技术领域
[0001] 本
发明涉及
生物信息学技术领域，具体涉及一种用于精神分裂症早期检测和风险预测系统。
背景技术
[0002] 精神分裂症是一组病因未明的重性精神
疾病，常有认知、社会和功能障碍，多起病于青壮年，影响着全世界约1％的人口，造成经济损失约1557亿美元。越来越多的证据表明，精神分裂症是一种神经发育异常的疾病。神经发育模型将精神分裂症的发展轨迹划分为四个阶段,分别为高危(high risk,HR)期,超高危(utra-high risk,UHR)期或前驱期,首发(First-episode schizophrenia,FESZ)期和慢性期。值得指出的是，即使现代医学的发展已经非常迅速，但是关于精神分裂症病因的结论仍然不明确。时至今日，人们依然无法预测精神分裂症的发展走向，同时也缺乏治愈这种疾病的有效手段。
[0003] 精神分裂症的早期诊断和风险预测，对于
治疗精神分裂症至关重要。研究表明，精神分裂症的早期诊断和干预，会显著改善其治疗效果，
预防或推迟疾病的发作，降低发病率，减缓衰退，提高患者的
生活质量。早期诊断，尤其是前驱期的诊断，可能是预防该疾病进展的机遇。例如，在前驱期接受治疗的UHR患者，与未接受干预的对照组相比，转化率显著降低，病情明显改善。
[0004] 然而，精神分裂症的早期诊断和风险预测一直是充满挑战性的技术难题。由于精神分裂症的发生机制较为复杂，临床表现具有异质性，人们对其认识至今还较为肤浅。目前，临床上对精神分裂症的诊断手段，主要基于诊断标准手册。
[0005] 常见的诊断标准手册包括美国精神医学学会的精神疾病诊断与统计手册第五版(DSM-V)、世界卫生组织的国际疾病和相关健康问题统计分类(ICD-10)以及中国
精神障碍分类与诊断标准第三版(CCMD-3)等。这些标准主要基于求诊者所主诉的个人经历和他人对求诊者的异常行为描述，随后由专业人员进行临床评估。具有可操作性的诊断标准亦存在负面效应。Kenneth S.Kendler博士在《美国医学会杂志·
精神病学》(JAMA Psychiatry)的一篇社论中，探讨了现代精神分裂诊断标准究竟在多大程度上反映了先人所描述的疾病主要临床特征。该文最后指出，诊断标准不能与其所指向的疾病相等同，也强调了临床与研究中将诊断局限于诊断标准中的条目具有潜在风险。这也印证了很多学者的观点：单纯从精神病理症状认识疾病可能过于局限。此外，由于精神分裂症的早期阶段无明显临床症状出现，所以依照主观的诊断手册对精神分裂症进行早期诊断比较困难。
[0006] 神经电生理学指标一直是精神分裂症的研究热点。有学者提出，此类指标可能成为精神分裂症患者的内源性表型，从而可能对该疾病的诊断产生重要的影响。目前研究较多的有P50、P300、N400、失匹配负波(Mismatch Negativity，MMN)等。但是，目前很少有研究综合利用神经电生理指标与认知临床测试指标，来对精神分裂症进行诊断。而联合使用生物标志物，可能是精神分裂症的诊断最直接有效的方法，尤其是精神分裂症的早期诊断和风险预测。
发明内容
[0007] 本发明提出的一种用于精神分裂症早期检测和风险预测系统，可解决目前很难对精神分裂症进行准确客观地早期检测和风险预测的技术问题。
[0008] 为实现上述目的，本发明采用了以下技术方案：
[0009] 一种用于精神分裂症早期检测和风险预测系统，包括以下模
块：
[0010] 测试模块，所述测试模块用于对精神分裂症首发、高危、超高危和正常对照组四类人群进行临床检查和认知测试；
[0011] 采集及预处理模块，所述采集及预处理模块应用高
密度脑电图技术，采集所述四类人群在执行P50感觉
门控任务时的脑电
信号，并对所述四类人群的脑
电信号进行预处理；
[0012] 数据分析模块，所述数据分析模块对采集及预处理模块处理后的数据进行事件相关电位分析、源
定位分析和脑网络分析；
[0013] 学习分类模块，所述学习分类模块基于测试模块的测试结果和数据分析模块的分析结果，分别提取认知临床特征、认知临床和神经电生理特征，基于上述特征，利用XGBoost
机器学习算法对四类人群进行分类；
[0014] 分类性能评估模块，所述分类性能评估模块基于学习分类模块的分类结果，比较基于认知临床特征、认知临床及神经电生理特征的分类效果，并且计算灵敏度、特异度和ROC曲线下面积AUC。
[0015] 由上述技术方案可知，本发明的用于精神分裂症早期检测和风险预测系统综合利用认知测试、临床检测和P50感觉门控电生理特征，以及XGBoost(the Extreme Gradient Boosting)机器学习方法，对精神分裂症高危个体、超高危个体和首发病人，进行定量化、客观化的检测识别和风险预测。具体的说本发明通过联合使用认知、临床和P50感觉门控实验，运用源定位、脑网络以及机器学习等分析方法，提取联合特征，对首发、高危、超高危和正常对照四类人群进行分类，提高分类准确率和灵敏度及特异度。
[0016] 本发明的有益效果：
[0017] 1、本发明能较好地区分处于精神分裂症不同发展阶段的人群，即精神分裂症首发患者、超高危人群、高危人群，和健康对照组。除了临床检测和认知测试外，本发明还运用了sLORETA(Standardized low-resolution brain electromagnetic tomography)源定位和
相位转移熵(phase transfer entropy)脑网络连接分析方法。这些技术能够很好地检测出精神分裂症及风险期异常的大脑网络连接，从而客观量化地对上述四类人群进行区分。
[0018] 2、本发明提出的用于精神分裂症早期检测和风险预测系统分类准确率高；基于行为学(认知和临床测试)特征和P50电生理特征，本发明对精神分裂症首发和患病风险等四类人群的分类准确率达到90.2％，高于仅基于行为学特征的分类准确率(34.1％)。这是因为一方面本发明运用了XGBoost机器学习算法，XGBoost是一种高效的非线性机器学习分类算法，主要基于
决策树模型和梯度推进系统。另一方面，精神分裂症患病人群和风险个体存在感觉门控
缺陷，而P50感觉门控任务是一个鲁棒性高的研究精神分裂症门控缺陷特性的任务。因此行为学指标和P50电生理指标相结合，再加上XGBoost机器学习算法，能够极大地提高分类准确率。
[0019] 3、本发明提出的用于精神分裂症早期检测和风险预测系统灵敏度和特异度高；这主要是因为行为学指标和电生理指标的综合利用，基于行为学指标，灵敏度是0.34，特异度是0.80，而基于行为学和P50电生理指标，灵敏度是0.90，特异度是0.96。
[0020] 4、本发明提出的系统经济有效。关于成本效益，本发明使用的128通道脑电系统成本大约是15万美元，远低于脑成像系统(MRI的成本通常在50万美元到300万美元之间)。此外，本发明有助于精神分裂症的早期检测和早期干预，而这些比精神分裂症标准的公共心理健康服务便宜2/3。
附图说明
[0023] 图3是本发明EEG处理流程图；
[0024] 图4是本发明EEG源定位和脑网络分析流程图；
[0025] 图5是本发明XGBoost算法分类和结果评估流程图。
具体实施方式
[0026] 为使本发明
实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
[0027] 如图1和图2所示，本实施例所述的用于精神分裂症早期检测和风险预测系统，测试模块，所述测试模块用于对精神分裂症首发、高危、超高危和正常对照组四类人群进行临床检查和认知测试；
[0028] 采集及预处理模块，所述采集及预处理模块应用高密度脑电图技术，采集所述四类人群在执行P50感觉门控任务时的脑电信号，并对所述四类人群的脑电信号进行预处理；
[0029] 数据分析模块，所述数据分析模块对采集及预处理模块处理后的数据进行事件相关电位分析、源定位分析和脑网络分析；
[0030] 学习分类模块，所述学习分类模块基于测试模块的测试结果和数据分析模块的分析结果，分别提取认知临床特征、认知临床和神经电生理特征，基于上述特征，利用XGBoost机器学习算法对四类人群进行分类；
[0031] 分类性能评估模块，所述分类性能评估模块基于学习分类模块的分类结果，比较基于认知临床特征、认知临床及神经电生理特征的分类效果，并且计算灵敏度、特异度和ROC曲线下面积AUC。
[0032] 以下具体详细说明本发明实施例：
[0033] 本实施例所述的用于精神分裂症早期检测和风险预测系统，具体包括临床和认知测试、EEG
数据采集及预处理、ERP(Event-related Potentials)
波形图分析、EEG源定位、EEG脑网络连接、XGBoost分类和分类性能评估七个模块。
[0034] 1.临床和认知测试
[0035] 针对四类人群(精神分裂症首发患者，超高危个体，高危个体，以及健康对照组)，本发明实施例分别开展临床和认知测试，采集数据并且进行统计分析。具体内容如下：
[0036] 对精神分裂症首发患者进行精神分裂症卡尔加里抑郁量表(CDSS)测试和MATRICS共识认知成套测验(MCCB)。CDSS包括情绪忧郁、绝望感等条目。MCCB包括信息处理速度、连线测试等条目。
[0037] 对超高危、高危被试以及健康对照组进行精神分裂症卡尔加里抑郁量表(CDSS)测试、MATRICS共识认知成套测验(MCCB)和前驱症状量表(scale of prodromal symptoms，SOPS)测试。SOPS包括猜疑\被害观念、奇特行为和表现等条目。
[0038] 对采集到的行为学数据进行均值方差分析，以及独立样本t检验，各组分别与健康对照组相比较。
[0039] 2.EEG数据采集及预处理模块
[0040] 如图3所示，EEG数据采集和预处理模块包括EEG原始数据采集单元、
电极位置文件导入单元、滤波单元、伪迹去除单元、分段和基线校正单元、坏道替换单元、坏试次去除单元、重参考单元和数据存储单元。具体而言，原始数据采集单元是利用脑电帽采集信号，然后进行数据的预处理。
[0041] 在预处理阶段，首先将对应的电极位置文件导入。
[0042] 使用有限冲击响应(Finite Impulse Response，FIR)
滤波器分别进行
带通滤波，同时使用陷波滤波器去除60Hz的工频干扰。
[0043] 通过独立成分分析算法(Independent Component Algorithm，ICA)去除EEG信号中眨眼、眼动、肌动等噪声。
[0044] 将连续的EEG数据分段，将S1声音刺激时刻设置为起点，分段是起点前200ms及起点后800ms，随后进行基线校正。P50感觉门控任务产生的是标准的ERP信号，满足
锁时锁相的要求，故可以进行分段和
叠加平均。
[0045] 使用Spherical方法对坏的电极通道进行坏道替换；
[0046] 手动去除坏的试次；
[0047] 将右乳突作为重参考的位点；
[0048] 最后存储预处理好的数据。
[0049] 3.ERP波形图分析
[0050] 将预处理好的数据根据不同条件(S1和S2声音刺激)进行叠加平均，并且绘制出S1和S2刺激在Cz通道的ERP波形图。叠加的方法如下：
[0051]
[0052] 其中，Si中i取值1、2、3或4，对应的S1、S2、S3或S4分别表示四类被试，即首发精神分裂症人群，超高危个体，高危个体以及健康对照组；n表示各类被试的人数，Pj表示每个被试。
[0053] 4.EEG源定位
[0054] 如图4所示，EEG源定位模块包括建立头模单元、参数估计单元、求解逆模型单元和源定位结果
可视化单元。
[0055] 利用国际标准空间模板或自己采集的每个被试头部磁共振数据建立头模。本实施例采用的是国际广泛使用的ICBM152标准模板，这个模板来自于加拿大蒙特利尔神经研究所(Montreal Neurological Institute,MNI)。建立头模实际上是求解正向模型的过程。
[0056] 然后进行参数估计，包括噪声矩阵的计算等步骤。电极记录噪声能够被两分钟或更长时间的噪声记录数据所估计。我们使用EEG实验当天的两分钟噪声记录数据，该数据与实际EEG实验数据有着相同的
采样率和滤波频段。并且用此记录数据来估计噪声协方差矩阵，估计方法如下：
[0057] 其中，MNoiseCov表示噪声协方差矩阵，F表示
选定的数据矩阵，该数据矩阵事先经过基线校正和连接；F'是F的转置矩阵；N表示参与计算的样本数。
[0058] 其次利用sLORETA来估计源，其核心是逆问题或逆模型的求解，即根据脑电帽
传感器阵列信号来估计求解出皮质的源的过程。
[0059] 利用brainstorm等绘制源定位的结果。
[0060] 5.EEG脑网络连接
[0061] 在源定位的
基础上，本实施例进一步进行基于
体素的全脑网络连接分析。采用的是相位转移熵算法，分别计算delta(2-4Hz)、theta(5-7Hz)、alpha(8-12Hz)、beta(15-29Hz)、gamma(30-59Hz)和high gamma(60-90Hz)的全脑连接强度。
[0062] 6.XGBoost分类
[0063] 如图5所示，本实施例运用XGBoost机器学习算法，分别基于行为学特征，和基于行为学与电生理综合特征，对首发、高危、超高危和正常对照组四类人群进行分类。分类时将70％的数据作为训练集，将30％的数据作为测试集。同时比较基于两类特征(行为学，和行为学+P50电生理)的分类准确率。
[0064] 7.分类性能评估
[0065] 如图5所示，为了评估分类性能，本实施例分别计算了灵敏度、特异度，并且绘制了ROC曲线，计算AUC。结果表明，基于综合特征(行为学+P50电生理)，能够将首发、高危、超高危和正常对照组四类人群分开，而且分类准确率、灵敏度、特异度以及AUC等指标明显高于基于单一特征时的结果。此外，这些评估指标也显著好于以往文献中报道的结果。
[0066] 综上所述，本发明实施例实现的基于认知、临床指标以及P50感觉门控电生理特征的用于精神分裂症早期检测和风险预测系统，经济高效，安全无创，准确率高，性能良好，可以为精神分裂症的早期预警和风险预测提供科学合理的指导，减轻精神分裂症患者及家属的负担和痛苦，减缓精神分裂症患者及高危人群的病情进展和大脑功能的衰退，减轻社会负担，维护社会稳定。
[0067] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
