基于生理信息的抑郁症评估系统及其评估方法

摘要

本发明公开了一种基于生理信息的抑郁症评估系统，包括：信息采集模块、信号处理模块、参数计算模块、特征选择模块、机器学习模块和输出结果模块。本发明还公开了一种基于多种生理信息的抑郁症评估方法，包括以下步骤：1、对心电信号以及脉搏波信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中一种或一种以上信号进行信号处理，并计算信号参数；2、利用得到的信号参数进行归一化处理，对经过归一化处理的信号参数组成的参数集进行特征选择，得到特征参数集；3、利用得到的特征参数集进行机器学习，利用特征参数集与抑郁等级的关系建立抑郁评估数学模型评估抑郁等级。具有能避免量表评估的主观性等优点。

说明书

技术领域

本发明涉及一种抑郁症评估技术，特别涉及一种基于生理信息的抑郁症评 估系统及其评估方法。

背景技术

随着社会发展，人们面临越来越多的压力，抑郁症的发病率也越来越高。 根据调查中国约有9000万抑郁症患者，占总人口的6.4％。全世界抑郁症患者约 有3.5亿。抑郁症患者一般表现为情绪低沉，对以前感兴趣的事物丧失兴趣以及 注意力降低。抑郁症等级有轻度、中度、重度的区别，患病情况严重的有自杀 倾向。抑郁症的病因是复杂的，而不是单一的，主要由生物、心理和社会因素 共同组成生物-心理-社会的统一模式，有遗传因素、生物化学因素、神经内分泌 因素、心理社会因素等原因影响。抑郁症的发病机制研究多集中于神经递质及 其受体，尤其是单胺类神经递质及其受体，研究认为神经肽在抑郁症发病中起 重要作用。但是至今，抑郁症的发病机制还没有一个统一的定论。

如今临床上对抑郁症的评估主要根据病史、临床症状等方式，目前国际上 通用的评估标准有ICD-10和DSM-IV。国内主要采用ICD-10，通过抑郁症症状 的表现以及抑郁症自评量表(SDS)判断受测者是否患有抑郁症，这样的评估方式 会受到受测者主观陈述、心理医生的自身主观因素和临床经验的影响，并不是 客观评估抑郁症的有效方法。因此需要一种基于生理信息对抑郁症进行评估， 客观量化是否患有抑郁症以及抑郁等级。

根据以往的研究，抑郁症患者的心电、脉搏波、脑电、皮电、胃电、肌电、 眼电、多导睡眠、温度等生理信息跟正常人有所差异。表现为电信号的时域、 频域、时域几何参数等有所不同。因此根据多种生理信息表现的差异，对信号 进行处理，计算大量的信号参数，建立抑郁评估数学模型评估抑郁症具有研究 基础、可行性和临床实用性。

发明内容

本发明的首要目的在于克服现有抑郁症评价技术的缺点和不足，提供一种 基于生理信息的抑郁症评估系统，该系统通过采集人体心电信息以及脉搏波、 脑电、皮电、胃电、肌电、眼电、多导睡眠、温度中一种或一种以上生理信息， 计算生理信息的时域、频域等参数，提取特征参数集，建立抑郁评估数学模型， 进而对受测者是否患有抑郁症以及抑郁等级进行评估。

本发明的另一目的在于克服现有抑郁症评价方法的缺点和不足，提供一种 应用于基于生理信息的抑郁症评估系统的评估方法，该评估方法能够客观量化 地评估受测者是否患有抑郁症以及抑郁等级。

本发明的首要目的通过下述技术方案实现：一种基于生理信息的抑郁症评 估系统，包括：信息采集模块、信号处理模块、参数计算模块、特征选择模块、 机器学习模块和输出结果模块。

信息采集模块，用于采集心电信号以及选择性地采集脉搏波信号、脑电信 号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号、温度信号中 一种或一种以上的生理信息。信息采集模块采集的信号通过USB串口有线传输 或者蓝牙无线传输的方式传输到信号处理模块中。

信号处理模块，用于对生理信息进行信号处理，包括心电信号处理单元、 脉搏波信号处理单元、脑电信号处理单元、皮电信号处理单元、胃电信号处理 单元、肌电信号处理单元、眼电信号处理单元、多导睡眠信号处理单元和温度 信号处理单元。其中心电信号处理单元包括去基线处理、滤波去噪处理、提取 窦性心搏间期(RR间期)处理、插值处理、傅里叶变换处理以及谱分析和谱估计 处理。脉搏波信号处理单元包括去基线处理、滤波去噪处理、提取脉搏间期(PP 间期)处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理。脑电信号处 理单元包括去基线处理、阈值去噪处理、小波分解处理以及谱分析和谱估计处 理。皮电信号处理单元包括去基线处理和小波滤波处理。胃电信号处理单元包 括去基线处理、Hilbert-Huang变换处理、小波分析处理、多分辨率分析处理和 独立成分分析处理。肌电信号处理单元包括去基线处理和小波包自适应阈值去 噪。眼电信号处理单元包括去基线处理、加权中值滤波处理和小波变换处理。 多导睡眠信号处理单元包括处理睡眠脑电信号、睡眠肌电信号和睡眠眼电信号， 对所述睡眠脑电信号进行去基线处理、阈值去噪处理、小波分解处理以及谱分 析和谱估计处理，对所述睡眠眼电信号进行去基线处理、加权中值滤波处理和 小波变换处理，对所述睡眠肌电信号进行去基线处理、小波包自适应阈值去噪 处理和睡眠分期处理。温度信号处理单元包括去基线处理、阈值滤波处理、建 立温度值与图像灰度值的关系式。信号处理模块输出经过处理的信号到参数计 算模块。

参数计算模块，用于计算经过处理的信号的信号参数，包括心电参数计算 单元、脉搏波参数计算单元、脑电参数计算单元、皮电参数计算单元、胃电参 数计算单元、肌电参数计算单元、眼电参数计算单元、多导睡眠参数计算单元 和温度参数计算单元。其中心电参数计算单元包括计算RR间期、所有RR间期 的均值(Mean)、心跳间期的标准差(SDNN)、相邻心跳间期差值的均方根 (RMSSD)、50毫秒间隔以上相邻心跳间期差值的比例(PNN50)、相邻心跳间期 之间的标准差(SDSD)、极低频成分(VLF)、低频成分(LF)、高频成分(HF)、频谱 总功率(TP)、低频成分与高频成分的比值(LF/HF)、RR间期散点图中垂直于y＝x 的标准偏差(SD1)、RR间期散点图中y＝x直线的标准偏差(SD2)、短期去趋势波 动分析的斜率(a1)和长期去趋势波动分析的斜率(a2)。脉搏波参数计算单元包括 计算PP间期、所有PP间期的均值(Mean)、脉搏间期的标准差(SDNN)、相邻脉 搏间期差值的均方根(RMSSD)、50毫秒间隔以上相邻脉搏间期差值的比例 (PNN50)、相邻脉搏间期之间的标准差(SDSD)、极低频成分(VLF)、低频成分(LF)、 高频成分(HF)、频谱总功率(TP)、低频成分与高频成分的比值(LF/HF)、PP间期 散点图中垂直于y＝x的标准偏差(SD1)、PP间期散点图中y＝x直线的标准偏差 (SD2)、短期去趋势波动分析的斜率(a1)和长期去趋势波动分析的斜率(a2)。脑电 参数计算单元包括计算δ波幅值、δ波功率、δ波均值、δ波方差、δ波偏歪度、 δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ波峭度、α 波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅值、β 波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵。皮电参数计算 单元包括计算皮肤交感反应潜伏期、皮肤交感反应波幅和皮肤电阻值。胃电参 数计算单元包括计算正常胃电节律、慢波、胃动过缓成分和胃动过速成分。肌 电参数计算单元包括计算基础值、最小值、最高值、肌电下降能力和肌电曲线。 眼电参数计算单元包括计算R波成分、r波成分、S波成分和s波成分。多导睡 眠信号参数计算单元包括计算睡眠潜伏期、睡眠总时间、觉醒指数、入睡期(S1)、 浅睡期(S2)、中度睡眠期(S3)、深度睡眠期(S4)、快速眼动百分比、快速眼动睡 眠周期数、快速眼动睡眠潜伏期，快速眼动睡眠强度，快速眼动睡眠密度和快 速眼动睡眠时间。温度参数计算单元包括计算人体体内温度分布。参数计算模 块输出信号参数到特征选择模块。

特征选择模块，用于在全部信号参数中获取与抑郁等级相关的特征参数集。 特征选择模块输出特征参数集到机器学习模块。

机器学习模块，用于训练抑郁等级量化的分类器，利用特征参数集建立抑 郁评估数学模型，量化抑郁等级。机器学习模块输出抑郁等级到输出结果模块。

输出结果模块，用于显示抑郁评估数学模型输出的抑郁等级。

本发明的另一目的通过下述技术方案实现：一种应用于基于生理信息的抑 郁症评估系统的评估方法，可以包括以下步骤：

步骤1：对心电信号进行信号处理并同时对脉搏波信号、脑电信号、皮电 信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信 号或一种以上的信号进行信号处理，并计算经过处理的信号的信号参数。其 中：

心电信号处理和参数计算通过心电信号去基线处理、滤波去噪处理、提取 RR间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理计算RR间 期、Mean、SDNN、RMSSD、PNN50、SDSDVLF、LF、HF、TP、LF/HF、 SD1、SD2、a1和a2；

脉搏波信号处理和参数计算通过脉搏波信号去基线处理、滤波去噪处理、 提取PP间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理；

脑电信号处理和参数计算通过脑电信号去基线处理、阈值去噪处理、小波 分解处理以及谱分析和谱估计处理计算δ波幅值、δ波功率、δ波均值、δ波方差、 δ波偏歪度、δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ 波峭度、α波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅 值、β波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵；

皮电信号处理和参数计算通过皮电信号去基线处理和小波滤波计算皮肤交 感反应潜伏期、皮肤交感反应波幅和皮肤电阻值；

胃电信号处理和参数计算通过胃电信号去基线处理、Hilbert-Huang变换处 理、小波分析处理、多分辨率分析处理和独立成分分析处理计算正常胃电节 律、慢波、胃动过缓和胃动过速成分；

肌电信号处理和参数计算通过肌电信号去基线处理和小波包自适应阈值去 噪处理计算基础值、最小值、最高值、肌电下降能力和肌电曲线；

眼电信号处理和参数计算通过眼电信号去基线处理、加权中值滤波处理和 小波变换处理计算R波成分、r波成分、S波成分和s波成分；

多导睡眠信号处理和参数计算通过睡眠脑电信号去基线处理、阈值去噪处 理、小波分解处理以及谱分析和谱估计处理，睡眠眼电信号去基线处理、加权 中值滤波处理和小波变换处理，睡眠肌电信号去基线处理、小波包自适应阈值 去噪处理和睡眠分期处理计算睡眠潜伏期、睡眠总时间、觉醒指数、S1、S2、 S3、S4、快速眼动百分比、快速眼动睡眠周期数、快速眼动睡眠潜伏期、快速 眼动睡眠强度、快速眼动睡眠密度和快速眼动睡眠时间；

温度信号处理和参数计算通过温度信号去基线处理、阈值滤波处理和建立 温度值与图像灰度值的关系式计算人体体内温度分布。

步骤2：利用步骤1计算得到的信号参数进行归一化处理，对经过归一化处 理后的信号参数组成的参数集进行特征选择，得到特征参数集。所述的归一化 处理方法：

$X_{in}=\frac{X_i-X_{imean}}{X_{istd}},$

其中，X是指参数集的信号参数，X_i表示第i个进行归一化的信号参数值， X_in表示第i个归一化后的值，X_imean表示第i个参数的正常均值，X_istd表示第i 个参数的正常标准差，i是正整数。所述的特征选择分为特征搜索和评价准则两 部分，其中搜索算法使用以下算法中一种或一种以上的组合：完全搜索 (CompleteSearch)、顺序搜索(SequentialSearch)、随机搜索算法(Random Search)、遗传算法(GeneticAlgorithm)、模拟退火搜索算法(Simulated Annealing)、可回溯的贪婪搜索扩张算法，评价准则可选择性地使用Wapper模 型或CfsSubsetEval属性评估方法。其中在评估过程中获取心电和脉搏波信号， 特征选择采用结合完全搜索算法与Wapper模型的方式；评估过程中，获取心 电、皮电和多导睡眠信号，特征选择采用结合随机搜索算法与CfsSubsetEval属 性评估方法的方式。根据采集信号种类不同，选择合适、准确度高的算法组 合。

步骤3：根据步骤2得到的特征参数集进行机器学习，使用特征参数集在机 器学习的过程中建立抑郁评估数学模型。其中机器学习的算法可选择性地使用 以下算法中一种或一种以上组合：贝叶斯分类器(Bayes)、决策树算法(Decision Tree)、AdaBoost算法、k-近邻法(k-NearestNeighbor)、支持向量机(SVM)。抑 郁评估数学模型的表达式为：

$Y=\underset{i=1}{\overset{n}{\Sigma }}{a}_i{y}_i,$

其中，Y是抑郁评估数学模型输出值，n是选择使用的机器学习算法数，y_i是第i种算法输出值，a_i是第i种算法的系数，i是正整数。建立了基于多种生 理信息的抑郁评估数学模型后，利用抑郁评估数学模型的输出结果评价抑郁等 级，所述抑郁等级分为五级：正常、一般、轻度抑郁、中度抑郁和重度抑郁。

相对于现有技术，本发明具备以下的优点及有益效果：

1、抑郁评估数学模型的建立具有研究基础，心电信号、脉搏波信号、脑电 信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号和温度信号 的参数与抑郁相关，因此利用基于生理信息的抑郁评估数学模型的输出结果评 估抑郁等级具有可行性；

2、利用抑郁评估数据模型的评估方式通过生理参数客观量化抑郁等级，能 够改善传统量表评估抑郁的方式，避免量表评估的主观性，符合临床需求并具 有临床实用性；3、本发明结合心电、脉搏波、脑电、皮电、胃电、肌电、眼电、 多导睡眠和温度的生理参数对抑郁症进行评估，丰富了神经科学领域与心理学 领域交叉研究的方法；

4、本发明对心电信号以及脉搏波信号、脑电信号、皮电信号、胃电信号、 肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信 号的结合进行信号处理、参数计算、建立数学模型，可选择多种信号组合进行 评估，具有灵活性和新颖性；

5、本发明提出对信号参数归一化处理的方法，将参数与正常样本中的均值 和标准差进行比较，消除参数在数值大小和偏差方面的差异，使参数集特征选 择更加科学有效；

6、本发明提出多种特征选择和机器学习的算法组合，根据信号类型的不同， 数学模型的建立方式更加灵活；

附图说明

图1为基于生理信息的抑郁症评估系统原理图。

图2为基于生理信息的抑郁症评估系统结构图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方 式不限于此。

实施例

如图1所示，一种基于生理信息的抑郁症评估系统，包括：信息采集模块、 信号处理模块、参数计算模块、特征选择模块、机器学习模块、输出结果模块； 信息采集模块采集的信号通过USB串口有线传输或者蓝牙无线传输的方式传输 到信号处理模块中。信号处理模块输出经过处理的信号到参数计算模块。参数 计算模块输出信号参数到特征选择模块。特征选择模块输出特征参数集到机器 学习模块。机器学习模块输出抑郁等级到输出结果模块。

所述基于生理信息的抑郁症评估系统的结构如图2所示，所述的信息采集 模块，用于采集心电信号并采集脉搏波信号、脑电信号、皮电信号、胃电信号、 肌电信号、眼电信号、多导睡眠信号和温度信号中的一种信号或一种以上的信 号。所述的信号处理模块，用于处理生理信息，包括去基线处理、滤波去噪处 理、提取心搏间期处理、时频变换处理以及谱分析和谱估计处理等。所述的参 数计算模块，用于计算经过处理的信号的信号参数，包括心率变异性的时域参 数、频域参数和时域几何参数，以及根据采集的生理信息选择性地计算脉搏波 信号、脑电信号、皮电信号、胃电信号、肌电信号、眼电信号、多导睡眠信号、 温度信号中一种或一种以上信号的时域参数、频域参数、直方图参数、分布图 参数。所述的特征选择模块，用于在全部信号参数中获取与抑郁等级相关的特 征参数集。所述的机器学习模块，用于训练抑郁等级量化的分类器，利用特征 参数集建立抑郁评估数学模型，量化抑郁等级。所述的输出结果模块，用于显 示抑郁评估数学模型输出的抑郁等级。

该系统的基于多种生理信息的抑郁症评估方法具体实施步骤如下：

步骤1：获取生理信息，生理信息包括心电，以及脉搏波、脑电、皮电、 胃电、肌电、眼电、多导睡眠、温度中一种或一种以上生理信息。其中：

心电信号采集可选择测量五分钟静息状态下的心电信号，心电采集采样率 可以选择500Hz或者500Hz以上；

脉搏波采集可选择性利用红外光透射尖部位输出反应血管末稍血容积变化 的脉搏传感器采集之间脉搏信号，或者利用震感式测量法采集腕部脉搏信号， 脉搏波采集采样率可以选择500Hz或者500Hz以上；

脑电采集可选择采用10-20系统点激发采集大脑皮层的自发脑电活动；

皮电采集采用皮肤交感反应测试，单脉冲经皮电刺激腕部正中神经，测试 皮肤交感反应起始潜伏期和波幅，以及测试右手大鱼肌和前臂掌侧的皮肤电阻 值；

胃电采集采用置于上腹部的体表电极测量胃肌电活动；

肌电采集采用生物反馈仪刺激，连接前额的肌电电极测量肌电的信号；

眼电采集采用闭眼眼球活动(CEM)测量；

多导睡眠采用同时采集眼电、下颌肌电和脑电的方式测量睡眠时间及其参 数；

温度采集可采用红外测温原理测量体内温度的方式。信号采集属于常规信 号采集。

步骤2：对步骤1获取的生理信息进行信号处理，计算信号参数；具体的参 数列表如下表表1所示，表1为电信号及其参数描述列表：

表1

其中，心电信号处理和参数计算通过心电信号去基线处理、滤波去噪处理、 提取RR间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理计算 RR间期、Mean、SDNN、RMSSD、PNN50、SDSD、VLF、LF、HF、TP、LF/HF、 SD1、SD2、a1和a2；

脉搏波信号处理和参数计算通过脉搏波信号去基线处理、滤波去噪处理、 提取PP间期处理、插值处理、傅里叶变换处理以及谱分析和谱估计处理；

脑电信号处理和参数计算通过脑电信号去基线处理、阈值去噪处理、小波 分解处理以及谱分析和谱估计处理计算δ波幅值、δ波功率、δ波均值、δ波方差、 δ波偏歪度、δ波峭度、θ波幅值、θ波功率、θ波均值、θ波方差、θ波偏歪度、θ 波峭度、α波幅值、α波功率、α波均值、α波方差、α波偏歪度、α波峭度、β波幅 值、β波功率、β波均值、β波方差、β波偏歪度、β波峭度和小波熵；

皮电信号处理和参数计算通过皮电信号去基线处理和小波滤波计算皮肤交 感反应潜伏期、皮肤交感反应波幅和皮肤电阻值；

胃电信号处理和参数计算通过胃电信号去基线处理、Hilbert-Huang变换处 理、小波分析处理、多分辨率分析处理和独立成分分析处理计算正常胃电节 律、慢波、胃动过缓和胃动过速成分；

肌电信号处理和参数计算通过肌电信号去基线处理和小波包自适应阈值去 噪处理计算基础值、最小值、最高值、肌电下降能力和肌电曲线；

眼电信号处理和参数计算通过眼电信号去基线处理、加权中值滤波处理和 小波变换处理计算R波成分、r波成分、S波成分和s波成分；

多导睡眠信号处理和参数计算通过睡眠脑电信号去基线处理、阈值去噪处 理、小波分解处理以及谱分析和谱估计处理，睡眠眼电信号去基线处理、加权 中值滤波处理和小波变换处理，睡眠肌电信号去基线处理、小波包自适应阈值 去噪处理和睡眠分期处理计算睡眠潜伏期、睡眠总时间、觉醒指数、S1、S2、 S3、S4、快速眼动百分比、快速眼动睡眠周期数、快速眼动睡眠潜伏期、快速 眼动睡眠强度、快速眼动睡眠密度和快速眼动睡眠时间；

温度信号处理和参数计算通过温度信号去基线处理、阈值滤波处理和建立 温度值与图像灰度值的关系式计算人体体内温度分布。

步骤3：利用步骤2计算得到的信号参数进行归一化处理，对经过归一化处 理后的信号参数组成的参数集进行特征选择，得到特征参数集，所述的归一化 处理方法：

$X_{in}=\frac{X_i-X_{imean}}{X_{istd}},$

其中，X是指参数集的信号参数，X_i表示第i个进行归一化的信号参数值， X_in表示第i个归一化后的值，X_imean表示第i个参数的正常均值，X_istd表示第i 个参数的正常标准差，i是正整数。所述的特征选择分为特征搜索和评价准则两 部分，其中搜索算法使用以下算法中一种或一种以上的组合：完全搜索 (CompleteSearch)、顺序搜索(SequentialSearch)、随机搜索算法(Random Search)、遗传算法(GeneticAlgorithm)、模拟退火搜索算法(Simulated Annealing)、可回溯的贪婪搜索扩张算法，评价准则可选择性地使用Wapper模 型或CfsSubsetEval属性评估方法。其中在评估过程中获取心电和脉搏波信号， 特征选择采用结合完全搜索算法与Wapper模型的方式；评估过程中，获取心 电、皮电和多导睡眠信号，特征选择采用结合随机搜索算法与CfsSubsetEval属 性评估方法的方式。根据采集信号种类不同，选择合适、准确度高的算法组 合。

步骤4：根据步骤3得到的特征参数集进行机器学习，使用特征参数集在机 器学习的过程中建立抑郁评估数学模型。其中机器学习的算法可选择性地使用 以下算法中一种或一种以上组合：贝叶斯分类器(Bayes)、决策树算法(Decision Tree)、AdaBoost算法、k-近邻法(k-NearestNeighbor)、支持向量机(SVM)。抑 郁评估数学模型的表达式为：

$Y=\underset{i=1}{\overset{n}{\Sigma }}{a}_i{y}_i,$

其中，Y是抑郁评估数学模型输出值，n是选择使用的机器学习算法数，y_i是第i种算法输出值，a_i是第i种算法的系数，i是正整数。所述抑郁评估数学 模型建立了基于多种生理信息的抑郁评估数学模型后，利用抑郁评估数学模型 的输出结果评价抑郁等级，把所述抑郁等级分为五级：正常、一般、轻度抑 郁、中度抑郁和重度抑郁。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实 施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。