[发明专利]基于细粒度迁移的跨场景认知能力评估方法及系统

说明书

本发明提出一种基于细粒度迁移的跨场景认知能力评估方法，包括：以用户在第一场景下的认知数据为源域数据，以该用户在第二场景下的认知数据为目标域数据；以源域数据集为训练集，训练随机森林分类器，生成源域模型；获得该个体分类器对目标域数据集的测试准确率，以及从源域特征到目标域特征的信息增益差；根据该测试准确率和该信息增益差，将所有该个体分类器聚类为多个簇；对各簇中的个体分类器采用对应的生长机制进行更新，获得目标域模型；通过该目标域模型对该用户在该第二场景下的认知能力进行评估。本发明还提出一种基于细粒度迁移的跨场景认知能力评估系统，以及一种数据处理装置。

技术领域

本发明涉及普适计算技术领域，具体涉及一种基于有细粒度迁移学习的、面向跨任务的认知功能评估方法及系统。

背景技术

认知健康是一种清晰地思考、学习和记忆的能力，是大脑健康的重要组成部分。认知健康关系到个体全生命周期的正常发展，从认知能力不断发展的青少年阶段、到认知能力达到最佳的成年阶段、再到认知能力逐渐退化的老年阶段，拥有健康认知能力是独立生活、学习技能和适应社会的基础。近年来，许多与生活习惯、环境等相关的因素——如睡眠不足、缺乏体育锻炼、吸烟、酗酒、摄入过量高脂肪或高钠食品、人口老龄化、环境变化——均使个体认知健康愈发成为一个严峻的家庭和社会危机。德国海德堡大学医学院的统计数据表明，注意力缺陷多动症(Attention Deficit Hyperactivity Disorder，ADHD)在儿童群体的发病率约5％～7％，全球约有5110万儿童受到注意力缺陷多动症的影响。此外，2019年世界卫生组织(World Health Organization，WHO)的统计数据表明，全球约有5000万老年人存在认知能力衰退症状，在60岁以上的老年群体中，痴呆发病率高达5％～8％。目前，针对注意力缺陷多动症、老年痴呆等认知健康相关疾病尚无有效治疗方案。关注发病早期阶段的训练与康复、缓解特异性症状、延缓病情发展，是目前唯一可行的应对方法。

普适计算(Ubiquitous Computing)是适应计算技术发展出现的一种新型计算模式，强调融合信息、物理和社会空间，通过无所不在的计算服务突破传统计算模式的时空限制。区别于传统受限环境下的认知健康监护，普适非受限环境下的认知健康监护能够通过可穿戴设备、自然人机交互和自适应计算实现无约束、长时间、跨场景认知健康监护。然而，在医疗问诊、社区生活、居家监护等不同普适计算场景下，由于数据感知设备、感知流程的不同，往往带来不同场景下数据分布不一致的问题，使已有模型难以跨场景适配。迁移学习放宽了传统机器学习中的数据分布一致性要求，能够通过模拟人类类比推理过程，将在已知领域上学习到的知识用于其他相关领域的推理分析上，为解决普适环境下认知能力评估的跨场景适用提供了新思路。如，Long等人融合特征迁移和深度神经网络，实现了计算机视觉模型的跨域迁移。尽管迁移学习在计算机视觉领域取得了优异的实验效果，但受限于医疗问诊的可解释性需求强和数据的小样本等问题，传统迁移学习方法在医疗健康领域的应用还存在一定挑战。相较于计算机视觉领域常用数据集，认知能力评估相关研究由于患者数量有限、标注困难、数据采集成本高昂等因素影响，相关数据集往往规模更小，通常只包含十余个受试者，已有的研究往往受限于小样本问题，难以实现高精准的认知能力评估模型构建。传统迁移学习方法多基于深度神经网络设计，而在如此小规模的样本集合中，难以使用梯度下降算法优化深度神经网络模型。另外，在医疗相关的认知评估模型构建过程中，模型的可解释性也至关重要，可解释能力是进一步发掘与健康相关诊疗指标的基础。

发明内容