一种基于深度学习的家用式不宁腿综合症早期诊断系统

【作 者】周平，黄罗杰，赵庆贤，肖文锦，李思雨

东南大学生物科学与医学工程学院，南京市，210096

0 引言

不宁腿综合症（Restless Leg Syndrome，RLS）是一种神经性感觉运动疾病，其对睡眠、日常活动、行为、认知或情绪有明显影响，给患者本人及家属在生活、工作等重要领域带来巨大的精神、经济负担，甚至是造成严重的损害。RLS主要表现为静息状态下双下肢出现难以形容的不适感，有强烈的活动下肢的意愿，患者被迫地通过不断敲打双腿以减缓不适感。RLS症状往往会在夜间睡眠时加剧，相反在白天正常活动时，可能无上述症状出现[1]。研究表明，RLS患病率为2%～15%[2-3]。此外，RLS也是帕金森病静息运动障碍主要临床表现之一。据统计，帕金森病患者中RLS的发病率是7.9%～20.8%，显著高于普通人[4-5]。RLS的症状常常对睡眠和生活质量产生很大影响，其表达受到遗传、环境和医学因素的影响。RLS发作频率从每月间歇性发作到每晚发作变化很大；症状轻则不易察觉，重则致残。

目前，主要有两种手段进行RLS疾病临床诊断，一是根据国际不宁腿综合症研究组织（IRLSSG）提出的RLS诊断标准评分量表进行自查评分[6]，二是采用多导睡眠图对患者进行夜间睡眠监测[7-8]，进而进行诊断。

就自查评分而言，量表通过下列五个基本标准的症状模式来诊断RLS：①有活动腿部的冲动，但不总是伴随着腿部不适感；②在休息或不活动期间（如躺下或坐着），活动腿部的冲动和不适感开始出现或加剧；③腿部的不适感，至少在活动持续的时候，可被运动减轻（如行走或伸展）；④在休息或不活动时，活动腿部的冲动和不适感只发生在晚上或夜晚；⑤上述现象不是作为其它疾病的临床症状出现（例如肌痛、静脉瘀血、腿部水肿、关节炎、腿部抽筋、位置不适、习惯性脚踏叩击）。根据症状严重程度进行打分，可分为轻度：1～10分，中度：11～20分，重度：21～30分，极重度：31～40分。就多导睡眠图而言[9]，其采用双侧胫骨前电极记录睡眠中腿动状况，评价周期性肢动指数[10]（即平均每小时腿动的次数），可分为轻度：5～24次，中度：25～49次，重度：≥50次；根据腿动伴随的脑电图觉醒进行微觉醒指数[10]判定（即睡眠中每个小时腿动伴随觉醒的次数），可分为轻度：5～20次，中度：20～40次，重度：＞40次。

总体而言，量表自查主要用于症状较轻的早期RLS患者；当症状较明显时，再使用PSG进行系统性诊断。然而量表自查主要基于患者本身的主观判断，所以诊断结果的客观性和准确性有很大局限。而PSG需要大量专业医疗设备，且由于是接触式测量，对于患者的睡眠会造成明显影响，不适用于日常睡眠监测，所以无法用于症状间歇性出现的早期RLS患者。

在RLS症状对患者生活造成严重影响之前，进行早期诊断非常有必要，有助于其及时进行有效治疗，防止症状加剧。此外，作为帕金森病的早期症状，RLS的诊断也可辅助帕金森病诊断和治疗[11]。据此，本文提出一种基于深度学习的家用式不宁腿综合症早期诊断系统。本系统硬件部分做到最大程度简化，采用非接触式方案，在患者感受不到硬件设备存在的情况下完成信号采集；软件部分基于深度学习进行睡眠体动信号分析，针对RLS早期诊断，提供准确客观的夜间体动信息的统计和分析结果，并将分析结果用于早期RLS患者的日常症状分析和诊断。

1 硬件设计

本系统硬件部分由多个检测单元组成（一个主检测单元与多个从检测单元）。每个检测单元包含信号采集模块、系统控制与信号处理模块、通讯模块以及电源模块共4个工作模块。各模块工作关系如图1所示。

图1 各模块间工作关系Fig.1 Correlations among working modules

电源模块由TPS76933电源管理器和TP4056充电管理器组成，通过稳压电路，共同为检测单元提供3.3 V恒稳电压。信号采集模块使用MMA7361三轴加速度传感器实时检测睡眠体动信号，并将测得的数据通过模数转换及时传输到通讯模块。MMA7361是一款高精度的模拟三轴加速度传感器，其精度模式可以选择1.5 g和6 g两种。从工作需要的角度，选择1.5 g模式，输出800 mV/g的模拟信号，考虑到睡眠体动信号特征，将采样率设置为40 Hz。通讯模块使用CC2540芯片，它是一款2.4 GHz低功率蓝牙系统单晶片，不管是作为主控，还是从属式节点，CC2540都能以很低的成本进行工作。它具有很低的睡眠模式功率消耗及不同工作模式间短暂的转换时间，适用于超低功率的系统。系统控制和信号处理模块采用微型处理器MSP430管理检测单元的工作模式，可实现睡眠时段自定义，控制信号采集和通讯传输，主检测单元可实现多通道同步数据整合。

各从检测单元依据主检测单元发送的同步指令、控制命令，在常规睡眠时段或主检测单元自定义的睡眠时段，实时检测加速度信号，并将带有时间同步信号的加速度数据发送回主检测单元。

主检测单元加速度传感器模块采集到信号或者接收到从检测单元发送的加速度信号后，系统控制与信号处理模块对信号进行连续处理，再经由通讯模块传输至上位机进行后续处理。

为实现无感检测睡眠体动信号，本系统硬件部分安装于床体，不与受试者直接接触。本系统包含1个主检测单元和2个从检测单元，直接贴附于床板下方。为了在保证系统最简化的同时，捕捉受试者的各种可能的活动姿态中不同的特征（如活动方向、活动部位等），硬件部分如图2所示方案安装：主检测单元安装于靠近床头的部位，对上半身运动敏感；1、2号从检测单元安装于靠近床尾的部位，对下半身运动敏感。在垂直于人体方向，1、2号从检测单元之间的距离设置为65 cm。

图2 系统硬件部分安装方案Fig.2 Set-up of the hardware system

2 软件设计

在接收到本系统硬件部分采集到的三轴加速度信号后，先对其进行一系列预处理。

考虑到睡眠体动特征，设置宽为5 s的时间窗对信号进行滑窗截取，并设置50%的窗重叠。再将三通道同步数据片段按照“主、从1、从2”的顺序进行拼接。首先，使用式（1）对三轴信号进行合成，得到1个长度为600的一维信号序列：

其次，为了消除硬件设备初始状态差异的影响，使用式（2）去除合加速度均值：

再次，为提高系统效率，只对包含有效动作的信号序列进行分类识别。实验表明，有效动作序列和静息状态序列能量有明显差异，因此采用式（3）计算信号能量（S）：

在安装好设备后，首先采集一组空床信号进行系统校准。使用上述公式计算空床信号序列的能量，本文经过多次实验，将阈值设置为空床信号能量的3倍，用于有效体动判断。若序列能量大于设定阈值，则认为此5 s信号序列内包含有效体动信息。

最后，本文将有效运动片段进行归一化处理后，输入神经网络进行分类识别。本文神经网络可识别的运动类别共7类：下肢活动、上肢活动、坐起、躺下、翻身、离床和其它。神经网络基于python的Keras框架构建，选择了全连接前馈网络作为基础结构，整个网络分为三层：输入层、隐层和输出层，分别包含600、300和7个神经元。对于全连接前馈神经网络而言，每一层设置的神经元个数多少在一定范围内和神经网络的特征提取能力呈正相关；但是神经元过多也会导致整体运算效率下降和过拟合等问题，直接影响神经网络最终的训练效果。本系统为了解决这一矛盾，在前两层网络的训练中使用Dropout层来抑制网络的过拟合倾向。Dropout层对于全连接前馈神经网络结构的影响如图3所示。从图中可见，Dropout层能有效简化各层神经元间的连接结构，在训练过程中逐步去除对输出正确分类贡献不大或有负贡献的多余层间连接通路，从而提升神经网络训练效率并优化其训练效果。

在神经网络各层激活函数选择方面，其前两层选用了在近年的实践中表现优秀的线性整流激活函数(Rectified Linear Unit, ReLU)；输出层为了输出特定格式的预测向量，而选用了Softmax分类器。经过实验调试，本文最终选择了交叉熵损失函数和Adagrad梯度下降优化器的组合以达到神经网络最佳的拟合效果。本系统的神经网络结构如图4所示。

图3 Dropout层效果示意图Fig.3 Eあect of Dropout layers

图4 神经网络结构图Fig.4 Structure of the Artificial Neural Network

基于上述系统的检测和识别结果，可以“下肢活动”频率评估周期性肢动指数（每小时下肢活动次数），进而作为RLS诊断参考，如轻度：5～24次，中度：25～49次，重度：≥50次；以“上肢活动”、“翻身”和“其它”3种类型活动总频率评估微觉醒指数（每小时轻度觉醒次数），如轻度：5～20次，中度：20～40次，重度：＞40次；以“坐起”、“躺下”和“离床” 3种类型活动总频率评估完全觉醒指数（每晚完全觉醒次数）：轻度：≤1次，中度：2～3次，重度：＞3次。

3 实验结果

由于不同动作信号的特征不同，各动作类型的识别难度也会有所差距。其中，特征较为不明显的动作（如上肢活动和其它）和本文重点关注的动作（如下肢活动）需要更多的样本进行训练。为了达到最理想的训练效果，本文首先制定了各类型数据量配比方案。按照方案，实验最终共采集到6 000条有效数据，数据分配如表1所示。

表1 实测数据分配Tab.1 Allocation of measured data

然后，每条数据经预处理成为长度为600的一维向量。实验将数据集随机打乱，抽取其中600条组成测试集，其余5 400条作为训练集进行深度学习训练。为了达到更优的训练效果，同时提高训练效率，本文使用迭代法进行训练，设置batch size为200、epoch为27。此外，本文还将学习率设置为自适应调整模式，即当损失趋于稳定，无法继续减小时，神经网络通过降低学习率的方法进一步逼近最优结果。

经过训练，本系统神经网络最终训练集分类综合准确率为98.37%、测试集分类综合准确率为97.83%。本文进一步统计测试集各个动作的准确率，结果如表2所示。对于系统而言，最为关心的运动类别为“下肢活动”，其分类准确率可达98.15%。此外，由于信号采集过程中存在叠窗操作，本系统对于真实的时间序列中的单个下肢活动会进行多次识别，所以系统在实际使用中对于下肢活动的捕捉率会得到进一步提高。经实验证明，本系统对于不宁腿综合症患者每小时下肢活动次数检测，误差最大为±1次/h。

表2 神经网络识别准确率Tab.2 Classification accuracy of neural network

4 结果与讨论

本文分别从硬件和软件角度介绍了一种创新的家用式不宁腿综合症早期诊断系统。本系统硬件部分由安装在床体的多个检测单元组成，通过加速度传感器全面检测受试者在睡眠期间的各种类型活动；系统软件部分基于深度学习进行动作分类识别，综合识别准确率为97.83%。其中，“下肢活动”识别准确率可达98.15%。实际使用中，本系统对于不宁腿综合症患者周期性肢动指数检测的识别误差最大为±1次/h。此误差对于诊断结果不会造成明显影响，所以本系统的检测精度满足实际应用要求。总体而言，本系统硬件结构简单，软件算法效率、精度较高，有望适用于不宁腿综合症早期患者临床症状的日常检测，利于向家庭和社区推广。