本發(fā)明屬于醫(yī)學(xué)檢測技術(shù)領(lǐng)域，具體的說，涉及一種基于互信息網(wǎng)絡(luò)的用于睡眠呼吸暫停綜合征的檢測系統(tǒng)。

背景技術(shù)：

睡眠呼吸暫停通常分為阻塞性睡眠呼吸暫停(obstructive sleep apnea, OSA)、中樞性睡眠呼吸暫停(central sleep apnea, CSA)和混合性睡眠呼吸暫停(mixed sleep apnea, MSA)三種類型。其中，OSA指睡眠中因上氣道阻塞引起的呼吸暫停和通氣不足的癥狀，表現(xiàn)為口鼻腔氣流停止而胸腹呼吸動作尚存在。CSA指由于中樞神經(jīng)系統(tǒng)的呼吸中樞功能障礙或支配呼吸肌的神經(jīng)或呼吸肌病變，導(dǎo)致氣道無阻塞但發(fā)生呼吸暫停的癥狀，表現(xiàn)為口鼻腔氣流和胸腹呼吸動作同時停止。MSA是OSA與CSA并存。

阻塞性睡眠呼吸暫停綜合征(obstructive sleep apnea syndrome, OSAS)是指睡眠狀態(tài)下呼吸暫停和低通氣。目前我國約有4000萬人患有該類疾病?；加性摬“Y的人容易產(chǎn)生白天困倦、性格暴躁、注意力不集中等癥狀，易引發(fā)高血壓、冠心病、腦血栓等疾病。因此準(zhǔn)確及時的檢測OSA病人非常有意義。

睡眠呼吸暫停綜合征是AHI≥5次/小時(睡眠呼吸暫停/低通氣指數(shù))的一種睡眠呼吸疾病。0<AHI<5：正常；5<AHI≤20屬于輕度OSA；20<AHI≤40屬于中度OSA；AHI>40 屬于重度OSA。報告表明9%的中年男性及4%的中年女性患有此病。OSA會導(dǎo)致白天嗜睡，頭昏，頭疼記憶力衰退，反應(yīng)遲鈍。長期患有此病可引起高血壓、頭昏、冠心病、心衰、中風(fēng)等多種疾病。

通常OSA的檢測的標(biāo)準(zhǔn)是多導(dǎo)睡眠圖監(jiān)測（PSG），檢測的信號有：眼電圖，肌電圖，心電圖，腦電圖，血氧飽和度，胸部和腹部呼吸幅度圖，鼻、口通氣量等十多個信號。PSG的檢測需要在睡眠實驗室睡1到2天，睡眠實驗室造價昂貴，且需要專業(yè)技術(shù)人員，大部分OSA患者無法到睡眠實驗室監(jiān)測確診。

目前OSA檢測的創(chuàng)新點主要是尋求PSG的替代方法，如僅采用心電圖（ECG）、口鼻氣流、鼾聲中的一個信號或幾個信號完成對OSA嚴(yán)重程度的判定。

諸多研究通過從單導(dǎo)聯(lián)的ECG信號中提取信息來檢測OSA病人，并判斷發(fā)病的嚴(yán)重程度。睡眠呼吸障礙（OSA）發(fā)病時，呼吸阻滯，導(dǎo)致了心率也發(fā)生明顯的變化。呼吸暫停時，心動過緩；呼吸恢復(fù)，心動過速，心率變異性(HRV)呈現(xiàn)為鋸齒波。這種生理的現(xiàn)象稱之為心率周期性變化（Cyclic variation of heart rate, CVHR）。研究人員通常采用了諸多信號處理的方法來檢測OSA病人。他們通過從時域頻域提取信息導(dǎo)入分類器并通過分類器檢測OSA病人。

HRV分析可以分為時域分析法、頻域分析法、時頻分析法及非線性分析。HRV的時域分析可以分為統(tǒng)計法和圖解法。《黃宛臨床心電圖學(xué)》（2009年1月出版）給出了最具代表性的時域指標(biāo)。

(1)SDNN：全部正常竇性心搏間期的標(biāo)準(zhǔn)差，單位ms；

(2)SDANN：全程按5分鐘分成連續(xù)的時間段，先計算每5分鐘到NN間期平均值，再計

算所有平均值的標(biāo)準(zhǔn)差，單位：ms；

(3) rMSSD：全程相鄰NN間期之差的均方根值，單位：ms；

(4) SDNN Index: 全程按5分鐘分成連續(xù)的時間段，先計算每5分鐘的NN間期標(biāo)準(zhǔn)差，再計算這些標(biāo)準(zhǔn)差的平均值，單位：ms；

(5) SDSD：全部相鄰NN間期的之差的標(biāo)準(zhǔn)差，單位：ms；

(6) NN50：全部NN間期中，相鄰的NN間期之差大于50ms的心搏數(shù)，單位：個；

(7) PNN50：NN50除以總NN間期個數(shù)、乘以100，單位：%。

圖解法的指標(biāo)及其定義為：

（1）HRV三角指數(shù)：以1/128s為采樣間隔繪制某段；

（2）TINN：使用最小法，求出全部NN間期的直方圖近似三角形底邊的寬度，單位ms。

時域分析的優(yōu)勢在于簡單易行。

Pearson相關(guān)系數(shù)與互信息（mutual information，MI）是評估兩個時間序列之間相似度的最簡單最常用的方法。與Pearson相關(guān)系數(shù)相比，互信息優(yōu)勢在于還能夠用于非線性信號分析。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于互信息網(wǎng)絡(luò)的睡眠呼吸暫停綜合征的檢測系統(tǒng)。本發(fā)明的檢測系統(tǒng)中采用互信息的方法衡量HRV片段之間的相似度。

與傳統(tǒng)的檢測裝置不同，我們采用復(fù)雜網(wǎng)絡(luò)來檢測OSA病人，即通過互信息（MI）網(wǎng)絡(luò)的方法刻畫了這種變化：兩個OSA片段的相似性明顯大于兩個非OSA片段的相似性。采用互信息計算HRV片段之間的相似性以此生成互信息矩陣，然后設(shè)定合適的閾值將互信息矩陣轉(zhuǎn)換成網(wǎng)絡(luò)，用網(wǎng)絡(luò)特征值檢測OSA病人。本發(fā)明的技術(shù)方案具體介紹如下。

本發(fā)明提供一種基于互信息網(wǎng)絡(luò)的睡眠呼吸暫停綜合征的檢測系統(tǒng)，其由ECG采集模塊，ECG預(yù)處理模塊，HRV信號提取模塊，HRV預(yù)處理模塊，網(wǎng)絡(luò)生成模塊和拓?fù)涮卣饔嬎隳K構(gòu)成；其中：

ECG采集模塊，負(fù)責(zé)采集患者睡眠的ECG信號；

ECG預(yù)處理模塊，對ECG信號濾波，去除噪聲以及基線漂移；

HRV信號提取模塊，通過檢測ECG信號的R波，獲取心跳間隔信號；

HRV預(yù)處理模塊，濾除HRV信號中的異常值；

網(wǎng)絡(luò)生成模塊，通過將HRV切割成N個片段，通過互信息方法計算片段之間的相似性，并將互信息矩陣轉(zhuǎn)換成無權(quán)無向網(wǎng)絡(luò)；其中：互信息的計算方法為：設(shè)兩個隨機變量（X,Y）的聯(lián)合分布p(x,y)，邊際分布p(x)，p(y)，互信息I(x,y)可以表示為

其中：

；

當(dāng)互信息矩陣內(nèi)的元素大于閾值，則對應(yīng)的網(wǎng)絡(luò)節(jié)點i與j是相連的，否則不連，如此構(gòu)建無權(quán)無向網(wǎng)絡(luò)；

拓?fù)涮卣饔嬎隳K，計算生成的無權(quán)無向網(wǎng)絡(luò)的拓?fù)涮卣髦笜?biāo)，并利用拓?fù)涮卣髦笜?biāo)檢測OSA病人；其中：拓?fù)涮卣髦笜?biāo)包括平均度k、局部聚類系數(shù)C、全局聚類系數(shù)T、全局效率E和模塊性Q；其計算方法如下：

平均度為網(wǎng)絡(luò)的每個節(jié)點i度值的平均值，

其中：N為網(wǎng)絡(luò)節(jié)點數(shù)目；

節(jié)點的聚類系數(shù)定義為，

其中：為節(jié)點i的邊數(shù)；

網(wǎng)絡(luò)的局部聚類系數(shù)定義為所有節(jié)點聚類系數(shù)的均值，

C=

全局聚類系數(shù)T定義為

全局效率E定義為

其中：為節(jié)點與節(jié)點之間最短路徑。

本發(fā)明中，采用帶寬濾波0.5-40Hz濾除ECG信號中噪聲以及基線漂移。

本發(fā)明中，采用最大值方法檢測ECG的R波，獲取HRV信號。

本發(fā)明中，通過滑動平均濾波器對HRV信號進(jìn)行預(yù)處理。

本發(fā)明中， 閾值的取值在0.5~1之間。

本發(fā)明的有益效果在于：該系統(tǒng)操作時的優(yōu)勢分析的信號為RR間隔序列，容易獲取，簡單易行。

附圖說明

圖1 是基于互信息網(wǎng)絡(luò)的睡眠呼吸暫停綜合征的檢測流程圖。

圖2 是睡眠呼吸障礙發(fā)病時的HRV片段與正常HRV片段的圖示。

圖3 是OSA個體/健康個體的HRV片段之間的互信息矩陣圖示。

圖4 是R波檢測示意圖。

圖5 是全局聚類系數(shù)T的ROC曲線圖（最佳閾值由原點標(biāo)記）。

圖6 是全局聚類系數(shù)T與局部聚類系數(shù)C聯(lián)立在訓(xùn)練集（a）、測試集（b）的區(qū)分效果示意圖。

圖7 是AHI與全局聚類系數(shù)T的相關(guān)性圖示。

具體實施方式

數(shù)據(jù)庫介紹：我們采用MIT-Physionet Apnea數(shù)據(jù)庫，該數(shù)據(jù)庫分為訓(xùn)練集和測試集。訓(xùn)練集和測試集中分別有35個長度約為8小時的夜間ECG信號，抽樣頻率為100Hz。個體年齡為27到63歲，體重為53公斤到135公斤。

訓(xùn)練集共有35個個體，按照AHI=5作為標(biāo)準(zhǔn)劃分健康個體與OSA個體，可以將35個個體分為22個OSA病人（AHI≥5），13個健康個體（AHI<5）。同理，35個測試集樣本可以分為23個OSA病人，12個健個體。

將每個長度為8小時的ECG分別通過如下模塊，流程圖見圖1。

1.ECG預(yù)處理模塊：采用帶寬濾波(0.5-40Hz)濾除ECG信號中工頻噪聲，基線漂移。ECG信號處理后，通過三次樣條內(nèi)插法，重新采樣，采樣頻率為500Hz。

2.HRV信號提取模塊：采用最大值方法檢測ECG的R波，獲取HRV信號。（見圖4）。

3.HRV預(yù)處理模塊：①去除異常值：通過滑動平均濾波器，滑動窗長5-beat，mRR為窗內(nèi)RR信號的平均值，如果RR>1.2*mRR或RR<0.8*mRR，則該RR值為異常值由mRR替代。②信號重采樣：采用三次樣條內(nèi)插(cubic-spline)，采樣頻率為4Hz。

4.網(wǎng)絡(luò)生成模塊：將預(yù)處理后的RR序列分割成長度為5分鐘的片段，在這里共有70個片段。計算片段之間互信息?；バ畔⒌挠嬎惴椒椋涸O(shè)兩個隨機變量(x,y)的聯(lián)合分布為p(x,y)，邊際分布為p(x),p(y);互信息I(x,y)可以通過如下公式計算：

其中：

這里利用了睡眠呼吸阻塞發(fā)病時HRV信號呈規(guī)律的鋸齒波（見圖2），這與正常狀況下的HRV呈鮮明的對比(見圖2)。這種發(fā)病時HRV的鋸齒波導(dǎo)致了兩個睡眠呼吸障礙的HRV片段的互信息大于兩個正常HRV片段的互信息。

將長度為350分鐘的HRV分割成70個片段，每個片段長度為5分鐘。計算HRV片段兩兩之間互信息獲得70*70的互信息矩陣。如果互信息矩陣內(nèi)的元素大于閾值, 則對應(yīng)的網(wǎng)絡(luò)節(jié)點i與j是相連的，否則不連。如此構(gòu)成一個無權(quán)無向網(wǎng)絡(luò)。

兩個睡眠呼吸障礙發(fā)病時HRV片段的互信息明顯大于兩個正常的HRV片段之間的互信息，而OSA病人含有大量的睡眠呼吸發(fā)病的HRV片段導(dǎo)致了所生成的互信息網(wǎng)絡(luò)的平均值遠(yuǎn)大于正常個體的HRV片段所生成的互信息網(wǎng)絡(luò)。(見圖3)。

5．拓?fù)涮卣饔嬎隳K，計算網(wǎng)絡(luò)拓?fù)涮卣髦担x取區(qū)分效果最好的網(wǎng)絡(luò)特征值區(qū)分OSA個體與健康個體。為了獲取最好的區(qū)分效果，我們遍歷了加權(quán)網(wǎng)絡(luò)轉(zhuǎn)換到無權(quán)網(wǎng)絡(luò)的閾值，從0到1，每次增加0.01，并計算了生成的無權(quán)無向的網(wǎng)絡(luò)拓?fù)渲笜?biāo)，即平均度k(average degree)、局部聚類系數(shù)C（clustering coefficient）、全局聚類系數(shù)T（transitivity）、全局效率E（global efficiency）、模塊性Q（Modularity）這五個參數(shù)，它們的具體計算方法如下：

平均度為網(wǎng)絡(luò)中每個節(jié)點i度值的平均值

這里N為網(wǎng)絡(luò)中節(jié)點數(shù)目。

節(jié)點的聚類系數(shù)定義為

網(wǎng)絡(luò)的局部聚類系數(shù)定義為所有節(jié)點聚類系數(shù)的均值，

C =

全局聚類系數(shù)定義為

全局效率E定義為

這里為節(jié)點與節(jié)點之間最短路徑，N為節(jié)點的數(shù)目。

我們發(fā)現(xiàn)當(dāng)閾值 取[0.5 1]之間區(qū)分效果最好。

表1為，來自訓(xùn)練集的12個健康個體與23個OSA個體的平均度k、全局效率E、全局聚類系數(shù)T、局部聚類系數(shù)C、模塊性Q。很明顯，OSA病人對應(yīng)的互信息網(wǎng)絡(luò)平均值、全局效率、全局聚類系數(shù)、局部聚類系數(shù)、模塊性都明顯大于健康個體。

表1：訓(xùn)練集中所有健康個體與OSA病人的網(wǎng)絡(luò)拓?fù)涮卣髦?平均值±方差)

首先我們討論單個閾值對OSA病人與健康個體的區(qū)分效果。

單個參數(shù)需要設(shè)定閾值來確定最優(yōu)的區(qū)分效果，這里我們采用受試者工作特征曲線，即ROC曲線。ROC曲線很容易找到特征值在不同數(shù)值時對疾病的識別能力。以參數(shù)全局聚類系數(shù)T為例，圖5展示了相應(yīng)的ROC曲線，并用圓圈標(biāo)記了最佳閾值。

表2展示了當(dāng)時，k、Q、T、E在訓(xùn)練集中所選取的閾值以及以此閾值對OSA病人和健康個體的區(qū)分?？梢钥闯觯谟?xùn)練集中，平均度k的區(qū)分效果最為理想，當(dāng)平均度k=19時，對OSA病人與健康個體區(qū)分效果最為理想，準(zhǔn)確性Ac、敏感性Se、特異性Sp都達(dá)到100%。但在測試集中，平均度k的區(qū)分效果有所降低。

表2：單個網(wǎng)絡(luò)特征值的區(qū)分效果（閾值為0.8）。

在測試集中，模塊性Q與全局聚類系數(shù)均能達(dá)到最好的區(qū)分效果，準(zhǔn)確性Ac為97.14%，敏感性Se為100%，特異性Sp為95.65%。

以上我們討論了單個參數(shù)的區(qū)分能力，為了提高性能，我們還測試了兩個參數(shù)聯(lián)立的區(qū)分效果。圖6展示了C與T聯(lián)立在訓(xùn)練集、測試集中的區(qū)分效果?？梢钥闯鯫SA病人與健康個體完美的區(qū)分。區(qū)分的準(zhǔn)確性Ac為100%、敏感性Se為100%、特異性Sp為100%。

我們還發(fā)現(xiàn)AHI與全局聚類系數(shù)T有明顯的相關(guān)性（見圖7），Pearson相關(guān)系數(shù)為0.77，因此可以用全局聚類系數(shù)T來判斷OSA發(fā)病的嚴(yán)重程度。