模后的3层不同睡眠阶段的分期准确率分布如图4所示。图4中，准确率最高对应的特征子集为SFFS-SAE最优特征子集，若准确率出现相同情况，则优先选取特征个数少的子集，SFFS-SAE在3层不同睡眠阶段最优特征子集的特征编号如表4所示。2.4分析与讨论根据SFS-SAE、SBS-SAE和SFFS-SAE不同特征子集下睡眠分期准确率的分布，共有3个HRV特征均可用于睡眠的各个识别阶段，分别是pNN50、MADRR和SD1。SFS-SAE、SBS-SAE和SFFS-SAE最优特征子集下的3层不同睡眠阶段的分期效果对比如表5所示。由表5可见，在3个不同睡眠阶段下，SFS-SAE和SFFS-SAE模型的最优特征子集一致，而且分期效果相同，SBS-SAE模型在REM-NREM阶段所选的特征数量和其他2种模型的相同，尽管特征种类不完全相同，但是与其他2种模型得到的分期效果一致，均可以作为REM-NREM阶段最终参考模型之一，而SBS-SAE模型在WAKE-SLEEP阶段和N1N2-N3阶段的分期效果都略逊于其他2个模型，并且SFS计算成本相对SFFS更低，所以最终在WAKE-SLEEP睡眠阶段、REM-NREM睡眠阶段和N1N2-N3睡眠阶段均选用SFS-SAE模型。图3SBS-SAE不同特征子集下睡眠分期准确率分布Fig.3Distribution of sleep staging accuracy under differentfeature subsets of SBS-SAE100959085807570656055502513579 1115 1723特征个数1319 21N1N2-N3REM-NREMWALE-SLEEP表3SBS-SAE不同睡眠阶段的最优特征子集Tab.3Optimal characteristic subset of SBS-SAE indifferent sleep stage睡眠阶段最优特征子集所含特征的编号WAKE-SLEEP4，5，6，7，13，14，16，17，19，20，21，22，23REM-NREM4，5，6，7，16，17，19，21，22，24，26，27N1N2-N31，4，5，6，7，9，10，12，13，14，16，17，18，19，20，21，22，23，24，25，26，27表5最优特征子集下不同睡眠阶段的分期效果对比Tab.5Comparison of staging effect of different sleep stagesunder optimal subset of characteristics模型WAKE-SLEEPREM-NREMN1N2-N3K-N-AK-N-AK-N-ASFS-SAE0.79-23-0.980.59-12-0.880.33-13-0.90SBS-SAE0.66-17-0.980.59-12-0.880.33-22-0.88SFFS-SAE0.79-23-0.980.59-12-0.880.33-13-0.9086-第4期图5受试者编号1在WAKE-SLEEP睡眠阶段的分期结果Fig.5Staging results of subject number 1 duringWAKE-SLEEP sleep stageSLEEPWAKE真实SLEEPWAKE其中K-N-A是指模型的Kappa系数-模型所用的特征种类量-模型分类准确率，Kappa系数可以用来衡量模型分类精度，也是检测一致性的一种标准，计算方法基于混沌矩阵，当Kappa系数处于00.20时表明极低的一致性，处于0.210.40时表明一般的一致性，处于0.410.60时表明中等的一致性，处于0.610.80时表明高度的一致性，处于0.811时表明接近完美的一致性。将最终模型的建立方法应用于其他有效受试者进行睡眠分期验证，为保证所有受试者各睡眠阶段验证的分期总数一致且数量足够，统一抽选每例受试者的睡眠总时长超过240 min用于自身睡眠模型的建立，其中WAKE-SLEEP睡眠阶段400组、REM-NREM睡眠阶段300组和N1N2-N3睡眠阶段200组进行测试，其分期准确率结果如表6所示。由表6可知，在REM-NREM睡眠阶段和N1N2-N3睡眠阶段的分类效果没有过多衰减，克服了一定的个体化差异，甚至个别例受试者睡眠分期效果更好，而在WAKE-SLEEP睡眠阶段，其分类效果没有预期的好，以受试者编号1为例，将其真实分期和预测分期展开，其对比结果如图5所示。由图5可知，WAKE和SLEEP的预测错误值基本持平，但SLEEP基数较大，因此WAKE预测错误比例较多，说明不同人的WAKE阶段可能存在较大HRV差异，但也能达到较高的分期准确率，因此SFS-SAE模型方法在应用横向人群的家用睡眠分期中具有一定可行性，该方法在只针对纵向个体进行睡眠分期时，面对WAKE的分类还有进一步优化的空间。3结论本文针对家庭睡眠健康监测的需求，通过比较SFS、SBS和SFFS这3种不同的特征选择方式，选取最优方式建立SAE睡眠分期模型系统，在WAKE-SLEEP、REM-NREM和N1N2-N3这3种睡眠分期中完成睡眠各阶段的应用识别，结果表明：（1）基于SFS-SAE的睡眠分期模型在前期建模测试中展现出比基于SBS-SAE和SFFS-SAE的睡眠分期模型更好的睡眠分类识别效果，在WAKE-SLEEP分类、NREM-REM分类和N1N2-N3分类中所用特征种类量分别为23、12和13，Kappa系数分别为0.79、0.59和0.33，准确率分别为98%、88%和90%。（2）无论在WAKE-SLEEP分类、NREM-REM分类或是N1N2-N3分类场景中，pNN50、MADRR和SD1这3种HRV特征均可用于SFS-SAE、SBS-SAE和SFFS-SAE这3种模型并进行各睡眠阶段的有效识别。（3）基于SFS-SAE的睡眠分期方法在实际面向横向人群的分类验证下效果较好，能克服一定个体化差异，在WAKE-SLEEP分类、NREM-REM分类和N1N2-N3分类下的平均准确率分别为82%、80%和81%，基本满足家用睡眠分期判别，可用于睡眠疾病的日常筛查，是对多导睡眠图睡眠分析方法的有效补充。参考文献：1美国睡眠医学会.睡眠及其相关事件判读手册：规则，术语和技术规范M.北京：人民卫生出版社，2017：1-4.American Academy of Sleep Medicine.Handbook of Sleep andRelated Events：Rules，Terminology and Technical Specifica-tions（version 2.3）M.Beijing：People忆s Health PublishingHouse，2017：1-4（in Chinese）.2KAPUR V，STROHL K P，REDLINE S，et al.Underdiagnosisof sleep apnea syndrome in US communitiesJ.Sleep and Brea-thing，2002，6（2）：49-54.3XIAO M，YAN H，SONG J Z，et al.Sleep stages classificationbased on heart rate variability and random forestJ.BiomedicalSignal Processing and Control，2013，8（6）：624-633.表6SFS-SAE用于不同受试者3层睡眠阶段的分期准确率Tab.6Staging accuracy of SFS-SAE for differentsleep stages编号WAKE-SLEEPREM-NREMN1N2-N3010.780.780.86020.820.780.77030.830.770.72040.900.730.97050.850.870.85060.770.730.70070.830.760.81080.740.790.72090.880.880.80100.760.730.87平均0.820.800.81高铁成，等：面向重症患者的可穿戴人体多生理参数无线监测设备87-第42卷天津工业大学学报4郑捷文，张悦舟，兰珂，等.基于心率变异性分析的睡眠分期算法研究和验证J.中国生物医学工程学报，2020，39（4）：432-439.ZHENG J W，ZHANG Y Z，LAN K，et al.Sleep stage classi-fication based on heart rate variability analysis and model per-formance validationJ.Chinese Journal of Biomedical Engi-neering，2020，39（4）：432-439（in Chinese）.5BOUDREAU P，YEH W H，DUMONT G A，et al.Circadianvariation of heart rate variability across sleep stagesJ.Sleep，2013，36（12）：1919-1928.6丁鑫，金雷，刘诺，等.基于织物电极的非接触便携式睡眠心电监测系统设计J.北京生物医学工程，2012，31（3）：293-297.DING X，JIN L，LIU N，et al.Design of non-contact portablesleep ECG monitoring system based on fabric electrodes J.BeijingBiomedicalEngineering，2012，31（3）：293-297（inChi-nese）.7李翔，刘勇，陈澎彬，等.基于隐马尔可夫模型的枕下无扰式新型睡眠监测方案J.生物医学工程学杂志，2018，35（2）：280-289.LI X，LIU Y，CHEN P B，et al.Novel type of unperturbedsleep monitoring scheme under pillow based on hidden MarkovmodelJ.Journal of Biomedical Engineering，2018，35（2）：280-289（in Chinese）.8冯晓星，唐飞，李琰，等.一种基于ECG信号的无线睡眠分期系统J.微电子学与计算机，2019，36（4）：23-28.FENG X X，TANG F，LI Y，et al.A wireless sleep-stagingsystem based on single channel ECGJ.Microelectronics&Co-mputer，2019，36（4）：23-28（in Chinese）.9黄诗童，张威强，张朋柱.基于HRV分析的可穿戴心电仪精神疲劳检测J.计算机应用研究，2019，36（7）：2093-2097，2103.HUANG S T，ZHANG W Q，ZHANG P Z.Detection of mentalfatigue with wearable ECG devices based on HRV analysisJ.ApplicationResearchofComputers，2019，36（7）：2093-2097，2103（in Chinese）.10 WOLPERT E A.A manual of standardized terminology，tech-niques and scoring system for sleep stages of human subjectsJ.Archives of General Psychiatry，1969，20（2）：246-247.11 NOVIYANTO A，ISA S M，WASITO I，et al.Selecting featuresof single lead ECG signal for automatic sleep stages classifica-tion using correlation-based feature subset selectionJ.Interna-tionalJournalofComputerScience Issues（IJCSI），2011，8（5）：139-148.12 TANIDA K，SHIBATA M，HEITKEMPER M M.Sleep stageassessment using power spectral indices of heart rate variabilitywith a simple algorithmJ.Biological Research for Nursing，2013，15（3）：264-272.13 LI Q，LI Q C，LIU C Y，et al.Deep learning in the cross-timefrequency domain for sleep staging from a single-lead electro-cardiogramJ.Physiological Measurement，2018，39（12）：124005.14 TAKEDA T，MIZUNO O，TANAKA T.Time-dependent sleepstage transition model based on heart rate variabilityJ.Confer-ence Proceedings，2015，2015：2343-2346.15 WEI R，ZHANG X H，WANG J H，et al.The research ofsleep staging based on single-lead electrocardiogram and deepneuralnetworkJ.BiomedicalEngineeringLetters，2017，8（1）：87-93.16王诗谊.中国睡眠呼吸知识的普及情况调查J.世界睡眠医学杂志，2017，4（2）：97-99.WANG S Y.Investigation on the education situation of Chineserespiratory and sleep medical marketJ.World Journal of SleepMedicine，2017，4（2）：97-99（in Chinese）.17张秀华，韩芳，张悦，等.睡眠医学：理论与实践M.4版.北京：人民卫生出版社，2010：191-200.ZHANG X H，HAN F，ZHANG Y，et al.Sleep Medicine：Theo-ry and PracticeM.4th ed.Beijing：People忆s Health Pub-lishing House，2010：191-200（in Chinese）.18肖蒙，严洪.睡眠期间心电变化规律研究进展J.航天医学与医学工程，2013，26（1）：74-78.XIAO M，YAN H.Review on researches of ECG characteris-tics during sleepJ.Space Medicine&Medical Engineering，2013，26（1）：74-78（in Chinese）.19 HAMILTONP.OpensourceECGanalysisC/Computersin Car-diology.Memphis，TN，USA：IEEE，2002：101-104.20王金海，孙微，韦然，等.基于心率变异性分析的睡眠分期方法研究J.生物医学工程学杂志，2016，33（3）：420-425.WANG J H，SUN W，WEI R，et al.Study on sleep stagingmethods based on heart rate variability analysisJ.Journal ofBiomedical Engineering，2016，33（3）：420-425（in Chinese）.本文引文格式：缪竟鸿，韩旭，Tasmia Avouka，等.基于单通道心电信号的家用睡眠分期方法J.天津工业大学学报，2022，42（4）：83-88.MIAO J H，HAN X，AVOUKA T，et al.Household sleepstaging method based on single channel ECG signalJ.Journalof Tiangong University，2022，42（4）：83-88（in Chinese）.88-