【技术实现步骤摘要】
本专利技术属于人工智能，更具体地，涉及一种跨域帕金森震颤评估模型的构建方法及应用。
技术介绍
1、帕金森病是一种常见的进行性神经退行性疾病。震颤是帕金森病引起的常见症状之一，其严重程度通常提示着疾病的进展。临床上对帕金森震颤的评估方法通常以mds统一帕金森病评定量表(mds-updrs)为标准，根据病情表现将其整数划分为0-4个等级(0表示正常，4表示重度)。然而，这种评估方法存在主观性、耗时且不够全面等缺点，导致评估结果可靠性有限。
2、近年来，传统机器学习或深度学习方法已经被广泛用于帕金森震颤评估上。无论上述哪种方法，若采用基于用户相关的数据划分，即将每个受试者的数据划分为训练集和测试集，则可以获得比较好的评估结果；若采用用户独立的数据划分，即训练集和测试集中不会同时出现同一受试者的数据，则准确率会明显下降。这一现象的主要原因是传统机器学习或深度学习方法要求训练集和测试集服从独立同分布假设，前者的划分方法忽略了不同用户数据分布差异的影响。实际上，帕金森震颤数据受到各种因素的影响，如年龄、性别、数据采集环境差异等，训练集和测试集往往无法满足独立同分布假设，导致模型泛化能力差。另一方面，这些工作都是基于有监督的学习方法，需要收集和标记足够的数据用于模型的训练。然而在帕金森震颤研究领域中，大规模、高精度的数据标签获取问题本身就是一个极大的挑战。原因主要有两个方面，其一震颤数据需要有丰富临床经验的专科医生进行标注，标注过程耗时耗力且具有主观性；其二，实验数据包含患者隐私，由于隐私保护条例的存在使得不同研究中心共享实验数据
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种跨域帕金森震颤评估模型的构建方法及应用，用以解决现有技术无法准确地对帕金森震颤进行评估的技术问题。
2、为了实现上述目的，第一方面，本专利技术提供了一种跨域帕金森震颤评估模型的构建方法，包括：
3、将在两种不同环境下所采集的帕金森震颤传感器数据作为分别作为源域训练样本和目标域训练样本，进而构建带震颤评分等级标签的源域训练样本集和不带震颤评分等级标签的目标域训练样本集；
4、在每一个训练批次下输入多对训练样本进行训练：
5、每次将一对源域训练样本xs和目标域训练样本xt输入至特征提取模块中，提取得到xs、xt的样本特征fs、ft；将fs和ft分别输入至震颤分类器中，得到xs、xt的震颤评分等级预测结果，并计算xs、xt的震颤分类损失；xs的震颤分类损失用于衡量xs的震颤评分等级预测结果与对应震颤评分等级标签的差异；xt的震颤分类损失用于衡量xt的震颤评分等级预测结果与对应震颤评分等级伪标签的差异；
6、将fs和ft分别输入至域分类器中，得到xs和xt的所属域预测结果，并计算xs、xt的域分类损失；域分类损失用于衡量所属域预测结果与对应真实结果的差异；分别针对xs和xt，将其域分类损失和震颤分类损失进行拼接，得到对应的拼接损失；
7、分别针对每一个域，将当前训练批次下输入的所有对应域的训练样本的拼接损失输入至权重分配器中，得到对应域的每一个训练样本的权重值后，对对应域的各训练样本的域分类损失加权求和，得到对应域的域分类损失；
8、计算源域和目标域的域分类损失之和，得到总域分类损失；
9、计算输入的所有源域训练样本和目标域训练样本的震颤分类损失之和，得到总震颤分类损失；
10、通过最小化总震颤分类损失，且最大化总域分类损失，同时对特征提取模块、震颤分类器、域分类器和权重分配器进行训练；
11、训练完成后，构建包括级联的特征提取模块和震颤分类器的跨域帕金森震颤评估模型。
12、进一步优选地，xs的震颤分类损失为：xs的预测概率向量与对应的真实概率向量的差异损失；
13、其中，xs的预测概率向量通过将fs输入至震颤分类器中得到；xs的预测概率向量中的第i个概率值为xs被预测为第i个震颤评分等级的概率；i＝1,2,…,n；n为震颤评分等级的数量；xs的震颤评分等级预测结果为xs的预测概率向量中的最大概率值所对应的震颤评分等级；
14、真实概率向量为n个概率值所构成的向量，其内第idx个概率值为1，其余为0；idx为xs的震颤评分等级标签的索引。
15、进一步优选地，当xt的预测概率向量pt中的最大概率值大于或等于预设阈值ρ时，xt的震颤分类损失为：pt与对应的伪概率向量的差异损失；其中，pt通过将ft输入至震颤分类器中得到；pt中的第i个概率值为xt被预测为第i个震颤评分等级的概率；xt的震颤评分等级预测结果为pt中的最大概率值所对应的震颤评分等级；伪概率向量通过将pt中的最大值置为1，其余值置为0得到；
16、当pt中的最大概率值小于预设阈值ρ时，xt的震颤分类损失为0。
17、进一步优选地，上述特征提取模块包括：时域特征提取器、频域特征提取器和融合模块；
18、时域特征提取器用于提取输入样本的时域特征；
19、频域特征提取器用于提取输入样本经过时频转换后的频域信号的频域特征；
20、融合模块用于对时域特征和频域特征进行融合，得到样本特征。
21、进一步优选地，时域特征提取器和频域特征提取器均为cnn模型。
22、进一步优选地，时域特征提取器和频域特征提取器均包括：级联的卷积模块和全局平均池化层；
23、卷积模块包括：级联的一维卷积层、批归一化层和激活函数层。
24、第二方面，本专利技术提供了一种跨域帕金森震颤评估方法，包括：将采集的震颤传感器数据输入至跨域帕金森震颤评估模型中，得到对应的震颤评分等级；
25、其中，跨域帕金森震颤评估模型采用本专利技术第一方面所提供的跨域帕金森震颤评估模型的构建方法构建得到。
26、第三方面，本专利技术还提供了一种计算机可本文档来自技高网...
【技术保护点】
1.一种跨域帕金森震颤评估模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的跨域帕金森震颤评估模型的构建方法，其特征在于，所述xs的震颤分类损失为：xs的预测概率向量与对应的真实概率向量的差异损失；
3.根据权利要求1所述的跨域帕金森震颤评估模型的构建方法，其特征在于，当xT的预测概率向量PT中的最大概率值大于或等于预设阈值ρ时，所述xT的震颤分类损失为：PT与对应的伪概率向量的差异损失；其中，PT通过将FT输入至震颤分类器中得到；PT中的第i个概率值为xT被预测为第i个震颤评分等级的概率；xT的震颤评分等级预测结果为PT中的最大概率值所对应的震颤评分等级；所述伪概率向量通过将PT中的最大值置为1，其余值置为0得到；
4.根据权利要求1-3任意一项所述的跨域帕金森震颤评估模型的构建方法，其特征在于，所述特征提取模块包括：时域特征提取器、频域特征提取器和融合模块；
5.根据权利要求4所述的跨域帕金森震颤评估模型的构建方法，其特征在于，所述时域特征提取器和所述频域特征提取器均为CNN模型。
6.根据权利要求5所述的
7.一种跨域帕金森震颤评估方法，其特征在于，包括：将采集的震颤传感器数据输入至跨域帕金森震颤评估模型中，得到对应的震颤评分等级；
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-7任意一项所述的方法。
9.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-7任意一项所述的方法。
...【技术特征摘要】
1.一种跨域帕金森震颤评估模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的跨域帕金森震颤评估模型的构建方法，其特征在于，所述xs的震颤分类损失为：xs的预测概率向量与对应的真实概率向量的差异损失；
3.根据权利要求1所述的跨域帕金森震颤评估模型的构建方法，其特征在于，当xt的预测概率向量pt中的最大概率值大于或等于预设阈值ρ时，所述xt的震颤分类损失为：pt与对应的伪概率向量的差异损失；其中，pt通过将ft输入至震颤分类器中得到；pt中的第i个概率值为xt被预测为第i个震颤评分等级的概率；xt的震颤评分等级预测结果为pt中的最大概率值所对应的震颤评分等级；所述伪概率向量通过将pt中的最大值置为1，其余值置为0得到；
4.根据权利要求1-3任意一项所述的跨域帕金森震颤评估模型的构建方法，其特征在于，所述特征提取模块包括：时域特征提取器、频域特征...
【专利技术属性】
技术研发人员：赵金，金晓欢，任康，陈仲略，凌云，常思宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。