【技术实现步骤摘要】
本专利技术属于临床医学，尤其涉及一种als患者抑郁风险预测模型构建方法及设备。
技术介绍
1、肌萎缩侧索硬化(amyotrophic lateral sclerosis，als)是一种神经系统变性病，又被称为渐冻症，目前病因不清，且无法治愈；治疗主要包括对因治疗、对症治疗和各种非药物治疗，但是预后较差。但该疾病不会影响患者的意识，即患者能清醒的看到自己被“冰冻”过程。在起病后，约50％的患者常常并发有抑郁、焦虑、失眠等非运动症状。抑郁会进一步影响患者生活质量，甚至影响疾病进展预后，因此对于als患者抑郁的识别尤为重要。
2、目前基于脑电特征和神经网络模型的抑郁评估方法已经取得了很好的效果，然而目前现有的抑郁风险预测模型均是基于常规人群构建得到，而als患者具有自身疾病相关的独特的脑电特征，无法直接采用常规的模型进行抑郁风险预测。且针对于als患者的脑电数据样本难以大量获取，为针对als患者的抑郁风险预测模型的构建带来了极大的挑战，因此如何利用少量的als脑电样本数据，构建一种能够对als患者群体进行抑郁风险准确预测的抑郁风险预测模型，成为了一项急需解决的问题。
技术实现思路
1、鉴于上述的分析，本专利技术旨在提供一种als患者抑郁风险预测模型构建方法及设备，用于解决现有技术中的als患者脑电数据难以大量获取，难以训练得到可用于als患者的高准确率的抑郁风险预测模型，导致对于als患者抑郁风险评估准确性差的问题。。
2、本专利技术的目的主要是通过以下技术方案实
3、一方面，本专利技术提供了一种als患者抑郁风险预测模型构建方法，该方法包括：
4、基于非als患者脑电数据样本集训练得到非als患者的抑郁风险预测模型；所述抑郁风险预测模型包括特征提取模块和抑郁风险分类模块；
5、获取多个als抑郁患者及als非抑郁患者的脑电数据，标注对应的抑郁或非抑郁标签，并基于所述非als患者脑电数据样本集对所述脑电数据进行数据预处理，构建得到als训练样本集；
6、在所述特征提取模块和抑郁风险分类模块之间构建als抑郁风险迁移学习模块，得到初步构建的als患者抑郁风险预测模型；所述als抑郁风险迁移学习模块用于基于所述非als患者脑电数据样本集对应的脑电特征对通过特征提取模块提取得到的als患者的脑电数据对应的als脑电特征进行筛选和修正，以得到适应所述抑郁风险分类模块的特征分布；
7、利用所述als训练样本集和损失函数对初步构建的所述als患者抑郁风险预测模型进行迭代训练，得到收敛的als患者抑郁风险预测模型。
8、进一步的，利用所述als训练样本集和损失函数对初步构建的所述als患者抑郁风险预测模型进行迭代训练时，冻结所述特征提取模块的全部参数和所述抑郁风险分类模块的部分参数；
9、利用所述特征提取模块对所述als训练样本集中的数据进行特征提取，并对als抑郁风险迁移学习模块和所述抑郁风险分类模块的未冻结的参数进行迭代优化，得到收敛的als患者抑郁风险预测模型。
10、进一步的，采用交叉熵损失函数对初步构建的所述als患者抑郁风险预测模型进行迭代训练；
11、所述损失函数表示为：
12、
13、其中，yi为标注标签，为模型预测结果。
14、进一步的，通过下述方法对所述als患者的脑电数据进行数据预处理：
15、基于所述非als患者脑电数据样本集中脑电数据的波幅，利用四分位点对als患者的脑电数据波幅进行矫正，表示为：
16、
17、其中，x表示als患者脑电数据，y表示非als患者脑电数据样本集中脑电数据，q为分位点统计量；
18、采用与非als患者脑电数据样本集预处理时相同的时间窗和步长对波幅矫正后的所述als患者的脑电数据进行切片，得到多个脑电数据片段，构成所述als患者对应的预处理后的als脑电数据。
19、进一步的，所述als迁移学习模块包括自适应特征聚合模块、多头注意力模块和特征适应模块；
20、所述自适应特征聚合模块用于基于非als患者脑电数据样本集对应的脑电特征数据，对als患者的脑电特征数据进行特征分布矫正，并对矫正后的als患者的脑电特征数据进行聚类，筛选得到有效als脑电特征数据；
21、所述多头注意力模块用于对筛选得到的有效als脑电特征数据进行特征提取，得到包含特征间关系的特征数据；
22、所述特征适应模块用于对包含特征间关系的所述特征数据进行特征映射，以得到适应所述抑郁风险分类模块的特征分布。
23、进一步的，利用所述特征提取模块对als患者的als脑电数据进行特征提取时，得到与非als患者脑电数据对应的相同数量的特征类别和相同数量时间切片的多个als脑电特征数据；
24、所述自适应特征聚合模块通过下述方法对als患者的脑电特征数据进行特征分布矫正：
25、基于非als患者脑电数据样本集中多个患者对应的脑电特征数据，在全量时间切片上计算每个类别的脑电特征数据的均值和标准差；
26、将所述als患者的脑电特征数据按特征类别划分特征组，对每个特征组中各脑电数据片段的每个时间切片的脑电特征数据通过下述公式进行特征分布矫正：
27、
28、其中，为矫正后的第t个时间切片的脑电特征，targettm为矫正前的第m个特征第t个时间切片的als患者脑电特征，sourcemeanm为非als患者脑电数据样本集中第m个特征的脑电特征均值，sourcestdm非als患者脑电数据样本集中第m个特征的标准差，m表示每个特征组中对应的最大特征类别数量，n表示每个脑电数据片段的时间切片数量。
29、进一步的，所述对矫正后的als患者的脑电特征数据进行聚类，筛选得到有效als脑电特征数据，包括：
30、针对每个特征组，分别计算每个时间切片的特征数据与其他时间切片特征数据的余弦相似度，基于所述余弦相似度构建得到邻接矩阵；
31、基于所述邻接矩阵的度矩阵构建拉普拉斯矩阵并进行归一化；
32、基于归一化后的所述拉普拉斯矩阵构建特征多项式并求解，得到每个时间切片与其他时间切片相同类别特征的相似度参考值；
33、将每个相似度参考值按从大到小排列，并计算相邻两个相似度参考值之间的间隙，得到使得所述间隙最大的第k个相似度参考值，并以k作为聚类簇数；
34、基于所述聚类簇数k，以前k个相似度参考值为聚类中心值，对矫正后的als患者的脑电特征数据进行聚类，并对聚类后该簇内所有的特征数据进行池化操作，筛选得到有效als脑电特征。
35、进一步的，所述多头注意力模块用于对筛选得到的有效als脑电特征数据进行特征提取，包括：
36、将所述有效als脑电特征数据分别与三个权重矩阵相乘以进行线性变换，并将三个线性变换结果作为query，k本文档来自技高网...
【技术保护点】
1.一种ALS患者抑郁风险预测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的ALS患者抑郁风险预测模型构建方法，其特征在于，利用所述ALS训练样本集和损失函数对初步构建的所述ALS患者抑郁风险预测模型进行迭代训练时，冻结所述特征提取模块的全部参数和所述抑郁风险分类模块的部分参数；
3.根据权利要求1所述的ALS患者抑郁风险预测模型构建方法，其特征在于，采用交叉熵损失函数对初步构建的所述ALS患者抑郁风险预测模型进行迭代训练；
4.根据权利要求1所述的ALS患者抑郁风险预测模型构建方法，其特征在于，通过下述方法对所述ALS患者的脑电数据进行数据预处理：
5.根据权利要求4所述的ALS患者抑郁风险预测模型构建方法，其特征在于，所述ALS迁移学习模块包括自适应特征聚合模块、多头注意力模块和特征适应模块；
6.根据权利要求5所述的ALS患者抑郁风险预测模型构建方法，其特征在于，利用所述特征提取模块对ALS患者的ALS脑电数据进行特征提取时，得到与非ALS患者脑电数据对应的相同数量的特征类别和相同数量时间切片的多个AL
7.根据权利要求6所述的ALS患者抑郁风险预测模型构建方法，其特征在于，所述对矫正后的ALS患者的脑电特征数据进行聚类，筛选得到有效ALS脑电特征数据，包括：
8.根据权利要求5所述的ALS患者抑郁风险预测模型构建方法，其特征在于，所述多头注意力模块用于对筛选得到的有效ALS脑电特征数据进行特征提取，包括：
9.根据权利要求5所述的ALS患者抑郁风险预测模型构建方法，其特征在于，所述特征适应模块包括依次设置的多个全连接层以及每个全连接层后设置的激活层；
10.一种计算机设备，其特征在于，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；
...【技术特征摘要】
1.一种als患者抑郁风险预测模型构建方法，其特征在于，包括：
2.根据权利要求1所述的als患者抑郁风险预测模型构建方法，其特征在于，利用所述als训练样本集和损失函数对初步构建的所述als患者抑郁风险预测模型进行迭代训练时，冻结所述特征提取模块的全部参数和所述抑郁风险分类模块的部分参数；
3.根据权利要求1所述的als患者抑郁风险预测模型构建方法，其特征在于，采用交叉熵损失函数对初步构建的所述als患者抑郁风险预测模型进行迭代训练；
4.根据权利要求1所述的als患者抑郁风险预测模型构建方法，其特征在于，通过下述方法对所述als患者的脑电数据进行数据预处理：
5.根据权利要求4所述的als患者抑郁风险预测模型构建方法，其特征在于，所述als迁移学习模块包括自适应特征聚合模块、多头注意力模块和特征适应模块；
6.根据权利要求5所述的al...
【专利技术属性】
技术研发人员：叶珊，崔洢，刘洪，赵童，黄润州，尹铁伦，张朔，闫宇翔，樊东升，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
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。