基于静息态脑电信号的重性精神疾病辅助分类系统的制作方法

本发明涉及智能医疗，尤其涉及一种基于静息态脑电信号的重性精神疾病辅助分类系统。

背景技术：

1、精神分裂症(schizophrenia，scz)、双相情感障碍(bipolar disorder，bd)及抑郁症(major depressive disorder，mdd)是精神科最为常见的几类精神疾病。精神疾病的准确诊断对于改善患者的生活质量起着至关重要的作用，并有可能支持新的疗法发展。正确的诊断是成功治疗精神疾病的一个基本标准。然而，诊断过程可能比乍看起来更困难。尽管临床诊断指南已经建立，即通过icd-10或dsm-iv，并旨在区分各种精神疾病，但通常特定症状可能出现在多个诊断类别中，并且诊断标准可能重叠到无法准确区分的程度。即使是精神病学专家也很难区分某些精神疾病，比如区分抑郁症和双相情感障碍——这种区别是高度相关的，因为非常适合治疗抑郁症的抗抑郁药物可能会在双相情感障碍患者中引发躁狂，或者让患者在抑郁和躁狂状态之间快速切换并循环，从而使病情变得更复杂。

2、这些疾病的临床诊断和评估主要基于患者的临床症状和医生的评估，临床尚缺乏方便快捷、可获得性高的疾病生物学标记。静息态脑电(resting-stateelectroencephalography，eeg)信号指标被广泛用于精神疾病的临床与电生理机制研究中，通过记录头颅皮层神经元的自发、规律性电活动，提供对区域皮层活动的无创测量，具有非侵入性和高时间分辨率的优势。

3、与单一疾病研究相比较，跨疾病研究不局限于单一疾病的相关分析，能够从跨疾病角度发现三类精神疾病间共性或特性的特点。目前基于神经电生理在精神分裂症、双相情感障碍及抑郁症等精神障碍的跨疾病相关研究较少，值得深入研究。

4、客观评价精神卫生状况对精神科临床实践具有重要的指导意义，目前利用神经电生理指标进行机器学习研究已经取得一定的结果：taylor等(2017)发现利用21名精神分裂症患者和22名健康对照的mmn支持向量机分类器(support vector machine，svm)和高斯过程分类器(gaussian processes classifiers，gpc)，预测平均准确率达到80.48％(taylorj a,matthews n,michie p t,et al.auditory prediction errors as individualbiomarkers of schizophrenia[j].neuroimage:clinical,2017,15:264-273.)；kim等(2021)通过对14名精神分裂症和14名健康对照的静息态脑电图微状态19个特征以及31个常规脑电图特征，包括统计特征、频率特征、时间特征等结合，二项式svm预测准确率在67.62％-72.93％(kim k,duc n t,choi m,et al.eeg microstate features forschizophrenia classification[j].plos one,2021,16(5):e0251842.)；mahato等(2019)利用svm、逻辑回归模型(logistic regression，lr)、贝叶斯模型(-bayesian，nb)和决策树(decision tree，dt)对34名重性抑郁障碍和30名健康对照的功率谱能量预测率在66.63％-86.96％，α2和θ不对称性特征结合的svm分类准确率可以达到88.33％(mahato s,paul s.classification of depression patients and normal subjects based onelectroencephalogram(eeg)signal using alpha power and theta asymmetry[j].journal of medical systems,2020,44(1):1-8.)；erguzel等(2015)利用改进的算法aco(ant colony optimization)提取特征，使用svm区分46名双相情感障碍和55名重性抑郁症，特征使用δ、θ和α频段，总体分类准确率为80.19％(erguzel t t,tas c,cebim.awrapper-based approach for feature selection and classification of majordepressive disorder–bipolar disorders[j].computers in biology and medicine,2015,64:127-137.)。

5、先前的研究在样本容量和样本预测模型性能的量化方面，差别很大，模型构建主要使用小样本，模型的预测准确性有待提高。

技术实现思路

1、本发明提供了一种预测准确性较好的基于静息态脑电信号的重性精神疾病辅助分类系统。

2、本发明的技术方案如下：

3、一种基于静息态脑电信号的重性精神疾病辅助分类系统，包括辅助分类模型；采集待试者的静息态脑电信号数据，提取特征并进行标准化处理，将标准化处理后的特征输入辅助分类模型中，获得待试者的精神疾病预分类结果；

4、所述的辅助分类模型的构建方法包括：

5、采集受试者的静息态脑电数据，提取特征并进行标准化处理，构建训练集；所述的受试者包括精神分裂症患者、双相情感障碍患者、抑郁症患者和正常人；

6、采用所述的训练集训练支持向量机，获得辅助分类模型；所述的支持向量机采用高斯核函数。

7、本发明可以通过辅助分类模型获得待试者的疾病预分类结果，可以辅助医生对待试者的重性精神疾病进行确诊。

8、提取的特征包括80个功率谱密度特征和26个微状态特征；所述的功率谱密度特征包括δ、θ、α、β、γ各频段的fp1、fp2、f3、f4、f7、f8、c3、c4、p3、p4、o1、o2、t3、t4、t5、t6各电极通道上的功率谱密度特征；所述的微状态特征包括平均持续时间的微状态a、b、c、d，时间涵盖比例的微状态a、b、c、d，每秒出现频率的微状态a、b、c、d，转换概率的微状态a到b、a到c、a到d、b到a、b到c、b到d、c到a、c到b、c到d、d到a、d到b、d到c，以及整体时间和整体方差比例。

9、优选的，从提取的特征中筛选有统计学差异的共性特征，所述的共性特征包括58个功率谱密度特征和5个微状态特征；所述的功率谱密度特征包括δ频段的fp1、fp2、f3、f4、f7、f8、c3、c4、p3、p4、o1、o2、t3、t4、t5、t6电极通道上的功率谱密度特征，θ频段的fp1、fp2、f3、f4、f7、f8、c3、c4、p3、p4、o1、o2电极通道上的功率谱密度特征，α频段的c3、c4、o1、o2电极通道上的功率谱密度特征，β频段的fp1、fp2、f3、f4、f7、f8、c3、c4、p3、p4、t3、t4、t5、t6电极通道上的功率谱密度特征，γ频段的fp1、fp2、f3、f4、f7、f8、o1、o2、t3、t4、t5、t6电极通道上的功率谱密度特征；所述的微状态特征包括每秒出现频率的微状态b，转换概率的微状态a到b、b到a、c到d、d到c。

10、按照下列公式对提取的特征进行标准化处理：

11、

12、其中，x是原始特征数据，u是样本均值，s是样本标准差，z是标准化之后的特征数据。

13、训练集训练支持向量机时，评价指标为准确率(accuracy)、敏感性(sensitivity)、特异性(specificity)、曲线下面积(area under the curve，auc)：

14、

15、

16、

17、其中，tp为真正例(true positive)，fp为假正例(false positive)，tn为真负例(true negative)，fn为假负例(false negative)，p＝fn+tp，n＝tn+fp。

18、优选的，训练支持向量机时，以选自精神分裂症患者、双相情感障碍患者、抑郁症患者和正常人中的两者的静息态脑电数据特征作为输入，获得二分类模型；以精神分裂症患者、双相情感障碍患者、抑郁症患者和正常人四者的静息态脑电数据特征作为输入，获得多分类模型。

19、所述的二分类模型包括精神分裂症与正常二分类模型、双相情感障碍与正常二分类模型、抑郁症与正常二分类模型、精神分裂症与双相情感障碍二分类模型、精神分裂症与抑郁症二分类模型、双相情感障碍与抑郁症二分类模型。

20、与现有技术相比，本发明的有益效果为：

21、本发明基于真实世界的临床大样本数据，通过提取特定的功率谱密度特征和微状态特征训练获得辅助分类模型，得到的辅助分类模型准确率较高，可作为临床诊疗中潜在的辅助临床诊疗工具。