一种基于fNIRS的阿尔兹海默症诊断方法技术

本发明专利技术涉及人工智能领域，具体涉及一种基于fNIRS的阿尔兹海默症诊断方法。一种基于fNIRS的阿尔兹海默症诊断方法，具体算法步骤包括采集fNIRS数据，构建数据增扩网络，训练数据扩增网络，构建自监督模型，训练自监督模型，微调模型，用于增加数据集的特定性。本发明专利技术提出采用基于因果卷积神经网络的方式对fNIRS数据做数据增扩，以弥补采集数据量的不足，提出采用自监督学习+模型微调的方式对fNIRS数据进行训练，以弥补标签训练数据的不足。以弥补标签训练数据的不足。

【技术实现步骤摘要】
一种基于fNIRS的阿尔兹海默症诊断方法


[0001]本专利技术涉及人工智能领域，G06K9/62，具体涉及一种基于fNIRS的阿尔兹海默症诊断方法。

技术介绍

[0002]现阶段，老年认知功能是常见的神经系统性疾病，是仅次于脑血管疾病的神经科疾病，而阿尔茨海默病(AD)是老年认知功能障碍中最常见的一种症状。国内外常用认知功能评估量表作为AD初步筛查的工具，但是由于个体差异大、含有主观成分等原因，诊断效果较差。随着技术的发展，各种影像技术被广泛地应用于AD及脑部疾病的诊断和研究，比如：正电子断层扫描(PET)，磁共振成像(MRI)，弥散张量成像(DTI)等医学影像技术。但是这些影像技术通常诊断时间相对较长而且相对昂贵，不利于大规模快速筛查。还有一些研究者通过脑电ERP、眼动以及脑电图等技术手段探索AD患者及其大脑认知功能状态，但其缺点是空间分辨率较差，难以定位信号发生源。另外，功能性磁共振成像(虽然有极高的空间分辨率，但其时间分辨率相对较差，且其对被试者的活动限制较高。
[0003]因此，现阶段急需推出一种基于多模态脑功能信号识别方法，可以快速反应大脑皮质的激活情况，同时在采集过程中具有较好的抗噪声能力，容忍被试者采集数据时适度的移动状态，并分辨率均较高与便携等优点。申请号为CN202010847474.5的专利提供一种基于深度神经网络的AD特征参数筛选方法及系统，通过节点刺激筛选出使模型输出值变化较大且敏感的数据，即能够筛选出更能精确对AD病症进行分类的AD特征参数。申请号为CN201810204007.3的专利公开了一种基于辅助域迁移学习诊断阿兹海默症的方法，通过将医学影像与自然图像聚类，得到自然图像数据集的一个子集，用它们训练网络可以使卷积神经网络间接学习到医学影像的特征，再通过迁移学习的方式训练医学影像数据，提高了自动识别阿兹海默症的精度。但存在采集数量和训练数量不足等问题。

技术实现思路

[0004]针对现有技术中存在的一些问题，本专利技术提供了一种基于fNIRS的阿尔兹海默症诊断方法，具体算法步骤包括采集fNIRS数据，用以后续的模型建立与分析；在采集fNIRS数据的基础上，构建数据增扩网络，用以避免数据的过拟合问题，并传送至训练数据扩增网络，用以构建自监督模型；通过训练自监督模型，用以匹配fNIRS数据中共有的数据特征，并对训练自监督模型进行特征微调模型计算，用于增加数据集的特定性。
[0005]优选的，所述的采集fNIRS数据通过采用波长为780nm和850nm近红外光，并根据大脑皮层的不同吸收率来测量HbO和HbR；所述的近红外光与探测器的距离可分为四种，分别为1.5cm、2.12cm、3cm、3.35cm，在每个受试者的前额叶皮层建立204个通道，用以获取受试者的试验数据并通过串口通信传送至电脑端。
[0006]优选的，训练数据扩增网络的方法包括：接收受试者的试验数据后，构建一个204x650大小的二维矩阵，并输入至因果卷积层，用以根据获取受试者的试验数据去预测受
试者可能形成的脑部数据，并使得受试者可能形成的脑部数据更接近于实际值，并传送至特征提取模块进行多次提取。
[0007]优选的，所述的特征提取模块包含多个部分，各个部分首尾相连，每个特征提取模块额外输出一个尺寸大小为102x325旁支特征数据。
[0008]优选的，所述的旁支特征数据输入到RELU激活函数，用以增加神经网络模型的非线性，并通过deconv反卷积放大特征数据尺寸，使其与输入试验数据尺寸一致，并使用sigmoid激活函数获得归一化到正负1之间的输出数据。
[0009]优选的，所述的训练数据增扩网络对输出数据进行训练，具体的训练数据参数根据与可用训练数据量一一对应，并经过数据增扩网络生成出两个与输入数据相似的数据X1和X2。
[0010]优选的，构建自监督模型的方法包括：通过获取数据X1和X2经过encoder block网络结构提取特征后得到f1和f2，然后再分别经过全连接和relu激活函数进行非线性变换后得到g1和g2，最后自监督模型的目标是最大化g1和g2的相似度。
[0011]优选的，构建所述encoder block网络结构的方法包括：输入经过若干个dilated conv层后最终输出一维特征数据，各层之间采用残差连接，每层选用不一样的dilation rate，此外每层将输入矩阵的channel分成20组分别进行卷积，每组输出矩阵的channel为5，并将20组卷积后的输出合并在一起传入下一层，其中，dilated conv层的数量根据输入的二维矩阵大小确定。
[0012]优选的，所述的训练自监督模型，通过最大化g1和g2的相似度计算相应的loss，使得loss大小不再更新。
[0013]优选的，所述的微调模型，将训练好的自监督模型的encoder block模块及其后的dense层参数拿出来，后接softmax层形成独立的分类网络，然后在采集的原始真实数据上进行模型微调训练，最终得到阿尔兹海默症的诊断模型。
[0014]本专利技术与现有技术相比具有以下有益效果：
[0015](1)本专利技术提出采用基于因果卷积神经网络的方式对fNIRS数据做数据增扩，以弥补采集数据量的不足。
[0016](2)提出采用自监督学习+模型微调的方式对fNIRS数据进行训练，以弥补标签训练数据的不足。
附图说明
[0017]图1数据增扩网络结构算法模型；
[0018]图2数据增扩网络结构中的featureblock模块算法流程图；
[0019]图3自监督模型算法结构模型；
[0020]图4自监督模型中encoder block网络结构。
具体实施方式
[0021]本专利技术提供了一种基于fNIRS的阿尔兹海默症诊断方法，具体算法步骤包括采集fNIRS数据，用以后续的模型建立与分析；在采集fNIRS数据的基础上，构建数据增扩网络，具体算法流程如图1所示，其中feature block模块算法流程图如图2所示，用以避免数据的
过拟合问题，并传送至训练数据扩增网络，用以构建自监督模型，具体的算法结构如图3所示；通过训练自监督模型，用以匹配fNIRS数据中共有的数据特征，并对训练自监督模型进行特征微调模型计算，用于增加数据集的特定性。
[0022]在一种实施方式中，所述的采集fNIRS数据通过采用波长为780nm和850nm近红外光，并根据大脑皮层的不同吸收率来测量HbO和HbR；所述的近红外光与探测器的距离可分为四种，分别为1.5cm、2.12cm、3cm、3.35cm，在每个受试者的前额叶皮层建立204个通道，用以获取受试者的试验数据并通过串口通信传送至电脑端。
[0023]在一种实施方式中，训练数据扩增网络的方法包括：接收受试者的试验数据后，构建一个204x650大小的二维矩阵，并输入至因果(cause)卷积层，用以根据获取受试者的试验数据去预测受试者可能形成的脑部数据，并使得受试者可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于fNIRS的阿尔兹海默症诊断方法，其特征在于，采集fNIRS数据，用以后续的模型建立与分析；在采集fNIRS数据的基础上，构建数据增扩网络，用以避免数据的过拟合问题，并传送至训练数据扩增网络，用以构建自监督模型；通过训练自监督模型，用以匹配fNIRS数据中共有的数据特征，并对训练自监督模型进行特征微调模型计算，用于增加数据集的特定性。2.根据权利要求1所述的一种基于fNIRS的阿尔兹海默症诊断方法，其特征在于，所述的采集fNIRS数据通过采用波长为780nm和850nm近红外光，并根据大脑皮层的不同吸收率来测量HbO和HbR；所述的近红外光与探测器的距离可分为四种，分别为1.5cm、2.12cm、3cm、3.35cm，在每个受试者的前额叶皮层建立204个通道，用以获取受试者的试验数据并通过串口通信传送至电脑端。3.根据权利要求1所述的一种基于fNIRS的阿尔兹海默症诊断方法，其特征在于，训练数据扩增网络的方法包括：接收受试者的试验数据后，构建一个204x650大小的二维矩阵，并输入至因果卷积层，用以根据获取受试者的试验数据去预测受试者可能形成的脑部数据，并使得受试者可能形成的脑部数据更接近于实际值，并传送至特征提取模块进行多次提取。4.根据权利要求1所述的一种基于fNIRS的阿尔兹海默症诊断方法，其特征在于，所述的特征提取模块包含多个部分，各个部分首尾相连，每个特征提取模块额外输出一个尺寸大小为102x325旁支特征数据。5.根据权利要求4所述的一种基于fNIRS的阿尔兹海默症诊断方法，其特征在于，所述的旁支特征数据输入到RELU激活函数，用以增加神经网络模型的非线性，并通过deconv反卷积放大特征数据尺寸，使其与输入试验数据尺寸一致，并使用sigmoid激活函数获得归一化到正...

【专利技术属性】
技术研发人员：蔡江，
申请(专利权)人：燧人上海医疗科技有限公司，
类型：发明
国别省市：