近日,脑机团队成员余杨祖怡等在潘家辉教授指导下,和广东省工伤康复医院合作的研究成果“Deep Neural Networks for Automatic Sleep Stage Classification and Consciousness Assessment in Patients with Disorder of Consciousness”被SCI期刊IEEE Transactions on Cognitive and Developmental Systems(IF: 5.0, CAA A类期刊)正式录用。本论文于2023年8月12日投稿,2024年3月16日录用。
当人们遭受车祸、撞击或颅内窒息等严重脑损伤并从昏迷中醒来时,很容易陷入意识丧失和认知障碍的严重脑功能障碍状态,即意识障碍(DOC)。在临床诊断过程中,需要准确评估DOC患者的意识水平,正确判断患者现阶段的意识状态,为患者后期的康复治疗提供依据。目前,DOC患者的临床诊断主要基于行为量表,如JFK昏迷恢复量表-修订版(CRS-R)和意识障碍简化评估(SECONDS),以及临床经验。由于缺乏患者充分、稳定的行为反应,且评估医生的主观性较强,基于行为量表的人工检测方法对DOC患者的误诊率较高。脑电图(EEG)以节律波的形式记录脑电活动,其波形、频率和振幅随意识状态而变化,广泛应用于意识障碍的诊断,在行为量表证据不足时可作为辅助诊断工具。但针对DOC患者的自动睡眠分期模型研究仍处于起步阶段,给基于DOC患者自动睡眠分期结果的意识检测留下了极大的研究空白。
睡眠分期被广泛应用于健康个体并取得了较高的准确率,然而对于意识障碍患者的睡眠分期研究,尚有一下难题未能解决:(一)DOC患者的睡眠信号质量较差,由于外部干扰,如临床医疗设备的电噪声或肌肉失调(包括过度出汗、眼球不受控制的运动或抽搐造成的巨大干扰),睡眠数据的可用性较低。(二)DOC患者脑电信号频率和功率发生变化,特征性睡眠波改变甚至消失,增加了准确分期的难度。(三)DOC患者因严重脑损伤导致睡眠结构改变,睡眠转换规则规律性减弱。
图1 CBASleepNet自动睡眠分期模型框架
针对以上问题,本研究提出了一种睡眠分期模型,并通过迁移学习使其适用于 DOC 患者的睡眠分期,我们还提出了一种基于睡眠结构的意识评估算法,该算法可协助临床评估意识水平。总的来说,该论文主要有以下4点贡献:
该算法的整体架构如图1所示,采用了双流的CNN结构提取原始睡眠信号的时频特征,引入了具有注意机制的双向长短期记忆(Bi-LSTM)结构,以学习模型的上下文信息并突出长序列中的重要信息。利用Sleep-EDF数据集中20名健康受试者的睡眠信号进行自动睡眠分期,自动睡眠分期的准确率为86.7%。对模型进行了MASS数据集测试,准确率达到87.3%。其次,我们利用迁移学习和微调对DOC患者进行了自动睡眠分期。实验结果表明,由于意识水平不同,MCS和VS/UWS患者的睡眠分期准确率存在明显差异。此外,以DOC患者自动分期后的睡眠结构为输入信号,提取与意识相关的睡眠阶段特征并输入SVM分类器,根据睡眠结构特征对患者进行分类并评估其意识水平。本研究建立了自动睡眠分期模型和意识评估框架,有效评估了患者的意识睡眠功能,可作为DOC患者临床诊断、治疗和预后的辅助手段。