基于多模态数据的卵巢功能预测方法及设备

本发明涉及生理数据处理，具体而言，涉及一种基于多模态数据的卵巢功能预测方法及设备。

背景技术：

1、卵巢储备功能（ovarian reserve,or）指卵巢内存留的原始卵泡数量及其发育为成熟卵母细胞的能力，是评估女性生育潜力、生殖健康状态及预测绝经时机的核心指标，对于自然妊娠、辅助生殖决策和全生命周期健康管理具有重要临床价值。

2、目前临床评估卵巢储备功能的金标准主要包括血清抗缪勒管激素（anti-müllerian hormone,amh）检测和超声窦卵泡计数（antral follicle count,afc）。然而，这些方法均为单次“点状”检测，无法捕捉激素的月经周期波动与昼夜节律；同时忽略了个体差异以及心理因素对卵巢功能的瞬时调节作用，从而导致对卵巢功能的个体化预测不准确。

技术实现思路

1、有鉴于此，本发明提供了一种基于多模态数据的卵巢功能预测方法及设备，以解决卵巢功能的个体化预测不准确的问题。

2、第一方面，本发明提供了一种基于多模态数据的卵巢功能预测方法，该方法包括：通过可穿戴设备采集用户的生理时序数据，并获取用户通过填写标准量表得到的标准量表评分数据；对生理时序数据进行异常检测，触发采集即时问卷数据，即时问卷数据用于反映用户在生理时序数据异常时的瞬时状态；对生理时序数据进行特征提取，得到生理特征，并对标准量表评分数据和即时问卷数据进行特征提取，得到主观感知特征；将生理特征和主观感知特征进行特征融合，得到高维时序特征向量集；利用时间序列预测模型对高维时序特征向量集进行卵巢功能预测，得到卵巢功能预测结果。

3、在一种可选的实施方式中，对生理时序数据进行异常检测，触发采集即时问卷数据，包括：获取用户的动态个性化基线；基于动态个性化基线对生理时序数据进行异常检测，异常检测包括第一异常检测条件和第二异常检测条件，第一异常检测条件为检测生理时序数据中的各项数据是否在预设时间内偏离动态个性化基线的比例超过预设绝对阈值，第二异常检测条件为检测生理时序数据中的各项数据在预设时间窗口内的时序趋势斜率是否超过历史正常波动率；若生理时序数据中的任一项数据满足第一异常检测条件和第二异常检测条件中至少一项时，则触发采集即时问卷数据。

4、在一种可选的实施方式中，生理时序数据包括静息心率、心率变异性数据、体温数据、血氧饱和度数据、体动数据和睡眠分期数据；对生理时序数据进行特征提取，得到生理特征，包括：对静息心率数据进行特征提取，得到夜间静息心率均值和日间静息心率均值；对心率变异性数据进行特征提取，得到自主神经调控特征，自主神经调控特征包括时域特征和频域特征；对体温数据进行特征提取，得到昼夜节律特征，昼夜节律特征包括体温的昼夜振幅、昼夜相位和夜间最低点时间；对血氧饱和度数据进行特征提取，得到夜间最低血氧值和血氧下降事件次数；对体动数据进行特征提取，得到日间活动量和活动强度；对睡眠分期数据进行特征提取，得到深睡眠时长、快速眼动睡眠时长、浅睡眠时长和夜间觉醒次数。

5、在一种可选的实施方式中，对标准量表评分数据和即时问卷数据进行特征提取，得到主观感知特征，包括：对标准量表评分数据进行特征提取，得到长期统计特征，长期统计特征包括标准量表评分数据在预设长周期内的平均值和波动率；对即时问卷数据进行特征提取，得到短期动态特征，短期动态特征包括即时问卷评分在预设短周期内的平均值和波动率，以及即时问卷评分与生理事件强度的互相关系数；将长期统计特征和短期动态特征组合得到主观感知特征。

6、在一种可选的实施方式中，利用时间序列预测模型对高维时序特征向量集进行卵巢功能预测，得到卵巢功能预测结果，包括：利用时间序列预测模型对高维时序特征向量集进行添加位置编码，得到带位置编码的时序特征序列；利用时间序列预测模型的自注意力机制对带位置编码的时序特征序列进行并行处理，捕捉不同时间步之间的长期依赖关系以及生理特征与主观感知特征之间的跨模态关联，得到深度时序特征表示；利用时间序列预测模型对深度时序特征表示进行线性映射，得到卵巢储备标志物的预测数值，作为卵巢功能预测结果。

7、在一种可选的实施方式中，时间序列预测模型的训练过程包括：获取第一训练数据集，第一训练数据集包括样本用户的生理时序训练数据、标准量表评分训练数据、即时问卷训练数据和金标准标签数据；对第一训练数据集中的多模态数据按时间窗口对齐，得到对齐后的多模态时序特征向量集；对多模态时序特征向量集添加位置编码，通过自注意力机制进行并行处理和线性映射对初始时间序列预测模型进行训练，得到第一预测数值；对第一预测数值和金标准标签数据进行均方根误差计算，得到第一均方根误差结果；基于第一均方根误差结果，通过反向传播优化模型参数，直至模型收敛，得到时间序列预测模型。

8、在一种可选的实施方式中，利用时间序列预测模型对高维时序特征向量集进行卵巢功能预测，得到卵巢功能预测结果，还包括：利用时间序列预测模型对高维时序特征向量集进行特征平铺，得到矩阵格式特征；利用时间序列预测模型采用多目标进化特征选择方法对矩阵格式特征进行特征筛选，得到第一筛选特征；利用时间序列预测模型采用傅里叶级数变换对矩阵格式特征进行特征筛选，得到第二筛选特征；利用时间序列预测模型将第一筛选特征和第二筛选特征进行拼接，并引入多阶滞后变量，将历史时间窗口内的生理特征与主观感知特征纳入当前时刻，得到扩展特征集；利用时间序列预测模型，通过统计检验与多倍交叉验证对扩展特征集在多个预测任务上的预测性能进行评估；利用时间序列预测模型，基于扩展特征集通过自回归方法输出卵巢储备标志物预测数值，并通过多标准决策对卵巢储备标志物预测数值进行筛选，得到卵巢功能预测结果。

9、在一种可选的实施方式中，时间序列预测模型的训练过程还包括：获取第二训练数据集，第二训练数据集包括样本用户的生理时序训练数据、标准量表评分训练数据、即时问卷训练数据和金标准标签数据；对第二训练数据集中的多模态数据进行特征平铺，得到矩阵格式训练特征；采用多目标进化特征选择方法对矩阵格式训练特征进行特征筛选，得到第一候选特征子集；采用傅里叶级数变换对矩阵格式训练特征进行特征筛选，得到第二候选特征子集；将第一候选特征子集与第二候选特征子集拼接，并引入多阶滞后变量，构造扩展训练特征集；利用多倍交叉验证与统计检验对扩展训练特征集的预测性能进行评估；基于交叉验证结果，通过多标准决策确定最优扩展特征集配置，基于最优扩展特征集配置采用回归方法训练模型，直至模型收敛，得到时间序列预测模型。

10、本发明提供的一种基于多模态数据的卵巢功能预测方法，还包括：利用时间序列预测模型对卵巢功能预测结果进行风险分析，得到风险分类结果和生育力指数，风险分类结果指示用户的卵巢功能所属风险等级，生育力指数用于提供用户的生育力评分。

11、第二方面，本发明提供了一种基于多模态数据的卵巢功能预测设备，包括：处理器以及与处理器连接的存储器；其中，存储器存储有可被处理器执行的指令，指令被处理器执行，以使处理器执行上述任意一项基于多模态数据的卵巢功能预测方法。

12、本发明提供的基于多模态数据的卵巢功能预测方法，首先通过可穿戴设备连续采集高精度的生理时序数据，并辅以标准量表评分数据，实现了长程、无创、居家的个性化数据采集。接着利用实时异常检测触发即时问卷，首次将生态瞬时评估引入卵巢功能预测，建立了生理异常事件与用户即时心理感受的实时关联，以提升卵巢功能预测的准确性。然后通过多模态特征提取与融合，将客观生理指标与主观心理体验转化为结构化表示，充分利用了两类信息的互补性，为卵巢功能预测提供更全面的特征输入。最后利用时间序列预测模型学习长期时序依赖和跨模态关联，能够在临床指标发生实质性异常前提前识别卵巢功能衰退风险，实现对卵巢功能变化的前瞻预警。本方法兼顾了低成本的居家依从性与高精度的个体化预测，提高了卵巢功能预测的准确性和个性化适配能力。