《Journal of Thermal Biology》：Integrating MobileViT with Infrared Thermography for Non-organic Sleep Disorder Detection
编辑推荐：
非有机性睡眠障碍（NSD）患病率达30%-35%，长期睡眠剥夺可引发焦虑、抑郁及高血压、糖尿病等疾病。红外热成像（IRT）技术具有无创、快速、灵敏度高优势，已在乳腺癌、新冠肺炎等诊断中取得成功。本研究针对NSD的睡眠困难类型，构建5573例红外热成像数据库，采用MobileViT网络结合SAM优化框架，通过 CoordAtt注意力机制和RepViT模块提升模型性能，实现高精度、可复制的智能诊断方法，为临床提供可靠技术参考。
包迪|周建和|李伟|周晓玲|张丹璇
广西科技大学计算机科学与技术学院，中国柳州545006
引言
非器质性睡眠障碍（NSD）是一种神经精神类睡眠疾病，排除了器质性疾病或药物引起的因素。其主要表现为入睡困难、睡眠维持困难以及早醒。此外，还伴有注意力不集中、易怒和精力低下的身体症状（中国睡眠研究会，2017年）。作为最常见的睡眠障碍，NSD影响了全球约30%至35%的人口，严重影响了人们的生活质量（Meng等人，2020年）。长期睡眠不足可能引发多种精神障碍，尤其是焦虑症和抑郁症，给家庭和社会带来巨大负担。此外，睡眠不足还是高血压（Li等人，2021年）、糖尿病（Ma等人，2022年）和脑血管疾病（Sumsuzzman等人，2021年）的重要风险因素。因此，早期发现NSD对于预防并发症和减轻社会经济负担至关重要。
红外热成像（IRT）是一种功能性成像技术，可以反映身体组织的代谢状态。通过光电转换和伪彩色编码等技术，IRT将人体表面发出的红外辐射转换为可视的热图像，显示身体表面的温度分布，从而有助于疾病诊断和功能状态研究（Tattersall，2016年）。作为一种非侵入性技术，IRT具有快速、灵敏、无辐射和低成本的优势。它在医学领域有广泛的应用前景，适合大规模人群筛查，并可作为早期诊断工具提供医疗指导（Owen和Ramlakhan，2017年）。
自20世纪70年代红外热成像技术问世以来，它已被广泛应用于各个医学领域。该技术的最初应用主要集中在乳腺癌的诊断上。多项研究（Kiymet等人，2019年；Rojas等人，2020年；Chaves等人，2020年；Zuluaga-Gomez等人，2021年；Aidossov等人，2023年）取得了令人满意的成果，利用卷积神经网络（CNN）在公共数据集（如DMR-IR（Abdel-Nasser等人，2019年）和私有数据集上的乳腺癌诊断准确率达到了92%或更高。
近年来，IRT技术的普及使其被应用于医学领域的许多其他领域。在肺部疾病的研究中（Aldred等人，2023年），研究人员利用新冠病毒会导致肺部损伤这一事实，比较了COVID-19患者和健康个体的背部热图像。借助特定的图像处理方法，他们构建了一个红外热成像评分系统，该系统在检测新冠病毒方面表现出高诊断效率和灵敏度。
在风湿性疾病领域，Morales-Ivorra（Morales-Ivorra等人，2022a，2022b）等人基于手部红外热成像和机器学习开发并验证了两种创新的疾病活动指数（ThermoDAI和ThermoDAI-CRP）。这些指数提供了一种简单方便的方法来评估疾病活动。此外，IRT技术还被应用于其他疾病的诊断和监测，如皮肤肿瘤（Magalhaes等人，2019年）、带状疱疹（GAO等人，2024年）、糖尿病足并发症（Khosa等人，2023年）和急性动物咬伤（Sabitha等人，2021年）。
尽管IRT技术在临床实践中得到了广泛应用，但关于NSD患者红外热成像特征的研究仍然相对较少，尤其是缺乏结合深度学习技术来探索NSD智能诊断应用的报告。因此，本研究旨在填补这一研究空白。对于入睡困难的NSD患者，我们构建了一个包含5573个样本的数据集，并使用迁移学习技术对MobileViT网络进行了适配。通过应用这种现代智能技术，本研究旨在客观探索与NSD相关的红外热成像特征模式，同时确保研究方法的可操作性和可重复性，为未来的相关研究提供可靠的技术参考和研究程序。
材料与方法
图1展示了本研究中采用的全部数据处理流程。首先，从原始红外热成像数据中选取了举手姿势的样本，构建初始数据集。随后，使用预训练的YOLO（Varghese和M.，2024年）模型，将样本中的头部和面部区域分割成热图。在此步骤中，系统地排除了头部和面部检测错误或温度数据不完整的低质量样本。
消融实验
表4列出了MobileViT-XXS模型在不同配置下的性能指标。每一行对应一种特定的设置，详细说明了所采用的优化技术（Adam或SAM）、是否包含CoordAtt注意力模块、是否使用RepViT模块，以及相关的准确率、精确度、召回率和F1分数。为了后续讨论的方便，我们将提到同时结合了SAM训练的模型。
讨论
先前的研究表明，红外热成像在准确捕捉与失眠相关的热力学特征变化方面非常有效。（Guo等人，2015年）发现，睡眠不足患者的额部热成像图显示出双侧不对称性和异常高温区分布不均。他们经常观察到眉毛之间单侧或双侧区域出现单条或双条线性红色异常高温带。
结论
本研究创新性地探索了红外热成像技术通过深度学习技术的应用潜力。构建了一个包含5573名因入睡困难而患有NSD的患者的数据集。以预训练的MobileViT架构为基础，并引入了SAM优化框架，有效防止了模型过拟合。此外，还使用了CA机制和RepViT模块。在不显著增加模型复杂性的情况下，...
作者贡献声明
包迪：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法论。周建和：撰写 – 审稿与编辑，调查，概念化。李伟：撰写 – 审稿与编辑，监督，方法论。周晓玲：调查，概念化。张丹璇：监督，数据管理
未引用的参考文献
Lin等人；Varghese，2024年。
数据可访问性声明
所使用的数据是保密的。
资金来源
本研究得到了广西科技重大项目（项目编号AA22406）、广西中医药多学科创新团队项目（项目编号GZKJ2312）、柳州市科学技术局（项目编号2022SB031）以及广西中医药大学的联合基金（项目编号2023L2066）的支持。
利益冲突声明
作者声明没有利益冲突。
