基于睡眠多通道生理信號的抑郁癥輔助診斷方法和系統與流程

本發明涉及計算機醫療輔助系統，特別是涉及一種基于睡眠多通道生理信號的抑郁癥輔助診斷方法和系統。

背景技術：

抑郁癥又稱抑郁障礙，主要臨床特征為心境低落、情緒消沉及其導致的其他各種病理性異常生理癥狀，如睡眠障礙、食欲減退、身體部位疼痛等。其中睡眠障礙是諸多異常生理癥狀中表現最為明顯、最為普遍的一項。目前國際上通用的抑郁癥診斷標準有ICD-10和DSM-IV，國內主要采用ICD-10，而確切的臨床診斷仍主要依據病史、臨床癥狀、病程及體格檢查和實驗室檢查等諸多步驟，過程繁多且準確性仍有不足。經查閱，現有抑郁癥臨床診斷規范模式和診斷篩查量表中均未涉及與睡眠分期結果相關的睡眠質量報告。而睡眠質量作為考察人體綜合健康狀況的一項重要指標，在臨床醫學中多個領域均有普遍考察，但仍未將其納入抑郁癥的診斷依據范圍當中，此為現有抑郁癥臨床診斷的一大缺陷。本發明的創新要點之一就是依據患者的睡眠分期結果獲得其睡眠質量報告，從而對患者的抑郁癥診斷起到重要的輔助作用。

睡眠分期的理論來源于對多導睡眠圖(PSG)的結果分析。傳統的睡眠分期是由訓練有素的專家基于多導睡眠圖的可視波形記錄而進行人工判斷，是一個主觀、重復并且耗時的決策過程。而分期判斷的標準則來源于1968年在美國提出的R&K標準。根據該標準提出的健康成人的睡眠特征，人腦的活動分為三種狀態，即清醒狀態(wake)，非快動眼睡眠狀態(NREM sleep)和快動眼睡眠狀態(REM sleep)。其中NREM睡眠又可進一步分為1～4期，NREM睡眠的3期和4期合稱慢波睡眠(slow wave sleep，SWS)。所有的睡眠分期結果都將處于5種睡眠階段之中，即非快動眼睡眠狀態(NREM sleep)的1～4期和快動眼睡眠狀態(REM sleep)。現有技術中公開的睡眠分期方法，例如深圳創達云睿智能科技有限公司的發明專利：基于睡眠腦電信號的睡眠分期方法及裝置，公開了一種基于睡眠腦電信號的睡眠分期方法，包括采用預設的時頻分析方法對預設的各睡眠階段的原始腦電信號進行分析，獲取各睡眠階段的腦電信號特征信息；根據所述腦電信號特征信息建立各睡眠階段的腦電信號特征模型；基于所述腦電信號特征模型對待處理腦電信號進行睡眠分期。這種分期方法存在兩處不足——首先，該方法僅僅采集了腦電信號，并未采集眼電信號。據現有的睡眠分期文獻資料，睡眠分期的重要生理信號來源除了腦電信號外最為重要的就是眼電信號，通常較為可信的睡眠分期結果均來自于采集至少兩路生理信號的睡眠監測系統，缺少一路生理信號采集會影響睡眠分期的精度。其次，該方法并未對所采集的信號特征做進一步處理和管理，而是全部直接用于特征模型的建立。這樣的做法不足之處在于，通常所采集的原始生理信號特征為非結構化數據，對其不加處理而直接進行表示、管理、分析和整理工作需要龐大的計算資源并且會影響結果的準確性。本發明的另一創新要點在于睡眠分期方法上的創新，針對以上兩點不足做出改進。

技術實現要素：

本發明提供一種基于睡眠多通道生理信號的抑郁癥輔助診斷方法和系統，以多通道睡眠生理信號為數據來源，以信號特征及睡眠分期結果為依據，對睡眠多通道生理信號進行特征提取、特征選擇、特征管理、規則訓練和規則推理，獲取睡眠分期結果并依據該結果生成睡眠質量報告及抑郁輔助診斷綜合報告，對抑郁癥的臨床診斷起到輔助作用。

本發明的技術方案是：

1.一種基于睡眠多通道生理信號的抑郁癥輔助診斷方法，其特征在于，包括：

(1)采集睡眠多通道生理信號，包括采集腦電及眼電兩種睡眠生理信號；

(2)將采集的原始數據進行結構化處理，得到睡眠生理結構化數據；

(3)對睡眠生理結構化數據采用本體建模方式進行定量分析，形成睡眠本體模型，獲得最佳特征組合，進行睡眠分期；

(4)依據睡眠分期結果生成睡眠質量報告及抑郁輔助診斷綜合報告。

2.所述步驟1)中，腦電信號采集4導：C3-A2、C4-A1、O1-A2，O2-A1；眼電信號采集兩導：ROC-A1、LOC-A2。

3.所述步驟2)中，所述結構化處理是指將原始非結構化腦電、眼電數據轉換為結構化的計算機可直接讀取的形式；分為兩步：(1)識別并標記原始數據中的所有實例；(2)查詢并映射實例。

4.所述步驟3)中的定量分析，包括采用快速ICA算法將結構化處理后的數據進行去噪處理。

5.所述步驟3)中的定量分析，包括去噪之后選擇與睡眠分期密切相關的頻段數據進行特征提取；所述特征提取采用三種定量分析方法：線性方法，非線性方法和統計方法；線性方法用于分析提取時域數據和頻域數據的特征；非線性方法用于分析提取反映神經活動的本質的非線性特征；統計方法用于分析提取數據的統計特征。

6.所述步驟3)中，所述睡眠本體模型自上而下設計為三層：范疇層、分類層和實例層；所述范疇層包含所有的興趣域，每個興趣域的具體核心概念被定義在中間的分類層；每個核心概念的具體化實例在實例層。

7.所述步驟3)中，還包括相關性分析和分類的步驟；所述相關性分析獲得的最佳特征組合用于睡眠分期；所述分類步驟用于實現睡眠分期。

8.所述步驟4)中，依據睡眠分期結果生成的睡眠質量報告包括以下三方面：睡眠SWS期長短評分；睡眠潛伏期長短評分；睡眠連續程度評分。

9.所述步驟4)中，所述抑郁輔助診斷綜合報告由抑郁指數體現，描述為：

抑郁指數＝(睡眠SWS期長短評分*35％+睡眠潛伏期長短評分*35％+睡眠連續程度評分*30％)*0.1。

10.一種基于睡眠多通道生理信號的抑郁癥輔助診斷系統，其特征在于，包括四個模塊：原始數據采集模塊、原始數據結構化處理模塊、睡眠特征分析管理模塊；診斷決策模塊；所述原始數據采集模塊用于采集睡眠多通道生理信號，包括采集腦電及眼電兩種睡眠生理信號；所述原始數據結構化處理模塊用于將原始數據進行結構化處理，得到睡眠生理結構化數據；所述睡眠特征分析管理模塊用于對睡眠生理結構化數據采用本體建模方式進行定量分析，形成睡眠本體模型，獲得最佳特征組合，進行睡眠分期；所述診斷決策模塊用于依據睡眠分期結果生成睡眠質量報告及抑郁輔助診斷綜合報告。

本發明的技術效果：

本發明提供的一種基于睡眠多通道生理信號的抑郁癥輔助診斷方法和系統，以多通道睡眠生理信號為數據來源，以信號特征及睡眠分期結果為依據，對睡眠多通道生理信號進行特征提取、特征選擇、特征管理、規則訓練和規則推理，獲取睡眠分期結果并依據該結果生成睡眠質量報告及抑郁輔助診斷綜合報告，對抑郁癥的臨床診斷起到輔助作用。

1.本發明采集的多導睡眠數據包括采集腦電及眼電兩種睡眠生理信號。完整的多導睡眠圖所采集的生物信號包括腦電、眼電、下頜肌電以及心電信號，在多導睡眠圖信號中，最重要的是腦電圖，其次是眼電圖。因此本發明采集腦電及眼電兩種睡眠生理信號，相比于只采集腦電信號的睡眠分期系統，增加眼電信號的采集相當于擴展了特征集，能夠增強自動睡眠分期的準確性。

2.本發明采集的多導睡眠數據采集周期為30秒，且睡眠監測過程貫穿于被試者的整個睡眠期間，即6至8個小時之間，再加上采集的是多路生理信號，從而采集的原始數據是數據量十分龐大的非結構化數據，處理和分析這一擴展的非結構化特征集，對現有的計算機系統來說任務量過于龐大，若要保證足夠的數據量則需要延長數據處理的時間，效率相對太低。因此本發明在設計之初便提出了兩個重要需求：(1)能夠表示、管理和分析大數據量的非結構化數據特征，并且可以變換形式使人和計算機均可以閱讀或識別；(2)根據采集到的生理信號的數據特征提供有效的分析和分類機制從而完成睡眠分期工作。因此本發明選擇采用本體建模和數據挖掘技術來應對大量非結構化數據的分析處理工作，對原始生理數據、腦電圖和眼電圖特征和其它上下文信息采用本體建模方式分析和處理，基于睡眠本體模型進行海量特征管理。本發明的本體建模方式作為一種數據處理工具具有突出的優點：有效、規范且簡潔；對于大量特征實現有機化和分層化管理；實現數據獲取、數據共享和數據重復使用；不同的數據可以通過語義識別和定量分析方式來分類整理。

附圖說明

圖1是本發明的方法流程示意圖。

圖2是本發明的原始數據結構化處理過程圖。

圖3是本發明的有效特征提取過程圖。

圖4是本發明的睡眠本體模型結構示意圖。

圖5是本發明的有效特征提取結果圖。

圖6是本發明的睡眠分期過程圖。

圖7是本發明的睡眠分期結果圖。

具體實施方式

以下結合附圖對本發明的實施例作進一步詳細說明。

如圖1所示，是本發明的方法流程示意圖。一種基于睡眠多通道生理信號的抑郁癥輔助診斷方法，包括：

(1)采集睡眠多通道生理信號，包括采集腦電及眼電兩種睡眠生理信號；

(2)將采集的原始數據進行結構化處理，得到睡眠生理結構化數據；

(3)對睡眠生理結構化數據采用本體建模方式進行定量分析，形成睡眠本體模型，獲得最佳特征組合，進行睡眠分期；

(4)依據睡眠分期結果生成睡眠質量報告及抑郁輔助診斷綜合報告。

具體實現過程如下：

步驟(1)中，采集原始睡眠生理數據，支氣管哮喘、慢性阻塞性肺病、心率不全、安裝心臟起搏器、夢游癥、睡眠癲癇癥等相關疾病患者不能被列為數據采集對象。

本發明使用多導睡眠儀(PSG)作為原始睡眠生理數據采集設備，腦電信號采集4導：C3-A2、C4-A1、O1-A2，O2-A1；眼電信號采集兩導：ROC-A1、LOC-A2。腦電電極的安置嚴格按照標準國際10-20系統，眼電電極安置位置：一側為眼外眥上、外各1cm處，對側為眼外眥向下、外各1cm處。電極安置完成之后，在被試準備入睡時開始采集數據，采集周期為30秒，采集時長一般為6到8小時。

步驟(2)中，原始數據結構化處理作為數據預處理階段，如圖2所示，是本發明的原始數據結構化處理過程圖。本發明實施例使用protégé4.1編輯器完成原始數據的結構化處理，首先建立無實例原始數據本體，然后使用此本體對采集的非結構化原始數據進行實例識別和標記，標記后原始數據以具體實例形式存在，例如，實例1電極位置，實例2被試編號，實例3生理數據類型，實例4被試健康狀況，……，然后對其進行查詢和映射形成以本體形式存儲的結構化數據，以便供計算機讀取。

步驟(3)中，包括定量分析睡眠生理結構化數據的步驟，包括：去噪和特征提取；首先使用快速ICA算法去噪，然后進行特征提取。詳細過程如圖3所示：

第一步：使用快速ICA算法對以本體形式存儲的結構化數據去噪；

第二步：去噪之后選擇被廣泛承認的與睡眠分期密切相關的頻段數據進行特征提取。本發明選擇與睡眠分期密切相關的頻段主要包括：alpha(8–13Hz)、beta(12–30Hz)、theta(4–8Hz)、delta(0.5–2Hz)、spindle(12–14Hz)、sawtooth(2–6Hz)和K complex(1Hz)。采用三種定量分析方法：線性方法，非線性方法和統計方法對以上頻段數據進行特征提取。線性方法用于提取時域特征和頻域特征；非線性方法用于提取反映神經活動本質的非線性特征；統計方法用于分析提取數據的統計特征。使用MALAB編寫相應特征提取程序，程序運用之后得到如下特征：

線性方法：a)alpha、beta、theta、delta、spindle和sawtooth頻段的絕對功率；b)alpha、beta、theta、delta、spindle和sawtooth頻段的相對功率；c)alpha、beta、theta、delta、spindle和sawtooth頻段的中心頻率；d)alpha、beta、theta、delta、spindle和sawtooth頻段的最大功率；e)beta和delta絕對功率比、alpha和beta絕對功率比、alpha和spindle絕對功率比、theta和alpha絕對功率比、delta和theta絕對功率比、delta和alpha絕對功率比、delta和spindle絕對功率比、spindle和beta絕對功率比；f)hjorth參數(Activity，Mobility和Complexity)。

非線性方法：譜熵；香農熵；kolmogorov熵；C0復雜度。

統計方法：平均振幅；方差；歪斜度；峰態。

以上三種定量分析方法提取的海量特征不能直接反映出與睡眠分期之間的關聯性，因此步驟(3)中還包括采用ReliefF算法去尋找睡眠生理特征與睡眠分期之間的潛在關聯性，從海量睡眠生理特征中尋找最佳特征組合，獲得最佳特征組合的步驟。

一旦最佳特征組合獲得之后，將與睡眠相關的上下文信息一起被存儲在睡眠本體模型當中。

睡眠本體模型用于存儲海量信息，其結構如圖4所示，是一種自上向下，抽象到具體的設計思路，主要結構由范疇層、類層和實例層三部分組成。睡眠本體模型的形成過程如下:

第一步：范疇層建立EEG-EOG-Sleep本體的兩大領域：原始EEG-EOG本體和睡眠本體。

第二步：針對范疇層兩大領域分別在類層構建對應的核心概念，例如睡眠本體對應的核心概念主要包括：提取的EEG和EOG特征、睡眠分期以及分期規則等。

第三步：對類層的核心概念進行實例化，實例層存儲大量具體實例，即具體的結構化數據，例如：核心概念“被試”具體化之后對應真實存在的個體，本發明用被試編號表示具體的被試，編號SC4011即是一個健康的男性。

步驟(3)中，還包括相關性分析和分類的步驟。相關性分析獲得的最佳特征組合(即最終有效特征)用于睡眠分期；分類步驟用于實現睡眠分期。

相關性分析的步驟分為以下三步：

第一步：參數初始化

k＝8；m＝129；δ＝0.05；W(A)＝0；

k：最近相鄰類；

m：特征總數；

δ：閾值特征權重；

W(A)：每個特征的初始權重；

T：最相關特征集合.

第二步：計算所有特征的權重，每次從訓練樣本集中隨機取出一個樣本R，然后從和R同類的樣本集中找出R的k個近鄰樣本(near Hits)，從每個R的不同類的樣本集中均找出k個近鄰樣本(near Misses)，然后更新每個特征的權重，(詳細介紹見文獻I.Kononenko,Estimating attributes:Analysis and extensions ofRELIEF.Lecture Notes in Computer Science,vol.78,no.4,pp.171-182,Apr.1994.)計算過程如下式所示：

for A＝1to m//計算所有特征

end

其中diff(A,R₁,R₂)為特征A中樣例R1和R2的差異，其定義為：

第三步：選擇最相關的特征組合，使用第二步計算得到的m個特征權重與閾值特征權重比較，若大于閾值，則將對應的第A個特征添加到最相關特征集合之中。

for A＝1 to m

if W(A)＞＝δ //判斷權重是否大于閥值特征權重

add A to T；//添加第A個特征到最相關特征集合

end

最終選擇的最佳特征組合的結果見圖5，當閥值設置為δ＝0.05時，對于女性而言，與睡眠分期最相關的特征(即最終有效特征)有14個；對于男性而言，與睡眠分期最相關的特征(即最終有效特征)有9個。

如圖6所示，是本發明的睡眠分期過程流程圖。

本發明采用隨機森林算法實現睡眠分期，主要分為以下三步：

第一步：從睡眠本體模型中選取有效生理特征(EEG和EOG)，并且睡眠專家依據“R&K”睡眠分期規則或者“AASM”睡眠分期規則，把本體形式存儲的結構化數據，通過人工手動方式劃分為不同的睡眠階段；結合生理特征與其對應睡眠階段作為引導樣本，共形成500個引導樣本用于放回抽樣。

第二步：每個引導樣本基于隨機森林算法建立分類決策樹模型。每個決策樹選擇根屬性，然后將引導樣本拆分成基于單個屬性的子集。節點屬性的選擇和拆分標準基于節點屬性的信息增益(IG)。每個數據集S拆分為子集Si的信息增益定義如下：

在上式中，c表示類的數目(這里c＝5表示5段睡眠期：清醒期，NREM1期，NREM2期，SWS期和REM期)。E(S_i)表示子集S_i的信息熵。計算方法如下：

其中p_j是子集S_i中睡眠期i的比例。

每個屬性都要計算其信息增益，而信息增益最高的屬性會被選擇為根節點。該過程將在每個分支節點遞歸重復直到完成對所有屬性的遍歷，或到達一個葉節點，即睡眠分期的輸出結果。

第三步：重復第二步建立500棵分類決策樹，依據隨機森林算法規則結合500棵分類決策樹訓練形成規則集合，最終實現自動化睡眠分期。

部分睡眠分期結果如圖7所示，此圖給出一位被試時長9小時的睡眠過程，五種睡眠階段的變化情況，例如從睡眠分期結果可以看出NREM2在整個睡眠過程中占的時長最大。

步驟(4)中，依據睡眠分期結果生成睡眠質量報告，睡眠質量報告劃分為不同等級用于定量化睡眠質量，報告內容包括以下三方面：睡眠SWS期長短；睡眠潛伏期長短；睡眠連續程度。具體定量如下：

睡眠SWS期長短分為四等級：

一級：SWS期長短正常范圍內，評分75-100；

二級：SWS期長短減少小于40％，評分50-75；

三級：SWS期長短減少大于40％，評分0-50；

四級：SWS期缺失，評分25。

睡眠潛伏期長短分為三等級：

一級：潛伏期在20分鐘內，評分75-100；

二級：潛伏期在大于20分鐘小于30分，評分40-75；

三級：潛伏期大于30分鐘內，評分0-40。

睡眠連續程度分為三等級：

一級：起夜小于5次，評分65-100；

二級：起夜大于5次小于10次，評分30-65；

三級：起夜大于10次，評分0-30。

步驟(4)中，抑郁癥輔助診斷綜合報告由抑郁指數體現，其形式化描述為：

抑郁指數＝(睡眠SWS期長短評分*35％+睡眠潛伏期長短評分*35％+睡眠連續程度評分*30％)*0.1。

依據抑郁指數確定輔助診斷決策結果：

抑郁指數大于8分：正常；

抑郁指數6至8分：潛在抑郁患者；

抑郁指數小于6分：抑郁。

相應的，一種基于睡眠多通道生理信號的抑郁癥輔助診斷系統，包括四個模塊：原始數據采集模塊、原始數據結構化處理模塊、睡眠特征分析管理模塊；診斷決策模塊；原始數據采集模塊用于采集睡眠多通道生理信號，包括采集腦電及眼電兩種睡眠生理信號；原始數據結構化處理模塊用于將原始數據進行結構化處理，得到睡眠生理結構化數據；睡眠特征分析管理模塊用于對睡眠生理結構化數據采用本體建模方式進行相關性分析和分類，形成睡眠本體模型，獲得最佳特征組合，進行睡眠分期；診斷決策模塊用于依據睡眠分期結果生成睡眠質量報告及抑郁輔助診斷綜合報告。

本文雖然給出了本發明的實施例，但是本領域的技術人員應當理解，在不脫離本發明精神的情況下，可以對本文的實施例進行改變。上述實施例只是示例性的，不應以本文的實施例作為本發明權利范圍的限定。