CN111419249B - 一种抑郁预测模型的生成方法和预测*** - Google Patents

一种抑郁预测模型的生成方法和预测*** Download PDF

Info

Publication number
CN111419249B
CN111419249B CN202010220741.6A CN202010220741A CN111419249B CN 111419249 B CN111419249 B CN 111419249B CN 202010220741 A CN202010220741 A CN 202010220741A CN 111419249 B CN111419249 B CN 111419249B
Authority
CN
China
Prior art keywords
depression
data
prediction model
user
time sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010220741.6A
Other languages
English (en)
Other versions
CN111419249A (zh
Inventor
冯甄陶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xintu Entropy Technology Suzhou Co ltd
Original Assignee
Xintu Entropy Technology Suzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xintu Entropy Technology Suzhou Co ltd filed Critical Xintu Entropy Technology Suzhou Co ltd
Priority to CN202010220741.6A priority Critical patent/CN111419249B/zh
Publication of CN111419249A publication Critical patent/CN111419249A/zh
Application granted granted Critical
Publication of CN111419249B publication Critical patent/CN111419249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种抑郁预测模型的生成方法和预测***，模型的生成方法包括：步骤1：采集用户的心率波段时序数据和抑郁测量数值；步骤2：基于所述心率波段时序数据提取用户的时序特征数据，构建训练样本和测试样本；步骤3：基于所述用户的时序特征数据和用户的抑郁测量数值，生成抑郁预测模型；步骤4：生成最优抑郁预测模型。本发明通过可穿戴设备采集的心率数据，利用机器学习算法，实现对用户抑郁状态的自动识别，对用户的侵扰少，便捷记录用户的自然行为，为用户的抑郁状态的纵向及时跟踪和预警提供了技术支撑。

Description

一种抑郁预测模型的生成方法和预测***
技术领域
本发明涉及心理学和人工智能领域，更具体地涉及一种抑郁预测模型的生成方法和预测***。
背景技术
当前社会竞争日益激烈，几乎每个人都在超负荷运转，很容易产生不同程度的抑郁情绪，这是一种很常见的情感成分。当人们遇到精神压力、生活挫折、痛苦境遇、生老病死、天灾人祸等情况时，理所当然会产生抑郁情绪。几乎我们所有人都在某个时候觉得情绪低落，常常是因为生活中一些不如意的事情。但是持续性的抑郁、重度抑郁则是另外一回事。在全世界，受某种形式的抑郁影响的人数占全部妇女的25％，全部男性的10％，以及全部青少年的5％。在美国，这是最常见的心理问题，每年大约有一亿七百六十万人因此而苦恼。
抑郁症又称抑郁障碍，以显著而持久的心境低落为主要临床特征，是心境障碍的主要类型。临床可见心境低落与其处境不相称，情绪的消沉可以从闷闷不乐到悲痛欲绝，自卑抑郁，甚至悲观厌世，可有***企图或行为；甚至发生木僵；部分病例有明显的焦虑和运动性激越；严重者可出现幻觉、妄想等精神病性症状。每次发作持续至少2周以上、长者甚或数年，多数病例有反复发作的倾向，每次发作大多数可以缓解，部分可有残留症状或转为慢性。
抑郁症是世界第四大疾病，有报道称，我国抑郁症患病率在3％～5％，但也有报道称达到了6.1％。目前，我国对抑郁症的医疗防治还处在识别率低的局面，地级市以上的医院对其识别率不足20％，只有不到10％的患者接受了相关的药物治疗；而且，抑郁症的发病(和***事件)已开始出现低龄(大学，乃至中小学生群体)化趋势。因此，对抑郁症的科普、防范、治疗工作亟待重视，抑郁症防治已被列入全国精神卫生工作重点。
抑郁症的复发风险较大，有人对抑郁症患者追踪10年的研究发现，有75％～80％的患者多次复发，故抑郁症患者需要进行预防性治疗。发作3次以上应长期治疗，甚至终身服药。维持治疗药物的剂量多数学者认为应与治疗剂量相同，还应定期门诊随访观察。心理治疗和社会支持***对预防本病复发也有非常重要的作用，应尽可能解除或减轻患者过重的心理负担和压力，帮助患者解决生活和工作中的实际困难及问题，提高患者应对能力，并积极为其创造良好的环境，以防复发。
迄今为止，尚无针对抑郁障碍的特异性检查。抑郁自评量表(Se lf-rat ingdepress ion sca l e，SDS)，是临床常用的抑郁评估量表。其特点是能相当直观地反映抑郁患者的主观感受及其在治疗中的变化。主要适用于具有抑郁症状的成年人，包括门诊及住院患者。另外，抑郁症的诊断还主要根据病史、临床症状、病程及体格检查和实验室检查，典型病例的诊断一般不困难。国际上通用的诊断标准一般有I CD-10和DSM-V。目前的测评方法存在一些不足，对严重迟缓症状的抑郁症患者评定有困难，对于文化程度较低或智力水平稍差的人使用效果不佳，并且测评所花费的时间较长。
发明内容
为克服现有技术在测量抑郁症方面受测试人主观意识影响出现的测量准确度偏差问题，本发明提出一种抑郁预测模型的生成方法和***，从而实现为心理抑郁症的前期诊断和治疗提供依据。
在本发明的一方面中，提出一种抑郁预测模型的生成方法，包括：
步骤1：采集至少一名用户的心率波段时序数据和抑郁测量数值；
步骤2：基于所述心率波段时序数据提取用户的时序特征数据，构建训练数据和测试数据；
步骤3：基于所述用户的时序特征数据和用户的抑郁测量数值，生成抑郁预测模型；
步骤4：生成最优抑郁预测模型。
较佳地，在所述步骤2中，包括以下步骤：
S21：获取用户的心率波段时序数据的数量的最小值min和最大值max；
S22：设置采样时间窗l，对每一个用户的心率波段时序数据，对截取的长度为l的心率波段时序数据提取时序特征数据，构建时间窗l下的用户训练数据和用户测试数据。
较佳地，对截取的最后长度为l的心率波段时序数据提取时序特征数据；时序特征数据是从按时间顺序记录的一段心率波段时序数据上计算得到的统计特征，包括：最大值、最小值、均值、标准差、动态范围、峰度、偏度、斜率、截距、均方误差。
较佳地，在所述步骤3中，包括以下步骤：
S31：使用时间窗l下的用户训练数据的时序特征数据作为输入，用户训练数据中用户抑郁测量数值作为输出，训练得到时间窗l下的预测模型。
较佳地，在所述步骤4中，包括以下步骤：
S41：l的取值遍历[min,max]，重复步骤S2-S3，生成max-min+1个预测模型；
S42：计算将时间窗l下的用户测试数据的时序特征数据输入所述时间窗l下的预测模型后得到的预测结果与用户测试数据中用户抑郁测量数值之间的误差；
S43：计算时间窗l下抑郁预测模型的平均误差，将所述平均误差作为所述时间窗l下抑郁预测模型的性能评估指标；
S44：在max-min+1个预测模型中，平均误差最小的抑郁预测模型作为最优抑郁预测模型，所述最优抑郁预测模型对应的采样时间窗为最优采样时间窗。
根据本发明的另一方面，提出一种抑郁预测***，包括：数据采集模块、特征提取模块、训练样本构建模块、神经网络训练模块、最优预测模型获取模块和预测分析模块，其中，
所述数据采集模块，用于接收被试的心率波段时序数据；
所述特征提取模块，用于设置采样时间窗l，在时间窗l下生成心率波段时序数据的时序特征数据；将用户的时序特征数据传送给所述训练样本构建模块，将被试的时序特征数据传送给最优抑郁预测模型；
所述训练样本构建模块，用于对所述特征提取模块传送来的时序特征数据，构建时间窗l下的训练数据和测试数据；并将所述训练数据传送给所述神经网络训练模块，将所述测试数据传送给所述最优预测模型获取模块；
所述神经网络训练模块，用于通过所述时间窗l下的训练数据训练得到时间窗l下的预测模型；
最优预测模型获取模块，用于获取最优预测模型，所述最优预测模型输出被试的抑郁状态评分；和
预测分析模块，用于接收被试的心率波段时序数据，将所述被试的心率波段时序数据传送给所述特征提取模块，将返回的结果传送给所述最优抑郁预测模型，并根据返回的被试的抑郁状态评分判断被试的抑郁状态。
较佳地，在所述特征提取模块，在时间窗l下生成最后长度为l的心率波段时序数据的时序特征数据；时序特征数据是从按时间顺序记录的一段心率波段时序数据上计算得到的统计特征，包括：最大值、最小值、均值、标准差、动态范围、峰度、偏度、斜率、截距、均方误差；时序特征数据还包括用户的抑郁测量数值。
抑郁测量数值可以使用如背景技术中所述的抑郁测量表或其他方法获得，后期的判断相应地按照所用方法的标准进行评定。
较佳地，在所述训练样本构建模块中，随机选择设定比例的所述时序特征数据作为训练数据，剩余的所述时间特征数据作为测试数据；采样时间窗l的取值为[min,max]，可以获得max-min+1组训练数据和测试数据。
也可以为l人工设定一些数值，这样可以加快计算速度。
较佳地，在所述神经网络训练模块中，使用时间窗l下的训练数据中用户的时序特征数据作为抑郁预测模型的输入，用户对应的抑郁测量数值作为抑郁预测模型的输出，训练获得时间窗l下的抑郁预测模型；采样时间窗l的取值为[min,max]时，获得max-min+1个抑郁预测模型，抑郁预测模型的输出为抑郁状态评分。
较佳地，在所述最优预测模型获取模块中，使用如下步骤生成最优预测模型：
(1)计算将时间窗l下的用户测试数据的时序特征数据输入所述时间窗l下的预测模型后得到的预测结果与用户测试数据中用户抑郁测量数值之间的误差；
(2)计算时间窗l下的抑郁预测模型的平均误差，将所述平均误差作为所述时间窗l下的抑郁预测模型的性能评估指标；
(3)在max-min+1个预测模型中，平均误差最小的预测模型作为最优抑郁预测模型，所述最优抑郁预测模型对应的采样时间窗为最优采样时间窗。
本发明通过训练得到的预测模型，能够实现对用户抑郁状态的自动预测，提高了预测效率，并且能够实现对心理抑郁症的前期预警。
附图说明
图1为根据本发明一个实施例的抑郁预测模型的生成方法流程示意图；
图2为根据本发明一个实施例的抑郁预测***的结构示意图。
为了能明确实现本发明的实施例的结构，在图中标注了特定的尺寸、结构和器件，但这仅为示意需要，并非意图将本发明限定在该特定尺寸、结构、器件和环境中，根据具体需要，本领域的普通技术人员可以将这些器件和环境进行调整或者修改，所进行的调整或者修改仍然包括在后附的权利要求的范围中。
具体实施方式
下面结合附图和具体实施例对本发明提供的抑郁预测模型的生成方法和抑郁预测***进行详细描述。
在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
本发明的思路为：基于PPG(容积描记波)的方法，它使用光电式的检测方法将LED光源照射进入人体的皮肤组织，然后通过接收端的光电接收管来将接收到的光信号转换为电信号。由于皮肤组织内的血液流量随着脉搏的变化而周期性地变化，同时血液中的含氧血红细胞的比例也随着脉搏的变化而变化，因此它们对入射光的吸收程度也随着脉搏而呈现周期性的变化，体现在接收端就是接收到的电信号也随着脉搏而变化。通过算法我们可以解调出这个信号，从而算出心率,根据心率波动提取出心率变异时间序列特征(RR间期序列),从而训练出基于时间序列的抑郁症预测模型。
在本发明中，被试是指待测试者；用户是采集其数据者，用户为多人。
本发明提出一种抑郁预测模型的生成方法，如图1所示，包括：
步骤1：采集用户的心率波段时序数据和抑郁测量数值；
步骤2：对心率波段时序数据提取用户的时序特征数据，构建训练数据和测试数据；
步骤3：基于用户的时序特征数据和用户的抑郁测量数值，生成抑郁预测模型；
步骤4：生成最优抑郁预测模型。
在步骤1中，心率波段时序数据是时间序列数据，可以从用户佩戴的手环中获取。抑郁测量数值可以通过抑郁自评量表等获得。
在步骤2中，从心率波段时序数据提取时序特征数据，时序特征数据是从按时间顺序记录的一段心率波段时序数据上计算得到的统计特征，包括：最大值、最小值、均值、标准差、动态范围、峰度、偏度、斜率、截距、均方误差等10个统计指标。
具体说，首先获取所有用户的心率波段时序数据的数量的最小值min和最大值max；然后设置采样时间窗l，对每一个用户的心率波段时序数据，截取长度为l的心率波段时序数据，例如截取最后长度为l的心率波段时序数据，然后生成时序特征数据，将得到的时序特征数据按预设比例或随机分成时间窗l下的用户训练数据和用户测试数据；时序特征数据、训练数据、测试数据都含有该用户的抑郁测量数值。
在步骤3中，使用时间窗l下的用户训练数据的时序特征数据作为输入，用户训练数据中用户抑郁测量数值作为输出，训练得到时间窗l下的抑郁预测模型；训练神经网络模型是现有的技术，有很多开源框架可以使用。
在一个实施例中，对于所有用户的心率波段时序数据，针对不同的采样时间窗l设置，可以获得多组时序特征数据，使用该数据构建训练数据和测试数据，训练抑郁预测模型,抑郁预测模型的输入是所有用户的时间窗长为l的时序特征数据，输出是该用户抑郁测量数值。
在步骤4中，时间窗l的取值为从min到max，重复步骤S2-S3，则可以生成max-min+1个抑郁预测模型；然后将每个时间窗l下的用户测试数据的时序特征数据输入该时间窗l下的抑郁预测模型，计算得到的预测结果与用户测试数据中用户抑郁测量数值之间的误差；然后计算时间窗l下的抑郁预测模型的平均误差，将平均误差作为抑郁预测模型的性能评估指标；在max-min+1个抑郁预测模型中，平均误差最小的抑郁预测模型作为最优抑郁预测模型，最优抑郁预测模型对应的采样时间窗为最优采样时间窗。
实施例1：
抑郁症预测模型的具体生成过程如下：
(1)接收到某用户的心率波段数据为[…,65.00,68.52,77.59,66.70,71.78,72.73,66.86,62.58,66.52,64.48,64.36,71.23]。
(2)对该数据进行统计特征提取，设置l＝10，即截取该时序数据的最后10个心率数值，生成其时序特征数据为[77.58,62.58,68.48,…]，即为最大值、最小值、均值等。如果l＝9,则其对应的时序特征值为[72.73,62.58,67.47,…]，而如果是l＝8，则只截取其最后8个数值，提取的时序特征值为[72.73,62.58,67.56,…]，以此类推。然后将所有用户这些数据分为训练数据和测试数据。
(3)将训练数据的时序特征数据作为输入，用户的抑郁状态数值作为输出，就可以训练出l＝10、9、8对应的预测模型。
(4)针对不同的l取值10，9，8，选取N个用户的测试数据对预测模型的性能进行评估，计算出误差为[13.19,3.42,6.79]，3.42最小，则选择出3.42对应的预测模型为最优预测模型，时间窗为l＝9。
此例中，l的值人工设定，可以比从min到max值遍历运算速度快。
根据本发明的另一方面提出一种抑郁预测***，包括：数据采集模块、特征提取模块、训练样本构建模块、神经网络训练模块、最优预测模型获取模块和预测分析模块，其中，
所述数据采集模块，用于接收被试的心率波段时序数据，如手环的心率波段时序数据；
所述特征提取模块，用于根据采样时间窗l，在时间窗l下生成心率波段时序数据的时序特征数据；并将用户的时序特征数据传送给所述训练样本构建模块，将被试的时序特征数据传送给最优抑郁预测模型；特征在上文已经有描述；
所述训练样本构建模块，用于对所述特征提取模块传送来的时序特征数据，构建时间窗l下的训练数据和测试数据；并将所述训练数据传送给所述神经网络训练模块，将所述测试数据传送给所述最优预测模型获取模块；
所述神经网络训练模块，用于通过所述时间窗l下的训练数据训练得到时间窗l下的预测模型；
最优预测模型获取模块，用于获取最优预测模型，所述最优预测模型输出被试的抑郁状态评分；和
预测分析模块，用于接收被试的心率波段时序数据，将所述被试的心率波段时序数据传送给所述特征提取模块，将返回的结果传送给所述最优抑郁预测模型，并根据返回的被试的抑郁状态评分判断被试的抑郁状态。
可以使用如背景技术中所述的抑郁测量评分标准进行评定。最初的抑郁测量值和后面的评价标准是一体的。
在特征提取模块，可以在时间窗l下取长度为l的心率波动时序数据生成时序特征数据；时序特征数据还可以包括用户的抑郁测量数值。时序特征数据是从按时间顺序记录的一段心率波段时序数据上计算得到的统计特征，包括：最大值、最小值、均值、标准差、动态范围、峰度、偏度、斜率、截距、均方误差等10个统计指标。在一个实施例中，可以选取最后长度为l的心率波动时序数据生成时序特征数据。
在训练样本构建模块中，随机选择设定比例的时序特征数据作为训练数据，剩余的样本作为测试数据；采样时间窗l的取值为[min,max]，可以获得max-min+1组训练数据和测试数据。
在神经网络训练模块中，使用时间窗l下的训练数据中用户的时序特征数据作为抑郁预测模型的输入，每个用户对应的抑郁测量数值作为抑郁预测模型的输出，从而获得时间窗l下的抑郁预测模型；采样时间窗l的取值为[min,max]时，可以获得max-min+1个抑郁预测模型，每个抑郁预测模型的输出都是抑郁状态评分。
在最优预测模型获取模块中，使用如下步骤生成最优预测模型：
(1)计算将时间窗l下的用户测试数据的心率波段时序数据输入所述时间窗l下的预测模型后得到的预测结果与用户测试数据中用户抑郁测量数值之间的误差；
(2)计算时间窗l下抑郁预测模型的平均误差，将所述平均误差作为所述抑郁预测模型的性能评估指标；
(3)在max-min+1个抑郁预测模型中，平均误差最小的抑郁预测模型作为最优抑郁预测模型，所述最优抑郁预测模型对应的采样时间窗为最优采样时间窗。
最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (7)

1.一种抑郁预测模型的生成方法，包括：
步骤1：采集至少一名用户的心率波段时序数据和抑郁测量数值；
步骤2：基于所述心率波段时序数据提取用户的时序特征数据，构建训练数据和测试数据；
步骤3：基于所述用户的时序特征数据和用户的抑郁测量数值，生成抑郁预测模型；
步骤4：生成最优抑郁预测模型；
在所述步骤2中，包括以下步骤：
S21：获取用户的心率波段时序数据的数量的最小值min和最大值max；
S22：设置采样时间窗l，对每一个用户的心率波段时序数据，对截取的长度为l的心率波段时序数据提取时序特征数据，构建时间窗l下的用户训练数据和用户测试数据；
在所述步骤4中，包括：
S41：l的取值遍历[min,max]，重复步骤S2-S3，生成max-min+1个抑郁预测模型；
S42：计算将时间窗l下的用户测试数据的时序特征数据输入所述时间窗l下的预测模型后得到的预测结果与用户测试数据中用户抑郁测量数值之间的误差；
S43：计算时间窗l下的抑郁预测模型的平均误差，将所述平均误差作为所述时间窗l下的抑郁预测模型的性能评估指标；
S44：在max-min+1个预测模型中，平均误差最小的抑郁预测模型作为最优抑郁预测模型，所述最优抑郁预测模型对应的采样时间窗为最优采样时间窗。
2.根据权利要求1所述的生成方法，其特征在于，对截取的最后长度为l的心率波段时序数据提取时序特征数据；时序特征数据是从按时间顺序记录的一段心率波段时序数据上计算得到的统计特征，包括：最大值、最小值、均值、标准差、动态范围、峰度、偏度、斜率、截距、均方误差。
3.根据权利要求1所述的生成方法，其特征在于，在所述步骤3中，包括以下步骤：
S31：使用时间窗l下的用户训练数据的时序特征数据作为输入，用户训练数据中用户抑郁测量数值作为输出，训练得到时间窗l下的抑郁预测模型。
4.一种抑郁预测***，其特征在于，所述***包括：数据采集模块、特征提取模块、训练样本构建模块、神经网络训练模块、最优预测模型获取模块和预测分析模块，其中，
所述数据采集模块，用于接收被试的心率波段时序数据；
所述特征提取模块，用于根据采样时间窗l，在时间窗l下生成心率波段时序数据的时序特征数据；将用户的时序特征数据传送给所述训练样本构建模块，将被试的时序特征数据传送给最优抑郁预测模型；
所述训练样本构建模块，用于根据所述特征提取模块传送来的时序特征数据，构建时间窗l下的训练数据和测试数据；并将所述训练数据传送给所述神经网络训练模块，将所述测试数据传送给所述最优预测模型获取模块；采样时间窗l的取值为[min,max]，能够获得max-min+1组训练数据和测试数据；
所述神经网络训练模块，用于通过所述时间窗l下的训练数据训练得到时间窗l下的抑郁预测模型；
最优预测模型获取模块，用于获取最优抑郁预测模型，所述最优抑郁预测模型输出被试的抑郁状态评分；和
预测分析模块，用于接收被试的心率波段时序数据，将所述被试的心率波段时序数据传送给所述特征提取模块，将返回的结果传送给所述最优抑郁预测模型，并根据返回的被试的抑郁状态评分判断被试的抑郁状态；
在所述最优预测模型获取模块中，使用如下步骤生成最优预测模型：
(1)计算将时间窗l下的用户测试数据的时序特征数据输入所述时间窗l下的预测模型后得到的预测结果与用户测试数据中用户抑郁测量数值之间的误差；
(2)计算时间窗l下抑郁预测模型的平均误差，将所述平均误差作为所述时间窗l下抑郁预测模型的性能评估指标；
(3)在max-min+1个抑郁预测模型中，平均误差最小的抑郁预测模型作为最优抑郁预测模型，所述最优抑郁预测模型对应的采样时间窗为最优采样时间窗。
5.根据权利要求4所述的抑郁预测***，其特征在于，在所述特征提取模块中，在时间窗l下生成最后长度为l的心率波段时序数据的时序特征数据；时序特征数据是从按时间顺序记录的一段心率波段时序数据上计算得到的统计特征，包括：最大值、最小值、均值、标准差、动态范围、峰度、偏度、斜率、截距、均方误差；时序特征数据还包括用户的抑郁测量数值。
6.根据权利要求4所述的抑郁预测***，其特征在于，在所述训练样本构建模块中，随机选择设定比例的所述时序特征数据作为训练数据，剩余的所述时间特征数据作为测试数据。
7.根据权利要求4所述的抑郁预测***，其特征在于，在所述神经网络训练模块中，使用时间窗l下的训练数据中用户的时序特征数据作为预测模型的输入，用户对应的抑郁测量数值作为预测模型的输出，训练获得时间窗l下的抑郁预测模型；采样时间窗l的取值为[min,max]时，获得max-min+1个抑郁预测模型，抑郁预测模型的输出是抑郁状态评分。
CN202010220741.6A 2020-03-26 2020-03-26 一种抑郁预测模型的生成方法和预测*** Active CN111419249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010220741.6A CN111419249B (zh) 2020-03-26 2020-03-26 一种抑郁预测模型的生成方法和预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010220741.6A CN111419249B (zh) 2020-03-26 2020-03-26 一种抑郁预测模型的生成方法和预测***

Publications (2)

Publication Number Publication Date
CN111419249A CN111419249A (zh) 2020-07-17
CN111419249B true CN111419249B (zh) 2023-04-25

Family

ID=71548875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010220741.6A Active CN111419249B (zh) 2020-03-26 2020-03-26 一种抑郁预测模型的生成方法和预测***

Country Status (1)

Country Link
CN (1) CN111419249B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104127193B (zh) * 2014-07-14 2017-08-18 华南理工大学 一种抑郁症程度量化的评估***及其评估方法
CN104127194B (zh) * 2014-07-14 2016-05-04 华南理工大学 一种基于心率变异性分析方法的抑郁症的评估***
CN104462808B (zh) * 2014-12-04 2017-06-16 河海大学 安全水平位移与水位的滑动可变窗口动态数据拟合方法
AU2016278356A1 (en) * 2015-06-15 2018-01-04 Medibio Limited Method and system for assessing mental state
WO2018228852A1 (en) * 2017-06-12 2018-12-20 Koninklijke Philips N.V. Systems and methods for dynamic monitoring of patient conditions and prediction of adverse events
CN108389631A (zh) * 2018-02-07 2018-08-10 平安科技（深圳）有限公司 水痘发病预警方法、服务器及计算机可读存储介质
CN110232483B (zh) * 2019-06-18 2021-05-04 国网河北省电力有限公司经济技术研究院 深度学习负荷预测方法、装置及终端设备

Also Published As

Publication number Publication date
CN111419249A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
WO2020013302A1 (ja) 精神・神経系疾患の推定システム、推定プログラムおよび推定方法
CN113397546B (zh) 基于机器学习和生理信号的情绪识别模型构建方法及***
KR102302071B1 (ko) 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스
CN109770921B (zh) 自闭症儿童早期语言与认知能力筛查的方法及装置
Zhu et al. Detecting emotional reactions to videos of depression
Zvolensky et al. Marijuana use and panic psychopathology among a representative sample of adults.
Doan et al. Predicting dementia with prefrontal electroencephalography and event-related potential
Bartman et al. Relationship between health status and utility measures in older claudicants
CN112328072A (zh) 一种基于脑电和眼电的多模态字符输入***及方法
Mahesh et al. Requirements for a reference dataset for multimodal human stress detection
CN115500843A (zh) 基于零样本学习与对比学习的睡眠阶段分期方法
CN115844393A (zh) 基于近红外数据的焦虑障碍评估装置和焦虑障碍评估***
Jiao et al. Feasibility study for detection of mental stress and depression using pulse rate variability metrics via various durations
CN117133464B (zh) 一种老年人健康智能监测***及监测方法
Li et al. Predicting PTSD symptoms in firefighters using a fear-potentiated startle paradigm and machine learning
CN111419249B (zh) 一种抑郁预测模型的生成方法和预测***
Chapman et al. A psychophysiological causal model of pain report validity
Sintonen Comparing properties of the 15D and the EQ-5D in measuring health-related quality of life
KR101130761B1 (ko) 비씨아이 기반 뇌파 측정장치
CN111415680A (zh) 一种基于语音的焦虑预测模型的生成方法和焦虑预测***
Buettner et al. Machine Learning Based Diagnostics of Developmental Coordination Disorder using Electroencephalographic Data
CN116052877A (zh) 一种糖尿病患者抑郁风险评估方法及评估***的构建方法
Taher et al. Comparison of effects of Mulligan Techniques and Muscle Energy Technique on Pain and function in knee osteoarthritis
Ross et al. The Memory Assessment Scales in the detection of incomplete effort in mild head injury
RU2663642C1 (ru) Способ дифференциальной диагностики поведенческих реакций

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant