一种精神分裂症诊断系统技术方案

本发明专利技术公开了一种精神分裂症诊断系统，该系统包括瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)；所述瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)依次连接。本发明专利技术的系统利用测定瞳孔大小的方式测量PPI以诊断精神分裂症，具有稳定、精确、方便、快捷的优势，适宜临床推广。

【技术实现步骤摘要】
一种精神分裂症诊断系统
本专利技术涉及计算机辅助医疗诊断
，涉及一种精神分裂症诊断系统。
技术介绍
精神分裂症(Schizophrenia)多见于青壮年，起病年龄大多为15-45岁，终生患病率为1％左右，是一种慢性高致残的重性精神疾病，近半数患者劳动能力丧失，肇事肇祸及自杀自伤行为增多，为家庭及社会造成了沉重的负担。感觉门控(SensoryGating,SG)是精神分裂症的潜在生物标记物之一，主要反映大脑的抑制功能，具体为个体在工作环境中对无关刺激的滤过能力。当精神分裂症患者感觉门控机制存在障碍时，将无法屏蔽无关刺激，外界环境和自身刺激信息过多的涌入脑内，而无法将有限的认知加工资源集中于靶刺激，影响正常的认知过程，导致认知破裂和思维障碍，最终产生精神病性症状。感觉门控可通过前脉冲抑制(PrepulseInhibition,PPI)来测量，而PPI主要以惊反射抑制比来反映。惊反射(StartleReflex)是人和动物应对突发性强刺激的防御性反应，常表现为肌肉的快速收缩，在日常生活中具有积极作用，但是它的出现也往往导致当下行为活动的中止，而干扰人和动物正常的认知加工过程。门控机制能有效地抑制惊反射，从而保证工作的正常进行。PPI就是在强刺激(惊刺激，即干扰信息)前50-300ms施加一个不引起惊反射的弱刺激(前脉冲刺激，即目标信息)，通过惊反射降低的程度来反映大脑的抑制功能。PPI的关键是个体对弱刺激的感知。传统的PPI水平是通过肌电来测量，通过眼轮匝肌的肌电反映惊反射的抑制情况，而眨眼将无可避免的成为噪音污染数据，这是PPI稳定性不佳原因之一。因此本申请提供了一种测定PPI更加稳定的方法，利用瞳孔大小的变化加以实现。并在此基础上构建了一种可以自动评估待检测者是否患有精神分裂症的诊断系统。该系统可在临床上广泛应用。
技术实现思路
本专利技术提供了一种精神分裂症诊断系统，该系统具有方便、快捷、精准的效果。具体来说，本专利技术提供了一种精神分裂症诊断系统，所述系统包括瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3。所述瞳孔大小测定装置1、医生终端设备2、用于分析数据的中央处理器3依次连接。进一步，所述医生终端设备2包括登录模块21、信息采集模块22、信息显示模块23。进一步，所述中央处理器3包括PPI计算模块31、机器学习模块32、自动评估模块33。更进一步，所述瞳孔大小测定装置1与所述信息采集模块22连接，所述PPI计算模块31与所述信息采集模块22连接，所述PPI计算模块31分别与所述机器学习模块32和所述自动评估模块33连接，所述机器学习模块32与所述自动评估模块33连接，所述自动评估模块33与所述信息显示模块23连接。进一步，所述瞳孔大小测定装置1采用测定瞳孔大小的眼动仪。进一步，所述PPI计算模块31计算PPI使用的公式如下：刺激前200ms瞳孔大小记为基线S0；强刺激瞳孔大小记为S1，弱+强刺激瞳孔大小记为S2；计算瞳孔大小变化百分比PPI＝(S1-S2)/(S1-S0)×100％。进一步，所述机器学习模块32采用的算法是Logistics回归(采用R语言glm包)：1.随机设定随机数；2.将数据分为10折，一个单独的子样本被保留作为验证模型的数据，其他9个样本用来训练。交叉验证重复10次，每个子样本验证一次，平均10次的结果，最终得到一个单一估测；3.具体实验函数：作为可替代的技术方案，所述机器学习模块32采用的算法是随机森林算法(R语言randomForest包)：1.随机设定随机数；2.将数据分为10折，一个单独的子样本被保留作为验证模型的数据，其他9个样本用来训练。交叉验证重复10次，每个子样本验证一次，平均10次的结果，最终得到一个单一估测；3.采用遍历法，确定mtry参数数值(mtry＝1)；4.确定ntree数值(ntree＝8000)5.具体实验函数：本专利技术的前面所述的系统的工作流程如下：(1)收集一定数量的健康人和精神分裂症患者作为受试者；(2)利用瞳孔大小测定装置1测定知觉空间分离范式或知觉空间重合范式下受试者的瞳孔大小；(3)医生终端设备2收集测定的瞳孔大小值；(4)医生终端设备2将收集到的瞳孔大小值传给中央处理器3；(5)中央处理器3中的PPI计算模块使用以下公式计算PPI：刺激前200ms瞳孔大小记为基线S0；强刺激瞳孔大小记为S1，弱+强刺激瞳孔大小记为S2；计算瞳孔大小变化百分比PPI＝(S1-S2)/(S1-S0)×100％；(6)将知觉空间分离范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值与知觉空间重合范式下弱-强刺激间时间间隔为120ms或60ms的受试者的PPI值传入所述机器学习模块32进行机器学习，分析数据特征，构建精神分裂症诊断模型；(7)将步骤(6)构建的诊断模型传入所述自动评估模块33，用于新待检测者是否患有精神分裂症的评估。进一步，所述一定数量的健康人和精神分裂症患者是指至少35例健康人和35例精神分裂症患者。机器学习中的Logistic回归，其主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。Logistic回归的工作原理如下所示：每个回归系数初始化为1；重复R次：计算整个数据集的梯度；使用步长x梯度更新回归系数的向量；返回回归系数。Logistic回归的流程如下：(1)收集数据：采用任意方法收集数据；(2)准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳；(3)分析数据：采用任意方法对数据进行分析；(4)训练算法：大部分时间将用于训练，训练的目的是为了找到最佳的分类回归系数；(5)测试算法：一旦训练步骤完成，分类将会很快；(6)使用算法：首先，我们需要输入一些数据，并将其转换成对应的结构化数值；接着，基于训练好的回归系数就可以对这些数值进行简单的回归计算，判定它们属于哪个类别；在这之后，就可以在输出的类别上做一些其他分析工作。随机森林顾名思义，使用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的死后，就让森林的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类(对于分类算法)，然后看看哪一类能被选择最多，就预测这个样本为那一类。随机森林算法的基本原理如下：随机森林通过自助法(bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差。能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目。单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分类。随机森林算法的具体实现过程如下：(1)原始训练集为N，应用bootstrap法有放本文档来自技高网...

【技术保护点】
1.一种精神分裂症诊断系统，其特征在于，所述系统包括瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)；所述瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)依次连接。

【技术特征摘要】
1.一种精神分裂症诊断系统，其特征在于，所述系统包括瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)；所述瞳孔大小测定装置(1)、医生终端设备(2)、用于分析数据的中央处理器(3)依次连接。2.根据权利要求1所述的系统，其特征在于，所述医生终端设备(2)包括登录模块(21)、信息采集模块(22)、信息显示模块(23)。3.根据权利要求1或2所述的系统，其特征在于，所述中央处理器(3)包括PPI计算模块(31)、机器学习模块(32)、自动评估模块(33)。4.根据权利要求3所述的系统，其特征在于，所述瞳孔大小测定装置(1)与所述信息采集模块(22)连接，所述PPI计算模块(31)与所述信息采集模块(22)连接，所述PPI计算模块(31)分别与所述机器学习模块(32)和所述自动评估模块(33)连接，所述机器学习模块(32)与所述自动评估模块(33)连接，所述自动评估模块(33)与所述信息显示模块(23)连接。5.根据权利要求1-4中任一项所述的系统，其特征在于，所述瞳孔大小测定装置(1)采用测定瞳孔大小的眼动仪。6.根据权利要求3或4所述的系统，其特征在于，所述PPI计算模块(31)计算PPI使用的公式如下：刺激前200ms瞳孔大小记为基线S0；强刺激瞳孔大小记为S1，弱+强刺激瞳孔大小记为S2；计算瞳孔大小变化百分比PPI＝(S1-S2)/(S1-S0)×100％。7.根据...

【专利技术属性】
技术研发人员：王传跃，田晴，范玉，
申请(专利权)人：首都医科大学附属北京安定医院，
类型：发明
国别省市：北京,11