[發明專利]一種認知障礙檢測模型及其訓練方法

有效

• 申請號: 202110274276.9
• 申請日: 2021-03-15
• 公開（公告）號: CN113057585B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 陳益強;張宇欣;谷洋;高晨龍
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇

1.一種認知障礙檢測模型，包括多模態信息表征模塊、多模態信息融合模塊、無監督深度聚類模塊，其中，

所述多模態信息表征模塊包括眼底圖像數據表征網絡、多模態生理信號數據表征網絡，所述眼底圖像數據表征網絡用于提取眼底圖像數據的特征，所述多模態生理信號數據表征網絡用于提取多模態生理信號數據的特征，所述多模態生理信號數據包括加速度數據、陀螺儀數據、心率數據、血壓數據、腦電數據、壓力片數據中的至少一種；

所述多模態信息融合模塊與所述多模態信息表征模塊相連接，用于將所述眼底圖像數據的特征與多模態生理信號的特征采用全連接方法進行融合，得到融合后的特征；

所述無監督深度聚類模塊與所述多模態信息融合模塊相連接，用于根據所述融合后的特征基于無監督聚類模型進行認知障礙檢測；

所述認知障礙檢測模型在訓練階段，使用反向傳播的梯度下降法最小化目標函數，迭代更新所述多模態信息表征模塊、所述多模態信息融合模塊、所述無監督深度聚類模塊的網絡參數，所述目標函數為網絡的重構誤差與KL散度之和；

所述認知障礙檢測模型在訓練階段，僅使用正常人群的眼底圖像數據和多模態生理信號數據。

2.根據權利要求1所述的認知障礙檢測模型，所述眼底圖像數據表征網絡采用Mobilenet網絡，所述多模態生理信號數據表征網絡采用淺層卷積網絡；

所述無監督深度聚類模塊包括編碼器、解碼器和深度聚類模型，其中，所述編碼器由卷積層和池化層組成，解碼器由卷積層和反池化層組成；所述編碼器的輸出送入所述解碼器和所述深度聚類模型；所述深度聚類模型用于對輸入數據進行無監督分類。

3.根據權利要求1或2所述的認知障礙檢測模型，采用以下公式融合眼底圖像數據的特征與多模態生理信號數據的特征，

O＝f(λ₁*Z¹+λ₂*Z²)

其中，O表示輸出，f(·)表示全連接網絡層，Z¹表示提取的眼底圖像數據的特征，Z²表示提取的多模態生理信號數據的特征，λ₁＞＞λ₂，λ₁+λ₂＝1，0＜λ₁＜1，0＜λ₂＜1。

4.根據權利要求1或2所述的認知障礙檢測模型，所述目標函數為

其中，θ表示網絡參數，q_ij為軟分配，p_ij為輔助分布，i表示第i個樣本，j表示第j個聚類中心，N表示一次迭代中所需的數據總量，O_i表示第i個樣本的多模態數據融合后得到的輸出，O′_i表示與O_i有著相同結構的重構值，L(O_i，O′_i)為重構誤差，表示為l₂范數。

5.一種用于權利要求1-4之一的認知障礙檢測模型的訓練方法，包括：

步驟1，使用所述多模態信息表征模塊提取正常人群的眼底圖像數據的特征以及多模態生理信號數據的特征；

步驟2，使用所述多模態信息融合模塊將眼底圖像數據的特征與多模態生理信號數據的特征進行融合，得到融合后的特征；

步驟3，將所述融合后的特征輸入無監督深度聚類模塊進行無監督分類，獲取網絡重構誤差；

步驟4，采用反向傳播的梯度下降法最小化目標函數，迭代更新所述多模態信息表征模塊、所述多模態信息融合模塊、所述無監督深度聚類模塊的網絡參數；

步驟5，重復步驟1到步驟4直到模型收斂，將包含正常人群數據的驗證集輸入訓練后的模型，獲取用于認知障礙檢測的閾值。