[发明专利]一种认知障碍检测模型及其训练方法

说明书

本发明提供一种认知障碍检测模型及其训练方法，所述认知障碍检测模型包括多模态信息表征模块、多模态信息融合模块、无监督深度聚类模块。所述多模态信息表征模块包括眼底图像数据表征网络、多模态生理信号数据表征网络。所述多模态信息融合模块与所述多模态信息表征模块相连接，用于将所述眼底图像数据的特征与多模态生理信号的特征进行融合，得到融合后的特征；所述无监督深度聚类模块与所述多模态信息融合模块相连接，用于根据所述融合后的特征基于无监督聚类模型进行认知障碍检测。

技术领域

本发明涉及普适计算领域，具体涉及认知障碍诊断领域，特别涉及一种认知障碍检测模型及其训练方法。

背景技术

随着我国步入老龄化社会，患有认知障碍的老年人日益增多，对家庭和社会造成了沉重的负担。目前常见的老年人认知障碍主要包括阿尔茨海默症(AD)和轻度认知障碍(MCI)等。目前尚没有可以完全治愈阿尔茨海默症的方法，早期识别与干预可以延缓认知障碍病程进展，并有助于患者和家庭提前做好规划。

早期的认知功能评估使用量表的方法，比如简易精神状态评价量表(MMSE)、蒙特利尔认知评估量表(MoCA)、Mattis痴呆评定量表(DRS)等，但由于我国基层全科医生相关专业培训不够完善、现行量表内容冗长、测试费时等原因，漏诊率较高。

因此，研究者们希望通过其他手段进行认知障碍的评估和预警。例如，诊断阿尔茨海默病最准确可靠的方法是让患者接受脑部数字正电子发射断层成像(PET)扫描，该方法属于神经成像方法，其缺点是脑图像测量检查费高昂且检查时间长，所以不适合以多个被检者为对象的筛选检查。

也有研究通过可穿戴设备去检测帕金森氏症和阿尔茨海默症等认知障碍的早期迹象。可穿戴设备中的传感器包括运动传感器和生理传感器。研究者利用运动传感器中的加速度、陀螺仪信号捕捉老年人的微动作特征，利用生理传感器中的热传感、肌电信号、汗液、血液蛋白质含量来确定老年人的健康状态。这种方法的缺点在于，通过可穿戴设备中的传感器获得的数据是多元时间序列信号数据，存在冗余性和大量噪声，当噪声严重时，会大大降低检测模型的泛化能力，使得检测精度较差。

此外，还有一种利用视网膜成像(眼底成像)来筛查和检测阿尔茨海默病的方法。该方法基于由美国国立卫生研究院(NIH)资助的一项研究的成果，该研究的论文发表在《神经病理学学报》(Acta Neuropologica)上。该论文描述了三种与阿尔茨海默病相关的视网膜(眼球后部的感光组织)的变化过程：1)周细胞的丧失，周细胞可调节微小血管中的血流，帮助形成血视网膜屏障，保护视网膜免受有害物质通过血流进入；2)血小板衍生生长因子受体β(PDGFRβ)减少信号传导，PDGFRβ是一种为组织维护和修复提供指导的蛋白质；3)在视网膜周细胞和血管中沉积了淀粉样蛋白。

在上述研究中，研究人员将那些死于阿尔茨海默病或轻度认知障碍(MCI)的人的眼睛样本与那些认知正常的人的眼睛样本进行了比较。研究人员研究了62个捐赠者的眼睛样本以及一部分捐赠者的大脑样本。研究人员用免疫荧光染色技术和透射电子显微镜对每一个眼睛样本的视网膜血管结构进行了研究。研究人员发现，与认知正常的供体相比，阿尔茨海默病或MCI患者的视网膜周细胞丢失更多，PDGFRβ信号传导减弱，淀粉样蛋白沉积更多。由此，研究人员认为，视网膜的变化与阿尔茨海默病和认知能力下降相关的大脑变化相关。

与神经成像方法相比，眼底成像方法只需通过眼底成像设备获取双眼的眼底数据，因此，该方法比神经成像方法成本低、侵入性小。

由于深度学习在医疗辅助诊断上发挥着越来越重要的作用，可将深度学习用于通过眼底数据来辅助诊断认知障碍。现有深度学习的诊断方法主要采用有监督学习方法，训练数据中需要提供数据标签。然而现有的深度学习方法在辅助诊断的过程中,常常会遇到数据标签不足的问题，从而影响了检测效果。例如，由于数据采集的成本高和不规范等多方面原因,标记过的认知障碍病例很少,严重影响了深度学习模型在该病例上的训练学习，所训练的模型精度低，鲁棒性差。