基于深度光学成像的隐私保护抑郁症识别方法、系统、计算机设备及介质

本发明涉及智能医疗，具体为一种基于深度光学成像的隐私保护抑郁症识别方法、系统、计算机设备及介质。

背景技术：

1、抑郁症已经成为危害人类生命健康的一大精神疾病，这种精神疾病会影响所有年龄层级的人。目前对抑郁症的诊断方法主要集中在专业医师指导的面谈交流过程中，有经验的医师能够从病患的异常表情中获得诊断线索。目前已经有相关研究利用表情信号完成抑郁症的自动检测识别，目前主流研究利用视觉信号，以摄像头捕获的面部视频)为主的自动检测算法，这些算法利用设计好的图像特征提取器对面部图像进行特征提取，之后利用统计算法将特征映射为抑郁症程度得分，通常以bdi或phq量表等评价结果作为此得分。然而，来自被试的面部图像是一个相当敏感的数据，因为面部图像包含生物特征标识符、个人身份信息、年龄等特征，有很高的隐私泄露风险。为了最小化这些风险，先前的相关研究引入了面部图像匿名化技术。这一类方法不使用完整可见的面部图像，转而使用各类面部生物特征(如面部关键点)进行抑郁症识别。

2、在深度光学领域，镜头可以被参数化到深度学习模型的不同层，这一过程涉及光学系统和下游任务的联合优化。深度光学的基本理念是通过其物理结构被特殊优化的透镜，捕捉有利于下游任务的图像，以提高在特定任务上的性能。同理，光学成像系统也能够被设计成有意降低图像质量或者掩盖隐私信息的方式，但成像结果仍然能够支持下游任务。

3、目前，在面部抑郁症识别领域，直接利用被试的面部图像进行识别涉及到面部隐私信息的形成和传输，无法保障用户的隐私安全。当前已有的隐私保护方法则主要包括利用算法生成无隐私的面部图像替代原始图像进行识别，或者从面部图像提取重要的面部特征以避免传输完整的面部图像进行识别。尽管这些方法可以一定程度的保障隐私信息不被存储或传输，然而，这些方法的首要步骤通常是通过相机成像获取完整可识别的面部图像，这在数据的初步存储和传输阶段仍然存在泄露风险。

技术实现思路

1、为解决上述技术问题，本发明提供基于深度光学成像的隐私保护抑郁症识别方法、系统、计算机设备及介质。

2、本发明的基于深度光学成像的隐私保护抑郁症识别方法，所述方法包括如下步骤：

3、s1、构建光学模型，预训练带有隐私保护能力的透镜；

4、s2、构建深度模型，并引入情感信息数据；

5、s3、向光学模型和深度模型引入抑郁症信息数据；

6、s4、融合情感信息与抑郁症信息并进行抑郁症水平预测。

7、进一步地，s1具体包括如下步骤：

8、使用zernike多项式对透镜表面构建光学模型，表示为：

9、

10、其中，zj为zernike多项式的第j个分解项，αj为待优化的系数；

11、在光学模型基础上，获得该透镜对应的点扩散函数，并且其成像结果与点扩散函数相关；在距离透镜z位置上的点扩散函数表示为一个振幅a与相位φ的无限远点光源，具体为如下计算关系：

12、

13、相机所接收到的成像结果ic可以通过以下方式计算：

14、ic(x,y)＝∫(iλ*pλ)(x,y)κc(λ)dλ+η,

15、其中，iλ表示实际场景对应的光场，λ分别对应r、g、b三色光的波长，分别为640nm、550nm、460nm；

16、对于使透镜具备视觉降质的目标，最大化成像结果与真实图像之间的均方误差来实现：

17、

18、采用空间注意力卷积网络模型，对图像进行特征提取；该空间注意力卷积网络通过堆叠多层的空间注意力卷积层构造而来；每一个层使用如下的方法进行特征提取：

19、

20、

21、其中，代表带有k个分组的卷积，bn和relu分别为归一化函数和激活函数；⊙为哈达玛积符号；所有层的参数在初始化阶段均使用kaiming初始化方法对其赋予初值；

22、对于得到的身份特征，通过一个反三元组损失函数进行模型的反向传播优化：

23、

24、其中，分别为通过身份特征模型提取出的特征，对应一个基准图像a，一个与基准图像身份相同的图像p，和一个身份不同的图像n；m为一个边界距离，取m＝1；距离d(·)的计算方式为

25、引入关键点识别损失函数llm，损失函数通过计算真实的关键点坐标和预测坐标之间的均方误差来计算：

26、

27、其中，k为面部关键点的索引，lm和分别为预测的关键点和真实关键点的位置坐标值；关键点是通过对身份特征识别模型提取的面部嵌入进行浅层的非线性映射，得到在成像结果上的关键点预测坐标；整体损失函数为：

28、li＝αlv+βlid+γllm

29、其中，权重分别设置为α＝-0.1,β＝1,γ＝1。

30、进一步地，s2具体包括如下步骤：

31、通过利用步骤s1得到的身份特征识别模型，在继承其模型结构和参数的基础上，继承其学习到的去隐私人脸特征，同时使用前一步得到的透镜，进一步做情感特征识别模型和光学透镜的参数微调，通过以下交叉熵损失来训练学习面部情感类别的识别：

32、

33、训练后获得的情感特征识别模型的最后一个特征层被保留下来，作为情感特征。

34、进一步地，s3具体包括如下步骤：

35、将步骤s2中训练的情感特征识别模型的结构与参数进行复制和复用，并且微调这一复制的模型参数，作为抑郁症特征识别模型，继续步骤s2的光学透镜的参数微调，以获得关于抑郁症水平的信息；

36、将实值的抑郁症分数转换为离散的概率分布，表示为p＝[p1,p2,…,pc]，其中c表示基于抑郁症分数的抑郁症水平；在微调过程中，最小化模型的预测pd与真实之间的分布相似性，并使用直方图损失来约束正特征对和负特征对之间的标签感知相似性，通过构造正负特征分布的直方图h+,h-来计算这一损失，抑郁度量损失可以定义为：

37、

38、其中，n代表样本数量，r代表构造出来的直方图的索引量；训练后获得的抑郁症特征识别模型的最后一个特征层被保留下来，作为抑郁症特征。

39、进一步地，步骤s4具体包括如下步骤：

40、融合模型多模态transformer将汇总情感特征和粗粒度的抑郁症特征，以进行精细抑郁症分数的预测；融合模型核心为交叉注意力机制，将来自两个不同信息源的特征进行信息融合和自动加权决策；其计算方式为：

41、z＝softmax((wqs1)(wks2))wvs2+softmax((wqs2)(wks1))wvs1,

42、其中，wq，wk，wv分别为注意力向量权重，a1和s2分别为情感特征和抑郁症特征；对于得到的融合特征z，使用多层非线性映射来获得最终的抑郁症分数输出；

43、完整的整套模型包括从步骤s3获得而来的光学模型、情感特征识别模型和抑郁症特征识别模型，以及对应的预训练权重；在这个阶段，这些模型权重被冻结，仅对最终的融合模型参数进行优化；该模型使用抑郁症分数作为真值进行训练，使多模transformer模型学习从情感特征和抑郁症特征到抑郁症分数s的映射；该步骤通过使用均方误差损失来优化融合模型：

44、

45、本发明还涉及一种基于深度光学成像的隐私保护抑郁症识别系统，该系统包括一计算机模块，该模块应用了基于深度光学成像的隐私保护抑郁症识别方法。

46、本发明还涉及一种计算机设备，该设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于深度光学成像的隐私保护抑郁症识别方法的步骤。

47、本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度光学成像的隐私保护抑郁症识别方法的步骤。

48、有益效果

49、本发明通过设计基于深度光学的抑郁症识别模型，能够对面部图像进行抑郁症识别并且不产生任何隐私信息，同时确保识别的准确度。通过对比本模型与其他方法在识别性能与隐私保护性能的平衡上，本发明设计的模型具有最好的表现。与不同程度的图像模糊方法(高斯模糊，失焦模糊)对比，本发明的隐私保护策略可以在保障识别误差的情况下，取得最佳的隐私保护性能。