基于便携式睡眠心电采集及深度学习的抑郁症患者睡眠质量评估系统

2022-02-24王肖文肖碧波陈旭创

医疗装备 2022年1期

王肖文，肖碧波，陈旭创

1 佛山市第一人民医院设备科（广东佛山 528000）；2 佛山市第三人民医院设备科（广东佛山 528000）

抑郁症是常见的精神疾病，严重影响患者及其家庭成员的生命质量。睡眠障碍是抑郁症患者的主要表现之一，有研究发现，改善抑郁症患者的睡眠质量能够减轻抑郁症的严重程度[1-2]。因此，评估抑郁症患者的睡眠质量十分重要。目前，临床上常采用多导睡眠图或匹兹堡睡眠质量指数评估抑郁症患者的睡眠质量，但这两种评估方式均受患者主观因素的影响较大，且所采用的有线设备采集均会对患者的睡眠质量产生一定影响。而无线的便携式设备采集能够提升抑郁症患者的使用舒适感，更真实地反映抑郁症患者的睡眠质量[3-4]。鉴于此，本研究构建了一套抑郁症患者睡眠领域关于心电采集及深度学习的睡眠质量评估系统，包括便携式睡眠心电监测模块和深度学习评估模块，具体介绍如下。

1 便携式睡眠心电监测模块

便携式睡眠心电监测模块的工作原理为，便携式心电监测仪长时间采集和存储抑郁症患者睡眠时的心率和呼吸信号，手机通过蓝牙接收心电监测仪采集的数据，并通过网络上传数据至服务器，服务器使用深度学习评估模块评估抑郁症患者的睡眠质量。

1.1 硬件设计

便携式心电监测仪通过采集患者心电数据实现心电数据的存储和转发，结合程序的编写，实现心电图ECG 波形的自动滤波、实时计算RR 间期和呼吸频率、自动记录数据至SD 存储卡，并通过蓝牙技术传送至手机应用端[5-6]。硬件工作流程如下：（1）通过用于生物电势测量的ADS1292R 芯片，实时监测抑郁症患者的睡眠心电数据，包括心电图和呼吸频率数据；（2）利用MCU STM32F405单片机进行心电图和呼吸频率数据的滤波和统计，得出数据RR 间期和呼吸频率[7-8]；（3）利用SD 存储卡，实时记录抑郁症患者的RR 间期和呼吸频率[9]；（4）利用蓝牙模块HC-06与手机应用端进行通信，手机端再将数据传输至网络终端；（5）利用微型的LED 灯珠进行状态显示，实现低电量、数据上传、数据记录等状态的显示，方便使用者了解设备实时状态。

1.2 软件设计

手机传送服务应用端开发平台为Android Studio 4.0.1，心电数据传送服务端开发功能包括以下两点：（1）蓝牙模块Bubletooth Receive.class 实现将便携式心电监测仪采集的数据发送至手机端；（2）网络数据发送接收模块Upload Download Data.class 实现手机终端与服务器的连接，手机端将RR 间期数据和呼吸频率数据传送至服务器终端，同时接收服务器终端计算结果并通过手机移动端用户界面呈现给用户。心电数据传送服务端工作模式见图 1。

图1 心电数据传送服务端工作模式

2 深度学习评估模块

深度学习评估模块开发平台基于Linux，抑郁症患者睡眠分期模型的分型软件为Python和TensorFlow。首先，在Python中使用心电数据计算出RR间期庞加莱图，然后，基于TensorFlow的深度学习对庞加莱图进行睡眠分期模型的构建，最后，将患者的心电数据在睡眠分期模型的深度学习评估模块进行分期识别，实现对抑郁症患者睡眠质量的评估。

2.1 生成RR 间期庞加莱图

RR 间期庞加莱图算法是心电信号输入睡眠分期模型前的预处理。RR 间期庞加莱图算法度量心电信号的时间序列空间分布规律，描述动力学系统的运动轨迹，可克服传统非线性方法分析短时甚至极短时序列的不足；使用滑动时间窗口，将相邻RR 间期定义为点并归一化，得到散点图（图2）；庞加莱图描述了逐次心跳的心率加快和减速信息，反映了心率总体的变异率。

图2 RR 间期庞加莱图示意图

2.2 构建睡眠分期模型

睡眠时心率和呼吸频率会随着睡眠时相的变化表现出节律性变化[7]，因此，从心电中提取时间序列可以表征睡眠的不同阶段[8]。睡眠分期分析指标包括实时睡眠分期阶段图、各阶段（清醒、浅睡、深睡、快动眼睡眠）时长以及时长占比等[9]。由于卷积神经网络具有良好的图像处理能力，所以睡眠分期模型使用卷积神经网络算法[10]进行深度学习建模，见图3。分期模型使用公开数据集或者临床采集数据计算的RR 间期庞加莱图进行深度学习。为避免出现过拟合现象，模型使用两层循环交叉验证训练，首先按受试者数量将数据随机分成k 份，并按照（k-2）∶1∶1的比例分为训练集、验证集和测试集，然后内层循环使用k-1折交叉验证的方法，对训练集和验证集进行卷积神经网络参数训练和验证，最后外层循环对测试集使用k 折交叉验证，得到k 次测试结果的平均值，作为睡眠分期模型的准确性评估依据。