基于双模式渐进式评估的慢性劳损风险预测系统及方法

本发明涉及人工智能、生物医学工程、康复工程、可穿戴健康监测和慢性肌肉骨骼劳损风险评估交叉，更具体的说是涉及一种基于双模式渐进式评估的慢性劳损风险预测系统及方法。

背景技术：

1、慢性肌肉骨骼劳损广泛见于颈、肩、腰、膝等部位，通常与长期重复动作、不良姿势、局部负荷累积、疼痛回避行为以及感觉运动调控异常有关。此类个体除了主观疼痛和功能障碍外，往往还伴随中枢神经活动变化、肌肉协同异常、自主神经反应异常以及动作执行质量下降等客观生理变化。因此，如何客观、全面地评估这些生理变化，成为早期筛查和精准干预的关键。

2、目前，针对慢性劳损及疼痛的评估技术主要集中在以下几个方向：量表和问卷评估、单模态生理信号识别方案、动作学或可穿戴运动学评估方案。尽管上述技术在各自领域取得了一定进展，但在实际应用于慢性劳损的大规模筛查与精准诊断时，仍存在以下显著的技术瓶颈：

3、1）缺乏“筛查-精评”分级评估机制，效率与精度难以兼顾：

4、现有技术通常采用“一刀切”的评估模式。要么采用简单的量表或单一生理指标进行快速筛查，导致漏诊率高、客观性差；要么直接采用复杂的多模态实验室级检测，设备昂贵、操作繁琐、耗时长，难以在基层医疗机构或大规模人群普查中推广。现有技术缺少一种能够根据初筛结果动态调整评估深度的渐进式评估架构。

5、2）静息态中枢特征挖掘不足，缺乏状态对比机制：

6、慢性劳损患者的大脑在静息状态下往往表现出特定的功能连接异常。然而，现有技术多关注任务态下的信号变化，或者仅采集单一状态的静息脑电。缺乏一种基于“睁眼静息”与“闭眼静息”差异的对比分析机制，难以有效刻画患者在感觉输入阻断与开放状态下的中枢调节能力差异，从而无法精准捕捉慢性疼痛的中枢敏化特征。

7、3）多模态数据时空对齐困难，缺乏统一的试次重切机制：

8、在涉及动作任务的评估中，脑电（eeg）、肌电（emg）、运动加速度（acc）等信号的采样率、数据结构和物理意义各不相同。现有技术难以处理不同模态间的时间同步问题，特别是缺乏一种围绕“动作起止事件”对多模态数据进行统一重切和试次对齐的机制。这导致在融合分析时，难以建立中枢指令（eeg）与外周执行（emg/acc）之间的精准因果关联。

9、4）缺乏跨模式的综合一致性分析，决策依据单一：

10、现有的多模态融合往往只是简单的特征拼接，缺乏对不同模态间一致性（consistency）的深入分析。当某一模态信号受干扰（如运动伪影）或局部缺失时，现有系统难以通过跨模式的一致性校验来保证评估结果的鲁棒性。

技术实现思路

1、鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于双模式渐进式评估的慢性劳损风险预测系统及方法，通过第一评估模式完成低负担静息态快速筛查，通过第二评估模式完成任务态精细评估，并通过跨模式一致性分析输出综合风险结果，从而兼顾早期筛查效率与精细评估精度。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明实施例提供一种基于双模式渐进式评估的慢性劳损风险预测系统，包括：

4、数据采集模块，用于采集受试者的睁眼静息态脑电信号和闭眼静息态脑电信号，以及当第一风险等级或第一风险分数达到预设转入条件时采集任务态多模态信号；

5、质量控制与对齐模块，用于对睁眼静息态脑电信号和闭眼静息态脑电信号进行预处理，得到第一评估模式表征；以及对任务态多模态信号进行预处理，得到第二评估模式特征；

6、第一评估模式筛查模块，用于基于第一评估模式表征生成第一风险分数和第一风险等级；

7、第二评估模式评估模块，用于基于第二评估模式特征生成第二评估模式表征；

8、跨模式融合模块，用于将第一评估模式表征与第二评估模式表征投影到共同空间，生成跨模式一致性分数和综合风险结果。

9、优选地，任务态多模态信号包括：

10、获取电刺激任务下的任务态脑电信号以及对应的刺激强度校准信息；

11、获取运动诱发任务下的任务态脑电信号、任务态光电容积脉搏波信号/皮肤电反应信号、任务态肌电信号和运动加速度信号。

12、优选地，质量控制与对齐模块具体用于：

13、对睁眼静息态脑电信号、闭眼静息态脑电信号和/或任务态多模态信号进行滤波、去伪迹、重参考、重采样和归一化；

14、对电刺激任务下的任务态脑电信号以及对应的刺激强度校准信息按刺激事件提取对应时段；

15、对运动诱发任务下的任务态脑电信号、任务态光电容积脉搏波信号/皮肤电反应信号、任务态肌电信号和运动加速度信号按动作起始事件和动作结束事件确定试次边界，并按统一试次边界切片；

16、对不同部位协议下的试次结构通过有效试次标记进行统一对齐；

17、对缺失试次、异常长度试次或局部缺失模态采用补齐或掩码处理。

18、优选地，第一评估模式筛查模块具体用于：

19、对睁眼静息态脑电信号和闭眼静息态脑电信号进行特征提取，获得睁眼静息eeg特征和闭眼静息eeg特征；

20、构建睁眼静息eeg特征和闭眼静息eeg特征之间的状态差分特征，并计算静息态功能连接特征；

21、将状态差分特征和静息态功能连接特征进行融合，生成第一风险分数和第一风险等级。

22、优选地，第二评估模式评估模块具体用于：

23、对预处理后电刺激任务下的任务态脑电信号进行特征提取得到任务态eeg特征；将刺激强度校准信息作为校准特征与任务态eeg特征进行交叉融合，得到疼痛任务表征，并输出电刺激疼痛评分；

24、对预处理后的运动诱发任务下的任务态脑电信号、任务态光电容积脉搏波信号/皮肤电反应信号、任务态肌电信号和运动加速度信号构造多模态试次级特征；对多模态试次级特征执行自适应模态对齐得到多模态权重，将多模态权重进行加权拼接与融合投影得到试次级融合表征，通过试次级融合表征得到运动诱发痛负荷评估结果

25、通过运动诱发痛负荷评估结果和疼痛任务表征得到第二评估模式表征。

26、优选地，所述跨模式融合模块具体用于：

27、将第一评估模式表征与第二评估模式表征投影到共同特征空间；

28、计算投影后双模式表征之间的欧氏距离，并基于欧氏距离的负指数形式生成跨模式一致性分数；

29、基于所述跨模式一致性分数和双模式表征的交互特征，生成综合风险结果。

30、优选地，还包括输出模块：用于输出跨模式一致性分数和综合风险结果。

31、优选地，第一评估模式筛查模块还用于：

32、通过将睁眼静息eeg token序列的均值池化特征、闭眼静息eeg token序列的均值池化特征、静息态功能连接特征和状态差分特征拼接后，经线性映射、gelu激活和层归一化得到中心特征；

33、将中心特征、状态差分特征、静息态功能连接特征、劳损部位特征和人口学特征拼接后，输入共享特征提取头，经两层线性映射、gelu激活、随机失活和层归一化处理得到共享表征；

34、共享表征通过一个线性层和sigmoid激活函数输出疼痛敏感性评分。

35、第二方面，本发明实施例提供一种基于双模式渐进式评估的慢性劳损风险预测方法，包括：

36、采集受试者的睁眼静息态脑电信号和闭眼静息态脑电信号；

37、对睁眼静息态脑电信号和闭眼静息态脑电信号进行预处理，得到第一评估模式表征；

38、基于第一评估模式表征生成第一风险分数和第一风险等级；当第一风险等级或第一风险分数达到预设转入条件时，触发采集任务态多模态信号；

39、对任务态多模态信号进行预处理，得到第二评估模式特征；

40、基于第二评估模式特征生成第二评估模式表征；

41、将第一评估模式表征与第二评估模式表征投影到共同空间，生成跨模式一致性分数和综合风险结果。

42、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于双模式渐进式评估的慢性劳损风险预测系统及方法，具有以下优点：

43、采用双模式渐进式评估路线，在基层场景下可通过静息态 eeg 完成低负担初筛，在医院场景下可进一步进行任务态精评。

44、显式利用睁眼静息与闭眼静息之间的状态差分特征，有利于增强对慢性劳损个体基础调节能力异常的识别。

45、将电刺激任务脑电信息与运动诱发任务多模态信息纳入统一评估框架，有利于同时刻画感觉功能和运动功能。

46、基于动作事件进行任务态多模态试次重切和对齐，有利于提高不同部位协议下的融合稳定性。

47、增加跨模式一致性分析，有利于形成更具结构性的综合风险输出，并支持转诊或加测决策。