1、基于腦電波的便攜式睡眠質(zhì)量監(jiān)測系統(tǒng)金旭揚導師：華東理工大學信息學院 萬永菁上海中學信息學科組 吳奕明摘要睡眠是人體重要的生理活動，睡眠質(zhì)量近年來受到高度關(guān)注；本文從腦電波角度探尋睡眠監(jiān)測的有效易行方法，從軟硬件角度設(shè)計了便攜式睡眠質(zhì)量監(jiān)測系統(tǒng)。研究分析便攜式腦電采集設(shè)備采集的數(shù)據(jù)和CAP睡眠腦電數(shù)據(jù)庫，用功率譜分析和BP神經(jīng)網(wǎng)絡(luò)探究了睡眠分期的有效算法。實驗進行了初步的睡眠分期與質(zhì)量評估，證明了便攜式睡眠質(zhì)量監(jiān)測系統(tǒng)的準確性及利用腦電數(shù)據(jù)進行睡眠分期的有效性。本課題研究，提出了利用單導連腦電信號進行睡眠分期的可行性，為之后研究便攜式、市場化的睡眠監(jiān)測設(shè)備以及其他應(yīng)用提供了重要的實驗參考依據(jù)。關(guān)

2、鍵詞：腦電；腦機接口；睡眠監(jiān)測；睡眠分期；BP神經(jīng)網(wǎng)絡(luò)一、引言1.1 睡眠質(zhì)量研究背景及意義睡眠是一種重要的生理現(xiàn)象。從生到死，人類始終是在覺醒和睡眠中度過。人類通過高質(zhì)量的睡眠，可以消除疲勞，更好地恢復精神和體力，使人在睡眠之后保持良好的覺醒狀態(tài)，提高工作、學習效率。人類用于睡眠的時間占人一生中的三分之一。然而迄今我們對這一重要的生理現(xiàn)象的認識還微乎其微，對睡眠進行科學的研究只有短短的幾十年歷史。1937年，Lomis、Harvey和Hobart注意到，睡眠不是處于一種穩(wěn)定狀態(tài)，而是要發(fā)生一系列非常有規(guī)律的周期性變化。11986年，Rechtschaffen等人重新肯定了Dement和Kle

3、itman的分期標準，并根據(jù)十年來的經(jīng)驗作了一些必要的修改和補充，使之更趨完善。22007年，美國睡眠醫(yī)學會基于上述標準進行改進，發(fā)布了新的睡眠分期專業(yè)標準，其中規(guī)定了各個指標具體的采集標準及判定方法。31.2 腦電信號分析方法綜述隨著電子技術(shù)的發(fā)展，數(shù)字處理技術(shù)逐步應(yīng)用到EEG的分析中來。經(jīng)典的EEG分析方法有：以分析EEG波形的幾何性質(zhì)，如幅度、均值、峭度等為主的時域分析方法和以分析EEG各頻率功率、相干等為主的領(lǐng)域方法。早在70年代初，和4就應(yīng)用Walsh譜分析離線地研究了一個處于睡眠狀態(tài)的男性的三段腦電圖。等5應(yīng)用Walsh順序的Walsh函數(shù)對EEG進行展開，并定義了雙值自相關(guān)函數(shù)，

4、爾后討論了可以按雙值自相關(guān)函數(shù)來顯示各種睡眠EEG的特征。1982年，美國物理學家Hopfield提出了HNN模型，從而有力地推動了應(yīng)用神經(jīng)網(wǎng)絡(luò)方法解釋許多復雜生命過程的進展。自八十年代末以來，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用已涉及到了腦電分析的各個方面，其中包括自發(fā)腦電的睡眠分級及睡眠EEG分析。S.Roberts和L.Tarassenko6,7把人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于睡眠EEG的自動分析。他們采用無監(jiān)督學習網(wǎng)絡(luò)對大量沒有經(jīng)過人工判別的數(shù)據(jù)進行自組織分類，少量的經(jīng)過人工判別的標準樣本則用來自組織分類結(jié)果做解釋和量化，從而在網(wǎng)絡(luò)中形成了8個聚類區(qū)。根據(jù)EEG在8個聚類區(qū)之間隨時間運動的軌跡可以對一夜的睡眠狀況有

5、定性的了解。81.3 腦電監(jiān)測設(shè)備介紹目前，腦電監(jiān)測設(shè)備大致有二：一為大型的、醫(yī)院專用的多導睡眠監(jiān)測系統(tǒng)。這種系統(tǒng)需要測量多導連的腦電圖、眼電圖、肌電圖、口鼻氣流、呼吸運動、血氧飽和度等眾多指標，且有嚴格的判定規(guī)則、需要專業(yè)知識。3二為便攜式腦機接口設(shè)備。此類設(shè)備通常體積小、使用方便、成本也較低，測量的腦電圖多為單導連，但由于獲取的數(shù)據(jù)用途較為單一，可以很好地完成睡眠監(jiān)測的任務(wù)。91.4 課題研究目標本課題利用便攜式腦電波采集設(shè)備實時獲取腦電數(shù)據(jù)，并且與終端設(shè)備通訊實時存儲、分析數(shù)據(jù)。利用Windows、Android等移動平臺下編寫的軟件實現(xiàn)此功能，實現(xiàn)人體的睡眠監(jiān)控。二、方法和假設(shè)2.1

6、系統(tǒng)軟硬件平臺的基本架構(gòu)2.1.1 睡眠質(zhì)量監(jiān)測系統(tǒng)的硬件組成用于采集數(shù)據(jù)的設(shè)備是宏智力公司出品的Brainlink意念力頭箍，它采用基于Neurosky芯片平臺的Thinkgear芯片，主要用于檢測腦電信號。實驗采用手機（Android）系統(tǒng)和電腦（Windows）系統(tǒng)作為采集終端。圖2-1 睡眠質(zhì)量監(jiān)測系統(tǒng)框圖圖2-2 宏智力公司出品的Brainlink意念力頭箍2.1.2 睡眠質(zhì)量監(jiān)測系統(tǒng)的數(shù)據(jù)采集方式NeuroSky的腦電波采集設(shè)備較為輕便，只有前額、左耳垂兩個電極（一導連）。設(shè)備采用AAA電池供電，根據(jù)介紹續(xù)航能力有8小時（若再并聯(lián)一顆電池可以更長），沒有傳統(tǒng)腦電采集中與腦電頻段接近

7、的50Hz工頻交流干擾信號。設(shè)備采用無線藍牙連接，更有利于睡眠時數(shù)據(jù)的傳輸；耳垂采用導電夾，容易固定；利用心電圖電極片改裝前額電極，也可以彌補原本接觸不良的缺點。為了完成單向傳輸數(shù)據(jù)的目的，使用的藍牙模擬串口（發(fā)送）芯片能耗低、續(xù)航能力強、編程較為簡易。接收端可以是任何藍牙4.0設(shè)備，只需一次配對后就可自動連接，對于手機、電腦硬件的要求不高。初步測試時，采集使用的是Microsoft Windows平臺，使用Neurosky提供的API接口，在Visual C+上編寫簡單的程序即可完成數(shù)據(jù)的存盤。采樣頻率約為513.5Hz，遠高于腦電信號的最高有效頻率30Hz的兩倍，符合采樣定理。圖2-3 W

8、indows 7下的采集、分析軟件利用Neurosky提供的Android API接口，在Android平臺下的腦電波預(yù)覽、采集工作也得以完成，程序可以在后臺運行，并且將采樣數(shù)據(jù)即使存盤，在實際使用過程中更為方便，也省去了用電腦建立連接、定義接口的繁雜步驟，適合移動平臺。圖2-4 Android下的采集、預(yù)覽軟件2.2 基于腦電信號的睡眠質(zhì)量監(jiān)測方法2.2.1 腦電信號預(yù)處理方法腦電波在時域上屬于非平穩(wěn)隨機信號，實驗中采集的腦電波只有一導連，因此信號不穩(wěn)定、噪波嚴重。需要經(jīng)過初步的低通數(shù)字濾波預(yù)處理。為方便起見，頻率衰減帶上限取到高于腦電波分析中有效頻率30Hz的50Hz。數(shù)字濾波器包括有限沖

9、激響應(yīng)(FIR)濾波器和無限沖激響應(yīng)(IIR)濾波器兩大類。FIR濾波器可以得到嚴格的線性相位，相比IIR需要采用較高的階數(shù)（約是IIR的五至十倍），但軟件實現(xiàn)方便。10假設(shè)FIR濾波器的單位沖擊響應(yīng)h(n)為一個長度為N的序列，那么濾波器的系統(tǒng)函數(shù)為： (2-1)上式的差分形式為： (2-2)由于理想濾波器在邊界頻率處不連續(xù)，故其時域信號hd(n)一定是無限時寬的，無法實現(xiàn)。因此，需要把具有理想線性相位特性的濾波器曲線用窗函數(shù)截取： (2-3)這種設(shè)計思想稱為窗函數(shù)設(shè)計法。其中，常用的漢明窗（Hamming Window）函數(shù)如下： (2-4)幅值函數(shù)為：(2-5)11使用Matlab的fi

10、r1工具設(shè)計300點的FIR低通濾波器，采用漢明窗，以512Hz作為采樣頻率，50Hz作為率減帶，得到的濾波器幅頻響應(yīng)曲線如下：圖2-5 300點低通濾波器幅頻響應(yīng)曲線（采用歸一化角頻率，2即為實際采樣頻率的512Hz）2.2.2 腦電信號的頻域分析腦電波按頻率從高到低劃分依次為：波(1430Hz)，波(814Hz)，波(48Hz)，波(0.54Hz)。腦電波頻率范圍精神狀態(tài)波1430Hz運動感覺節(jié)律，放松可集中注意力，有協(xié)調(diào)性，思考，對于自我和周圍環(huán)境意識清楚機警，激動波814Hz放松但不困倦，安靜，有意識波48Hz直覺的，回憶的，幻想，想象，淺睡波0.54Hz深度睡眠，非快動眼睡眠，無意識

11、表2-1 腦電波的頻段劃分以及不同類型腦電波所反映出的腦部精神狀態(tài)12離散時間序列x(n)的傅立葉（Fourier Transform）變換是： (2-6)如已知隨機信號x(n)的自相關(guān)函數(shù)r(k)，那么功率譜密度函數(shù)就定義為： (2-7)功率譜函數(shù)的另一定義是： (2-8)理論上，離散信號處理方法對有限帶寬的信號能做準確分析，但有限帶寬信號在時域上是無限長的，只取其中有限長的一段進行傅立葉變換，相當于在原信號上加了矩形窗運算。加窗在頻域上，對原功率譜起到了平滑的作用。 (2-9)13其中，w(n)表示窗口函數(shù)。常用的窗有三角窗、漢寧窗、漢明窗、布萊克曼窗等。這些窗的旁瓣電平比矩形窗低，但分辨

12、率也較矩形窗低。14這里使用的是漢明窗，在2.2.1節(jié)已有詳細介紹。2.2.3睡眠分期判定的改進算法根據(jù)美國睡眠醫(yī)學會2007年的標準，睡眠分期的腦電標準如下：睡眠階段劃分規(guī)則（僅含腦電，且忽略例外情況）W（覺醒期）枕區(qū)波含量大于50%N1（非快速眼動期1）波減弱，低幅度、47Hz的波含量大于50%N2（非快速眼動期2）開始階段：出現(xiàn)與覺醒無關(guān)的K復合波或者紡錘波持續(xù)階段：低幅度、47Hz的波（不含K復合波或紡錘波）N3（非快速眼動期3）0.52Hz的慢波含量大于20%R（快速眼動期）出現(xiàn)低幅度、47Hz的波（不含K復合波或紡錘波）表2-2 睡眠分期的腦電標準3其中，非快速眼動期睡眠深度從深到

13、淺，依次是：N3、N2、N1。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）是由大量簡單的處理單元廣泛連接組成的復雜網(wǎng)絡(luò)，用于模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為。它反映了人腦功能的許多基本特性，但它并不是人腦全部的真實寫照，而只是對其作某種簡化、抽象和模擬15。在各種學習算法中，多層網(wǎng)絡(luò)的反向傳播算法（簡稱BP算法）應(yīng)用最為廣泛。BP算法最早是由Werbos在1974年提出來的，Rumelhart等人于1985年發(fā)展了該理論，提出了清晰而又嚴格的算法。BP算法適用于前向網(wǎng)絡(luò)，它采用有導師學習的訓練形式，提供輸入矢量集的同時提供輸出矢量集，通過反向傳播學習算法，調(diào)整網(wǎng)絡(luò)的連接權(quán)

14、值，以使網(wǎng)絡(luò)輸出在最小均方差意義下，盡量向期望輸出接近，反向?qū)W習的進程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息經(jīng)隱含神經(jīng)元逐層處理并傳向輸出層，如果輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播過程，將實際輸出與期望輸出之間的誤差沿原來的連接通路返回，通過修改各層神經(jīng)元的連接權(quán)值，使誤差減小，然后轉(zhuǎn)入正向傳播過程，反復循環(huán)，直至誤差小于給定的值為止。設(shè)有N個訓練對組成的訓練集，每一個訓練對用輸入矢量Xi= (xi1, xi2, , xim)和輸出矢量Di=(di1, di2, , din)， 1 i N。在前向傳播中，把Xi作為網(wǎng)絡(luò)的輸入，根據(jù)現(xiàn)有的W計算網(wǎng)絡(luò)的輸出Yi=(yi1, yi

15、2, , yin)。比較實際輸出Yi與期望輸出Di之間的差異，計算每一個輸出單元的平方誤差(yij- dij)2， 1 j n。把這些誤差進行加總得到誤差函數(shù)： (2-10)所要做的就是通過改變W來減小E，以使得所有的輸入矢量都盡量與相應(yīng)的輸出矢量相匹配。因此學習的過程就轉(zhuǎn)化為定義在權(quán)值空間上的目標函數(shù)E的極小化問題。在訓練過程中總是以盡可能快的減小E的方式進行。一般它依賴于在權(quán)值空間中是否沿梯度方向搜索，所以采用梯度下降法來訓練權(quán)值。每一個權(quán)值wij的變化量wij按如下方式計算： (2-11)其中Z為學習率，是控制算法收斂速度的參數(shù)。在第一階段得到的總誤差平方和又在第二階段被一層一層地反向傳

16、播回去，從輸出單元到輸入單元。權(quán)值的調(diào)整決定于傳播過程中的每一步。由于Ii、fi和E都是連續(xù)可微的，因此，可以應(yīng)用以下公式計算E/ wij的值： (2-12)W的修改可以有兩種方式，一是對于每一訓練對(Xi, Di)都修改一次W，另一種方式是輸入全部的訓練對后再加總wij并進行修改。訓練矢量集中訓練對的數(shù)目稱為一個epoch。當epoch不是非常大的時候，后一種方式能夠加快收斂的速度。因為第一種方式只能針對某一特定的訓練對減小誤差函數(shù)，而可能增大其它訓練對的誤差函數(shù)；第二種方式總是以減小總體誤差函數(shù)為目標的。所以采用第二種方式16。圖2-6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖三、數(shù)據(jù)記錄與分析3.1 系統(tǒng)各部

17、分效果驗證3.1.1 濾波器效果驗證為了驗證實時濾波的效果以及硬件性能，在清醒時采集的腦電波中截取了一段約4秒的信號進行驗證。經(jīng)過檢驗，濾波器效果良好，經(jīng)過實時濾波的數(shù)據(jù)已經(jīng)符合腦電波分析的要求。圖3-1 濾波前后的腦電信號波形對比（采樣率512Hz）圖3-2 濾波前后的腦電信號頻譜對比（采樣率512Hz）3.1.2 加窗頻域分析效果驗證由于睡眠深時低頻率的腦電波所占功率比例會增強，睡眠淺時會減弱，因此使用單一頻段的波所占功率比例可以簡單判讀睡眠的深淺程度。實驗對象佩戴腦電采集設(shè)備一晚上約九小時的睡眠初步驗證，每30秒數(shù)據(jù)、加漢明窗頻域分析了波（0.54Hz）所占的功率比例，得到了如下的圖像。

18、經(jīng)過比對與參考，該圖像已能大致反映睡眠的深淺程度，符合人體睡眠周期的客觀規(guī)律。加窗頻域分析的效果，得以驗證。圖3-3 加窗頻域分析后所得波所占的功率比例3.2 睡眠分期判定方法3.2.1 睡眠深淺的目測方法實驗對象佩戴腦電采集設(shè)備，未服用任何輔助藥物或干預(yù)治療，進行了連續(xù)五晚的睡眠腦電波采集。受試者身體健康，入睡時間正常且有規(guī)律，睡眠周期較為完整。由于睡眠監(jiān)測實驗的“第一晚效應(yīng)”，即受試者在第一次佩戴設(shè)備時難以入睡、或是睡眠期間易驚醒、沒有完整的睡眠周期的情況，因此只采用了第二晚至第五晚的數(shù)據(jù)進行分析。采樣頻率固定為512Hz，每晚的睡眠連續(xù)時長均超過6小時。多次取連續(xù)十分鐘（600秒）片段，

19、每30秒加漢明窗頻域分析得到了各頻段的腦電波所占的功率比例。目測發(fā)現(xiàn)，有如下規(guī)律：波和波頻率的峰或谷出現(xiàn)的位置大都重合，即一種波形的頻率處于峰值時，另一種波形的頻率處于谷值。在經(jīng)過數(shù)十次的非連續(xù)采集片段分析后，確認了本次實驗中上述規(guī)律的普遍性。圖3-4 波和波頻率比例的峰或谷出現(xiàn)的位置重合3.2.2 BP神經(jīng)網(wǎng)絡(luò)分析由于條件的限制，難以用本次實驗所用的便攜式設(shè)備獲取大量、準確的腦電波數(shù)據(jù)，也難以得到由醫(yī)生給出的專業(yè)睡眠分期判斷。這部分研究采用從PhysioNet17獲得的CAP睡眠腦電數(shù)據(jù)庫18進行分析和算法驗證。該睡眠監(jiān)測實驗在意大利帕爾馬的Ospedale Maggiore睡眠障礙研究中心

20、進行。此數(shù)據(jù)庫有108例多導睡眠記錄，每例至少記錄了三導連的腦電信號（根據(jù)10-20國際通用系統(tǒng)，電極為：F3或F4、C3或C4、O1或O2，以A1或A2作為參考電極）。其中的16例由健康的成年受試者完成，這16名受試者無神經(jīng)系統(tǒng)疾病，未使用會影響中樞神經(jīng)的藥物。受試者為9名女性、7名男性，年齡從23歲至42歲不等。此外，在睡眠中心接受過訓練的神經(jīng)病學家，還根據(jù)Rechtschaffen & Kales2規(guī)則對每一例記錄進行了以30秒為一間隔的睡眠分期。值得注意的是，R&K規(guī)則中把NREM睡眠分成了四個階段，由淺至深依次為S1至S4。在美國睡眠醫(yī)學會基于上述標準的改進中，S3和

21、S4被合并為N3。本實驗中，算法輸入和輸出的睡眠分期數(shù)據(jù)均已把二者合并。為了驗證神經(jīng)網(wǎng)絡(luò)的可行性與操作性，實驗先提取第一位受試者（37歲、女性）的C4-A1導連腦電波片段進行分析。根據(jù)數(shù)據(jù)附帶的睡眠分期注釋，對于睡眠的六個分期（這里以W、S1、S2、S3、S4、REM計），都各自隨機選出三個片段，共18個。每一片段時長一分鐘，采樣率512Hz，且片段彼此之間并不重合或者連續(xù)。在Matlab中，利用前文所提方法，把一分鐘的數(shù)據(jù)加漢明窗功率譜分析，取波所占的功率比例作為橫軸，波所占的功率比例作為縱軸，以不同顏色分別標出各個階段畫出了散點圖。從圖中，可以發(fā)現(xiàn)代表六個睡眠階段的點，彼此之間已經(jīng)可以大致

22、進行區(qū)分。另外，由于在實際實驗中會合并S3和S4，且會增加一個輸入變量波所占的功率比例，利用BP神經(jīng)網(wǎng)絡(luò)進行驗證的方法的可行性得以證明。圖3-5 第一位受試者的睡眠階段散點圖實驗提取第一、二、五、十、十一、十二位受試者（三位男性，年齡23歲、29歲、34歲；三位女性，年齡28歲、35歲、37歲）的腦電波片段進行分析，每位受試者、每個睡眠階段，各選兩個不連續(xù)片段，作為學習樣本。片段的采樣率均為512Hz，均為C4-A1導連。受試者身體良好，睡眠較為完整。設(shè)計實驗所需的BP網(wǎng)絡(luò)時，輸入層有三個節(jié)點，即波、波和波所占的功率比例，以-1至1分別進行歸一化處理。輸出層有五個節(jié)點，分別為(1, 0, 0,

23、 0, 0 )、(0, 1, 0, 0, 0 )、(0, 0, 1, 0, 0 )、(0, 0, 0, 1, 0 )、(0, 0, 0, 0, 1 )，代表了分期的五個階段：N1、N2、N3、REM、W。如前文，S1、S2分別對應(yīng)N1、N2，S3、S4合并為N3。隱含層節(jié)點根據(jù)經(jīng)驗一般應(yīng)滿足2n>m，其中n為隱含節(jié)點數(shù)19。由于本文的樣本數(shù)為60個，故n取6，即隱含層有6個節(jié)點。隱含層采用對數(shù)S形轉(zhuǎn)移函數(shù)( Logarithmic sigmoid transfer function)： (3-1)輸出層采用線性函數(shù)： (3-2)使用Matlab的newff工具，采用梯度下降自適應(yīng)學習率訓

24、練函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)。學習率定為0.01，目標誤差0.01，最大迭代次數(shù)500。60個樣本中，隨機選取50個用于訓練，另外未經(jīng)過訓練的10個用于驗證。經(jīng)過驗證，用于驗證的樣本中有4個判斷錯誤，神經(jīng)網(wǎng)絡(luò)的效果并不十分理想。但這四組判斷錯誤的數(shù)據(jù)中，有一組把W誤判為N1，有一組把N1誤判為REM，誤差并未影響對睡眠深淺度的判斷。此外，對于十組檢驗樣本中的N3（深度睡眠）均為判斷錯誤，可見BP神經(jīng)網(wǎng)絡(luò)還是有著一定的準確程度。四、結(jié)論本文主要探究了基于腦電波的便攜式睡眠質(zhì)量監(jiān)測系統(tǒng)的可行性以及其硬件、軟件系統(tǒng)的技術(shù)路線和實現(xiàn)方法，注重考慮了硬件系統(tǒng)的便攜性與成本，在關(guān)注算法的有效性同時，探究其簡易和

25、可操作程度。本文的實驗證明，便攜式腦電波采集設(shè)備具有傳統(tǒng)設(shè)備無可比擬的移動性，適合個人、家庭用戶使用；利用它可以獲得較高質(zhì)量的腦電信號、用于分析，結(jié)合神經(jīng)網(wǎng)絡(luò)等算法也可以對于睡眠質(zhì)量進行可靠的監(jiān)測與評估，還能夠初步實現(xiàn)對于睡眠的分期。但若要根據(jù)醫(yī)學上嚴格的睡眠分期標準進行評估，需要采集多導連的腦電以及其他心電、呼吸等信號綜合評估，且要求較高的職業(yè)技能與素養(yǎng)，只憑便攜式睡眠監(jiān)測系統(tǒng)難以滿足要求。本文的實驗結(jié)果，將為人們更好地研究便攜的睡眠監(jiān)測系統(tǒng)提供有意義的實驗依據(jù)與參考。探究單導連腦電信號與人體睡眠的相關(guān)性，以及腦電波的現(xiàn)代高級分析算法，是對本文實驗結(jié)果進行探討的重要理論基礎(chǔ)。此外，探究腦電波

26、的誘發(fā)、治療理論，和便攜式腦電波采集設(shè)備的準確性、可靠性及其市場化后的診斷、評估等應(yīng)用價值，也可以作為本課題后續(xù)的發(fā)展方向。參考文獻1蔡文英, 鐘龍云, 張作生. 睡眠腦電波的計算機分析. 中國科學技術(shù)大學學報. Vol.20, No.2, Jun., 1990.2Rechtschaffen, A. and Kales, A. A Manual of Standardized Terminology, Techniques, and Scoring System for Sleep Stages of Human Subjects. University of California, Brai

27、n Information Service/Brain Research Institute, Los Angeles, CA, 1968.3Iber C, Ancoli-Israel S, Chesson A, and Quan SF for the American Academy of Sleep Medicine. The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical Specifications, 1st ed.: Westchester, Il

28、linois: American Academy of Sleep Medicine, 2007. 4Yeo W.C., et al. Naval Res Catholic Univ of Amer 1972; 293297.5Larsen R.D., et al. Math Biosci 1976; 31: 237253.6Roberts S, et al. Med Biol Eng Comput 1992; 30: 509517.7Roberts S, et al. IEEE procedings-F 1992; 139(6): 420425.8張杰, 王明時. 睡眠腦電的研究. 國外醫(yī)學

29、生物醫(yī)學工程分冊, 1997年第20卷第2期.9SHAMBROOM, J. R., FÁBREGAS, S. E. and JOHNSTONE, J. (2012), Validation of an automated wireless system to monitor sleep in healthy adults. Journal of Sleep Research, 21: 221230. doi: .10鐃志強, 葉念渝. FIR和IIR數(shù)字濾波器的探討與實現(xiàn). 計算機與數(shù)字工程, 2005, 33(7). 11史潔玉. MATLAB信號處理超級學習手冊. 人民郵電出版社, 2014. 9.12陳群. 腦電生物