基于簇的最大独立域适配技术，用于根据心电图（ECG）和呼吸信号识别抑郁和焦虑症状

《Biomedical Signal Processing and Control》：Cluster-based maximum independence domain adaptation for identifying depression and anxiety based on ECG and respiratory signals

　　摘要：
如今，抑郁症和焦虑症已成为威胁人类健康的重要精神疾病。然而，目前用于诊断这两种疾病的常规方法主要依赖于量表测量，这种方法耗时且繁琐，难以区分二者之间的差异。在本文中，我们提出了一种基于CBMIDA的领域自适应方法，利用睡眠期间的心电图（ECG）和呼吸信号来区分抑郁症和焦虑症。首先对ECG和呼吸信号进行预处理，提取时域、频域及非线性特征；接着应用CBMIDA方法选择源域，并通过特征增强策略在源域和目标域对齐后进一步获取特征矩阵；最后采用袋装树分类器完成两类（焦虑症和抑郁症）及四类（无抑郁的焦虑症、有抑郁的焦虑症、无焦虑的抑郁症、有焦虑的抑郁症）的分类任务。我们在佛山市第三人民医院获取的私有数据集上对所提出的CBMIDA方法进行了评估，结果显示其平均准确率分别为89.1%和47.4%，在两类和四类分类中的准确率、精确率、召回率和F1分数分别为90.1%、89.7%、89.2%、89.4%和50.8%、46.6%、46.3%、46.2%。研究表明，基于CBMIDA的领域自适应方法可以有效区分抑郁症和焦虑症，有助于医生更准确地诊断患者的病情并制定个性化治疗方案，从而提高治疗效果。

引言：
抑郁症和焦虑症是全球最常见的两大心理健康问题，影响着各个年龄段的大量人群。截至2023年，全球约有3.8%的人口患有抑郁症，4%的人口患有焦虑症[1][2]。抑郁症表现为持续的悲伤、绝望感以及对曾经喜欢活动的兴趣丧失；而焦虑症则伴随过度担忧、恐惧和紧张，引发心率加快、出汗、颤抖等生理症状。这两种疾病还存在一些共同的高风险心理因素和负面效应[3]。患有焦虑症或抑郁症的人通常睡眠质量较差，容易出现睡眠障碍，尤其是失眠[4]；相反，睡眠不足会进一步加剧焦虑和抑郁症状[5]。尽管睡眠与这些精神疾病之间的确切机制尚不明确，但最新研究表明，调节睡眠和情绪的大脑网络存在重叠[6][7]。由于抑郁症和焦虑症在诊断标准、症状表现和治疗方式上的差异，区分两者至关重要[8][9]。根据现有研究，这两种疾病存在多种亚型，共病率可能高达60%[3]。在同时存在这两种疾病的情况下，需要确定优先治疗哪种疾病以及如何评估两种病情的严重程度，这需要更多的深入研究。

目前检测抑郁症和焦虑症的方法主要依赖医生的经验和各种心理测试量表，其中最常见的自评估量表SDS和SAS由W.K. Zung开发[10][11]，多项研究表明这些量表能够反映患者的主观抑郁或焦虑感受[12][13]。然而，部分患者可能忽视早期症状，未能及时接受检测；另一些患者可能不愿意主动透露自己的病情，这些都可能影响诊断结果[14][15]。因此，需要找到一种不受主观意识影响的判断方法。与传统的测试方法相比，基于人工智能的预测模型提供了更好的解决方案。

近年来，随着机器学习和深度学习的快速发展[16][17][18]，越来越多文献探讨了基于睡眠期间生理信号（尤其是心电图ECG和呼吸信号）来识别抑郁症和焦虑症的方法。睡眠时个体受外部因素的影响较小，长期监测睡眠状态可以提供更全面、连续的生理信息[19]。Yang等人研究了基于ECG的心肺耦合（CPC）分析在重度抑郁患者中的有效性[18]，发现抗抑郁治疗后的CPC特征发生了显著变化，睡眠稳定性得到部分恢复。机器学习领域的研究者利用特征提取技术对ECG信号进行抑郁症和焦虑症的分类[20][21]；另有研究指出，焦虑患者的心率和频域心率变异性（HRV）特征高于对照组[22]；Kemp等人发现，未经治疗的重度抑郁障碍（MDD）患者（无论是否伴有焦虑症）的心率变异性降低，这一发现与既往研究结果一致[23]；其中，伴有广泛性焦虑障碍（GAD）的患者HRV下降最明显[24]。

虽然基于HRV和CPC的特征在反映情绪障碍相关的自主神经功能障碍方面表现出有效性，但仍存在一些局限性：多数现有研究主要关注任务诱发的情感变化或仅区分健康对照组与焦虑/抑郁患者[25][26]，而实际临床中直接区分这两种疾病（尤其是在共病情况下）的研究仍不充分[25][26]；此外，现有方法对个体间差异（如年龄、性别和生活环境）的适应性较弱，可能导致睡眠ECG和呼吸信号的变异，影响诊断准确性。为此，领域自适应方法为减少个体间差异提供了理论框架，同时保留与任务相关的数据信息。然而，针对睡眠ECG和呼吸信号进行抑郁症和焦虑症区分的领域自适应方法（尤其是在共病情况下）仍未得到充分探索。本文提出的基于聚类的最大独立性领域自适应（CBMIDA）框架旨在减少负面迁移效应，提升基于生理信号的抑郁症和焦虑症分类的跨个体鲁棒性。本研究的主要贡献包括：

1. 构建睡眠相关临床数据集：我们收集了来自多例受试者的同步ECG和呼吸信号数据，包括明确的焦虑、抑郁及共病状态标签，用于系统评估基于睡眠的精神疾病分类。
2. HRV-CPC特征表示用于共病鉴别：我们设计了结合HRV和CPC特征的表达框架，能够捕捉睡眠期间的自主神经调节和心肺耦合动态，特别适用于区分单纯和共病的焦虑-抑郁状态。
3. 基于聚类的最大独立性领域自适应框架：提出了一种基于聚类的最大独立性领域自适应（CBMIDA）框架，联合执行源域选择和域对齐，有效减少负面迁移并提升基于生理信号的跨个体泛化能力。

研究结构如下：第2节介绍数据集；第3节详细阐述所提出方法；第4节展示实验结果，第5节进行讨论，第6节总结结论。

数据集来源：
该数据集源自佛山市第三人民医院，该医院在国内精神卫生机构中享有较高声誉。数据集包含55名无心血管疾病的受试者，用于研究抑郁症和焦虑症，其中34名焦虑症患者（16名男性和18名女性，平均年龄42.3±11.03岁），21名抑郁症患者（5名男性和16名女性，平均年龄38.14±11.43岁）。所有诊断均由经验丰富的精神科医生根据标准临床标准作出。

方法论：
如图2所示，我们的方法包括三个主要部分：
(a) 预处理原始ECG和呼吸信号；
(b) 从ECG和呼吸信号中提取HRV相关特征和心肺耦合特征；
(c) 使用CBMIDA方法对源域和目标域的特征进行对齐，并将新特征投影到 subspace 中，继而使用袋装树分类器进行两类和四类分类任务。

基础分类器的比较：
在袋装方法中，分类器的选择取决于具体应用场景。本研究比较了几种经典分类器模型（支持向量机SVM、朴素贝叶斯和决策树）在两类和四类分类任务中的表现。如表3所示，决策树在模型稳定性方面表现最优（分类准确率的标准差最小）。

领域适应性和源域选择的有效性：
CBMIDA方法的有效性通过消融实验得到验证，尤其是在区分抑郁症和焦虑症方面。在四类分类任务中，除MIDA和CBMIDA外，其他方法难以正确识别第三类（无抑郁的焦虑症）。这一结果凸显了基于HSIC的领域自适应方法（如MIDA和CBMIDA）相对于传统MMD方法（如TCA）的优势。

结论：
本研究提出了一种基于CBMIDA的分类模型，并在私有数据集上验证了其性能。我们在传统机器学习方法的基础上，从ECG信号、呼吸信号和心肺耦合中提取特征，通过领域自适应方法增强特征，在训练过程中选择源域，并进行了两类分类（焦虑症和抑郁症）的研究。

作者贡献声明：
Kaiyue Si：撰写、审稿与编辑、初稿撰写、验证、软件开发、方法论设计、数据分析；
Chang Yan：撰写、审稿与编辑、监督、方法论设计、资金筹集、数据管理；
Wentao Xiang：撰写、审稿与编辑、监督、方法论设计；
Bibo Xiao：监督、资金筹集、数据管理；
Xiaowen Wang：数据管理；
Xiaobin Wei：资金筹集、数据管理；
Jianqing Li：监督、资金筹集；
Chengyu Liu：撰写、审稿。

利益冲突声明：
作者声明不存在可能影响本论文工作的已知财务利益或个人关系。

致谢：
本研究得到了国家关键技术研发计划（2023YFC3603600）、国家自然科学基金（62101129）和佛山市医学科技研究项目（2020001005781）的支持。