基于睡眠阶段心率变异性机器学习模型的重度抑郁症患者识别研究

作者及机构
本研究由河北工业大学电气工程学院（State Key Laboratory of Reliability and Intelligence of Electrical Equipment）的Geng Duyan（通讯作者）、河北工业大学生命科学与健康工程学院的An Qiang、Fu Zhigang、Wang Chao、An Hongxia，以及中国人民解放军联勤保障部队第983医院体检中心的Fu Zhigang共同完成。研究成果发表于2023年5月30日出版的期刊《Computers in Biology and Medicine》第162卷，文章编号107060。

学术背景
本研究属于生物医学工程与心理健康交叉领域，聚焦于重度抑郁症（Major Depressive Disorder, MDD）的早期筛查技术。背景动机包括：
1. 临床需求：抑郁症是全球第二大死亡诱因，但误诊和漏诊率高，46%的自杀者在生前未被确诊。COVID-19大流行加剧了抑郁症发病率，全球新增7000万患者。
2. 技术瓶颈：传统诊断依赖主观问卷（如PHQ-9量表），缺乏客观生理指标。心率变异性（Heart Rate Variability, HRV）作为自主神经系统（Autonomic Nervous System, ANS）功能的生物标志物，与抑郁症存在显著关联，但既往研究未充分考虑性别差异对HRV的影响。
3. 创新目标：开发一种基于睡眠阶段5分钟HRV参数的机器学习模型，实现居家场景下的MDD无创筛查，并验证性别特征对模型性能的提升作用。

研究流程与方法
1. 数据采集与预处理
- 研究对象：从斯坦福睡眠基因组研究（STAGES）数据库中筛选80名受试者（40名MDD患者与40名健康对照，男女比例1:1），均通过PHQ-9量表确诊（MDD组得分20-27，对照组0-4）。
- 信号处理：提取整夜多导睡眠图（PSG）中的ECG信号，降采样至200Hz，经高通滤波（0.5Hz Butterworth）、工频陷波和小波分解（8层db4小波）去除基线漂移。
- 分段策略：将睡眠期ECG信号划分为非重叠5分钟片段，共提取8795段HRV数据（MDD组4482段，对照组4313段）。

1. HRV特征提取

   • 时域参数：包括RR间期均值（HRV_meannn）、标准差（HRV_sdnn）、相邻RR间期差值的均方根（HRV_rmssd）等14项指标，反映交感与副交感神经平衡。
     
   • 频域参数：通过快速傅里叶变换计算极低频（VLF, 0.0033-0.04Hz）、低频（LF, 0.04-0.15Hz）、高频（HF, 0.15-0.4Hz）功率及LF/HF比值，量化ANS调控状态。
     
   • 性别特征编码：采用独热编码（One-hot Encoding）将性别转化为二元特征，避免算法优先级偏差。
     

2. 机器学习建模与优化

   • 算法选择：对比支持向量机（SVM）、极端随机树分类器（Extremely Randomized Trees Classifier, ERTC）等算法，最终采用贝叶斯优化的ERTC（BO-ERTC）。
     
   • 超参数调优：通过贝叶斯搜索确定最优参数组合（n_estimators=246, max_depth=5, min_samples_split=2）。
     
   • 验证方法：10折交叉验证，80%数据训练，20%测试，评估指标包括准确率、灵敏度、特异性及F1分数。
     

3. 特征重要性分析

   • MDI法：基于基尼指数减少量评估特征贡献，发现RR间期均值（HRV_meannn）、中位数（HRV_mediannn）及性别特征位列前四。
     
   • 排列重要性：随机扰动特征值验证模型依赖性，性别特征扰动导致准确率下降4.3%，证实其关键作用。
     

主要结果
1. 模型性能
- BO-ERTC在测试集上达到86.32%准确率（灵敏度91.45%，特异性79.61%，F1-score 0.88），显著优于BO-SVM（79.29%准确率）。
- ROC曲线下面积（AUC）为0.948，表明高判别力。

1. 性别差异影响

   • 引入性别特征后，模型对男性MDD患者的识别率提升12.6%，女性提升8.2%，验证了HRV参数存在性别特异性（男性LF功率较高，女性HF功率较高）。
     
   • 特征重要性排名：HRV_meannn > HRV_mediannn > HRV_pnn20 > 性别。
     

2. 临床一致性

   • MDD患者睡眠期HRV参数显著低于健康组（如HF功率降低23.7%，LF/HF比值升高18.4%），与既往研究（Kwon et al., 2019）结论一致。
     

结论与价值
1. 科学意义
- 首次将性别特征纳入HRV-based MDD预测模型，揭示了ANS功能性别差异的生物学基础。
- 证实短时（5分钟）睡眠期HRV可替代24小时长程监测，为生物标志物研究提供新范式。

1. 应用前景
   
   • 模型内存占用692MB，可集成至便携式ECG设备（如智能手环），实现居家筛查。
     
   • 未来可扩展至心冲击图（BCG）信号分析，进一步降低心理负担。
     

研究亮点
1. 方法创新：结合贝叶斯优化与极端随机树，解决了小样本数据下的过拟合问题。
2. 临床实用性：仅需5分钟睡眠ECG信号，大幅降低筛查门槛。
3. 跨学科融合：首次将性别医学理论引入HRV分析，推动个性化精神健康评估。

局限性：样本量较小（n=80），需进一步扩大验证；未考虑抗抑郁药物对HRV的影响。未来计划嵌入嵌入式设备并开展多中心临床试验。