用于阿尔兹海默症的数据样本检测方法及系统

1.本发明涉及医疗器械技术领域，具体地，涉及一种用于阿尔兹海默症的数据样本检测方法及系统，同时提供了一种相应的设备及计算机可读存储介质。


背景技术：

2.阿尔兹海默症是一种起病隐匿的进行性发展的神经系统退行性疾病。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征。对于与阿尔兹海默症相关的生理数据的采集及检测，始终存在需要专业昂贵设备，并需要持续到医院进行。由于患病人群主要集中于中老年，对于早期的检查是十分不便的。阿尔兹海默症不可逆的特点，在早期不发现预防的情况下，对于生命健康又极其不良的影响。
3.由于阿尔兹海默症患者早期会表现出说话迟钝，遗忘事件等等特点，这一现象可以通过语音和文本表现出来。因此，可以使用机器学习手段对于收集到的数据进行分析，发现微小的变化，对于健康人群和患病人群进行区分。目前检查的方法主要表现为，基于问卷的人工检查以及基于医疗设备的病理性检查。基于问卷(mmse)的阿尔兹海默症人工检查方法，在精度和成本上一直存在着改进的空间，对于早期的预防很多时候不能提前发现。基于医疗设备的病理性检查，例如核磁共振等手段，早期可能难以发现，并且依赖于昂贵医疗设备，成本较高，并且可能对用户健康带来其他危害。
4.如今，随着海量分布式物联网设备在智能家居场景中的广泛部署(亚马逊alexa，谷歌home等等)，大大优化了用户的体验，也解决了很多复杂的数据采集问题。如果能够借助物联网技术实现对阿尔兹海默症相关数据进行采集和检测，将具有很大的研究价值和应用潜力。
5.目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。


技术实现要素：

6.本发明针对现有技术中存在的上述不足，提供了一种用于阿尔兹海默症的数据样本检测方法及系统，同时提供了一种相应的设备及计算机可读存储介质。
7.根据本发明的一个方面，提供了一种用于阿尔兹海默症的数据样本检测方法，包括：
8.基于物联网智能家居设备，进行被动式和主动式的多任务数据采集；
9.对采集的所述数据中的语音数据进行语音转文字处理，并在每一个智能家居节点对需要传输的文本信息进行授权，获得授权后的文本数据；
10.对所述授权后的文本数据进行验证后，提取文本数据特征，并进行语句连贯性分析；
11.对提取的所述特征汇总聚合后进行分类，并结合所述语句连贯性分析结果，得到
最终的针对阿尔兹海默症的数据样本的检测结果。
12.优选地，所述被动式的数据采集包括：日常对于智能家居设备的指令信息数据采集；所述主动式的数据采集包括：针对设定的任务进行的语音和文本数据采集。
13.优选地，所述对采集的所述数据中的语音数据进行语音转文字处理，并在每一个智能家居节点对需要传输的文本信息进行授权，获得授权后的文本数据，包括：
14.对采集的所述数据进行预处理；
15.将预处理后的所述数据中的语音数据进行语音转文字处理；
16.在每一个智能家居节点，对需要传输的文本信息进行签名授权，得到授权后的文本数据。
17.优选地，所述预处理，包括：
18.对采集的所述数据进行滤波去噪处理；
19.对部分采集的所述数据进行预加重处理。
20.优选地，所述对需要传输的文本信息进行签名授权，得到授权后的文本数据，包括：
21.对于第i个智能家居节点，使用groupgen多项式时间算法生成循环群g，所述循环群g的阶数是p，生成元是g，所述循环群g满足ddh假设；
22.从[1，p]中随机选取两个元素a和b，生成ga和gb并进行交换，计算获得g
ab
作为签名密钥；
[0023]
使用签名算法sig(
·
)对需要传输的文本信息进行签名，并使用哈希函数hash对所述文本信息进行映射，获得授权后的文本数据pre(datai)：
[0024]
pre(datai)＝[trans(datai)，sig(g
ab
，hash(trans(datai)))]
[0025]
其中，pre(datai)为第i个智能家居节点的授权后的文本数据，trans(datai)为第i个智能家居节点传输的文本信息。
[0026]
优选地，所述对所述授权后的文本数据进行验证后，提取文本数据特征，并进行语句连贯性分析，包括：
[0027]
采用签名验证算法，验证所述文本数据是否被篡改；如果数据被篡改，则直接丢弃对应的智能家居边缘节点此次的计算结果；如果数据未被篡改，则进行对应的特征提取和语句连贯性分析；
[0028]
采用分层注意网络模型对所述文本数据进行从字词到句子再到语篇的特征提取；
[0029]
基于马尔可夫链对所述文本数据进行语句连贯性分析。
[0030]
优选地，所述分层注意网络模型包括：字词层面编码器层、字词层面注意力层、句子层面编码器层和句子层面注意力层；其中：
[0031]
所述字词层面编码器层，用于对每个字词进行编码，得到隐向量；
[0032]
所述字词层面注意力层，用于对选取的隐向量进行点积计算，得到注意力权重；
[0033]
所述句子层面编码器层，用于根据得到的隐向量的序列，进行隐向量进行加权和，得到句子的向量；
[0034]
所述句子层面注意力层，用于对选取的句子的向量进行点积计算，得到句子的注意力权重；
[0035]
对每一个所述句子的向量按照所述句子的注意力权重进行加权平均，获得最终的
语篇向量并输出，实现从字词到句子再到整个语篇的特征提取。
[0036]
优选地，所述基于马尔可夫链对所述文本数据进行语句连贯性分析，包括：
[0037]
基于词频提取出所述文本数据里出现频率最高的多个字词，得到的字词记为w
set
[w1，w2......，wn]；
[0038]
针对任一文本数据，按照句子进行切割，检索其中出现含有w
set
中字词的句子j，并提取出对应词汇，记录为
[0039]
采用已有的阿尔兹海默症患者的文本训练数据集对马尔可夫链进行训练，得到对应的转移概率；根据所述转移概率，比对所述文本数据中句子j的对应词汇，如果转移正确，所述句子j的连贯性得分scorei增加1，否则不做任何操作；
[0040]
对所述文本数据的所有句子的连贯性得分进行归一化操作，根据设定的阈值th进行划分，将大于阈值的scorei修改为1，将小于阈值的scorei修改为0，得到最终的语句连贯性分析结果。
[0041]
优选地，采用轻量级的神经网络，对汇总聚合后的特征进行分类，得到分类结果；将所述分类结果结合所述语句连贯性分析结果，得到最终的针对阿尔兹海默症的数据样本的检测结果。
[0042]
根据本发明的另一个方面，提供了一种用于阿尔兹海默症的数据样本检测系统，包括：
[0043]
多源数据采集模块，该模块基于物联网智能家居设备，进行被动式和主动式的多任务数据采集；
[0044]
数据预处理模块，该模块对采集的所述数据中的语音数据进行语音转文字处理，并在每一个智能家居节点对需要传输的文本信息进行授权，获得授权后的文本数据；
[0045]
特征提取模块，该模块对所述授权后的文本数据进行验证后，提取文本数据特征，并进行语句连贯性分析；
[0046]
结果检测模块，该模块对提取的所述特征汇总聚合后进行分类，并结合所述语句连贯性分析结果，得到最终的针对阿尔兹海默症的数据样本的检测结果。
[0047]
根据本发明的第三个方面，提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一项所述的方法，或，运行上述的系统。
[0048]
根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述的方法，或，运行上述的系统。
[0049]
由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：
[0050]
本发明提供的用于阿尔兹海默症的数据样本检测方法及系统，针对早期阿尔兹海默症的相关数据检测任务，可以区分出受试者是否患有早期阿尔兹海默症。本发明仅需利用在智能家居中广泛部署的物联网设备，对于多任务场景下的用户数据进行收集。由于定义了四种任务，分别是指令任务，描述任务，回忆任务，书写任务，包含被动式和主动式的场景，并且涵盖了语音和文本多源数据，因此有更多的用户特征可以用于后续的阿尔兹海默症相关数据的预测分类，有利于提升最终对数据预测结果的准确性和有效性。
[0051]
本发明提供的用于阿尔兹海默症的数据样本检测方法及系统，在特征的提取和最
终分类中，也增加了对阿尔兹海默症患者和健康人群区别的数据分析。除了对采集数据的预处理以外，增加了基于马尔可夫链的语义连贯性分析，选择了适合这一任务的分层注意网络提取语篇的特征。本发明选择了多种分类模型，根据数据预测结果，能够反馈出受试者是否满足患有阿尔兹海默症的数据特征，在早期阿尔兹海默症的特征采集和预测具有如下任意一项或任意多项贡献：
[0052]-对于设备的依赖性较低，只需要基于智能家居场景里的物联网设备完成多任务协调部署，即能够进行数据采集，可以高效地部署并进行简单的数据收集。
[0053]-提出了安全机制，保证全过程的安全性，增加了签名验证机制，在传输过程中防止数据被篡改。
[0054]-基于多任务的考察和有效的特征提取机制，保证数据采集的高精度。引入了分层注意网络进行数据的特征提取，使用马尔可夫链对语义连贯性进行拟合，改善提高系统性能。
附图说明
[0055]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0056]
图1为本发明一实施例中用于阿尔兹海默症的数据样本检测方法的流程图。
[0057]
图2为本发明一实施例中用于阿尔兹海默症的数据样本检测系统的组成模块示意图。
[0058]
图3为本发明一优选实施例中用于阿尔兹海默症的数据样本检测系统的工作示意图。
具体实施方式
[0059]
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
[0060]
图1为本发明一实施例中用于阿尔兹海默症的数据样本检测方法的流程图。
[0061]
如图1所示，该实施例提供的用于阿尔兹海默症的数据样本检测方法，可以包括如下步骤：
[0062]
s100，基于物联网智能家居设备，进行被动式和主动式的多任务数据采集；
[0063]
s200，对采集的数据中的语音数据进行语音转文字处理，并在每一个智能家居节点对需要传输的文本信息进行授权，获得授权后的文本数据；
[0064]
s300，对授权后的文本数据进行验证后，提取文本数据特征，并进行语句连贯性分析；
[0065]
s400，对提取的特征汇总聚合后进行分类，并结合语句连贯性分析结果，得到最终的针对阿尔兹海默症的数据样本的检测结果。
[0066]
在s100的一优选实施例中，被动式的数据采集可以包括：日常对于智能家居设备的指令信息数据采集；主动式的数据采集可以包括：针对设定的任务进行的语音和文本数
据采集。在一具体应用实例中，设定的多任务可以包括：描述任务、回忆任务和书写任务；进一步地，被动式和主动式的多任务数据采集，包括：指令任务、描述任务、回忆任务下采集的语音数据(该语音数据在后续处理中将处理为转录文本)以及书写任务下获得的文本数据；其中，语音数据依赖于智能家居的智能音箱、麦克风等进行采集，文本数据依赖于智能家居的智能扫描仪等设备进行辅助收集。
[0067]
在s200的一优选实施例中，对采集的数据中的语音数据进行语音转文字处理，并在每一个智能家居节点对需要传输的文本信息进行授权，获得授权后的文本数据，可以包括如下步骤：
[0068]
s201，对采集的数据进行预处理；
[0069]
s202，将预处理后的数据中的语音数据进行语音转文字处理；
[0070]
s203，在每一个智能家居节点，对需要传输的文本信息进行签名授权，得到授权后的文本数据。
[0071]
在s201的一优选实施例中，预处理，可以包括如下内容：
[0072]
对采集的数据进行滤波去噪处理；
[0073]
对部分采集的数据进行预加重处理。
[0074]
在s203的一优选实施例中，为了生成签名密钥，保证传输数据不被篡改，对需要传输的文本信息进行签名授权，得到授权后的文本数据，可以包括如下步骤：
[0075]
s2031，对于第i个智能家居节点，使用groupgen多项式时间算法生成循环群g，循环群g的阶数是p，生成元是g，循环群g满足ddh假设；
[0076]
s2032，从[1，p]中随机选取两个元素a和b，生成ga和gb并进行交换，计算获得g
ab
作为签名密钥；
[0077]
s2033，使用签名算法sig(
·
)对需要传输的文本信息进行签名，并使用哈希函数hash对文本信息进行映射，获得授权后的文本数据pre(datai)：
[0078]
pre(datai)＝[trans(datai)，sig(g
ab
，hash(trans(datai)))]
[0079]
其中，pre(datai)为第i个智能家居节点的授权后的文本数据，trans(datai)为第i个智能家居节点传输的文本信息。该第i个智能家居节点传输的文本信息trans(datai)可以为通过语音转录得到的文本信息，也可以为通过智能家居设备直接获取的用于完成书写任务的文本信息。
[0080]
在s300的一优选实施例中，对授权后的文本数据进行验证后，提取文本数据特征，并进行语句连贯性分析，可以包括如下步骤：
[0081]
s301，采用签名验证算法，验证文本数据是否被篡改；如果数据被篡改，则直接丢弃对应的智能家居边缘节点此次的计算结果；如果数据未被篡改，则进行对应的特征提取和语句连贯性分析；
[0082]
s302，采用分层注意网络模型对文本数据进行从字词到句子再到语篇的特征提取；
[0083]
s303，基于马尔可夫链对文本数据进行语句连贯性分析。
[0084]
在s302的一优选实施例中，分层注意网络模型包括：字词层面编码器层、字词层面注意力层、句子层面编码器层和句子层面注意力层；其中：
[0085]
字词层面编码器层，用于对每个字词进行编码，得到隐向量；
[0086]
字词层面注意力层，用于对选取的隐向量进行点积计算，得到注意力权重；
[0087]
句子层面编码器层，用于根据得到的隐向量的序列，进行隐向量进行加权和，得到句子的向量；
[0088]
句子层面注意力层，用于对选取的句子的向量进行点积计算，得到句子的注意力权重；
[0089]
对每一个句子的向量按照句子的注意力权重进行加权平均，获得最终的语篇向量表示v并输出，实现从字词到句子再到整个语篇的特征提取。
[0090]
对于获得的语篇向量，可以通过全连接层的softmax层分类获得输出。
[0091]
在s303的一优选实施例中，基于马尔可夫链对文本数据进行语句连贯性分析，可以包括如下步骤：
[0092]
s3031，基于词频提取出文本数据里出现频率最高的多个字词，得到的字词记为w
set
[w1，w2......，wn]；
[0093]
s3032，针对任一文本数据，按照句子进行切割，检索其中出现含有w
set
中字词的句子j，并提取出对应词汇，记录为
[0094]
s3033，采用已有的阿尔兹海默症患者的文本训练数据集对马尔可夫链进行训练，得到对应的转移概率；根据转移概率，比对文本数据中句子j的对应词汇，如果转移正确，句子j的连贯性得分scorei增加1，否则不做任何操作；
[0095]
s3034，对文本数据的所有句子的连贯性得分进行归一化操作，根据设定的阈值th进行划分，将大于阈值的scorei修改为1，将小于阈值的scorei修改为0，得到最终的语句连贯性分析结果。
[0096]
在s400的一优选实施例中，采用轻量级的神经网络，对汇总聚合后的特征进行分类，得到分类结果；将分类结果结合语句连贯性分析结果，得到最终的针对阿尔兹海默症的数据样本的检测结果。其中，只有当两个结果均为符合正常条件的数据样本时，判断采集的数据样本为正常样本，否则为患病样本。
[0097]
本发明上述实施例提供的用于阿尔兹海默症的数据样本检测方法，满足多场景任务的需求，通过签名验证方案实现了高可靠安全，高有效性的实现针对阿尔兹海默症的数据样本居家检测。在智能家居场景中进行部署，利用海量的物联网设备，对多任务的数据进行采集分析处理，在数据传输过程中使用签名验证方案，确保数据在传输过程中未被篡改，有效保证数据传输的安全性。最终使用机器学习模型对于用户数据进行分类预测，为阿尔兹海默症的早期发现提供辅助的数据参考。
[0098]
本发明一优选实施例提供了一种用于阿尔兹海默症的数据样本检测方法。该优选实施例提供的方法可以在智能家居中部署使用，包括如下步骤：
[0099]
步骤一，进行多任务数据采集，可以依赖于智能家居的设备内部的麦克风对语音进行收集，其中包括被动式和主动式的数据收集。被动式收集指的是日常对于智能家居设备的指令，包括唤醒词和对话等等。主动式则是本发明定义的其余任务。
[0100]
步骤二，进行数据的预处理，首先要对于语音进行一些去噪处理，可以使用一些低通滤波器进行滤波。此后对于收集到的数据进行语音转文字处理。在每个智能家居节点，都对于要传输的信息进行签名，避免在传输过程中被攻击者篡改。
[0101]
步骤三，进行特征提取，该模块使用分层注意网络对转录文本进行特征提取，从字
词到句子再到语篇，实现对整个语篇特征的提取，为最终分类和检测做好准备工作。并且使用基于马尔可夫链的模型对于语篇做语句连贯性分析，作为最终分类的参考。
[0102]
步骤四，进行分析决策，医疗数据中心收集到汇总的聚合特征，使用轻量级神经网络和传统简单分类模型对结果进行分类和预测。参考之前的连贯性分析的得分，最终得到针对于阿尔兹海默症的决策。
[0103]
下面结合一具体应用实例对该优选实施例提供的方法的具体方案进一步详细说明。
[0104]
该具体应用实例提供的方法，可以采用商用的智能家居物联网设备进行数据采集工作，针对于n个用户，有四种任务需要进行数据采集。第一项是被动式的指令采集，数据记为表示指令任务的第i个用户的数据。第二项是主动式的对指定图片进行描述，数据记为表示描述任务的第i个用户的数据。而另外两种数据分别针对于回忆任务和书写任务，记为针对特定一个用户useri，最终获得的数据是
[0105]
在预处理阶段，该进行了滤波处理，对于一些不清晰的音频进行了预加重操作，方便转录成为文本。该具体应用实例提供的方法使用了语音转文字的开源包工具，获得转录的文本trans(datai)。为了保证数据传输的安全性和不可篡改性，引入了基于了签名验证方案保证数据的安全性。对于医疗数据中心和第i个智能家居节点，首先使用groupgen多项式时间算法生成循环群g，该群的阶数是p，生成元是g。生成的群需要满足ddh假设(decisional diffie-hellman assumption)。从[1，p]中随机选取两个元素a，b，生成ga和gb并进行交换，计算获得g
ab
作为签名密钥，使用签名算法sig(
·
)对收集到的数据进行签名，并使用哈希函数hash对数据进行映射，获得新的数据。
[0106]
pre(datai)＝[trans(datai)，sig(g
ab
，hash(trans(datai)))]
[0107]
其中pre(datai)是对于第i个用户的授权后的文本数据，为经过预处理之后，经过语音转录文本和签名验证处理后的数据，为特征提取做准备。
[0108]
在特征提取过程中，首先医疗数据中心需要对收到的数据进行签名验证，使用多项式时间的验证算法，验证数据是否被篡改过。如果数据被篡改，将直接丢弃对应的智能家居边缘节点此次的计算结果，之后进行对应的特征提取。
[0109]
该具体应用实例提供的方法，基于健康人群和患阿尔兹海默症人群的语音文本差异，进行特征的提取。具体而言是，特征提取模型采用分层注意网络模型，由以下的四部分组成：一个字词层面的编码器，一个字词层面的注意力层，一个句子层面的编码器，一个处于句子层面的注意力层。对每个字词编码后，得到隐向量，通过预先选好的向量进行点积计算，得到注意力权重。再根据隐向量的序列，进行加权和，得到句子的向量。后续的从句子到语篇的设计过程与从单词到句子的过程类似，最终获得整个语篇的对应特征向量。
[0110]
此后引入了马尔可夫链来探究语义的连贯性情况，该情况用于辅助最后的预测结果。具体而言是，首先基于词频提取出pre(datai)里最常出现的50个字词，此处设定为50是考虑到了语篇和任务量的大小设计的，得到的字词记为w
set
[w1，w2......，w
50
]。对于某一用户的数据，按照句子切割，检索其中出现含有w
set
里面词的句子，并提取出对应词汇，假设某一句子没有出现w
set
里面词，则不记录，否则进行记录。例如对于第j句，如果该句子含有k个wset
里面的词，记录为
[0111]
使用已有的阿尔兹海默症患者的文本数据集对马尔可夫链进行训练，可以得到对应的转移概率，即针对某一出现在w
set
里面的词，下一次出现的w
set
面词应该是什么。通过这一规则与目前采集样本中的记录进行比对，如果转移正确，第i个用户的样本连贯性得分scorei增加1，不匹配则不做任何操作。最后对用户的所有样本连贯性得分进行归一化操作，根据设定的阈值th进行划分，大于阈值的scorei修改为1，小于阈值的修改为0，辅助最后的分类结果。
[0112]
在特征提取后，需要进行分类任务来得到最终的阿尔兹海默症的预测结果，采用轻量级的神经网络和传统的分类方法(如，随机森林，k相邻，支持向量机等等)进行分类，最终选取最好的分类效果。该具体应用实例中需要对于采集的数据进行训练集和测试集的划分，可以按照7：3来划分。采用轻量级的算法可以实现快速的分类，最终获得结果0或者1。0代表受试者的数据样本被分类为符合患阿尔兹海默症条件的数据样本，1代表受试者的数据样本被分类为符合健康人群条件的数据样本。最终结果参考之前马尔可夫链的分析结果综合得到，如果两个结果都判定为1，最终结果输出为1，代表该受试者是健康人群，其余情况设定为患病人群，尽可能避免漏检。
[0113]
图2为本发明一实施例提供的用于阿尔兹海默症的数据样本检测系统的组成模块示意图。
[0114]
如图2所示，该实施例提供的用于阿尔兹海默症的数据样本检测系统，可以包括如下模块：
[0115]
多源数据采集模块，该模块基于物联网智能家居设备，进行被动式和主动式的多任务数据采集；
[0116]
数据预处理模块，该模块对采集的数据中的语音数据进行语音转文字处理，并在每一个智能家居节点对需要传输的文本信息进行授权，获得授权后的文本数据；
[0117]
特征提取模块，该模块对授权后的文本数据进行验证后，提取文本数据特征，并进行语句连贯性分析；
[0118]
结果检测模块，该模块对提取的特征汇总聚合后进行分类，并结合语句连贯性分析结果，得到最终的针对阿尔兹海默症的数据样本的检测结果。
[0119]
下面结合附图对本发明上述实施例提供的用于阿尔兹海默症的数据样本检测系统的工作内容进一步说明。
[0120]
如图3所示，在该实施例的一优选实施例中：
[0121]
多源数据采集模块：
[0122]
针对多种任务进行数据采集，提交给医疗数据中心进行处理和管理。
[0123]
为保证采集数据的有效性和多样性，该模块定义了四种任务，分别是被动采集的指令任务以及主动采集的描述任务、回忆任务和书写任务，广泛收集用户的多源数据。
[0124]
数据采集需要依赖于智能家居场景中广泛部署的物联网设备，可以便捷的进行数据的采集。
[0125]
数据预处理模块：
[0126]
包含对聚合数据的语音转文字处理，并且对于要传输的信息进行签名。
[0127]
采用语音转文字的开源包工具实现对采集的语音数据的处理，同时考虑到收集到
的数据可能清晰度，声道数不同，需要进行预处理。
[0128]
增加了签名机制，在数据采集端对于数据进行签名，为后续验证安全性打好基础。
[0129]
特征提取模块：
[0130]
在医疗数据中心，需要对收到的数据签名进行验证，确定是否来自于合法用户，此后使用分层注意网络提取有效的特征，并且进行语义连贯性分析，得到最终的聚合特征。
[0131]
对于收集到的数据签名进行验证，确定是否来源于合法用户，此后对于有效的内容进行特征提取，选择适用于本场景的网络模型，提取到合适的特征用于后一模块的分类。
[0132]
增加了基于马尔可夫链的语义连贯性分析，给出连贯性评分，为最终分类提供参考。
[0133]
结果检测模块：
[0134]
在医疗数据中心，使用神经网络和其他简单的分类器模型对于数据进行训练和分类，可以为用户是否患病提供辅助的数据参考。
[0135]
对于收集到的特征进行分类，采用神经网络或其他常用的分类模型，如随机森林，k相邻，支持向量机等等，综合上一模块给出的连贯性评分，给出最终的分类结果，为针对早期阿尔兹海默症的数据检测提供帮助。
[0136]
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
[0137]
本发明一实施例提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行本发明上述中任一项的方法，或，运行本发明上述实施例中任一项的系统。
[0138]
本发明一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行本发明上述中任一项的方法，或，运行本发明上述实施例中任一项的系统。
[0139]
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)，如静态随机存取存储器(英文：static random-access memory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：double data rate synchronous dynamic random access memory，缩写：ddr sdram)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
[0140]
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
[0141]
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
[0142]
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
[0143]
本发明上述实施例提供的用于阿尔兹海默症的数据样本检测方法及系统，考虑了
在多种任务下用户的表现，同时兼顾了主动式检测和被动式检测，并且使用了在智能家居场景中广泛部署的设备进行数据的采集，具有便捷可靠低成本等优势。其主要原理是基于患病人群与健康人群在语言、思维、文字上表现的差异，例如患病人群的语音有很多停顿和空白，逻辑性更差，这些细粒度的差异可以通过本发明上述实施例中提出的特征分析获得。目前，基于问卷的人工检查，基于医疗设备的病理性检查已经提出，但仍然存在众多的缺陷和不足，难以满足对早期阿尔兹海默症的发现和预防要求。同时在已有方案中都没有任何安全保护机制，对于用户而言，语音文本和其他隐私数据(如，年龄，性别)等等都可能在诊断过程中泄露，数据可能被篡改，因此本发明上述实施例中引入签名机制，保证了数据源的可靠性。本发明上述实施例提供的用于阿尔兹海默症的数据样本检测方法及系统，具有：设备依赖性低：只需依赖于在智能家居场景中部署的物联网设备进行数据的采集；具有安全机制：保证用户的健康数据不被泄露，数据的提供是安全的；高精度、低成本：与已有的阿尔兹海默症数据检测方案相比，由于多任务的数据采集更加多源，方便部署，低成本的同时达到较好的检测精度。
[0144]
本发明上述实施例中未尽事宜均为本领域公知技术。
[0145]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。