基于眼动特征自适应的精神分裂症早期识别方法及系统

本发明涉及辅助医疗中的精神分裂症识别领域，具体地，涉及一种基于眼动特征自适应的精神分裂症早期识别方法及系统。

背景技术：

1、精神分裂症是一种严重的精神疾病，主要表现为思维、情感和行为的异常。它不仅会影响患者的日常生活和社交功能，还会给家庭和社会带来负担。精神分裂症的症状包括幻觉、妄想、语言和思维障碍、情感淡漠、社交退缩、情绪不稳定等。这些症状会导致患者出现现实与幻觉世界的混淆，使他们难以正常与他人交流和适应社会。眼下，治疗精神分裂症面临了重大挑战，因为缺乏能够根治这一疾病的特效方法，只能依赖药物进行针对性治疗。然而，这一治疗方式与现实相矛盾，因为很多患者缺乏对疾病的自我认知，导致他们经常中断或拒绝接受药物治疗。因此，非常迫切需要在精神分裂症的前驱期进行超早期识别，有助于减少疾病发病率并提升患者的预后。

2、超早期识别是指在患者出现明显症状之前，通过一系列的评估和观察，准确判断是否存在精神分裂症的风险。这个阶段的干预可以帮助患者及早接受治疗，减轻病情的严重程度，并提高治疗效果。同时，超早期识别还有助于提高社会对精神分裂症的认识和理解，减少对患者的歧视和偏见。

3、在超早期识别中，需要进行多个方面的评估，包括患者的病史、家族史、心理症状评估和神经心理学测试等。通过综合分析这些信息，可以为患者提供全面的评估结果，并制定个性化的治疗方案。同时，还需要与家属和社区卫生机构等相关方进行密切合作，共同为患者提供全方位的支持和帮助。超早期识别的重要性在于，它可以在精神分裂症病情进一步恶化之前，帮助患者及早获得治疗和干预。这样可以减轻患者和家庭的负担，降低疾病对个人和社会的影响。同时，超早期识别也有助于提高治疗的效果和预后，使患者更好地适应社会生活，增加其生活质量。因此，加强对精神分裂症的超早期识别工作，提高社会对精神疾病的认识和理解，将对促进精神卫生事业的发展具有重要意义。

4、近年来，眼动追踪技术已经取得了显著的突破，能够更准确地采集和分析眼球活动数据。这种技术利用虹膜反射和视频图像捕捉，不仅提高了数据采集的准确度，还使整个过程更加便捷和方便。通过对眼动的研究发现，眼动是一个极为复杂的生理过程，它不仅受到感觉运动转换功能的支配，而且深受认知功能的引导和影响。感觉运动转换功能在这一过程中扮演着关键角色，将视网膜接收到的视觉信号转化为眼球的运动。这种基础的眼动行为可以被视作生理学水平上的反应。但当涉及更高级的眼动过程时，大脑需要启动认知功能来进行调节和协调，以满足特定任务或情境的要求。眼动活动的指标被认为是有价值的行为学测量指标，它们可以提供深入了解人类大脑认知过程的机会。特别是在研究精神分裂症等认知功能障碍的精神疾病时，眼动追踪技术变得至关重要，因为它为研究人员提供了重要的生物学指标。研究已经表明，精神分裂症患者相对于正常人存在眼动异常。这种异常可以被视作精神分裂症的生物学指标，有助于识别患者的认知症状和精神抑制状态。事实上，精神分裂症具有其独立的眼球活动表型特征，这为诊断和治疗提供了更多信息和指导。这不仅能够帮助早期识别患者，还能够有效地识别双相障碍等精神病性特征。通过分析眼球活动指标，可以识别出精神分裂症和双相障碍等精神疾病的特征，为疾病的早期诊断和治疗提供参考。随着技术的不断发展，眼动追踪技术将在神经科学研究和临床实践中发挥越来越重要的作用。

5、与之前常见的图片级别模型相比，被试者级别的模型克服了由于健康人群/患者中不同个体对同一张图片的具体注视点不同而导致的图片级别模型准确率仅为60-70％的问题，被试者级别的模型表现更出色。

6、本技术人之前申请的发明202211422447.9，公开了一种孤独症辅助诊断系统、方法、存储介质及终端，也是通过获取受试者的视觉注意力的特征，来进行识别预测的。但是该申请中采用孤独症数据集saliency4asd作为训练集，受试者只观看一张图片，基于这一张图片和相关眼动做诊断，所以是图片级别的，难以有效克服巨大的组内差异，从而导致了受限的预测性能。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于眼动特征自适应的精神分裂症早期识别方法及系统。

2、本发明的一个方面，提供一种基于眼动特征自适应的精神分裂症早期识别方法，包括：

3、获取精神分裂症数据集的眼动数据，采用第一显著性预测模型对所述眼动数据进行预测，得到图像显著区域的先验知识；

4、获取多名精神分裂症患者和多名正常人作为被试者观看的n张图像以及记录下的他们的注视点，形成多个注视点序列，每个注视点序列包含对应注视点的横坐标、纵坐标和持续时间信息；将所述n张图像及相应的注视点序列作为训练集，其中用序号标签表示注视点序列对应的被试者，每个被试者都有对应的序号标签，且每个被试者都有对应的精神分裂症患者或正常人的标签；n为10～100的自然数；

5、构建被试者级别的精神分裂症早期识别模型，所述精神分裂症早期识别模型以vision transformer的编码器为主干网络进行特征提取，采用分类器最终输出精神分裂症患病风险；

6、使用所述训练集对所述精神分裂症早期识别模型进行训练，训练过程中能自动学习从注视点序列和图像显著区域的先验知识到分类标签之间的映射关系，并根据标签对应的每个测试者，通过训练调整每个测试者的图像特征和注视点特征的权重系数，使得模型能够自适应地学习到不同特征之间的重要性和相关性；

7、采集新的被试者观看实验范式的眼动数据，将观看的图像及相应的注视点序列作为测试数据，将所述测试数据输入训练好的所述精神分裂症早期识别模型，输出精神分裂症患病风险。

8、可选地，所述用第一显著性预测模型，采用基于深度学习的显著性预测模型，所述显著性预测模型能够生成任意图像的显著性图，突出显示图像中的重要区域，得到显著区域的先验知识。

9、可选地，所述精神分裂症早期识别模型，其中，通过训练调整每个图像特征和注视点特征的权重系数，使得模型能够自适应地学习到不同特征之间的重要性和相关性。

10、可选地，所述分类器采用一层全连接神经网络。

11、可选地，所述神分裂症早期识别模型，其中模型训练采用的损失函数为交叉熵损失，梯度下降算法为随机梯度下降。

12、可选地，所述输出精神分裂症患病风险，具体为：

13、

14、其中，p定义为分类识别模块输出的预测概率，t为阈值；采用ostu算法确定阈值t，在验证集上自动确定阈值大小，用于测试输出。

15、本发明的第二方面，提供一种基于眼动特征自适应的精神分裂症早期识别系统，包括：

16、先验知识确定模块：获取精神分裂症数据集的眼动数据，采用第一显著性预测模型对所述眼动数据进行预测，得到显著区域的先验知识；

17、训练集获取模块：获取多名精神分裂症患者和多名正常人作为被试者观看的n张图像以及记录下的他们的注视点，形成多个注视点序列，每个注视点序列包含对应注视点的横坐标、纵坐标和持续时间信息；将所述n张图像及相应的注视点序列作为训练集，其中用标签表示注视点序列对应的被试者，每个被试者都有对应的序号标签，且每个被试者都有对应的精神分裂症患者或正常人的标签；n为10～100的自然数；

18、模型构建模块：构建被试者级别的精神分裂症早期识别模型，所述精神分裂症早期识别模型以vision transformer的编码器为主干网络进行特征提取，采用分类器最终输出精神分裂症患病风险；

19、模型训练模块：使用所述训练集对所述精神分裂症早期识别模型进行训练，训练过程中能自动学习从注视点序列和图像的先验知识到分类标签之间的映射关系；并根据标签对应的每个测试者，通过训练调整每个测试者的图像特征和注视点特征的权重系数，使得模型能够自适应地学习到不同特征之间的重要性和相关性；

20、分类识别模块：采集新的被试者观看实验范式的眼动数据，将观看的图像及相应的注视点序列作为测试数据，将所述测试数据输入训练好的所述精神分裂症早期识别模型，输出精神分裂症患病风险。

21、可选地，所述精神分裂症早期识别模型，其中，通过训练调整每个图像特征和注视点特征的权重系数，使得模型能够自适应地学习到不同特征之间的重要性和相关性；

22、所述分类器采用一层全连接神经网络；

23、所述神分裂症早期识别模型，其中模型训练采用的损失函数为交叉熵损失，梯度下降算法为随机梯度下降。

24、本发明的第三方面，提供一种识别终端，包括：

25、至少一个存储器，用于存储程序指令；

26、至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述基于眼动特征自适应的精神分裂症早期识别方法或基于眼动特征自适应的精神分裂症早期识别系统。

27、本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于眼动特征自适应的精神分裂症早期识别方法或基于眼动特征自适应的精神分裂症早期识别系统。

28、与现有技术相比，本发明实施例具有如下至少一种有益效果：

29、本发明上述的基于眼动特征自适应的精神分裂症早期识别方法，其精神分裂症早期识别模型属于被试者级别的模型，其中输入包含被试者对多张图片的注视点，这有助于克服组内差异性，即健康人群/患者中不同个体对同一张图片的具体注视点不同导致的差异性，被试者级别的模型可有效缓解组内差异性，使得识别的准确率更高。

30、本发明上述的基于眼动特征自适应的精神分裂症早期识别方法，在模型构建模块中，对于每次提取到的比如100个特征(每个特征编码了一张图像及其相关眼动的信息)采用不同的可调整的权重系数。这样，模型可以通过调整权重系数，可以使模型更好地适应不同特征的重要性。不同特征对于识别精神分裂症早期可能具有不同的影响力，有些特征可能更加相关，而有些特征可能对诊断精神分裂症早期没有太大的帮助。通过调整权重系数，可以让模型更加关注那些对于诊断精神分裂症早期起到关键作用的特征，从而提高模型的准确性(可达81％)和可靠性。