【作 者】周平，黃羅杰，趙慶賢，肖文錦，李思雨

東南大學(xué)生物科學(xué)與醫(yī)學(xué)工程學(xué)院，南京市，210096

0 引言

不寧腿綜合癥（Restless Leg Syndrome，RLS）是一種神經(jīng)性感覺運(yùn)動(dòng)疾病，其對睡眠、日?；顒?dòng)、行為、認(rèn)知或情緒有明顯影響，給患者本人及家屬在生活、工作等重要領(lǐng)域帶來巨大的精神、經(jīng)濟(jì)負(fù)擔(dān)，甚至是造成嚴(yán)重的損害。RLS主要表現(xiàn)為靜息狀態(tài)下雙下肢出現(xiàn)難以形容的不適感，有強(qiáng)烈的活動(dòng)下肢的意愿，患者被迫地通過不斷敲打雙腿以減緩不適感。RLS癥狀往往會(huì)在夜間睡眠時(shí)加劇，相反在白天正?；顒?dòng)時(shí)，可能無上述癥狀出現(xiàn)[1]。研究表明，RLS患病率為2%～15%[2-3]。此外，RLS也是帕金森病靜息運(yùn)動(dòng)障礙主要臨床表現(xiàn)之一。據(jù)統(tǒng)計(jì)，帕金森病患者中RLS的發(fā)病率是7.9%～20.8%，顯著高于普通人[4-5]。RLS的癥狀常常對睡眠和生活質(zhì)量產(chǎn)生很大影響，其表達(dá)受到遺傳、環(huán)境和醫(yī)學(xué)因素的影響。RLS發(fā)作頻率從每月間歇性發(fā)作到每晚發(fā)作變化很大；癥狀輕則不易察覺，重則致殘。

目前，主要有兩種手段進(jìn)行RLS疾病臨床診斷，一是根據(jù)國際不寧腿綜合癥研究組織（IRLSSG）提出的RLS診斷標(biāo)準(zhǔn)評分量表進(jìn)行自查評分[6]，二是采用多導(dǎo)睡眠圖對患者進(jìn)行夜間睡眠監(jiān)測[7-8]，進(jìn)而進(jìn)行診斷。

就自查評分而言，量表通過下列五個(gè)基本標(biāo)準(zhǔn)的癥狀模式來診斷RLS：①有活動(dòng)腿部的沖動(dòng)，但不總是伴隨著腿部不適感；②在休息或不活動(dòng)期間（如躺下或坐著），活動(dòng)腿部的沖動(dòng)和不適感開始出現(xiàn)或加劇；③腿部的不適感，至少在活動(dòng)持續(xù)的時(shí)候，可被運(yùn)動(dòng)減輕（如行走或伸展）；④在休息或不活動(dòng)時(shí)，活動(dòng)腿部的沖動(dòng)和不適感只發(fā)生在晚上或夜晚；⑤上述現(xiàn)象不是作為其它疾病的臨床癥狀出現(xiàn)（例如肌痛、靜脈瘀血、腿部水腫、關(guān)節(jié)炎、腿部抽筋、位置不適、習(xí)慣性腳踏叩擊）。根據(jù)癥狀嚴(yán)重程度進(jìn)行打分，可分為輕度：1～10分，中度：11～20分，重度：21～30分，極重度：31～40分。就多導(dǎo)睡眠圖而言[9]，其采用雙側(cè)脛骨前電極記錄睡眠中腿動(dòng)狀況，評價(jià)周期性肢動(dòng)指數(shù)[10]（即平均每小時(shí)腿動(dòng)的次數(shù)），可分為輕度：5～24次，中度：25～49次，重度：≥50次；根據(jù)腿動(dòng)伴隨的腦電圖覺醒進(jìn)行微覺醒指數(shù)[10]判定（即睡眠中每個(gè)小時(shí)腿動(dòng)伴隨覺醒的次數(shù)），可分為輕度：5～20次，中度：20～40次，重度：＞40次。

總體而言，量表自查主要用于癥狀較輕的早期RLS患者；當(dāng)癥狀較明顯時(shí)，再使用PSG進(jìn)行系統(tǒng)性診斷。然而量表自查主要基于患者本身的主觀判斷，所以診斷結(jié)果的客觀性和準(zhǔn)確性有很大局限。而PSG需要大量專業(yè)醫(yī)療設(shè)備，且由于是接觸式測量，對于患者的睡眠會(huì)造成明顯影響，不適用于日常睡眠監(jiān)測，所以無法用于癥狀間歇性出現(xiàn)的早期RLS患者。

在RLS癥狀對患者生活造成嚴(yán)重影響之前，進(jìn)行早期診斷非常有必要，有助于其及時(shí)進(jìn)行有效治療，防止癥狀加劇。此外，作為帕金森病的早期癥狀，RLS的診斷也可輔助帕金森病診斷和治療[11]。據(jù)此，本文提出一種基于深度學(xué)習(xí)的家用式不寧腿綜合癥早期診斷系統(tǒng)。本系統(tǒng)硬件部分做到最大程度簡化，采用非接觸式方案，在患者感受不到硬件設(shè)備存在的情況下完成信號(hào)采集；軟件部分基于深度學(xué)習(xí)進(jìn)行睡眠體動(dòng)信號(hào)分析，針對RLS早期診斷，提供準(zhǔn)確客觀的夜間體動(dòng)信息的統(tǒng)計(jì)和分析結(jié)果，并將分析結(jié)果用于早期RLS患者的日常癥狀分析和診斷。

1 硬件設(shè)計(jì)

本系統(tǒng)硬件部分由多個(gè)檢測單元組成（一個(gè)主檢測單元與多個(gè)從檢測單元）。每個(gè)檢測單元包含信號(hào)采集模塊、系統(tǒng)控制與信號(hào)處理模塊、通訊模塊以及電源模塊共4個(gè)工作模塊。各模塊工作關(guān)系如圖1所示。

圖1 各模塊間工作關(guān)系Fig.1 Correlations among working modules

電源模塊由TPS76933電源管理器和TP4056充電管理器組成，通過穩(wěn)壓電路，共同為檢測單元提供3.3 V恒穩(wěn)電壓。信號(hào)采集模塊使用MMA7361三軸加速度傳感器實(shí)時(shí)檢測睡眠體動(dòng)信號(hào)，并將測得的數(shù)據(jù)通過模數(shù)轉(zhuǎn)換及時(shí)傳輸?shù)酵ㄓ嵞K。MMA7361是一款高精度的模擬三軸加速度傳感器，其精度模式可以選擇1.5 g和6 g兩種。從工作需要的角度，選擇1.5 g模式，輸出800 mV/g的模擬信號(hào)，考慮到睡眠體動(dòng)信號(hào)特征，將采樣率設(shè)置為40 Hz。通訊模塊使用CC2540芯片，它是一款2.4 GHz低功率藍(lán)牙系統(tǒng)單晶片，不管是作為主控，還是從屬式節(jié)點(diǎn)，CC2540都能以很低的成本進(jìn)行工作。它具有很低的睡眠模式功率消耗及不同工作模式間短暫的轉(zhuǎn)換時(shí)間，適用于超低功率的系統(tǒng)。系統(tǒng)控制和信號(hào)處理模塊采用微型處理器MSP430管理檢測單元的工作模式，可實(shí)現(xiàn)睡眠時(shí)段自定義，控制信號(hào)采集和通訊傳輸，主檢測單元可實(shí)現(xiàn)多通道同步數(shù)據(jù)整合。

各從檢測單元依據(jù)主檢測單元發(fā)送的同步指令、控制命令，在常規(guī)睡眠時(shí)段或主檢測單元自定義的睡眠時(shí)段，實(shí)時(shí)檢測加速度信號(hào)，并將帶有時(shí)間同步信號(hào)的加速度數(shù)據(jù)發(fā)送回主檢測單元。

主檢測單元加速度傳感器模塊采集到信號(hào)或者接收到從檢測單元發(fā)送的加速度信號(hào)后，系統(tǒng)控制與信號(hào)處理模塊對信號(hào)進(jìn)行連續(xù)處理，再經(jīng)由通訊模塊傳輸至上位機(jī)進(jìn)行后續(xù)處理。

為實(shí)現(xiàn)無感檢測睡眠體動(dòng)信號(hào)，本系統(tǒng)硬件部分安裝于床體，不與受試者直接接觸。本系統(tǒng)包含1個(gè)主檢測單元和2個(gè)從檢測單元，直接貼附于床板下方。為了在保證系統(tǒng)最簡化的同時(shí)，捕捉受試者的各種可能的活動(dòng)姿態(tài)中不同的特征（如活動(dòng)方向、活動(dòng)部位等），硬件部分如圖2所示方案安裝：主檢測單元安裝于靠近床頭的部位，對上半身運(yùn)動(dòng)敏感；1、2號(hào)從檢測單元安裝于靠近床尾的部位，對下半身運(yùn)動(dòng)敏感。在垂直于人體方向，1、2號(hào)從檢測單元之間的距離設(shè)置為65 cm。

圖2 系統(tǒng)硬件部分安裝方案Fig.2 Set-up of the hardware system

2 軟件設(shè)計(jì)

在接收到本系統(tǒng)硬件部分采集到的三軸加速度信號(hào)后，先對其進(jìn)行一系列預(yù)處理。

考慮到睡眠體動(dòng)特征，設(shè)置寬為5 s的時(shí)間窗對信號(hào)進(jìn)行滑窗截取，并設(shè)置50%的窗重疊。再將三通道同步數(shù)據(jù)片段按照“主、從1、從2”的順序進(jìn)行拼接。首先，使用式（1）對三軸信號(hào)進(jìn)行合成，得到1個(gè)長度為600的一維信號(hào)序列：

其次，為了消除硬件設(shè)備初始狀態(tài)差異的影響，使用式（2）去除合加速度均值：

再次，為提高系統(tǒng)效率，只對包含有效動(dòng)作的信號(hào)序列進(jìn)行分類識(shí)別。實(shí)驗(yàn)表明，有效動(dòng)作序列和靜息狀態(tài)序列能量有明顯差異，因此采用式（3）計(jì)算信號(hào)能量（S）：

在安裝好設(shè)備后，首先采集一組空床信號(hào)進(jìn)行系統(tǒng)校準(zhǔn)。使用上述公式計(jì)算空床信號(hào)序列的能量，本文經(jīng)過多次實(shí)驗(yàn)，將閾值設(shè)置為空床信號(hào)能量的3倍，用于有效體動(dòng)判斷。若序列能量大于設(shè)定閾值，則認(rèn)為此5 s信號(hào)序列內(nèi)包含有效體動(dòng)信息。

最后，本文將有效運(yùn)動(dòng)片段進(jìn)行歸一化處理后，輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別。本文神經(jīng)網(wǎng)絡(luò)可識(shí)別的運(yùn)動(dòng)類別共7類：下肢活動(dòng)、上肢活動(dòng)、坐起、躺下、翻身、離床和其它。神經(jīng)網(wǎng)絡(luò)基于python的Keras框架構(gòu)建，選擇了全連接前饋網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，整個(gè)網(wǎng)絡(luò)分為三層：輸入層、隱層和輸出層，分別包含600、300和7個(gè)神經(jīng)元。對于全連接前饋神經(jīng)網(wǎng)絡(luò)而言，每一層設(shè)置的神經(jīng)元個(gè)數(shù)多少在一定范圍內(nèi)和神經(jīng)網(wǎng)絡(luò)的特征提取能力呈正相關(guān)；但是神經(jīng)元過多也會(huì)導(dǎo)致整體運(yùn)算效率下降和過擬合等問題，直接影響神經(jīng)網(wǎng)絡(luò)最終的訓(xùn)練效果。本系統(tǒng)為了解決這一矛盾，在前兩層網(wǎng)絡(luò)的訓(xùn)練中使用Dropout層來抑制網(wǎng)絡(luò)的過擬合傾向。Dropout層對于全連接前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的影響如圖3所示。從圖中可見，Dropout層能有效簡化各層神經(jīng)元間的連接結(jié)構(gòu)，在訓(xùn)練過程中逐步去除對輸出正確分類貢獻(xiàn)不大或有負(fù)貢獻(xiàn)的多余層間連接通路，從而提升神經(jīng)網(wǎng)絡(luò)訓(xùn)練效率并優(yōu)化其訓(xùn)練效果。

在神經(jīng)網(wǎng)絡(luò)各層激活函數(shù)選擇方面，其前兩層選用了在近年的實(shí)踐中表現(xiàn)優(yōu)秀的線性整流激活函數(shù)(Rectified Linear Unit, ReLU)；輸出層為了輸出特定格式的預(yù)測向量，而選用了Softmax分類器。經(jīng)過實(shí)驗(yàn)調(diào)試，本文最終選擇了交叉熵?fù)p失函數(shù)和Adagrad梯度下降優(yōu)化器的組合以達(dá)到神經(jīng)網(wǎng)絡(luò)最佳的擬合效果。本系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖3 Dropout層效果示意圖Fig.3 Eあect of Dropout layers

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structure of the Artificial Neural Network

基于上述系統(tǒng)的檢測和識(shí)別結(jié)果，可以“下肢活動(dòng)”頻率評估周期性肢動(dòng)指數(shù)（每小時(shí)下肢活動(dòng)次數(shù)），進(jìn)而作為RLS診斷參考，如輕度：5～24次，中度：25～49次，重度：≥50次；以“上肢活動(dòng)”、“翻身”和“其它”3種類型活動(dòng)總頻率評估微覺醒指數(shù)（每小時(shí)輕度覺醒次數(shù)），如輕度：5～20次，中度：20～40次，重度：＞40次；以“坐起”、“躺下”和“離床” 3種類型活動(dòng)總頻率評估完全覺醒指數(shù)（每晚完全覺醒次數(shù)）：輕度：≤1次，中度：2～3次，重度：＞3次。

3 實(shí)驗(yàn)結(jié)果

由于不同動(dòng)作信號(hào)的特征不同，各動(dòng)作類型的識(shí)別難度也會(huì)有所差距。其中，特征較為不明顯的動(dòng)作（如上肢活動(dòng)和其它）和本文重點(diǎn)關(guān)注的動(dòng)作（如下肢活動(dòng)）需要更多的樣本進(jìn)行訓(xùn)練。為了達(dá)到最理想的訓(xùn)練效果，本文首先制定了各類型數(shù)據(jù)量配比方案。按照方案，實(shí)驗(yàn)最終共采集到6 000條有效數(shù)據(jù)，數(shù)據(jù)分配如表1所示。

表1 實(shí)測數(shù)據(jù)分配Tab.1 Allocation of measured data

然后，每條數(shù)據(jù)經(jīng)預(yù)處理成為長度為600的一維向量。實(shí)驗(yàn)將數(shù)據(jù)集隨機(jī)打亂，抽取其中600條組成測試集，其余5 400條作為訓(xùn)練集進(jìn)行深度學(xué)習(xí)訓(xùn)練。為了達(dá)到更優(yōu)的訓(xùn)練效果，同時(shí)提高訓(xùn)練效率，本文使用迭代法進(jìn)行訓(xùn)練，設(shè)置batch size為200、epoch為27。此外，本文還將學(xué)習(xí)率設(shè)置為自適應(yīng)調(diào)整模式，即當(dāng)損失趨于穩(wěn)定，無法繼續(xù)減小時(shí)，神經(jīng)網(wǎng)絡(luò)通過降低學(xué)習(xí)率的方法進(jìn)一步逼近最優(yōu)結(jié)果。

經(jīng)過訓(xùn)練，本系統(tǒng)神經(jīng)網(wǎng)絡(luò)最終訓(xùn)練集分類綜合準(zhǔn)確率為98.37%、測試集分類綜合準(zhǔn)確率為97.83%。本文進(jìn)一步統(tǒng)計(jì)測試集各個(gè)動(dòng)作的準(zhǔn)確率，結(jié)果如表2所示。對于系統(tǒng)而言，最為關(guān)心的運(yùn)動(dòng)類別為“下肢活動(dòng)”，其分類準(zhǔn)確率可達(dá)98.15%。此外，由于信號(hào)采集過程中存在疊窗操作，本系統(tǒng)對于真實(shí)的時(shí)間序列中的單個(gè)下肢活動(dòng)會(huì)進(jìn)行多次識(shí)別，所以系統(tǒng)在實(shí)際使用中對于下肢活動(dòng)的捕捉率會(huì)得到進(jìn)一步提高。經(jīng)實(shí)驗(yàn)證明，本系統(tǒng)對于不寧腿綜合癥患者每小時(shí)下肢活動(dòng)次數(shù)檢測，誤差最大為±1次/h。

表2 神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率Tab.2 Classification accuracy of neural network

4 結(jié)果與討論

本文分別從硬件和軟件角度介紹了一種創(chuàng)新的家用式不寧腿綜合癥早期診斷系統(tǒng)。本系統(tǒng)硬件部分由安裝在床體的多個(gè)檢測單元組成，通過加速度傳感器全面檢測受試者在睡眠期間的各種類型活動(dòng)；系統(tǒng)軟件部分基于深度學(xué)習(xí)進(jìn)行動(dòng)作分類識(shí)別，綜合識(shí)別準(zhǔn)確率為97.83%。其中，“下肢活動(dòng)”識(shí)別準(zhǔn)確率可達(dá)98.15%。實(shí)際使用中，本系統(tǒng)對于不寧腿綜合癥患者周期性肢動(dòng)指數(shù)檢測的識(shí)別誤差最大為±1次/h。此誤差對于診斷結(jié)果不會(huì)造成明顯影響，所以本系統(tǒng)的檢測精度滿足實(shí)際應(yīng)用要求?？傮w而言，本系統(tǒng)硬件結(jié)構(gòu)簡單，軟件算法效率、精度較高，有望適用于不寧腿綜合癥早期患者臨床癥狀的日常檢測，利于向家庭和社區(qū)推廣。