[发明专利]一种基于睡眠分期的抑郁症自动检测方法

说明书

一种基于睡眠分期的抑郁症自动检测方法，包括：获取睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据；对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；提取所述睡眠数据段的特征，包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；将所述特征组成特征向量进行特征选择；将选择得到的特征放入分类器中进行分类预测得到睡眠分期标签数据；将睡眠分期标签数据输入到训练好的抑郁症检测模型，输出所述测试者是否患有抑郁症的结果。本申请的睡眠分期的抑郁症自动检测方法具有低成本、高效和可靠的优点，有助于客观诊断和评估治疗效果，从而减少因为主观因素而导致误诊的情况发生。

技术领域

本发明涉及抑郁症的检测方法，尤其是涉及一种基于睡眠分期的抑郁症自动检测方法。

背景技术

抑郁症作为当前最紧迫的公共健康问题之一，其诊断几乎完全取决于医生与患者之间的沟通交流以及填写相关的问卷量表等。此类诊断方法通常主观性比较强，例如病人因为其隐私问题而隐藏自己的真实感受，或者医生可能会对不同的患者使用不同的测试标准进行诊断，从而导致误诊。

睡眠脑电图信号是抑郁症的生物标记之一，有助于客观检测和诊断抑郁症。目前临床中常用的睡眠评估手段多以多导睡眠图(Polysomnography,PSG)为基础将睡眠进行分期，其结果包括清醒期(W)、浅睡期(N1、N2)、深睡期(N3)和快速眼动期(REM)。手工睡眠分期通常由经验丰富的专业医生将多导睡眠图按30秒一帧进行解读，从而得出睡眠分期结果。这种方法存在工作量大，耗时长，主观性强的问题。睡眠自动分期则是通过获取人体的生物电信号来提取特征进行识别，常见以下方法：基于脑电信号的睡眠分期；基于结合脑电信号和眼动信号的睡眠分期；基于PSG的睡眠分期。但是，这些方法均存在一定的弊端。单通道脑电信号属于单模态信号比较微弱易受干扰，采取的通道比较少则会导致接收到的信息有限，影响睡眠分期的可靠性。融合脑电和眼电的方法虽然可以帮助消除眼电伪迹，但大多数仍以提取脑电信号为主要手段，可提取的特征信息有限。PSG则需要比较多的传感器，会在一定程度上影响受试者的睡眠质量，而且多导睡眠监测系统的成本比较高；另外PSG的数据量大，这会导致睡眠自动分期的时间成本大幅上升。

发明内容

为弥补现有技术的缺点与不足，本发明提供了一种基于睡眠分期的抑郁症自动检测方法，通过对多模态信号进行处理和特征提取进行高效可靠的睡眠自动分期，以实现抑郁症的自动检测。

本发明是通过如下技术方案实现的：

一种基于基于睡眠分期的抑郁症自动检测方法，包括：

获取测试者的睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据；对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；提取所述睡眠数据段的特征，所述特征包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；将所述特征组成特征向量进行特征选择处理得到各项特征的权重，选择权重值为正的特征；将特征选择得到的特征放入支持向量机分类器中进行分类预测得到睡眠分期标签数据；将所述睡眠分期标签数据输入到训练好的抑郁症检测模型，所述抑郁症检测模型输出所述测试者是否患有抑郁症的结果。

进一步地，所述训练好的抑郁症检测模型的训练方法包括：

获取训练集的睡眠数据，所述睡眠数据包括脑电、眼电和肌电的睡眠数据，所述训练集由比例接近的正常人和抑郁患者组成；对所述睡眠数据进行独立成分分析后分成相同长度的若干睡眠数据段；提取所述睡眠数据段的特征，所述特征包括频谱特征、边缘频率、绝对能量值、统计特征、Hjorth特征、最大最小距离和Esis特征；将所述特征组成特征向量进行特征选择处理得到各项特征的权重，选择权重值为正的特征；将特征选择得到的特征放入支持向量机分类器中进行分类预测得到睡眠分期标签数据；整合所述睡眠分期标签数据，提取抑郁症患者的睡眠特征；将所述抑郁症患者的睡眠特征组成特征向量，放入支持向量机分类器训练得到抑郁症检测模型。