一种基于神经认知功能与机器学习的精神分裂症自动评估系统技术方案

本发明专利技术公开了一种基于神经认知功能与机器学习的精神分裂症自动评估系统。所述系统包括数据采集模块(1)、特征工程模块(2)、自动评估模块(3)；所述数据采集模块(1)、所述特征工程模块(2)、所述自动评估模块(3)依次连接。利用本发明专利技术的系统可以进行精神分裂症筛查评估，区分精神分裂症和健康人的效果显著，适于临床推广。

An Automatic Schizophrenia Assessment System Based on Neurocognitive Function and Machine Learning

The invention discloses an automatic schizophrenia evaluation system based on neurocognitive function and machine learning. The system comprises a data acquisition module (1), a feature engineering module (2) and an automatic evaluation module (3); the data acquisition module (1), the feature engineering module (2) and the automatic evaluation module (3) are connected in turn. The system of the invention can be used for screening and evaluating schizophrenia, distinguishing schizophrenia from healthy people with remarkable effect, and is suitable for clinical popularization.

【技术实现步骤摘要】
一种基于神经认知功能与机器学习的精神分裂症自动评估系统
本专利技术属于计算机辅助医疗
，涉及一种精神分裂症自动评估系统，具体涉及一种基于神经认知功能与机器学习的精神分裂症自动评估系统。
技术介绍
精神分裂症是一种恶性精神类疾病，目前对其病因的认识尚未明确。精神分裂症涉及感知觉障碍、思维障碍、情感障碍、意志行为障碍及认知功能障碍等多方面障碍以及精神活动的不协调。多在青壮年时期缓慢或亚急性起病，患者一般意识清楚，智能基本正常，且有反复发作、加重，不易治愈的特点，给病患及其家人带来极大的不便和痛苦。目前，我国患有精神分裂症的人数正在处于逐年上升的趋势，精神分裂症的治疗过程很困难，必须要防患于未然，有疑似的患者可以到医院进行检查，现存的检测精神分裂症方法也不能很准确的了解到患者的情况。当精神分裂症患者去到医院接受治疗时，往往已经到了症状很严重的阶段。也由于精神分裂症病患的病症特殊性，医院的看诊检测环境会带给病患额外的外界压力，影响到检测结果及客观的判断。同时，也由于精神分裂症患者的病症特点，往往很难在静止的状态下接受治疗。这都给精神分裂症的检测带来不便。随之提出了对精神分裂症患者进行实时、便捷、准确、快速的检测需求。随着计算机技术和医疗影像技术的发展，特别是最近发展迅速的机器学习，深度学习和大数据技术，给现代医疗诊断的发展提供了巨大的技术支持。因此有必要将这些技术运用到计算机辅助诊断系统中，利用机器学习，深度学习和大数据技术自身的强大优势，进一步提高自动诊断的准确率和误诊率，减轻临床医生的负担。
技术实现思路
本专利技术的目的在于提供一种基于神经认知测查与机器学习的精神分裂症自动评估系统。本专利技术的上述系统的基本工作原理是：基于神经认知功能数据采集，特征工程、机器学习技术，探索精神分裂症患者的神经认知功能缺陷，为精神分裂症的临床筛查与诊断提供客观参考依据。为了实现上述目的，本专利技术采用了如下技术方案：本专利技术提供了一种基于神经认知功能与机器学习的精神分裂症自动评估系统，所述系统包括数据采集模块1、特征工程模块2、自动评估模块3；所述数据采集模块1、所述特征工程模块2、所述自动评估模块3依次连接；数据采集模块：对被试进行RBANS测试和Stroop测试，共计14项分测试，计算各分测试得分，对分测试特征进行评估；特征工程模块：通过特征工程方法，实现特征的选择与融合，根据特征进行模式分类设计，同时对疾病预测性能评估；自动评估模块：通过机器学习算法，对已提取特征进行机器学习的模型构建，形成计算机模型，并整合自动评估功能，最后构建自动评估模块，根据被试的神经认知功能进行精神分裂症的筛查与辅助诊断。优选地，Stroop测试使用的分测试包括颜色干扰时间、词语干扰时间。进一步，所述数据采集模块1包括神经认知测查单元11、认知分测试粗分计算单元12、认知分测试标准分计算单元13。进一步，所述特征工程模块2包括特征选择融合单元21、数据降维单元22、模式分类设计单元23。所述自动评估模块3包括机器模型构建单元31、预测性能评估32、整合自动评估功能单元33。RBANS测试使用的分测试包括即刻记忆、视觉空间结构、语言、注意、延迟记忆。即刻记忆包括词汇学习、故事重复。视觉空间结构包括图形描绘、线条定位。语言包括图片命名、语义流畅性。注意包括数字广度、符号数字。延迟记忆包括词汇回忆、词汇再认、故事回忆和图形回忆。本专利技术还提供前面所述的系统在诊断或者筛选精神分裂症患者中的应用。本专利技术还提供前面所述的系统在预测受试者患有精神分裂症风险中的应用。本专利技术还提供了一种精神分裂症分类识别模型的构建方法，所述构建方法的具体步骤包括：(1)利用神经认知测查单元测量个体神经心理状态采用中文版RBANS(RepeatableBatteryfortheAssessmentofNeuropsychologicalStatus，可重复的成套神经心理状态测量)，测量健康被试以及精神分裂症患者的神经心理状态，包括以下5个因子：即刻记忆(词汇学习、故事复述)，视觉空间结构(图形临摹、线条定位)，语言(图画命名、语义流畅性)，注意(数字广度、编码)和延迟记忆(词汇回忆、词汇再识、故事回忆和图形回忆)，以及Stroop测试，测试被试的执行功能。(2)利用认知分测试粗分计算单元进行认知分测试粗分计算根据评分标准，计算词汇学习、故事复述、图形临摹、线条定位、图画命名、语义流畅性、数字广度、编码、词汇回忆、词汇再识、故事回忆、图形回忆、颜色干扰时间、词语干扰时间的粗分。(3)利用认知分测试标准分单元计算认知分测试标准分根据常模，校正性别、年龄后得出标准分。(4)利用特征选择融合单元对数据特征进行处理针对认知分测试标准分，首先采用单变量方差分析(ANOVA)方法来确定不同分组间具有统计差异的特征，其中年龄、性别、教育程度等因素作为协变量。在ANOVA分析中选择一个较低的统计显著性水平(p<0.1，未校正)，以保证一些具有较弱判别能力的特征也能参与到特征选择中。然后采用随机森林算法(RandomForest)的进行特征子集的选取。特征选择完成后，提取的特征进行规范化的各种处理，由多个特征经融合产生新特征，保留参与融合的单个特征对各个类别的有效鉴别信息，消除多个特征之间的信息冗余，实现信息压缩，以获取能够有效反映精神分裂症神经认知缺陷的信息。(5)利用数据降维单元进行数据处理精神分裂症患者与健康被试在神经认知功能缺陷是分布在高维特征空间的一个低维流形上，采用流形学习的方法寻找高维神经认知功能缺陷数据中与精神分裂症相关的低维表示。(6)利用模式分类设计单元进行模式分类在低维流形空间上设计多类模式分类器，实现对精神分裂症患者与健康被试的判别分析。分类器算法可以选择基于梯度下降的迭代决策树算法，计算每个特征的纯度，利用最大特征形成定点，第二大特征形成第二部分的叶子节点，形成多个纯度高的特征组合，并减去纯度低的特征，并通过多次迭代校正残差，从而形成了梯度提升树模型，最终实现模式分类。作为可替代的技术方案，本专利技术还可以采用除了基于梯度下降的迭代决策树算法之外的其他有监督学习算法(支持向量机、神经网络、决策树等)，还可以采用无监督学习算法(K-Means聚类、层次聚类、SVD奇异值分解等)实现模式分类。(7)利用机器学习模型构建单元构建分类识别模型利用以下机器学习算法中的任意一种：1)Logistics回归、2)概率神经网络、3)随机森林，在精神疾病患者神经认知的多维度数据中隐含的多个变量之间的关系中提取具有最佳区分度的特征或特征组合，随后利用模式分类算法，构建分类识别模型。(8)利用预测性能评估单元评估分类识别模型的泛化能力采用10-fold交叉验证的方法来评估步骤(7)构建的分类识别模型的泛化能力。在每一次实验中，选择十分之一的样本作为测试集，剩余样本作为训练集。首先从训练样本中进行特征选择、数据降维和分类识别模型设计，然后用学习得到的分类识别模型对选取的测试样本进行判别分析，将测试样本的分类结果与真实类别属性进行对比。以收集被试进行两轮实验，以每组75％的样本数据为训练集，15％数据为验证集，对特征参数和分类识别模型结构进行训练，将其余10％数据为测试集，用于检验分类识别模型和参本文档来自技高网...

【技术保护点】
1.一种基于神经认知功能与机器学习的精神分裂症自动评估系统，其特征在于，所述系统包括数据采集模块(1)、特征工程模块(2)、自动评估模块(3)；所述数据采集模块(1)、所述特征工程模块(2)、所述自动评估模块(3)依次连接；数据采集模块：对被试进行RBANS测试和Stroop测试，共计14项分测试，计算各分测试得分，对分测试特征进行评估；特征工程模块：通过特征工程方法，实现特征的选择与融合，根据特征进行模式分类设计，同时对疾病预测性能评估；自动评估模块：通过机器学习算法，对已提取特征进行机器学习的模型构建，形成计算机模型，并整合自动评估功能，最后构建自动评估模块，根据被试的神经认知功能进行精神分裂症的筛查与辅助诊断；优选地，Stroop测试使用的分测试包括颜色干扰时间、词语干扰时间。

【技术特征摘要】
1.一种基于神经认知功能与机器学习的精神分裂症自动评估系统，其特征在于，所述系统包括数据采集模块(1)、特征工程模块(2)、自动评估模块(3)；所述数据采集模块(1)、所述特征工程模块(2)、所述自动评估模块(3)依次连接；数据采集模块：对被试进行RBANS测试和Stroop测试，共计14项分测试，计算各分测试得分，对分测试特征进行评估；特征工程模块：通过特征工程方法，实现特征的选择与融合，根据特征进行模式分类设计，同时对疾病预测性能评估；自动评估模块：通过机器学习算法，对已提取特征进行机器学习的模型构建，形成计算机模型，并整合自动评估功能，最后构建自动评估模块，根据被试的神经认知功能进行精神分裂症的筛查与辅助诊断；优选地，Stroop测试使用的分测试包括颜色干扰时间、词语干扰时间。2.根据权利要求1所述的系统，其特征在于，所述数据采集模块(1)包括神经认知测查单元(11)、认知分测试粗分计算单元(12)、认知...

【专利技术属性】
技术研发人员：王传跃，田晴，杨宁波，
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