【技術實現步驟摘要】
本專利技術涉及信息處理，更具體地，涉及一種基于對比學習的穿戴式精神障礙自動診斷系統和方法。
技術介紹
1、針對抑郁障礙、焦慮障礙、心境情感障礙等疾病，當前研究人員使用不同模態的數據進行精神障礙識別，例如使用以問卷形式為載體的文本信息、借助移動傳感技術與生態瞬時評估捕捉的行為信息、使用專用醫療設備獲取的深層生理信息等。然而這些識別方式存在隱私泄露、專用設備成本高、數據標簽難獲得、實時性較低等問題。近年來，可穿戴設備快速發展，能夠隨時隨地獲取到用戶大量淺層無標簽生理信息，如心率變異性、血氧飽和度等。
2、在現有技術中，有關不同精神障礙識別的方案主要分為三類。第一類是利用問卷或者專用醫療設備的傳統識別方式，這些方式面臨隱私泄露、成本高、不普適等問題。第二類是利用普適設備采集用戶的行為信息進行精神障礙識別和評估，這種方式一般獲取用戶活動情況、睡眠情況等，存在實時性較低的問題。第三類是使用自監督學習來進行精神障礙識別，這種方式通常獲取用戶的單模態信號進行預訓練，存在模態單一、數據標簽難獲得、沒有進行多類精神障礙共同識別等問題。
3、有研究表明，精神障礙通常會引起生理反應，使得淺層生理信息變化。淺層生理信息直接反映身體的即時生理狀態，從而可以及時的監測用戶的心理狀態。當前，使用對比學習來進行精神障礙識別的相關技術研究發展迅速，然而這種方式的正負樣本對構建沒有利用多模態融合，而且這些技術研究通常只針對一種病癥。由于不同精神障礙之間會有共同的癥狀，因此較難識別個體究竟患有哪種疾病。
4、經分析，在現有技術中，
5、1)研究精神障礙識別的工作，大多只研究一種精神障礙疾病，很少將多種精神障礙疾病共同識別。因此用戶只能確定自己是否患有所研究的那種精神障礙，無法確定是否患有其他精神疾病，從而影響用戶早期發現，使得病情加重。
6、2)使用專用設備采集用戶深層生理信息，不僅成本高、操作復雜、不普適，而且不能滿足日常生活中實時監測的需求。
7、3)使用移動傳感技術采集用戶行為信息，通常需要收集用戶長時間的行為信息，然后對這些信息分析后才能得出結果，實時性低，很難捕捉到用戶的瞬時心理狀態。
8、4)目前使用自監督對比學習的方案中，所使用的對比學習策略通常僅針對一種模態數據，這種單模態的生理信息單一，無法挖掘出更深層次的信息，識別性能差。
9、綜上，目前國內外對普適可穿戴設備采集生理數據在多模態特征融合下的多類精神障礙識別的研究較少。并且，現有研究需要大量的有標簽數據且不支持用戶個性化。
技術實現思路
1、本專利技術的目的是克服上述現有技術的缺陷，提供一種基于對比學習的穿戴式精神障礙自動診斷方法和系統。
2、根據本專利技術的第一方面，提供一種基于對比學習的穿戴式精神障礙自動診斷系統。該系統采用可穿戴設備實現，包括：
3、數據采集單元：用于獲取用戶的多模態生理數據；
4、用戶注冊單元：用于在判斷該用戶為新用戶的情況下，執行：利用所述多模態生理數據以自監督對比學習的方式微調經離線預訓練的第一特征編碼器，獲得第二特征編碼器；將存儲的有標簽的多模態生理數據，經由第二特征編碼器提取數據特征；以所述數據特征作為輸入訓練個性化分類器，獲得精神障礙識別模型，該精神障礙識別模型基于第二特征編碼器和經訓練的所述個性化分類器構建；
5、識別單元：用于在判斷該用戶為非新用戶的情況下，利用存儲的所述精神障礙識別模型，獲得識別結果。
6、根據本專利技術的第二方面，提供一種基于對比學習的穿戴式精神障礙自動診斷方法。該方法包括以下步驟：
7、獲取用戶的多模態生理數據，并判斷該用戶是否為新用戶；
8、在判斷該用戶為新用戶的情況下，執行：利用所述多模態生理數據以自監督對比學習的方式微調經離線預訓練的第一特征編碼器，獲得第二特征編碼器；將存儲的有標簽的多模態生理數據，經由第二特征編碼器提取數據特征；以所述數據特征作為輸入訓練個性化分類器，獲得精神障礙識別模型，該精神障礙識別模型基于第二特征編碼器和經訓練的所述個性化分類器構建；
9、在判斷該用戶為非新用戶的情況下，利用存儲的所述精神障礙識別模型，獲得識別結果。
10、與現有技術相比，本專利技術的優點在于，所提供的基于對比學習和多模態生理信息融合的穿戴式精神障礙自動診斷方案總體上分為兩個階段，第一階段，利用大量患者和正常人的無標簽淺層生理信息，以融合自監督對比學習的方式預訓練特征編碼器；第二階段，通過極少量的有標簽淺層生理信息，微調第一階段的特征編碼器，并獲得特定于每個用戶的個性化模型。本專利技術利用普適可穿戴設備收集用戶淺層無標簽生理信息，并融合對比學習的方式進行多種精神障礙識別，實現了實時監測，早期發現和干預的目的。
11、通過以下參照附圖對本專利技術的示例性實施例的詳細描述，本專利技術的其它特征及其優點將會變得清楚。
本文檔來自技高網...【技術保護點】
1.一種基于對比學習的穿戴式精神障礙自動診斷系統，該系統采用可穿戴設備實現，包括：
2.根據權利要求1所述的系統，其特征在于，所述個性化分類器包括transformer網絡、多層感知機、Dropout層和Softmax層。
3.根據權利要求1所述的系統，其特征在于，所述多模態生理數據包括血氧飽和度、呼吸信息、皮膚電反應、表皮溫度和心率變異性。
4.根據權利要求1所述的系統，其特征在于，在所述對比學習中，將正負樣本的采樣規則設置為：對于所述多模態生理數據，在時序對齊的情況下，在設定時刻選擇一種模態作為錨點模態，將同一時刻其他模態的生理數據視為正樣本，將錨點模態在不同時間點的采樣視為強負樣本，將其他模態在不同時間點的采樣視為弱負樣本。
5.根據權利要求1所述的系統，其特征在于，第一特征編碼器包括多個雙向長短時記憶網絡、線性層和殘差可變卷積網絡，其中，每一個所述雙向長短時記憶網絡用于提取對應一種模態生理數據的專有時序特征，經由所述線性層后在通道維度上拼接各模態生理數據的專有時序特征，獲得拼接向量，該拼接向量被傳遞至所述殘差可變卷積網絡中提
6.根據權利要求1所述的系統，其特征在于，第一特征編碼器的離線預訓練過程在云端或服務器進行，并采用不同用戶的無標簽多模態生理數據以對比學習的方式進行離線預訓練。
7.根據權利要求1所述的系統，其特征在于，所述系統監測到的多種模態生理數據和所述精神障礙識別模型的識別結果通過藍牙傳輸到終端設備進行顯示。
8.根據權利要求3所述的系統，其特征在于，所述系統是腕帶式可穿戴設備，包括主控板、生物電阻抗傳感器、血氧傳感器、光電容積脈搏波傳感器、皮電傳感器、表皮溫度傳感器、顯示屏模塊、語音播報模塊和藍牙模塊，其中，所述生物電阻抗傳感器通過模擬輸入引腳接入到所述主控板，所述主控板的模數轉換器用于讀取呼吸信息的數值；所述血氧傳感器通過所述主控板的串口進行異步通信；所述主控板與所述藍牙模塊之間利用UART串口協議通信；所述主控板與所述顯示屏模塊之間利用I2C總線進行串行通信；通過所述主控板的UART串口發送指令和數據到所述語音播報模塊，以播報監測時間段的生理數據信息以及所述精神障礙識別模型的識別結果。
9.一種基于對比學習的穿戴式精神障礙自動診斷方法，包括以下步驟：
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其中，該計算機程序被處理器執行時實現根據權利要求9所述的方法的步驟。
...【技術特征摘要】
1.一種基于對比學習的穿戴式精神障礙自動診斷系統，該系統采用可穿戴設備實現，包括：
2.根據權利要求1所述的系統，其特征在于，所述個性化分類器包括transformer網絡、多層感知機、dropout層和softmax層。
3.根據權利要求1所述的系統，其特征在于，所述多模態生理數據包括血氧飽和度、呼吸信息、皮膚電反應、表皮溫度和心率變異性。
4.根據權利要求1所述的系統，其特征在于，在所述對比學習中，將正負樣本的采樣規則設置為：對于所述多模態生理數據，在時序對齊的情況下，在設定時刻選擇一種模態作為錨點模態，將同一時刻其他模態的生理數據視為正樣本，將錨點模態在不同時間點的采樣視為強負樣本，將其他模態在不同時間點的采樣視為弱負樣本。
5.根據權利要求1所述的系統，其特征在于，第一特征編碼器包括多個雙向長短時記憶網絡、線性層和殘差可變卷積網絡，其中，每一個所述雙向長短時記憶網絡用于提取對應一種模態生理數據的專有時序特征，經由所述線性層后在通道維度上拼接各模態生理數據的專有時序特征，獲得拼接向量，該拼接向量被傳遞至所述殘差可變卷積網絡中提取局部融合特征以及每種模態生理數據的全局特征。
6.根據權利要求1所述的系統，其特征在...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。