买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海市浦东新区精神卫生中心申请的专利基于多模态数据的青少年抑郁症辅助诊断模型训练方法及其系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120432128B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510507996.3，技术领域涉及：G16H50/20；该发明授权基于多模态数据的青少年抑郁症辅助诊断模型训练方法及其系统是由樊希望;钟敬;王志蒙;赵旭;张珺;黄梓曜;吴轹城;吴宜蓁;李嘉惠;高铭林;李晶云;章蕾设计研发完成，并于2025-04-22向国家知识产权局提交的专利申请。

本基于多模态数据的青少年抑郁症辅助诊断模型训练方法及其系统在说明书摘要公布了：本发明提供一种基于多模态数据的青少年抑郁症辅助诊断模型训练方法及其系统，涉及心理健康技术领域。本发明首先构造VR智能交互场景，同步采集青少年抑郁症和正常对照被试在VR智能交互场景的生理数据。对脑电数据、心率变异性数据以及眼动数据进行数据预处理和特征提取，通过分类器训练，得到单模态抑郁识别模型，进而得到多模态抑郁识别模型以及跨模态抑郁识别模型。本发明通过机器学习获得的青少年抑郁症辅助诊断模型，有助于青少年抑郁症早发现和及时治疗。

本发明授权基于多模态数据的青少年抑郁症辅助诊断模型训练方法及其系统在权利要求书中公布了：1.基于多模态数据的青少年抑郁症辅助诊断模型训练方法，其特征在于，包括： 步骤S1，构造VR智能交互场景，同步采集青少年抑郁症和正常对照被试在所述VR智能交互场景的生理数据，所述生理数据包括脑电数据、心率变异性数据以及眼动数据； 步骤S2，对所述脑电数据、心率变异性数据以及眼动数据进行数据预处理和特征提取，得到脑电特征数据、心率变异性特征数据以及眼动特征数据； 脑电数据预处理包括：对原始脑电信号进行0.5-100Hz带通滤波去除低频漂移和高频噪声；应用50Hz陷波滤波器消除电源干扰；通过离散小波变换进行信号去噪；计算SNR和RMSE评估信号质量；最后将处理后的信号分离为Delta、Theta、Alpha、Beta和Gamma五个频段进行功率谱密度分析； 心率变异性数据预处理包括：对原始光电容积脉搏波信号应用0.04-5Hz的带通滤波去除基线漂移和高频噪声；通过离散小波变换进行信号去噪；通过峰值检测算法识别心跳间隔；提取时域和频域指标； 眼动数据预处理包括：对于所述眼动数据中的数据元组缺失值超过设定阈值，则该数据元组被舍弃；如果数据元组缺失值不超过设定阈值，则用平均值或中位数进行填充； 所述特征提取采用基于相关性的特征选择方法结合最佳优先搜索策略； 采用高斯滤波公式去噪，高斯噪声添加进行数据增强，加权交叉熵损失函数进行样本重平衡，支持向量距离判别函数公式进行边缘样本识别与再采样；定义评估特征的显著性P值，通过评估特征与目标标签之间差异性检验，剔除差异不显著的特征，最终进行K折交叉验证，在训练集上综合性能表现确定最优特征子集； 步骤S3，分别基于所述脑电特征数据、心率变异性特征数据以及眼动特征数据进行分类器训练，得到单模态抑郁识别模型；所述单模态抑郁识别模型包括基于所述脑电数据的抑郁识别模型、基于所述心率变异性数据的抑郁识别模型以及基于所述眼动数据的抑郁识别模型； 将所述脑电特征数据、心率变异性特征数据以及眼动特征数据中的任一特征数据作为自动编码器的输入层，在原始输入中加入噪声，通过编码生成共享表示，作为分类器训练的输入数据，然后通过解码重构出原始输入； 步骤S4，对所述脑电特征数据、心率变异性特征数据以及眼动特征数据进行特征层融合后进行分类器训练，得到多模态抑郁识别模型； 所述特征层融合步骤为：将所述脑电特征数据、心率变异性特征数据以及眼动特征数据直接连接在一起，输入到自动编码器，生成共享表示；使用无监督反向传播算法微调自动编码器的权重和偏差，生成最后的共享表示，用于分类器的实际训练； 融合后的多模态特征向量记作： zfusion∈Rd 其中，zfusion为多模态融合后的特征向量； 定义四个并行子模型f1、f2、f3、f4，输出预测概率： pi＝fi·,i＝1,2,3,4 其中，fi为第i个子模型，用于输出不同角度的抑郁预测； pi为第i个子模型输出的预测概率； 融合为抑郁预测概率： 其中， 其中，py＝1|zfusion：表示在给定zfusion的条件下，样本属于类别1的概率，类别1为抑郁； λi为第i个子模型的权重系数，满足 pi为第i个子模型的输出概率，具体为： p1为标准MLP子模型的输出； p2为模态注意力机制模型的输出； p3为对比增强模型的输出； p4为辅助任务模型的输出； 子模型f1为标准MLP模型，用于对融合特征进行非线性建模： p1＝f1zfusion＝SoftmaxW1·zfusion+b1 W1为权重矩阵； b1为偏置向量； Softmax·为用于将输出变换为概率； 子模型f2为模态注意力建模MLP，用于模态权重调节： p2＝f2zfusion＝SoftmaxW2·zfusion+b2 其中： zi为第i个模态的表示； w为注意力机制中的可训练向量参数； w为一个可训练的权重向量，用于计算不同模态的重要性； tanh·为双曲正切函数，作为激活函数，为输入特征引入非线性变换； exp·为指数函数，用于放大差异，并构成softmax格式； αi表示第i个模态的注意力权重，数值越大，说明该模态对最终分类任务的重要性越高； M为模态的总数； 子模型f3为对比增强模型，利用情绪任务中的正向刺激与负向刺激反应的差异作为增强特征建模： 其中， zfpositive为模型在正向情绪刺激下提取到的融合特征表示； zfnegative为模型在负向情绪刺激下提取到的融合特征表示； Δz为两个状态的差异向量，用于捕捉被试对不同情绪刺激的反应强度，是增强特征； [zfusion,Δz]表示原始融合特征与情绪差异特征的拼接，用于增强模型的输入表达能力； w3为子模型f3的权重矩阵； b3为偏置项； f3·为对比增强建模模块； p3为子模型f3的输出概率； 子模型f4为辅助任务建模模块，用于在执行主任务的同时，并行预测个体的行为变量： f4＝f4mainzfusion＝SoftmaxW4·zfusion+b4其中，W4，b4为可学习参数； 输出为概率p4，表示该样本为抑郁的预测概率； r^为预测的反应时间； s^为预测的行为评分； wr,ws和br,bs为辅助任务的可训练参数； 对两个行为变量分别计算均方误差MSE； λr,λs表示辅助损失的加权系数； 四个子模型输出通过加权方式组合： 加入Beta分布建模不确定性： α＝expWα·zfusion，β＝expWβ·zfusion 利用Beta分布参数α,β来描述模型对预测结果的置信度；为预测结果的期望； Vary为预测结果的方差，用于衡量不确定性，值越大表示模型越不确定； 步骤S5，将所述脑电特征数据、心率变异性特征数据以及眼动特征数据分别作为自动编码器的输入，生成各自的共享表示；进行分类器训练时仅提供其中一种特征数据，另外两种特征数据在训练好的分类器上进行测试，从而得到跨模态抑郁识别模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海市浦东新区精神卫生中心，其通讯地址为：200124 上海市浦东新区三林路165号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。