CN105517484A - 用于诊断抑郁症和其他医学状况的系统和方法 - Google Patents

Abstract

根据一些方面，用于基于对睡眠信息的分析而诊断医学状况例如抑郁症的一种或多种系统和方法。在一些实施例中，诊断系统包括至少一个用于记录关于患者的睡眠信息的记录器，和至少一个适于分析睡眠信息并确定患者是否正在经历该医学状况的分析器。

Description

用于诊断抑郁症和其他医学状况的系统和方法

相关申请

本申请要求2013年5月28日提交的美国临时专利申请序列号No.61/828,162的权益，在此，该申请的全部内容通过引用并入此处。

技术领域

此处描述的实施例涉及用于诊断抑郁症的系统和方法，且具体地涉及用于基于对睡眠信息的分析而诊断抑郁症的系统和方法。

背景技术

人的情绪状态一般可以基于每种状态的持久性而分为两大类(称为情绪(mood)和情感(affective)状态)。情绪通常被认为是一种持续的情绪状态，其持续数周或更长时间。另一方面，情感状态(或情感)通常指的是一种短时间的情绪反应，其实际上通常是短暂的。

一般而言，情感反应被认为加强行为并服务于哺乳动物生理学中的重要生物学功能。然而，这些情感反应中的一些(例如兴奋、抑郁和焦虑)可以变成持续和显著的失常。当发生这种情况时，它们可被表征为疾病或医学状况，并可能需要治疗。

抑郁症是一种特别疑难的医学状况，并且是我们这个时代最令人衰弱的、费用高昂的和污名化的疾病之一。据信其影响遍布世界各地的不同社会中的估计3.5亿人，并且在过去的一年内平均每20人中约有1人据报道发生过抑郁症片段。

遗憾的是，尽管抑郁症有这样的严重性，然而用于其诊断和指导治疗的当前技术普遍不足。例如，抑郁症可以通过检查患者的临床症状来诊断，例如通过使用包含在精神疾病诊断和统计手册(DSM-IV)中的标准来诊断。DSM-IV被设计用来识别情绪障碍(例如抑郁症)，这通过检查三个要素而进行：情绪片段，最近的片段的描述符，以及复发描述符。

然而，DSM-IV技术是有问题的，特别是因为检查这三个要素需要来自患者的输入，包括他们识别和描述他们自己的感觉的能力。这种能力在患者和患者之间可能是不同的，特别是对于不同的文化背景而言，并且往往会造成结果的不一致。另外，抑郁症的症状在不同患者之间可以变化很大。这样一来，用于诊断抑郁症的DSM-IV方法往往会经受系统性的错误，并且常导致错误结果。

有一些试图帮助诊断抑郁症的生理测试。这些生理测试包括地塞米松抑制试验、促甲状腺素释放激素刺激试验、生长激素对胰岛素诱导的低血糖的响应试验、以及血浆皮质醇水平测试。不幸的是这些生理测试往往是不一致的，并且当用于诊断时可能是不可靠的。

在一些情况下，有可能通过对患者进行精神检查来诊断抑郁症。然而，这种方法往往严重依赖于一个或多个检查者的能力和使该方法主观的且有些不可靠的其他因素。

附图说明

现在将参照以下附图仅以举例的方式描述一些实施例，其中：

图1是示出根据一个实施例的用于诊断抑郁症的系统的示意图；

图2是根据一个实施例的诊断系统的图形用户界面的示意图；

图3是根据一个实施例的诊断系统的功能组件的示意图；

图4是根据一个实施例的诊断系统的分析器模块的详细图；

图5是根据一个实施例示出睡眠分期的例子和针对两个随机样本的相应数字周期分析(DPA)的图；

图6是根据一个实施例示出REM密度的示例性估计的图；

图7是根据一个实施例的REM密度估计器的功能组件的示意图；

图7a是EOG通道上的REM活动的例子的图；

图8是在正常个体和抑郁个体之间比较成年人β双边相干性的图；

图9是在正常个体和抑郁个体之间比较成年人左半球中的βδ相干性的图；

图10是在正常个体和抑郁个体之间比较成年人右半球中的βδ相干性的图；

图11是在正常个体和抑郁个体之间比较成年人中的θ双边相干性(TCOH)的图；

图12是在正常个体和抑郁个体之间比较儿童右半球中的βδ相干性的图；

图13是在正常个体和抑郁个体之间比较儿童左半球中的βδ相干性的图；

图14是根据一个实施例的模型人工神经元的示例性图；

图15是根据一个实施例的人工神经网络的示例性图；

图16是根据另一个实施例的人工神经网络的示例性图；以及

图17是根据一个实施例的相干的估计的示例性曲线图。

具体实施方式

为了说明的简单性和清楚性起见，在认为合适时，附图标记可以在多个附图中重复，以指示相应的或类似的要素或步骤。此外，对大量具体细节进行了阐述，以提供此处所描述的示例性实施例的透彻理解。然而，本领域普通技术人员将理解，此处所描述的实施例可以在没有这些具体细节的情况下实践。在其他情况下，没有对公知的方法、程序和组件进行详细描述，以不使此处一般地描述的实施例变得模糊。

此外，本说明书不应被视为以任何方式限制此处所描述的实施例的范围，而应视为仅仅描述各种实施例的实现方式。

在一些情况下，此处所描述的系统和方法的实施例可以在硬件中、在软件中、或者在硬件和软件的组合中实现。例如，一些实施例可以在一个或多个计算机程序中实现，该一个或多个计算机程序在一个或多个可编程计算装置上执行，该可编程计算装置包括至少一个处理器、数据存储装置(在一些情况下包括易失性和非易失性存储器和/或数据存储元件)、至少一个输入装置以及至少一个输出装置。

在一些实施例中，程序可以以面向过程或面向对象高级编程语言和/或脚本语言来实现，从而与计算机系统通信。然而，如果需要的话，程序也可以以汇编或机器语言来实现。在任何情况下，语言可以是编译语言或解释语言。

在一些实施例中，如此处所描述的系统和方法也可以实现为配置有计算机程序的非暂时性计算机可读存储介质，其中如此配置存储介质使计算机以特定和预定义的方式操作，从而执行如此处所描述的至少一些功能。

如以上所简要描述的，用于诊断抑郁症的已知方法往往是不足的。具体地，现有的诊断方法往往是费力的、昂贵的、主观的、耗时的、不完全的(即，它们可能不能覆盖该疾病的全谱)，或者它们的一些组合。此外，一些用于诊断抑郁症的已知方法可能只能通过训练有素的医务人员(即，精神病医生)来进行，可能不容易复制，并且可能会经历错误或很难标准化。

此处至少一些教导针对用于诊断抑郁症的系统和方法，该系统和方法与至少一些先前已知的技术相比可以提供改善的结果。

现在转到图1，其中示出根据一个实施例的用于诊断抑郁症的系统10的示意图。

一般地，系统10可以是可操作的用于在不同的地点使用，例如在睡眠诊所或实验室中使用，或者在其他医疗机构中使用。在一些实施例中，系统10可以可操作于其他环境中，例如在人的家里。

一般地，系统10使用脑电图描记术(EEG)监测患者(即，图1中的患者12)的睡眠模式。脑电图描记术(EEG)是指沿着患者头皮的电活动的记录测量。更具体地说，EEG测量由患者大脑的神经元内的变化的电流所导致的电压波动。

EEG对于监测患者的睡眠模式可以是有用的，这是因为大脑功能在醒着的时候和在睡眠的不同阶段期间是变化的。这种变化可以通过EEG来检测。具体地，当人睡眠时，他们的大脑通常在不同的活动阶段之间切换，不同脑电波模式与每个阶段相关联。

例如，阶段1是睡眠周期的开始，该阶段是相对较浅的睡眠。在这个阶段期间，大脑产生α波。在阶段2睡眠期间，大脑往往产生θ波，并且能够产生快速的、有节奏的脑电波活动，这种脑电波活动被称为睡眠纺锤波。在阶段3(该阶段是浅睡眠和深睡眠之间的过渡阶段)，大脑开始产生δ波，其深而慢。在阶段4，大脑处于深度睡眠，并产生许多深而慢的δ波。根据所使用的特定睡眠分类系统，在某些情况下，阶段3和阶段4睡眠可以合在一起，并简称为慢波睡眠(SWS)。

最后，在阶段5，大脑进入快速眼动(REM)睡眠，也被称为主动睡眠。这是其中大多数梦将发生的阶段。

如图1中所示，为了监测患者12的睡眠模式，脑电图描记器22(EEG测量装置)的电极20可以耦接到患者12的头皮14以观察脑电波活动。

在一些实施例中，电极20可以使用导电凝胶或糊剂放置在头皮14上。当在睡眠诊所或其它医疗机构处使用系统10时，这种技术可能是特别合适的，并且在这种情况下可以有另一个人40(即，睡眠临床医生)来协助在头皮14上正确放置电极。

在一些实施例中，电极20可位于随后可以放置在患者12头上的帽或网内，使得电极20正确定位在头皮14上。当在人的家中或其他类似环境使用系统10时，这种方法可能是特别合适的，这是因为其可以允许更容易地控制电极20在头皮14上的放置，特别是当可能找不到临床医生来协助电极放置时。

一般地，经由电极20接收的脑电波信息可以通过脑电图描记器22进行处理，以产生一些代表患者12的睡眠行为的睡眠数据。根据系统10的具体配置，该睡眠数据随后可以被发送到用于分析的一个或多个装置或诊断工具。在一些情况下，睡眠数据可以是原始状态(即，通常未处理的脑电波数据)。在其他情况下，睡眠数据可以被处理(即，转换为睡眠结构图或其他处理过的数据)。

在一些实施例中，来自脑电图描记器22的睡眠数据可以被发送到诊断装置30。诊断装置30例如可以是可操作以解释睡眠数据并产生关于患者12的抑郁症诊断的独立装置。

在一些情况下，这种诊断可以由诊断装置30来完成，而无需临床医生或其他用户的任何干预。在其他情况下，诊断装置30可以接收来自用户的输入，例如以帮助校正诊断(即，以补偿某些变量，例如性别、年龄等)。

在一些情况下，所述诊断装置30可具有专用的硬件部件或软件模块(或两者)，并且可以具有各种形状因素。例如，在一些实施例中，诊断装置30可以是便携式电子装置，该便携式电子装置可以包括显示屏幕、输入装置、电源和其他功能组件。当诊断装置30适于在家庭环境中使用时，该实施例可能是特别有用的。

在一些情况下，诊断装置30和脑电图描记器22可以提供为同一个物理单元的一部分。例如，诊断装置30和脑电图描记器22可以具有提供于单个整体式壳体或主体内的集成的硬件或软件组件(或两者)。

在其他实施例中，诊断装置30和EEG测量装置20可以是分开的和不同的，并且可以以各种方式(例如通过有线或无线通信通道)通信。

在一些实施例中，来自脑电图描记器22的睡眠数据可被发送到处理装置32，其可操作运行用于诊断抑郁症的诊断软件应用。一般地，处理装置32可以是任何合适的计算装置，例如服务器、个人计算机、笔记本电脑、平板电脑、智能电话等。具体地，处理装置32可以是运行这样的软件应用的通用计算机，该软件应用被设计以根据此处的教导来解释睡眠数据并从其生成关于患者12的诊断。

一般地，处理装置32可以包括一个或多个处理器、一个或多个数据存储装置、一个或多个输入和输出装置，等等，这将适合于控制软件应用的运行。

在一些实施例中，来自脑电图描记器22的睡眠数据可以被发送到不同位置用于分析。例如，睡眠数据可以通过互联网18或另一通信网络发送到远离患者12而定位的诊断系统。当患者12正在家中接受EEG分析时，这种方法可能尤其合适，因为，其允许提供诊断作为服务，而不需要将诊断装置物理地与患者12和/或脑电图描记器22呈现在一起。

在一些实施例中，如上面简要讨论的，来自EEG测量装置20中的睡眠数据可以是原始睡眠数据，例如与患者12的脑电波相关的测量到的电活动。

在其他实施例中，来自EEG测量装置22的睡眠数据可以被处理，以产生处理过的数据(例如，其可能包括睡眠结构图)，该处理过的数据随后被发送到诊断装置30、处理装置32等，使得患者12可以被诊断。

在一些情况下，原始睡眠数据可以自动被处理以生成处理过的睡眠数据，例如通过这样的硬件或软件应用，该硬件或软件应用设计成解释EEG数据并由此生成根据时间显示睡眠的各个阶段的睡眠结构图(或其他处理过的数据)。

在其他实施例中，原始睡眠数据可以被人工处理(即，由临床医生40或其他用户)，该临床医生40或其他用户可以被训练以解释原始EEG数据并生成睡眠结构图或其他处理过的数据。

现在转到图2，根据一个实施例示出了用于诊断系统的图形用户界面(GUI)50的示意图。例如，GUI50可以呈现在诊断装置30上、呈现在处理装置32上，作为web服务(即，作为可通过互联网18访问的网页)，或者在一些其他环境中。

一般地，GUI50可以包含允许用户在一个或多个患者上进行诊断的各种控件和显示信息。例如，GUI50可以包含第一显示区域52以及第二显示区域54，该第一显示区域52显示关于EEG剪辑(montage)的信息，该第二显示区域54包含关于一个或多个患者的抑郁症的诊断结果。

GUI50还可以包含一个或多个进度指示符(即，进度条56、58)，该一个或多个进度指示符指示诊断的一个或多个方面的进度，例如特定患者的分析、一组患者的分析等。

GUI50还可以包括用于控制诊断的控件。例如，一个或多个控件可以允许用户选择操作模式和从特定文件(即，包含睡眠数据例如原始睡眠数据或处理后的睡眠数据的文件)中加载信息。在该实施例中，控件包括下拉列表模式控件60和文件打开控件62。

最后，GUI50还可以包括可操作用于开始和停止诊断的其他控件，例如按钮64、66。

在使用过程中，用户可以选择包含睡眠数据的输入文件夹或文件(即，使用文件打开控件62)，并从一个或多个特定的模式中选择用于诊断系统的操作模式(即，使用模式控件60)。在该实施例中，其中一些模式包括“诊断”、“从文件加载数据”、“训练”和“交叉验证测试”。

操作的诊断模式可能是最常用的，并且允许GUI50基于加载入适当文件夹的睡眠数据而启动特定的一个或多个患者的诊断。

训练模式可以允许用户创建可以用于诊断的不同训练集，而不是可能已经为诊断系统准备的各种预先计算的诊断模板。

交叉验证测试可以允许对诊断系统的适当操作进行检查，例如通过针对已知参考集运行诊断系统(即，预先计算的或用户创建的参考集)。

在该实施例中，“从文件加载数据”是一种辅助模式，该模式对于调整参考数据集可能是有用的。具体地，它可以允许重复使用合成数据集，并且在计算诊断参数之前创建该合成数据集，从而允许绕过合成数据生成过程。

当启用诊断模式时(即，通过激活开始按钮64)，诊断系统将在合适的输入文件夹中查找任何患者文件。如果定位到了患者文件，诊断系统可以开始加载与这些患者相关联的数据并开始对其进行分析。可以通过进度条56、58来指示当前进度，其中，在该实施例中可以显示以下两者的进度：正被分析的当前患者的进度，以及许多不同患者的总体进度。

当对患者进行分析时，可以用结果来更新第二显示区域54。例如，在一个实施例中，可能会从以下列表中显示关于每个患者的结果，该列表包括“否”(意味着患者不抑郁)，“是”(意味着患者抑郁)，“未测试”(例如如果因为某些原因，未能对该患者进行测试)，或“未知”(如果诊断系统不能得出确定结论)。

现在转到图3，其中示出根据一个实施例的诊断系统70的功能组件的示意图。在一般情况下，这些功能组件可以以硬件、软件、或其某些组合来执行。

一般地，诊断系统70包括可操作以读取睡眠数据文件(即，原始数据文件)的EEG读取器72。在一些情况下，EEG读取器可以解压缩从脑电图描记器(即，脑电图描记器22)接收的睡眠数据，然后将该数据发送到剪辑块75。

该剪辑块75可操作以准备睡眠数据，用于通过分析器78进一步分析，这将在下面进一步详细描述。

在一些实施例中，用户接口74可用于控制诊断系统70的一个或多个方面。例如，用户界面74可以是上面所描述的GUI50或其他合适的用户界面。

在一些实施例中，诊断系统70可以包括睡眠报告解析器76。如果预先准备的睡眠报告(即，关于患者12的现有睡眠报告)存在并可用，当适当时，睡眠报告解析器76可以从这样的睡眠报告中加载和提取相关的数据。这些现有睡眠报告可以被分析，并且在某些情况下，这些现有睡眠报告对于确定患者是否具有与抑郁症相关联的任何生物学标记可以是有帮助的。

应当指出的是，使用现有睡眠报告并非必需，并且在某些情况下可能是不希望的。特别是，可能已经在不同的睡眠诊所或实验室中准备了在先睡眠报告，并且，每个特定诊所对其睡眠报告是如何进行准备的这其中的变化可能影响在先睡眠报告之间的一致性，潜在地限制了它们的有效性。

因此，在某些情况下，诊断系统70可以是可操作的，而不包括来自在先睡眠报告的任何数据，即使当在先睡眠报告可用也是如此。这可以进行，以避免睡眠报告中可能的实验室间的差异。

在一些情况下，可以使用诊断系统70而不经由EEG读取器72接收EEG数据，在这种情况下，将使用睡眠报告解析器76以仅将在先睡眠报告发送到分析器78。当特定用户希望使用他或她自己的睡眠分期和评分时而不生成任何新的睡眠数据时，这种方法可能是合适的。例如，睡眠诊所可能已经对特定患者进行了许多睡眠研究，并可能希望使用这些现有的睡眠研究作为诊断的基础。

现在转向图4，根据一个实施例示出了用于诊断系统80的分析器模块的进一步的细节。

在该实施例中，EEG读取器82将数据发送到预处理器84，其可操作以准备睡眠数据用于分析(即，通过将数据格式化为分析器使用中可能需要的格式，等等)。然后，预处理器84将发送该数据到剪辑块85，该剪辑块85包括一个或多个分析器。

在该具体实施例中，剪辑块85包括三个分析器：微结构分析器86，睡眠连续性和结构分析器88，以及REM密度分析器90。

剪辑块85的各分析器模块86、88、90可以创建表征关于患者12的睡眠行为的特定信息的一组时间序列，例如在特定睡眠研究期间患者的EEG数据、眼球运动和肌张力水平。

这些时间序列随后可以被发送到转换器92。该转换器92转而可以将时间序列转换成参数的向量。当正确调整时，转换器92充当不同数据分析器(即，微结构分析器86，睡眠连续性和结构分析器88，以及REM密度分析器)之间的适配器，使得数据可以由分类器94来解释以做出(render)诊断。

一般地，分类器94可以是可操作的以在多维状态空间中建立正常患者和抑郁患者之间的边界。基于这些边界，分类器94可以关于患者是否抑郁而作出二元判定(即分类器94可以关于患者12是否抑郁而产生“是”或“否”的回答)。

在一些实施例中，代替“是”或“否”，分类器94可以对抑郁症的严重程度提供一些指示(即，“轻度”、“中度”、“重度”等)。

在一些实施例中，当分类器94关于患者12的抑郁症无法得出确定结论时，该分类器94可以提供其它结果(例如，“未知”等)。

在一些实施例中，从一个或多个训练集建立分类器94的判定边界，并且将正被诊断的患者(即，患者12)与关于正常人群的预先存在的知识进行比较，以寻找与抑郁症相关联的模式。

更具体地，已经发现，一些睡眠相关特性由重度抑郁症(MDD)所影响。单独而言，这些睡眠相关特性中的每一个可能不足以作为抑郁症的生物学睡眠标记，因为它们可能会经受患者之间的个体差异，并且因此对于准确诊断来说可能并不完全可靠。

然而，通过将多个睡眠相关特性融合在一起，据信可以定义患者状态的多维描述符，并且，这对于诊断那个患者的抑郁症通常可能是有用的。具体地，非线性分类方法可能能够基于分析多个生物学标记而可靠地区分抑郁受试者和正常受试者。

表征睡眠

综合睡眠的各方面的几种分类方法为时间生物学的、微结构的、宏结构的、以及睡眠的连续性，这将在此处进一步讨论。这些特性由重度抑郁症(MDD)的存在所调制。

时间生物学标记

人类和其他哺乳动物的睡眠和觉醒状态往往遵循由视交叉上核(下丘脑前部中的结构)中的内部生物钟所调节的循环模式，当对人类去除外部提示时，他们将保持其昼夜节律的内源周期性。对于人类而言，这个周期是略超过24小时。

除了24小时的昼夜节律，人类还经历具有较短周期的节律，这被称为超昼夜节律(也被称为睡眠-觉醒周期)。用于诊断抑郁症的一个候选生物学标记是超昼夜节律的相移，这通常由早期REM阶段来描述。

为了研究非常缓慢发展现象(如超昼夜节律)的频谱，对于特定患者的睡眠研究应当包含周期行为中的至少一个周期。

由于正常超昼夜节律具有大约90分钟的周期，因此应当使用至少90分钟长的睡眠记录。实际上，许多睡眠记录为几个小时的长度(在一些情况下长达8小时或以上的长度)，这将提供足够的时间以检查超昼夜节律的可变性。

连续性

睡眠的连续性可以根据能够从多导睡眠图(PSG)研究中提取的以下参数来测量。这些参数包括：

睡眠潜伏期(SL)；

入睡后的觉醒(WASO)；

觉醒次数(NWAK)；

睡眠效率(SE)；

以及，总睡眠时间(TST)。

宏结构

睡眠中的宏结构异常可以包括以下参数：

慢波睡眠的改变的分布(即，患者缺乏跨夜晚的传统衰减模式)；

减少的慢波睡眠(以分钟和/或百分比计)；

至REM睡眠的第一片段的降低的潜伏期(即，减少的REM睡眠潜伏期)；

延长的第一REM期；

增加的REM百分比(如果不是以分钟计的REM时间)；和

增加的REM密度(即，每分钟REM睡眠的眼球运动)。

人们注意到，抑郁症中的改变的睡眠分布与所观察到的归因于衰老的改变(除REM密度之外，其随年龄差不多不变)有相似之处。

传统的观点是，像REM潜伏期的参数不适合单独作为指示抑郁症的睡眠标记。因此，相比起将记录看作一个整体，单独将睡眠的结构要素或连续性描述符考虑为潜在的睡眠标记可能不太乐观。然而，通过将睡眠记录作为一个整体来检查，目前认为它可以提供抑郁症的诊断。

微结构

除了研究δ波振幅和发生率的减小以及β波段中的振幅的增大，睡眠的微结构的研究采用了被称为数字周期分析(DPA)的技术，该技术允许连续测量δ活动，与之对比的是标准PSG技术，其中时期的指定比例(例如，30秒的时期)必须由δ活动所涵盖，其变化被人为地忽略了。

各种谱带中的EEG活动的相干在抑郁者和对照之间的区分中似乎提供了有意义的结果。可以指示抑郁症的另外的微结构变量为，入睡前后和在NREM(非REM睡眠)期间的整个夜晚的β和γ活动。

在一种情况下，对睡眠障碍和抑郁症的症状之间的关联度进行了研究，并已确定睡眠和抑郁症可能是密切相关的现象。

相关的抑郁症症状被发现是抑郁症的核心症状，而不是植物神经症状，而在睡眠侧，相关的参数被发现大多是NREM变量。

睡眠连续性紊乱的临床相关性似乎是这样的，患有持久失眠症的人具有更高的发展抑郁症的几率，并且，抗抑郁治疗后睡眠连续性无改善的那些患者相比起睡眠连续性有改善的那些患者具有更高的复发概率。

涉及睡眠结构的参数主要是REM潜伏期、REM密度和SWS时间。在这些参数中，REM密度似乎可能与抑郁症的严重程度相关联，具体是因为REM潜伏期可以是治疗结果的预测因子。更具体地，减少的REM潜伏期与差的治疗结果相关联。

相干和复相干性

现在将讨论相干和相干性的概念。相干可以用在关于时间延迟估计的各个领域中，作为两个过程之间的线性关系的测量，用于系统识别，并作为信号-噪声(SNR)功率比的量度。为了澄清相干和相干性之间的区别，术语“相干”是“相干性”的平方。

一般而言，如果一个离散随机过程x线性关联到离散随机过程y，可以写成：

G_yy(f)＝|H(f)|²G_xx(f)

在这个公式中，G_yy是过程y的功率谱，G_xx是过程x的功率谱，且H(f)是传递函数。根据定义，关于该式子的互功率谱为：

G_xy＝DFT(k_xy)

其中DFT为离散傅立叶变换算子，且k_xy是过程x和y之间的协方差函数。

扩展协方差并逆转傅立叶变换和期望的积分顺序得到：

G_xy(f)＝H(f)G_xx(f)

复相干性是这样一个函数，定义为两个随机过程的交叉功率谱密度和它们的自功率谱密度的乘积之比：

${\mathrm{\γ}}_{xy}=\frac{G_{xy}\left(f\right)}{\sqrt{G_{xx}\left(f\right)G_{yy}\left(f\right)}}$

幅值平方相干性，或“相干”，是有界的，并且具有支撑集[0,1]：

$c_{xy}={\mathrm{\γ}}_{xy}^2$

在一个线性关系中，通过将最开始两个式子插入关于相干性的式子，将得到C_xy＝1。作为首次观察，可以注意到，在两个平稳随机过程的情况下，相干可以被解释与线性关系的偏离。

然而，尽管提到线性关系，该方法却不限于线性过程。任何非线性过程都可以被线性化到某种程度，并且可以对这种线性化的充分性进行评估。如果线性模型被认为是一般足够(即，如果它似乎是一个相当好的模型)，那么线性模型可以用来对被检查的特定过程提供有价值的洞察。

在执行平稳过程y的识别任务的情况下，人们可以将过程x馈送到模型的输入，并且然后通过最小化其输出和过程y之间的最小平方误差来调整模型。这产生该模型的频率特性：

$H\left(f\right)=\frac{G_{xy}}{G_{xx}}$

根据该式子，该模型的频率特性通过下式关联到平方相干：

$C_{xy}\left(f\right)=H\left(f\right)\sqrt{\frac{G_{xx}}{G_{yy}}}$

该模型在信号处理文献中被称为滤波器，并且可以由一组唯一地描述该模型的系数来表征。这表明，相干可以解释为最佳的(或至少令人满意的)归一化滤波器，该滤波器最小化(或至少大大减小)滤波器对过程x的响应和对过程y的响应之间的误差。在相干性的情况下，该模型将描述这两个过程(过程x和过程y)之间的线性关系。

估计和建模过程之间的误差本身是一个随机过程。y和其估计之间的误差过程的功率为：

G_ee＝G_yy(f)[1-C_xy(f)]

这意味着，对于大的相干来说，误差功率小，而对于小的相干来说，误差功率大(这取决于有多少y过程通过其估计量模型来解释)。

过程的频谱可以被认为是两个方面即期望部分和误差部分的总和：

G_yy＝G_yyC_xy+G_yy(1-C_xy)

这些分量的比例可以被解释为任一线性-非线性功率比，这是关系的线性部分中包含的功率与关系的非线性部分中包含的功率的分数。另一个解释是作为信号噪声比(SNR)，这是模型的期望部分相对于非期望部分(噪声)的比：

$\frac{G_{yy}}{G_{ee}}=\frac{C_{xy}}{1-C_{xy}}$

复相干性可以用谱表示定理进一步解释。根据该定理一个随机过程可以由下式表示：

$x\left(t\right)={\∫}_{-\mathrm{\π}}^{\mathrm{\π}}{e}^{i\mathrm{\ω}t}{\mathrm{dZ}}_x\left(\mathrm{\ω}\right),$

其中Z_x是另一个随机过程，并且对于给定的ω，Ζ_x(ω)为一个随机变量。如上描述每个过程，那么将得到：

$y\left(t\right){\∫}_{-\mathrm{\π}}^{\mathrm{\π}}{e}^{i\mathrm{\ω}t}{\mathrm{dZ}}_y\left(\mathrm{\ω}\right),$

使用这种表示可以示出该复相干性可以写为：

$C_{xy}\left(f\right)=\frac{\mathrm{cov}\left({\mathrm{dZ}}_x\right(f),{\mathrm{dZ}}_y(f\left)\right)}{\mathrm{var}\left({\mathrm{dZ}}_x\right(f\left)\right)\mathrm{var}\left({\mathrm{dZ}}_y\right(f\left)\right)}$

从该式可以看出该复相干性可以被解释为两个随机过程x和y的分量过程Z_i的随机变量的相关系数。

C_xy从而给出了x和y是如何被线性关联的信息。在给定的频率(f)上，C_xy测量两个过程x和y在频率f处的随机系数之间的关系。

数字周期分析

现在将讨论数字周期分析(DPA)。睡眠研究经常使用固定时间窗口的片段，该片段包括δ活动，作为患者处于第3阶段或第4阶段睡眠的指示。这关联到与另一种形式的信号分析，称为数字周期分析(DPA)。

EEG波的频率分布是一个多维随机过程。为了分析EEG，时间可以被离散化为30秒的单元，称为“时期(epoch)”。在特定的时间(即，每30秒一次)，EEG数据将提供随机分布的频率，每个代表一个多维随机变量。(例如，在某个时刻t的δ波的分布是一个一维随机变量，并且δ活动分布的时间演变是一个一维随机过程)。

扩展这个原理到多元的情况下，并且在时间t处对随机过程进行分段，可以得到一个瞬时频率分布。然后，该分布可以被划分为感兴趣的不同脑电波的子带：δ(1-4Hz)、θ(4-6Hz)和β(16-32Hz)。

多维随机过程是睡眠的简化模型，类似于一个物体和它在墙壁上的影子之间的关系。随机过程预期包含与睡眠的已知超昼夜变化一致的强超昼夜分量，类似于影子保留与原始物体的一些相似之处。

通常可以孤立地研究各一维随机过程的变化，在这种情况下，各种变量之间的相互关系可以忽略。

在另一方面，可以使用在过程之间包括可能的相互作用的多变量方法。这种多维方法据信提供更有意义的结果。具体地，包括若干相互作用(在某些情况下，尽可能多的相互作用)可以提供更全面的睡眠图景，并且可以提供“正常”睡眠和抑郁者的睡眠之间的更好的区分。这些相互作用可以表征一个超昼夜、随机分量相对于一些其他一维超昼夜随机睡眠分量的滑移。

通过修改的REM潜伏期的超昼夜节律的延迟或提前据信对诊断抑郁症是有用的。因此，这有助于确定一维随机过程的滑移程度是否是相干的，或者是否伴随一些散布(dispersion)，或者是否是依赖于频率的滑移。在一些情况下，超昼夜节律的散布的特征也可以是抑郁症的生物学标记。

在当前的睡眠医学实践中，睡眠研究的分析通常在30秒时期中执行。作为睡眠分期标准方法的一部分，睡眠的一些阶段通过使用指定持续时间和幅度的波的比例而识别。可以应用固定阈值，而不是使用连续的比例；特定时期可以是亚阈值或高于该阈值，并因此被相应地称为阶段3或阶段4。

特定类型的波的比例可为睡眠的特征提供信息。与功率谱分析方法对照，使用比例可以被视为表征睡眠的更准确选择。

具体地，由于功率谱分析是一种平均方法这样的事实，且由于相位信息的的损失，因此功率谱(不同于傅立叶变换)不保留与原始信号的一对一关系。其结果是，原始信号不能从功率谱恢复，并且可能有具有相同的功率谱的不同波。

在一些情况下，这将有助于对不同持续时间的波的比例进行精确测量，如在波在不同频段的滚动分布。为此，对波进行计数的方法相比起功率谱分析的平均化方法往往更合适，这是因为谱内容和原始时间序列之间更紧密的关系。

根据此处的一些教导，特定波具有持续时间和相应的频率。每一个特定的波被认为要么是在一个频带，要么在另一个频带，且波的持续时间之和等于原始时间序列的持续时间。这种方法一般被称为数字周期分析(DPA)。

现在将描述数字周期分析(DPA)上的变化，其中变化基于分割之前施加的滤波和该分割方法而存在，目标是识别可能的波界限。

在一个例子中，随机过程的样本用具有-100db/dec和通带(0.5Hz,70Hz)的数字带通无限脉冲响应(IIR)滤波器来进行滤波。数字带阻滤波器也用于市电频率。采用具有过渡带(0.1,0.5Hz)及-100db/dec的高通滤波器和具有过渡带(70,80Hz)-100db/dec的低通滤波器来创建带阻滤波器。

滤波操作将数据转换为零均值随机变量。原始数据分别表示在两个感兴趣通道x₁和x₂中。每个通道具有随机过程的四维样本。在过程中的离散时间n处的部分将由随机向量来表示：

x＝[n_δn_θn_β]

随着计算进行，随机分量的意义将变得清楚。n_i(其中i∈{δ，θ，β})的计算如下进行。首先，定义寻找时间序列的零交叉的算子：

z_x＝Zero(x)＝{n|x[n-1]*x[n]≤0}

其中x是一个随机变量。然后定义微分算子D：

Dx＝x[n]-x[n-1]

使用算子D和Z，建立以下随机过程：

$\begin{array}{c}{n}_{\mathrm{\δ}}=\underset{i}{\Σ}(zx\[i\]-zx\[i-1\]\≥\frac{f_s}{4})(zx\[i\]-zx\[i-1\]\\ \≤f_s)\frac{zx\[i\]-zx\[i-1\]}{fs}\end{array}$

这代表了对具有δ范围中的频率(即，1-4Hz)的波的计数。那么我们可以建立集合：

zd_x＝Zero(Dx)，

并且定义以下两个随机过程：

$n_{\mathrm{\&theta;}}={\mathrm{\&Sigma;}}_i({\mathrm{zd}}_x\&lsqb;i\&rsqb;-{\mathrm{zd}}_x\&lsqb;i-1\&rsqb;\&GreaterEqual;\frac{f_s}{7})({\mathrm{zd}}_x\&lsqb;i\&rsqb;-{\mathrm{zd}}_x\&lsqb;i-1\&rsqb;<\frac{f_s}{4})\frac{{\mathrm{zd}}_x\&lsqb;i\&rsqb;-{\mathrm{zd}}_x\&lsqb;i-1\&rsqb;}{fs}$

$\begin{array}{c}{n}_{\mathrm{\&beta;}}={\&Sigma;}_i({\mathrm{zd}}_x\&lsqb;i\&rsqb;-{\mathrm{zd}}_x\&lsqb;i-1\&rsqb;\&GreaterEqual;\frac{f_s}{32})*({\mathrm{zd}}_x\&lsqb;i\&rsqb;-{\mathrm{zd}}_x\&lsqb;i-1\&rsqb;<\\ \frac{f_s}{16})\frac{{\mathrm{zd}}_x\&lsqb;i\&rsqb;-{\mathrm{zd}}_x\&lsqb;i-1\&rsqb;}{fs}\end{array}$

睡眠分期110的示例性图示和n_δ和n_β过程的样本示于图5中，即n_δ(显示为中间的曲线图112)和n_β(显示为下面的曲线图114)。纵轴表示由来自相应随机过程的波所覆盖的时期的百分比。

为了计算相干的估计量，自动谱和交叉谱的估计量可以被计算。例如，一种方法是使用重叠的快速傅立叶变换。但是，由于分辨率在约18.5mHz的范围内，因此通常需要长样本，并且该方法不是特别合适，这归因于睡眠记录持续时间给出的限制。适合于短样本的另一种方法是平滑周期图方法：

$G_{xy}\left(\mathrm{\&theta;}\right)={\&Integral;}_{-\mathrm{\&pi;}}^{\mathrm{\&pi;}}{N}^{-1}|X(\mathrm{\&theta;}-\mathrm{\&lambda;}){|}^{2}W\left(\mathrm{\&lambda;}\right)d\mathrm{\&lambda;}$

其中W是奇数长度对称窗口，N是窗口的宽度，而X是过程x的功率谱密度。这式子更容易在时域中计算：

$G_{xx}={\mathrm{\&Sigma;}}_{-M}^M{k}_{xx}\&lsqb;n\&rsqb;w\&lsqb;n\&rsqb;e^{-i\mathrm{\&theta;}n}$ 其中

$k_{xx}\&lsqb;m\&rsqb;=\frac{1}{N}\underset{0}{\overset{N-1-\left|n\right|}{\&Sigma;}}x\&lsqb;i\&rsqb;x\&lsqb;i+\left|n\right|\&rsqb;$

由于卷积和交叉协方差之间的关系而产生进一步的简化：

k_xy＝x^*[-n]*y[n]以及类似地

k_xx＝x^*[-n]*x[n]

其中，x^*是x的复共轭。结合这些式子，我们得到下面的计算关系：

G_xx(θ)＝|DFT((x^*[-n]*x[n])w[n])|

G_xy(θ)＝|DFT((x^*[-n]*y[n])w[n])|

然后，这些可以被用来获得C_xy的计算关系。

$c_{xy}=\frac{|FFT\left(\right(x^{*}\&lsqb;-n\&rsqb;*y\&lsqb;n\&rsqb;)w\&lsqb;n\&rsqb;)\left|\right|FFT\left(\right(x^{*}\&lsqb;-n\&rsqb;*y\&lsqb;n\&rsqb;)w\&lsqb;n\&rsqb;\left)\right|}{|FFT\left(\right(x^{*}\&lsqb;-n\&rsqb;*x\&lsqb;n\&rsqb;)w\&lsqb;n\&rsqb;)\left|\right|FFT\left(\right(y\&lsqb;-n\&rsqb;*y\&lsqb;n\&rsqb;)w\&lsqb;n\&rsqb;\left)\right|}$

具体地，使用模量，这归因于通过快速傅立叶变换引入的线性相位被使用，以便计算DFT(其假定因果序列)。

相干是一个随机过程，并且相干C_xy涉及相关系数并因此遵循相同的分布。作为结果，应用费希尔z变换将对过程归一化：

z_ij＝tanh^-1(|γ_ij(ω)|)

基于该变换，能够计算关于C_ij的置信限：

tanh(z_ij-b-σ_zZ_0.5α)≤γ≤tanh(z_ij-b+σ_zZ_0.5α)

其中Z_α是正态分布的100α百分点，并且：

$b=\frac{p}{n-2p}$

p是输入过程的数目，这些输入过程被线性组合以获得过程y。在这里，具有一个输入和一个输出，p＝1且b＝(n-2)^-1(其中n是自由度的数量)。在该实施例中，对于8.3h的睡眠来说，样本的大小约为1000。

由于d.f.>>2,b＝n^-1的事实，对于α＝0.05，人们可以得到Z_0.025＝-1.9599，并且

${\mathrm{\&sigma;}}_z=\sqrt{\frac{1}{n}}(1-{0.004}^{1.6{{\mathrm{\&gamma;}}_{ij}}^2+0.22})$

$\tanh (z_{ij}-\frac{1}{N}-1.96{\mathrm{\&sigma;}}_z)\&le;\mathrm{\&gamma;}\&le;\tanh (z_{ij}-\frac{1}{N}+1.96{\mathrm{\&sigma;}}_z)$

作为具有C_ij＝0.8的例子，我们得到95％置信区间：

$\begin{array}{c}\tanh \left({\tanh }^{-1}\right(\sqrt{0.08})-\frac{1}{1000}-1.96\sqrt{\frac{1}{1000}}(1-{0.004}^{1.6*0.8+0.22}\left)\right)\&le;\mathrm{\&gamma;}\&le;\\ \tanh \left({\tan }^{-1}\right(\sqrt{0.08})-\frac{1}{1000}+1.96\sqrt{\frac{1}{1000}}(1-{0.004}^{1.6*0.8+0.22}\left)\right)\end{array}$

REM密度

现在转到图6，其中示出根据一个实施例的REM密度的估计量的示例性图。

通常，REM密度估计器可以与睡眠分析器模块结合工作。具体地，REM密度估计器可以检测睡眠期间患者的快速眼动(REM)。这个结果可以在以后通过使用睡眠分期信息加以完善。

在一些情况下，阶段5(REM睡眠)以外的阶段期间检测到的所有REM都将被丢弃(即，任何检测到的与阶段1-4中的睡眠相关联的快速眼动都将被忽略)，这将有助于提供REM密度的更精确的确定。

在一些情况下，数据然后用具有通带边界(0.5,10Hz)的带通滤波器和陷波滤波器进行滤波，以便产生零均值时间序列。

图7示出根据一个实施例的REM密度估计器130的一些功能组件的示意图。具体地，该实施例包括耦合到分割模块134的第一数字滤波器132。REM密度估计器130还包括同步分析器36，并且被耦合到第二数字滤波器138。

在一些情况下，REM密度估计器130的输入通道是眼电图通道(EOG)或额顶(FP)EEG通道。眼球运动在两个EOG通道中通常会产生相反的极性信号。混杂的额部缓慢活动在两个EOG通道中将具有相同极性或错位波。

分割模块134适于识别候选小波。然后，同步分析器136保留那些在两个EOG通道上相反对准的候选者。

分割模块产生以下形式的两个系列的向量：

REMvUD_i[k]＝[A1d11s12t]^T

SYNCv_i[k]＝[v1v2v3]^T

REMvUD包含小波的重要形态特征：幅度、第一半的时长(d11)、第二半的时长(d12)以及发生的时间(t)。用于分割的输入时间序列都是零均值的。

关于该特定例子，首先估计研究中的噪声水平，并且随后建立索引集。然后，定义寻找时间序列x[n]的零交叉的算子：

zx＝Zero(x)＝{n|x[n-1]*z[n]≤0}

定义微分算子D为：

Dx＝x[n]-x[n-1]

并使用算子D和Z，可以建立以下随机过程：

$\begin{array}{c}{n}_{\mathrm{\&delta;}}=\underset{i}{\&Sigma;}(z_x\&lsqb;i\&rsqb;-z_x\&lsqb;i-1\&rsqb;\&GreaterEqual;\frac{f_s}{4})(z_x\&lsqb;i\&rsqb;-z_x\&lsqb;i-1\&rsqb;\\ \&le;f_s)\frac{z_x\&lsqb;i\&rsqb;-z_x\&lsqb;i-1\&rsqb;}{f_s}\end{array}$

这实际上是对具有δ范围(即，1-4Hz)内的频率的波进行计数。然后建立集合：

zd_x＝Zero(Dx)，

以及集合：

A＝{x[zd_x[n]]-x[zd_x[n-1]]|zd_x[n]]-zd_x[n-1]]＜＝0.2f_s}

令：N＝card(A)。然后定义秩算子：

A□_pW[n]＝pthrankof{A[0]...A[N]}

其中W是窗口W＝(01..card(A))。令p＝0.9*N，然后定义噪声：

noiseA＝A□_pW[n]

设置幅度阈值：

允许建立以下集合：

z_x＝Zero(x)，

M＝max(x)；xε[z_x[n-1]，z_x[n]]，nε[1，card(z_x)]

m＝min(x)；xε[z_x[n-1]，z_x[n]]

顶点方向然后可以被定义为：

Vup＝M＞|m|？真:假

一般地，如果在基线的两个连续交叉点之间，那么小波朝上(pointup)，最大点比最小点的绝对值大。此属性为真，这归因于时间序列的零均值特性。通常，三个一组(V_iV_i+1V_i+2)中的最准确可识别点为顶点(V_i+1)。

可以通过三角形(V_iV_i+iV_i+2)来对小波进行建模，且小波参数是带符号的幅度和半波的持续时间：

A1＝x[z_x[i+1]]-x[z_x[i]]

d11＝10^3^＊(z_x[i+1]-z_x[i])/f_s

d12＝10^3^＊(z_x[i+2]-z_x[i+1])/f_s

t＝z_x[i]；

当特征符合一定的标准时，候选小波被检测到：

REMvUD_kj＝{[Ad11d12t]_kji ^T|d11＜d12；d11+d12＞200；A＞thr}

REMvUD_kji表示通道“k”上、时期“j”中关于REM“I”的特征向量。然后，可以建立第二集合：

SYNCv_kj＝{[z_x[i]z_x[i+1]z_x[i+2]]_kji ^T|d11＜d12；d11+d12＞200；A＞thr}

其中SYNCv_kji表示通道“k”上、时期“j”中关于REM“I”的同步向量。

图7a示出EOG通道上的REM活动的例子。例如，同步分析器在两个EOG通道上取集合SYNCv_k(其中k＝{1,2})，并如下关联它们的位置：

$\begin{array}{c}{\mathrm{REM}}_j=\left\{t\right|StageREM\&lsqb;j\&rsqb;*{\mathrm{SYNCv}}_{1ji}\&lsqb;2\&rsqb;*\left(\right||{\mathrm{SYNCv}}_{1ji}-{\mathrm{SYNCv}}_{2jm}|<100)*\\ ({\mathrm{REMvUD}}_{1ji}\&lsqb;0\&rsqb;{\mathrm{REMvUD}}_{2jm}\&lsqb;0\&rsqb;<0)*(\frac{{\mathrm{REMvUD}}_{1ji}\&lsqb;0\&rsqb;}{{\mathrm{REMvUD}}_{2jm}\&lsqb;0\&rsqb;}<4)*(\frac{{\mathrm{REMvUD}}_{2jm}\&lsqb;0\&rsqb;}{{\mathrm{REMvUD}}_{1ji}\&lsqb;0\&rsqb;}<4)\}\end{array}$

下标如下：j(时期)，I、m(时期内分别关于通道1和2的指示符号)

StageSREM是一个布尔函数，如果时期是REM阶段的一部分，那么该函数为真。阶段可以由分期器模块(未示出)来提供。

每个时期具有其中REM发生的时间的集合{REM_j}。在这种情况下，整个研究具有REMS的多个集合中的集合；关于每个时期"j"有一个REM集合{REM_j}，REM_j是时期“j”中的REM的集合。

我们可以根据所需目的以多种方式估算REM密度。例如，可以使用可变持续时间的滚动窗口，这取决于REM片段的长度。

$RD\&lsqb;k\&rsqb;=\frac{{\&Sigma;}_{i=-\frac{M}{2}}^{\frac{M}{2}}StageREM(k-i)*Card\left({\mathrm{REM}}_k\right)}{{\&Sigma;}_{i=-\frac{M}{2}}^{\frac{M}{2}}StageREM(k-i)}$

设M＝1，我们得到每个时期的REM计数。设M为sup(Card(REM_i))，其中sup表示上确界，我们得到每个REM片段的平均REM计数，其中REM片段的持续时间可以是1和200时期中的任意一个。

转换器

可以影响睡眠结构的各种因素包括患者的性别和年龄。例如，与正常睡眠随着年龄和性别的演变有关的信息可以从不同的睡眠诊所(例如，睡眠和警觉诊所(多伦多))获得，并且一般作为睡眠阶段百分比的个体发生学来讨论。

在通过诊断系统进行分类之前，尝试补偿这种可变偏差(例如，使用图4中所示的转换器92)以至少部分地减轻性别、年龄等的影响可能是有益的。为了校正一些此类可变性并区分病征体征，采用以下睡眠标记的转换，SM＝{TS1,TS2,TSD,TREM}。T或TS分别是总(total)和总阶段(totalstage)的词首大写字母。

$SM=F*\frac{(SM-\stackrel{\&OverBar;}{{\mathrm{SM}}_F)}}{{\stackrel{\&OverBar;}{SM}}_F}+(1-F)*\frac{(SM-\stackrel{\&OverBar;}{{\mathrm{SM}}_M)}}{\stackrel{\&OverBar;}{{\mathrm{SM}}_M})}$

其中，代表关于包括测试例的年龄组的女性的平均睡眠标记。例如，对于女性患者，45岁，具有30％S2，我们将获得关于SM＝TS2：

$TS2=1*\frac{(30-54)}{54}+(1-1)*\frac{(30-54.75}{54.75)}=-0.44$

单位归一化之后在范围[-1,1]内，其中负值用于少于正常平均睡眠标记的案例，且正值表示高于正常的值。SM变量的绝对值一般在范围[0,1]内。

一些分类方法包括具有接近范围和相似方差的参数。关于多变量距离计算，情况就是这样。

由于范围十分不同，对如下的其他参数进行归一化：睡眠效率(SEF)，觉醒指数(ARI)，入睡(SO)，REM潜伏期(REM_LAT)，呼吸暂停低通气指数(AHI)，周期性腿动(PLMS)，年龄(AGE)，醒来次数(NUM_AWA)，熄灯到入睡(LOSO)，总睡眠时间(TST)，睡眠后觉醒(WAS)，睡眠期时间(SPT)，如下所示：

SEF＝SEF/100；

ARI＝ARI/100.0；

SO＝SO/100.0；

REM_LAT＝REM_LAT/120.0；

AHI＝AHI/100.0；

PLMS＝PLMS/100.0；

AGE＝AGE/100；

NUM_AWA＝NUM_AWA/100；

LOSO＝LOSO/100；

TST＝TST/1000；

WAS＝WAS/1000；

SPT＝SPT/1000；

在这一点上的所有参数已经计算并归一化，并且我们可以进入分类方法。

分类

在更详细地讨论分类步骤前，回顾上面所描述的一些教导可能是有帮助的。

具体地，可以计算产生自超昼夜节律关系的一组微结构参数。然后可以关于偏差和方差对这些参数进行调整。

此外，可以基于睡眠结构和一组睡眠连续性指示符(其可以是归一化的)而提取一组生物学标记。所有的绝对值可以在范围[0,1]内进行归一化，从而设置阶段用于在[-1,1]超立方体中的多变量分类。

一般而言，有对多变量数据进行分类的许多方式。它们的共同点是，它们本质上都是统计性的。因此接下来的任务是一个二元分类问题，以回答这个问题：该多变量测试向量在A类(正常的)中还是在B类(抑郁的)中？

解决分类任务的一种方式是通过使用人工神经网络。此处提供神经网络的简要讨论，但是应该理解的是，神经网络难以置信的复杂和强大，并且详细讨论超出了本文件的范围。

通常，人工神经网络是这样的机器，其被设计成对大脑执行特定任务的方式进行建模。神经网络通过使用由突触连接的人工神经元以模仿生物神经元网络模型的方式而形成。模型人工神经元和人工神经网络的例子分别示于图14和15。

一般来说，人工神经元是具有可变数目输入突触的计算单元，这种输入突触允许它们连接到网络中的其他神经元。神经元的突触的集合形成神经元的感受区。突触由其强度表征，并且通过将网络暴露于训练模式而被修改。突触可以是抑制的或兴奋的。因此人工神经网络被认为是知识的编码器。知识是这样的信息，网络使用该信息以响应施加到其感受区的外部刺激。

突触输入可以在累加器中相加，累加器是神经元胞体(soma)或生物神经元的细胞体的数学等价物。因此，人工神经元充当线性组合器：

$v_k=\underset{i=1}{\overset{p}{\&Sigma;}}{w}_{ki}{x}_i$

线性组合器的输出被称为感应局部场或活化电位。

神经元模型的其他组成部分是激活函数，该函数将神经元的输出限制为有限值，从而使神经元为非线性计算元素。例如，由单个神经元实现的功能可被建模为：

其中b_k是偏差，并且如果存在的话，可以根据它的值向上或向下移动神经元的输入。

可以使用不同种类的激活函数，这通常是已知的，例如sigmoid、双曲正切函数以及Heaviside函数。

一般地，双曲正切和sigmoid函数是连续的并因此可微，而Heaviside函数不是。

现在将描述可以实现的模糊逻辑方法的一个具体例子。在该实施例中，创建具有一个隐藏层和一个输出层的多层前馈人工神经网络，通常也称为多层感知器，并且总体上如图16所示。

由于非线性激活函数的存在，这种类型的神经网络被称为感知器，并且这种类型的网络向教师学习。具体地，训练样例的重复呈现在来自输出层的每个神经元输出处产生误差信号。

e_j(n)＝d_j(n)-y_j(n)

该误差信号是每个时间步骤(n)处期望输出(d)和实际输出(y)之间的差异。

假设训练的分批模式，平均误差能量可以被计算为：

$\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}=\frac{1}{2N}\underset{n=1}{\overset{N}{\&Sigma;}}\underset{W}{\&Sigma;}{\left(e_j\right(n\left)\right)}^2$

双求和在所有的突触权重(W)和训练模式(N)的所有呈现上进行。可以在与误差能量梯度相反的方向上进行权重的调整。这种调整具有降低误差能量的效果，并因此使输出更接近于期望响应：

${\mathrm{\&Delta;w}}_{ij}=-\mathrm{\&eta;}\frac{\&part;\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}}{\&part;w_{ij}}$

通常只在已将训练模式的整个集合提供给网络后才进行权重调整。该式子因此可利用微分的链式法则进行扩展，并指定关于激活函数的形式。具体地，随着迭代次数增加，学习率η可以被调整。

用于训练该网络的算法一般如下：

1.初始化网络

设置权重为从具有零均值和方差的均匀分布拾取的值，以将神经元的感应场的标准偏差设置成在激活函数的线性部分之上并且在饱和部分之下。一个简单和流行的选择是从-1和1之间的均匀分布进行权重初始化。

W_ij＝rand(-1，1)

2.训练网络：前向传递

计算开始于输入层，关于每个神经元，输出使用上述线性组合器式子。当第一层的所有输出可用时，使用来自先前层的输出作为输入而计算第二层的输出。

$v_j^l\left(n\right)=\underset{i=0}{\overset{m}{\&Sigma;}}{w}_{ji}^l{y}_i^{l-1}$

其中，L是层号，j是来自层l的神经元，y_i是神经元j的突触I上的输入。那么，神经元j上的期望输出和实际输出之间的误差为：

3.训练网络：误差后向传播

取来自神经元的输出层的误差，并朝向输入传播，以便在网络的神经元中重新分配关于误差责任。要做到这一点，应计算梯度或误差能量：

$\&dtri;\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}=\frac{\&part;\mathrm{\&epsiv;}\left(n\right)}{\&part;w_{ji}\left(n\right)}$

然后，突触可以被更新：

${\mathrm{\&Delta;w}}_{ji}=-\mathrm{\&eta;}\frac{\&part;\mathrm{\&epsiv;}\left(n\right)}{\&part;w_{ji}\left(n\right)}$

并计算关于神经元j的局部梯度：

${\mathrm{\&delta;}}_j\left(n\right)=\frac{\&part;\mathrm{\&epsiv;}\left(n\right)}{\&part;v_j\left(n\right)}$

存在关于神经元j是输出神经元(L2)或隐藏神经元(L1)的不同情况：

对于层l中的神经元j的激活电位，我们随后得到：

结合这些式子允许确定层l中的神经元j的局部梯度：

${\mathrm{\&delta;}}_j^l\left(n\right)=\left\{\begin{array}{cc}\frac{b}{a}\left(d_j\right(n)-y_j(n\left)\right)(a-y_j(n\left)\right)(a+y_j(n\left)\right);& j\&Element;L_2\\ \frac{b}{a}(a-y_j(n\left)\right)(a+y_j(n\left)\right){\&Sigma;}_{k\&Element;L2}{\mathrm{\&delta;}}_k^{l+1}{w}_{kj}^{l+1}\left(n\right);& j\&Element;L_1\end{array}\right.$

4.在所有测试样例已被用尽之后，使用来自所有训练样例的偏导数的存储历史更新关于所有神经元的所有权重：

${{\mathrm{\&Delta;w}}_{ji}}^l=-\frac{\mathrm{\&eta;}}{N}{\&Sigma;}_{n=1}^N{y}_i\left(n\right){\mathrm{\&delta;}}_j^l\left(n\right)$

在该式子中，y_i是在时间n处去往在突触I上的神经元j的输入信号。

使用这种方法，对于每个训练样例一般有两次计算传递：前向传递，其中信息传播通过网络并且不对突触权重进行修改，以及后向传递，其中期望响应和实际响应之间的误差信号被重新分配在网络中，并基于分配给每个神经元的责任而对突触进行修正。

各种优化和训练算法通常是可能的。

例如，伴随动量的梯度下降基于先前的更新来请求关于突触权重的更新规则的修改：

Δw_ji(n)＝αΔw_ji(n-1)+ηδ_j(n)y_i(n)

动量常数α具有避免网络不稳定的作用，并具有0和1之间的绝对值。通过求解差分方程可以证明，对于权重向量的连续、相同方向的变化，加速下降同时交替符号改变，能使误差表面上的下降减速，从而稳定了学习。实际上并不一定要这样。动量常数是一个新问题依赖性参数，其似乎并不解决任何问题。

Riedmiller算法具有这样的优点，除了调节学习率以外，它消除了对误差能量的偏导数的依赖性，而误差能量可能是意想不到的并因此学习率的整体适配是无意义的。

具体地，以下值可以被计算：

这个式子然后可以用于更新突触权重：

在该式中，如果误差增长(偏导数为正)，则降低权重，并且，如果偏导数为负，则增加权重。

在该方法中，在每个时期结束时计算这些式子，此时所有的训练模式已经被提供给网络。下一个时期然后使用适应值。然后又发生另一次适配，依次类推。

对于每个时期，数据可以转换成零均值和标准差1：

$y=\frac{x-\stackrel{\&OverBar;}{x}}{\sqrt{\frac{1}{N}{\&Sigma;}_1^N{(x_i-\stackrel{\&OverBar;}{x})}^2}}$

接下来，我们可以对输入进行去相关，因为相关性会诱导优先学习方向。为了实现这个目标，可以使用Karhunen-Loeve变换(KL)。KL变换寻找具有最大方差和零协方差的输入变量的线性组合。该步骤将既通过消除低方差分量来降低变量的冗余，也消除优先学习方向。KL变换通过将输入向量投影在特征向量或协方差矩阵上而获得。

在一些情况下，低方差方向应该在0.01水平上被去除。

在将在训练期间所施加的同一变换施加到测试向量之后，测试向量的分类得以完成，即测试向量可以投影在训练协方差矩阵的主方向上。

通常，性能由网络配置、问题的复杂性和训练集的充分性所影响。网络配置应该是能够解决问题的最简单的形式，在某些情况下这可能是有益的。

一个用于选择训练模式的数量以实现良好的泛化性能的实际规则是O(W/ε)，其中，W是网络中的突触的数量，ε是可接受的最大百分比误差。(例如，对于4个输入参数，7个神经元在隐藏层中且2个输出神经元，我们得到W＝4*7+7*2＝42N＝42/0.1＝420)。

通过尝试错误法，具有7个隐藏神经元和2个输出神经元的网络被识别为适合我们的应用。隐藏层中的感觉神经元的感受区是能够在2和36个输入之间改变，这取决于哪些参数在我们尝试中被丢弃。该结果在下面的讨论部分提供。

应当理解的是，在一般情况下，根据此处的教导，可以使用各种其他分类技术，并且将不详细地讨论。例如，可以使用具有径向基函数神经网络(RBFNN)作为第一层的两层神经网络。RBFNN是一种三层神经网络，其具有一层感觉神经元、隐藏层和一组输出神经元。这种类型的网络通过将问题处理为高维空间中的函数拟合问题，从而解决分类问题。

可能适合于分类的其他类型的神经网络包括概率神经网络(PNNs)和支持向量机(SVMs)。

在一些实施例中，可以使用弱模型的组合以获得与使用委员会机器的强学习模型可比较的性能。例如，一种被称为装袋(bagging)的方法使用模型平均，其中多个学习机(专家)将被训练以解决分类问题。其他技术包括：通过过滤推进(boostingbyfiltering)、AdaBoost算法、CART(分类和回归树)、使用逻辑专家委员会、使用专家混合(ME)、和使用专家的分层混合(HME)。

在这里所面对的特定分类问题中，分类器必须决定向量x是来自类别C₁还是来自类别C₂。表征问题的不确定性由联合概率密度p(C_i,,x)来概括，联合概率密度通常被称为推断。一旦推断步骤完成，可以应用决策理论以解决分类问题。

给定向量x，我们希望基于可用的训练样本来确定特定患者是否抑郁。使用贝叶斯定理，后验概率可以被确定为：

$p\left(C_i\right|x)=\frac{p\left(x\right|C_i)p\left(C_i\right)}{p\left(x\right)}$

在特定的情况下，我们感兴趣的是代表类别C_i观察到x的概率的先验概率p(C_i)，即二元分类问题：

p(x)＝p(x|C₁)+p(x|C₂)

同时，我们有联合概率：

p(x，C_i)＝p(x|C_i)p(C_i)

如果先验p(C₁)可用，那么我们可以得到修订的后验概率，这归因于由最新的测试所引入的新信息的添加。

一般来说，判定患者是否抑郁可以基于在最大后验概率。

决策理论的另一个方面是对错误所带来的成本的最小化。这种理论提供了用于考虑与错误分类相关联的风险的技术。具体地，必须考虑群体中疾病的患病率以及与假阳性和假阴性相关联的不对称风险。

更具体地，如果使用其中正常状态是普遍的群体样本来训练诊断系统，那么该数据将潜在地低于患病情况的群体的样本，并因此提供不完整的学习。另一方面，平衡训练群体可能会产生假先验，这归因于样本集内的疾病状态的夸大存在。应作出修正以调整这些先验，从而提供总体上准确反映群体内的抑郁症分布的训练样本。

例如，我们可以引入损失函数L，该函数是由于所引发的决策所带来的整体成本。在一些情况下，目的是通过寻找最好地实现这一目标的区域R_i来减小并甚至最小化E(L)：

$E\&lsqb;L\&rsqb;=\arg \underset{R_i}{max}\underset{i}{\&Sigma;}\underset{j}{\&Sigma;}\underset{R_i}{\&Integral;}dx{L}_{ji}p(x,C_j)=\underset{j}{\&Sigma;}{L}_{ji}p\left(C_j\right|x)$

在该式中，Ri是关于类别Ci的决策区域，假定样本来自类别C_j。式子中的第二等式产生自贝叶斯定理，并且观察到p(x)不参与最大化。

这可通过获知后验概率来完成。具体地，先验p(C_i)可以计算自训练集以及类别条件密度。然后可以通过使用最大后验概率准则进行决策。

在一些情况下，一旦确定了后验概率，成本函数可以动态改变，例如基于应用。在临床情况下，对于筛查目的来说，增大测试的灵敏度可能是更重要的，可知如果返回假阳性，可以进行更多的测试以增大总体诊断的特异性(且其可以校正假阳性)。

在另一种环境下，如果临床医生已经具有存在疾病的一些证据，并希望通过补充测试进行确认，那么临床医生可以选择平衡成本从而有利于特异性。

此外，在某些情况下，具有低于期望后验概率的决策区可以被排除。例如，在其中后验概率低于阈值的情况下，可以认为未定。

在一些情况下，混合的来自不同源的信息可以被分开并分别处理。然后，结果可以使用概率论来组合。例如，从睡眠的微结构所产生的参数可以独立于更传统的睡眠标记使用(或多或少人工地)。在这种情况下，在训练期间结果可以按照类别条件联合概率而被组合：

p(x_m，x_c|C₁)＝p(x_m|C₁)p(x_c|C₁)

一般而言，后验概率可以用于作出决策：

$P\left(C_i\right|x_m,x_c)=\frac{P\left(C_i\right|x_m)P\left(C_i\right|x_c)}{p\left(C_i\right)}$

先验P(C_i)可以由属于训练样本(假设随机抽样)中每个类别的数据的比例估计。

为了达到对分类的最终确定，可以使用各种技术。例如，分类的一种形式不需要估算后验概率并直接估计输入-输出关系。一种流行的方法最小化模型与期望输出之间的最小平方误差。最简单的判别(线性判别)在D维决策空间建立D-1维的超曲面。

在其他情况下，可以使用基于最大后验概率的概率模型。此外，也可能可以使用k最近邻(kNN)方法。kNN方法具有一些非常好的特征，使其在一些应用中是令人满意的。优点包括不依赖于决策体中的数据的分布，此外，该方法不会受到高维空间中的训练数据的不均匀密度(一种被称为维数灾难的问题)的干扰。另一个优点是该方法的误差从来不会差于最小可实现误差率的两倍。

基于此处的教导将认识到用于实现分类上的最终确定的各种其他技术。

各种可替换实施例

一般来说，此处的教导可以用在可能有用于诊断抑郁症的各种不同实施例中。

例如，在一个实施例中，此处的教导可以以独立的软件实现。具体地，可以提供诊断软件应用，该诊断软件应用能够补充现有的多导睡眠描记设备，该设备例如在睡眠实验室和其他医疗机构中使用。在一些这样的情况下，诊断软件可以使用现有的硬件来实现，例如使用睡眠实验室中已经存在的处理装置来实现。

一般而言，假设睡眠实验室具有足够用于记录EEG的装置，此处的教导可能有用于提供关于睡眠的增强诊断方法，该方法能够帮助诊断抑郁症。

在一些实施例中，此处的教导可以被用于提供睡眠记录的额外分析，并用作睡眠实验室中的抑郁者的筛选工具。这与下面的相对众所周知的事实一致，该事实是，睡眠实验室中的可见的睡眠障碍患者的大约20-30％是抑郁的，并且应当进行相应的诊断和治疗。

在另一个实施例中，此处的教导可以用于提供在患者家中使用的软件应用。这可以包括使用可以送到患者家中的头箱(headbox)，并且可以与远程地存在于护理点的EEG检查工作站组合使用。

更具体地，当前睡眠实验室中的临床医生将用公认的方法分析睡眠阶段，该方法包括将电极相对精确地定位在患者的头皮上。

在患者家中，对于这种方法来说，有几个障碍。首先，患者将电极应用于他或她自己的头皮上一般是不可能的(或者至少可能是困难的)。此外，大多数的患者很可能缺乏在头皮上实现标准电极放置所必需的解剖知识。

此外，另外的障碍是解释中的一个。具体地，也就是说，对临床医生将使用的标准电极布置进行更换意味着不再能够可靠地使用教科书方法来解释，并且因此将通常无法基于规则标准组来产生可靠的诊断结论。更具体地，当电极位置变化时，这些规则往往变得高度不可用，因为这些紧密关联到记录技术。

此处一些教导涉及可以克服这些困难中的至少一些的新方法，特别是用于家庭环境，并仍然提供至少与既定方法获得的结果可比较的结果。具体地，这些新技术对于电极位置误差可以健壮得多，跨受试者群体更一致，并且更适合于由患者他自己或她自己来应用(即，使用网)。

此外，此处的教导可以提供能够利用现有EEG设备并与修改的方法和分析工具相结合的诊断系统。

这些实现方式可导致降低成本，而且在一些情况下允许消除睡眠实验室中的冗余设备。

此处的教导可以有其他应用，例如用于关于除抑郁症以外的更普遍的睡眠问题执行家庭诊断。这可能潜在地扩展睡眠实验室的边界，并允许在广泛的地理区域包括边远地区中进行抑郁症的筛查。

在一些情况下，此处的教导可以允许精神病医生、全科医生或睡眠专家进行抑郁症筛查试验，从而提高患者的生活质量，潜在地降低社会和医疗保健系统等的成本。具体地，可以为精神病医生提供定量工具，该定量工具可以基于描述通常可重复的适合标准化的方法学的科学方法，提供进入心理健康领域更宽阔的开口。

在一些其他实施例中，此处的教导可以涉及可能特别适用于全科医生、精神病医生等(他们可能目前不具有EEG设备)的硬件解决方案。购买高端EEG设备对于许多这些实践来说可能过于昂贵，这尤其归因于操作设备的复杂性，长的学习曲线和实验室中的体积。

对于这些实践，使用此处的至少一些教导可以提供具有最小占用空间和要求最少必需学习的轻量级解决方案。在一个实施例中，系统可以包括检查工作站，即平板电脑、个人计算机或其他计算装置。计算装置可以被联接到一个或多个记录器单元(头箱)，该记录器单元可以被送到患者家中。

记录装置可以包括电池供电的具有最少通道数量的EEG记录器，并且其可以使用数据协议(即，USB、无线或互联网连接)用于以后取回数据。记录器可以能够存储数据特定最小的小时数(例如，40小时或以上)，这可以对应于三个或更多个夜晚的睡眠分析。这样的家庭装置在适当情况下可以能够监测电极阻抗并记录质量，并可以通知患者进行修正，以避免差的记录。

在一些其它实施例中，此处的教导可以涉及能够提供给EEG和睡眠监测设备的制造商的OEM模块，这些制造商将希望扩展其监测解决方案的功能和价值。特别是，此处的教导可以用于开发可以与现有的EEG和睡眠监测设备集成的软件应用、硬件解决方案(或两者)。

实验结果的讨论

现在转到图8至13，提供了各种概括实验结果的图，实验使用了成年人和儿童患者，并且这些图显示抑郁症留下了相干上的标记。

具体地，图8是在正常个体(图的左侧)和抑郁个体(图的右侧)之间比较成年人β双边相干性的图。图9是比较左半球中βδ相干性的类似图，而图10是比较右半球中βδ相干性的类似图。

图11在正常个体(再次在左侧)与来自抑郁个体的读数之间比较成年人中的θ双边相干性(TCOH)。

图12和13提供的儿童研究的图，比较右半球(图12中)中和左半球(图13中)中的βδ相干性。再次，正常个体结果呈现在左边，而抑郁个体的结果示于右边。

基于用于这项研究的有限数据集，关于成人的一个特别合适的参数看上去是阈值为0.95的TCOH。还观察到了年龄在相干测量上的影响，因为在儿童中最合适的参数目前看上去是β-δ左相干(BDLCOH)和β-δ右相干(BDRCOH)。

看上去，θ分量的同步在生命中来得较晚，这是失去β和δ节律的关联的代价。如果我们在两组(儿童和成年人)之间比较正常结果，可以观察到这种情况，因为儿童中的β和δ节律相比起成年人通常更好地同步。随着儿童年龄增长，这将变成更强的θ同步。

图8至13表明，抑郁在一些患者中具有降低相干的作用。仍然有待评估不同的相干测量是单独受影响还是一起受影响(例如，对于抑郁患者来说，如果TCOH在阈值以上，那么有可能BCOH或其他相干性测量可由于疾病造成的影响而被降低，或者它们总是一起变化的)。

目前，据信估计节律的散布程度可能有临床价值。在这种情况下，散布是引起节律离解的疾病影响。

在一个正常的患者中，很显然，至少在一些频带中相干性非常高(0.8以上)，这表明几乎是线性双边关系。然而，抑郁症打破了这种强线性关联(如在附图的右手侧可见)。

应当指出，这里讨论的节律是实际大脑节律的超昼夜变化。更具体地说，这些结果跟随一些大脑节律(例如，θ)能量在夜间的变化中的最大能量的分量，而非大脑节律本身。

一个类比将是挂在墙上的钟摆。通常已知的是，挂在墙上的机械钟摆由于通过墙壁传输的振动而同步它们的节律。每个钟可以指示不同的时间，但秒是以同步的方式滴答作响的。

根据这个模型，人们假设在人的大脑中，大脑充当保持钟(节律)对准或同步的同步介质(钟摆模型中的墙壁)。

然而，疾病过程(尤其是抑郁症)似乎影响大脑的传输特性(即，在我们的类比中改变墙壁的刚性)，并且因此这些“钟”失去同步(即，具有较低的相干)。

还应当注意到，跨大脑的超昼夜节律的线性关系的丧失可以被关联到REM中观察到的相位延迟。关于这个的解释可以回溯到相干性的起源。相干性在每个频率处是一个复数，且相干是相干性的大小。复相干性具有频谱，并且在特定频率处，其可以被解释为该频率处的随机过程之间的相关系数。

以相同的方式，在任何频率处的复交叉谱密度h_xy(f)的解释表示在那个特定频率处的分量随机过程dZ_x(f)和dZ_y(f)之间的协方差。

复相干性的频谱是：

$C_{xy}\left(f\right)=\frac{\mathrm{cov}\left({\mathrm{dZ}}_x\right(f),dZ(f\left)\right)}{\mathrm{var}\left({\mathrm{dZ}}_x\right(f\left)\right)\mathrm{var}\left({\mathrm{dZ}}_y\right(f\left)\right)}=\frac{h_{xy}}{\sqrt{h_{xx}{h}_{yy}}}$

如果我们以极坐标形式表示交叉谱密度，我们得到：

结合这两个式子给出带相位的复相干性的极坐标表示，该相位由给定频率处两个过程x、y之间的相位差给出。分母相删去，因为自动谱密度为真。

如果在所有的频率中，我们选择超昼夜节律，在跨大脑的超昼夜节律之间可以观察到相位移动(或滑移)。在抑郁症的情况下，由于超昼夜节律之间的关系的改变，相位差预计会增长。

此滑移可以是在大脑的不同部分中的相同频率之间，或者在不同频率处的大脑相同部分之间。这可以通过大脑节律的不同生成器来解释，这些不同的生成器具有相对于记录电极位置的不同位置关系，并因此可能受到居间的大脑组织特性的不同影响。

与此同时可以观察到REM潜伏期的移位，REM潜伏期代表随机过程的相位。随机过程可以使用不同频率处的许多随机过程中的频率表示而被分解。散布扭曲了求和过程的形式并且可能有时表现为延迟。

具体地，考虑REM潜伏期是如何观察的是有帮助的。整个晚上的睡眠可以表示为终生发生的随机过程的一个快照。分期本身是一种手动完成的DPA并且依赖于大脑节律的复杂相互作用。人们可能会问这样一个问题：观察到的REM移位是由于超昼夜节律的散布所造成的影响吗？

注意到，在微结构的部分中，相关性估计值为正偏。

在图17中，示出了相干的示例性估计值及其置信限(其中置信限为低“x”、高“+”，并且相干估计值为(o))。

如从图17可明显看出，估计量被偏置，并有相对小的估计方差。这表明所观察到的方差可能是由于患者可变性，而不是由于计算不确定性。

随后应当用于分类的实际相干应当是经校正的相干而不是原始估计量。正如我们可以从图17中看到的，原始估计量相比起经校正者来说具有不同的分离特性。真实相干是在对应于横坐标(与关于对角线的相同)的下限和上限之间的任何地方。

关于睡眠标记，基于睡眠的个体发生学进行校正，并且相对于有关年龄和性别的正常值进行测量，以使检测保持在(-1,1)超立方体内。这个过程的细节在上面进行了讨论。

对三种不同的分类方法进行了测试，分别为多层感知神经网络(MPNN)，带有一层RBF的概率神经网络(PNN)，以及K最近邻(kNN)方法。

由于用于这些实验的可用患者的数量有限(28个儿童和27个成年人)，测试方法包括留一验证(leave-one-outvalidation)。这个程序依次取每个患者并将其视为测试例同时所有其余患者参与训练神经网络。

对于N个患者的组如此进行，得到N个训练期(session)，以及若干N测试例，其中，一些将被正确分类，而其他的则否。对于组中的每个对照和每个抑郁患者，识别了真阳性(TP)的数目和假阳性(FP)的数目。在N个训练期结束时，获得了关于每个类别的灵敏度，对照(C)和抑郁(D)：

$S\left(C\right)=\frac{TP\left(C\right)}{TP\left(C\right)+FN\left(C\right)}$

$S\left(D\right)=\frac{TP\left(D\right)}{TP\left(D\right)+FN\left(D\right)}$

在这些式子中，我们这样得到灵敏度，当测试例是对照时判定出我们具有的是对照，并且，当测试例实际抑郁时判定出患者为抑郁。在二元分类任务中这样两种情况是详尽的。

关于这三种方法的结果是：

方法	S(C)	S(D)
			kNN	92	83
MLP	92	75
			RBF	92	58

表1：灵敏度，成年人

方法	S(C)	S(D)
			kNN	100	75
MLP	80	77
			RBF	30	77

表2：灵敏度，儿童

注意到这样的有趣的观察结果，当我们仅使用微结构参数在儿童上测试MLP时，我们一致地获得S(C)＝80％且S(D)＝55，而使用27个参数的扩展组时，我们已获得S(C)＝80％且S(D)＝77％。

这表明微结构元素与传统睡眠标记互补。由于没有发现很突出的标记，看起来两个或更多个标记的相互作用可能是有意义的并且对于诊断抑郁症非常有用。

其他应用

在一些其他应用中，此处的教导可以适合于在诊断其他医学状况中使用。

例如，在某些情况下，此处的教导对于阿尔茨海默病的预测可能具有一些适宜性。具体地，此处所描述的家庭诊断技术对监测患者与阿尔茨海默病相关联的睡眠异常可能是有用的。例如，已经观察到，每年有十天或更多天测量到增加的睡眠觉醒可能是阿尔茨海默病的合理的良好预测因子。因此，此处的教导可针对常规用于检测阿尔茨海默病的影像诊断提供相对较低成本的替代，这可以促进筛查测试的使用和流行。

在一些实施例中，此处的教导对于术前呼吸监测可能具有一些适宜性。

举例来说，此处所描述的家庭诊断技术可适合于患者的术前筛查，以便预测麻醉期间和麻醉之后可能出现的潜在问题。

具体地，睡眠和麻醉之间有密切关系。临床研究已显示，在睡眠期间经历呼吸问题的患者处于这样的风险之中：施用各种麻醉方案期间和之后发展并发症。

有一些迹象表明，术前筛查睡眠期间的呼吸问题可能是非常有用的，这归因于与在麻醉期间和之后出现的问题相关联的显著发病率和死亡率。

目前，用于预先筛查的一种现有方法是考虑呼吸的大脑方面，这可能仅能通过睡眠实验室中可用的昂贵测试获得(并且这种测试的价格可能非常高昂，例如每次测试大约500美元)。此外，对于患者而言还存在由于旅途以及可能暂时不能工作导致的隐形开支。并且，睡眠实验室可能不能对数量庞大的接受手术的患者进行充分的测试。

因此，根据此处的教导在患者家中提供测试可能提供一种或多种与术前筛查相关联的益处。例如，这样的解决方案可能不受限于患者的数量。这些方法也可以提供每次测试的成本降低，在一些情况下可以提供显著的成本降低。在一些情况下，可以使用此处所教导的方法以消除或至少降低患者的术前筛查的成本。此外，通过根据此处的教导在家庭环境中提供监测，可以消除由于去实验室的旅途劳顿以及不能在家里睡眠带来的不便。

结论

此处的教导通过应用详细而自动化的睡眠表征，倾向于针对诊断抑郁症这样一个困难任务。这包括分析睡眠连续性、睡眠结构和微结构。该工作可能适于家庭实现的方法，并且可能能够开启具有远程、无人值守测试可能性的诊断精神疾病的新纪元，其与以前的诊断技术相比可以提供一种或多种益处。

例如，一种益处可以包括对睡眠实验室的诊断和筛查的扩展。

另一种益处可以是为抑郁症或其他医学状况提供在家测试，并能够由睡眠实验室或者由其他人员(例如，精神病医生或全科医生)管理。

在一些情况下，此处的教导可以用于术前呼吸监测，这可以由麻醉师或者其他医生进行管理。

在一些情况下，此处的教导可以用于预测阿尔茨海默病。

在一些情况下，此处的教导可以用于原始设备制造商(OEM)。例如，此处的教导可以用于提供软件模块(或两者)，该软件模块可以与一些其他医疗设备(EEG，CPAP，Holter等)集成在一起。

在一些情况下，此处的教导可以用于组合的硬件和软件解决方案。该方法对全科医生和精神病医生来说可能尤其有用，例如，他们可能目前没有任何EEG设备。提供根据此处教导的组合的硬件和软件解决方案可以提供这样的单元，该单元对全科医生或者精神病医生来说相比起复杂的EEG机器在使用上可能更加简单和更加直观，而复杂的EEG机器则可能难以使用并且可能需要专门的培训。

Claims (41)

1.一种用于诊断医学状况的系统，包括：

至少一个记录器，所述记录器适于记录患者的脑电波并由此生成睡眠数据；和

至少一个分析器块，所述分析器块适于解释睡眠数据，并基于对睡眠数据中的至少两个生物学标记的多变量分析来确定患者是否正在经历所述医学状况。

2.根据权利要求1所述的系统，其中所述医学状况是抑郁症。

3.根据前述权利要求中任一项所述的系统，其中所述生物学标记包括至少一种时间生物学标记。

4.根据权利要求3所述的系统，其中所述时间生物学标记包括患者的超昼夜节律。

5.根据权利要求4所述的系统，其中确定至少一个分析器块，以识别所述超昼夜节律的延迟或提前中的至少一项。

6.根据权利要求4或权利要求5所述的系统，其中确定至少一个分析器块，以识别患者的超昼夜节律的散布。

7.根据前述权利要求中任一项所述的系统，其中所述生物学标记包括至少一种微结构标记。

8.根据权利要求7所述的系统，其中所述微结构标记包括以下至少一个：

(a)至少一个频带中的EEG活动的相干；

(b)NREM睡眠期间的整个晚上的β和γ活动；

(c)入睡前后；

(d)REM潜伏期；

(e)REM密度；和

(f)SWS时间。

9.根据前述权利要求中任一项所述的系统，其中所述生物学标记包括至少一种宏结构标记。

10.根据权利要求9所述的系统，其中所述宏结构标记包括以下至少一个：

(a)慢波睡眠的改变的分布；

(b)减少的慢波睡眠；

(c)至REM睡眠的第一片段的降低的潜伏期；

(d)延长的第一REM期；

(e)增加的REM百分比；和

(f)增加的REM密度。

11.根据前述权利要求中任一项所述的系统，其中所述生物学标记包括睡眠标记的至少一种连续性。

12.根据权利要求11所述的系统，其中睡眠标记的连续性包括以下至少一个：

(a)睡眠潜伏期(SL)；

(b)入睡后的觉醒(WASO)；

(c)觉醒次数(NWAK)；

(d)睡眠效率(SE)；和

(e)总睡眠时间(TST)。

13.根据前述权利要求中任一项所述的系统，其中所述生物学标记包括REM密度的至少一个估计量。

14.根据前述权利要求中任一项所述的系统，其中所述生物学标记包括至少一种相干性分析。

15.根据权利要求14所述的系统，其中所述相干性分析包括β双边相干性分析。

16.根据权利要求15所述的系统，其中所述β双边相干性分析包括患者的大脑的至少一个半球中的β双边相干性。

17.根据权利要求14所述的系统，其中所述相干性分析包括θ双边相干性分析。

18.根据前述权利要求中任一项所述的系统，其中使用数字周期分析对睡眠数据进行分析。

19.根据前述权利要求中任一项所述的系统，其中睡眠数据由诊断装置进行处理。

20.根据前述权利要求中任一项所述的系统，其中所述睡眠数据包括原始睡眠数据。

21.根据前述权利要求中任一项所述的系统，其中所述睡眠数据包括处理后的睡眠数据。

22.根据权利要求21所述的系统，其中所述处理后的睡眠数据包括睡眠结构图。

23.根据前述权利要求中任一项所述的系统，还包括适于接收EEG数据并将EEG数据发送到剪辑块的EEG读取器。

24.根据前述权利要求中任一项所述的系统，其中至少一个记录器是脑电图描记器。

25.根据权利要求24所述的系统，其中所述脑电图描记器适于在睡眠实验室中使用。

26.根据权利要求24所述的系统，其中所述脑电图描记器适于在家庭环境中使用。

27.根据权利要求26所述的系统，其中所述脑电图描记器包括电极，所述电极是独立的或者是适于由患者戴上的网的一部分。

28.根据权利要求23所述的系统，其中剪辑块睡眠数据包括多个分析器块。

29.根据权利要求28所述的系统，其中所述分析器块包括至少一个时间生物学的、微结构的、宏结构的、以及连续性的睡眠块。

30.根据前述权利要求中任一项所述的系统，还包括转换器块。

31.根据权利要求30所述的系统，其中所述转换器块适于补偿性别和年龄中的至少一个。

32.根据前述权利要求中任一项所述的系统，还包括分类器块。

33.根据权利要求32所述的系统，其中所述分类器块适于在睡眠数据上执行分类分析。

34.根据权利要求33所述的系统，还包括适于将在先的睡眠报告发送到分析器的睡眠报告解析器。

35.根据权利要求1和3-34中任一项所述的系统，其中所述医学状况是情绪障碍。

36.根据权利要求1和3-34中任一项所述的系统，其中所述医学状况是阿尔茨海默病。

37.根据权利要求1和3-34中任一项所述的系统，其中所述医学状况是呼吸问题。

38.根据权利要求37所述的系统，其中所述系统能够操作以作为术前筛查的一部分来检测所述呼吸问题。

39.一种根据权利要求1-34中任一项或多项来诊断情绪障碍的方法。

40.一种用于诊断情绪障碍的系统或方法，包括所有如此处一般地和具体地描述的要素或步骤中的一个或多个。

41.一种用于诊断医学状况的系统或方法，包括所有如此处一般地和具体地描述的要素或步骤中的一个或多个。