CN117711626A - 一种基于多维度因素的抑郁情绪评测方法 - Google Patents
一种基于多维度因素的抑郁情绪评测方法 Download PDFInfo
- Publication number
- CN117711626A CN117711626A CN202410163780.5A CN202410163780A CN117711626A CN 117711626 A CN117711626 A CN 117711626A CN 202410163780 A CN202410163780 A CN 202410163780A CN 117711626 A CN117711626 A CN 117711626A
- Authority
- CN
- China
- Prior art keywords
- depression
- year
- matrix
- cognitive
- characteristic value
- 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.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 230000001149 cognitive effect Effects 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 230000000994 depressogenic effect Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 25
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 230000036651 mood Effects 0.000 claims description 15
- 206010012374 Depressed mood Diseases 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 230000003001 depressive effect Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 208000024714 major depressive disease Diseases 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 34
- 230000019771 cognition Effects 0.000 abstract description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002996 emotional effect Effects 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- QZAYGJVTTNCVMB-UHFFFAOYSA-N serotonin Chemical compound C1=C(O)C=C2C(CCN)=CNC2=C1 QZAYGJVTTNCVMB-UHFFFAOYSA-N 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000036528 appetite Effects 0.000 description 3
- 235000019789 appetite Nutrition 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229940076279 serotonin Drugs 0.000 description 2
- 206010011971 Decreased interest Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 206010054089 Depressive symptom Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Developmental Disabilities (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明涉及抑郁情绪评测技术领域,具体公开了一种基于多维度因素的抑郁情绪评测方法,包括:获取待测用户的评测样本,所述评测样本包括自我报告量表集、行为参数集、认知参数集、生理参数集;预处理评测样本,获得样本特征矩阵,所述样本特征矩阵包括自我报告矩阵、行为矩阵、认知矩阵、生理矩阵;基于循环神经网络,根据所述自我报告矩阵、所述行为矩阵、所述认知矩阵、所述生理矩阵确定所述待测用户的抑郁情绪程度。本发明能够从生理、行为、认知三方面综合分析用户的抑郁情绪等级,提高了抑郁情绪评测的准确度。
Description
技术领域
本发明涉及抑郁情绪评测技术领域,尤其涉及一种基于多维度因素的抑郁情绪评测方法。
背景技术
抑郁症是一种常见的心理障碍,其症状包括情绪低落、失去兴趣、疲劳、睡眠障碍、食欲改变等。准确评测抑郁情绪对于抑郁症的诊断和治疗至关重要。传统的抑郁评测方法主要基于自我报告的量表,如汉密尔顿抑郁量表(HAMD)。然而,这些量表只能从单一维度评估抑郁症状,无法全面反映患者的心理状态。因此,开发一种基于多维度因素的抑郁情绪评测方法,以提高抑郁情绪评估的准确性和可靠性,是当前亟待解决的问题。
随着心理测量学和人工智能技术的发展,多维度、多模态的数据采集和分析成为可能,为解决上述问题提供了新的思路。例如,通过采集生理指标(如心率、血压、体温等)、行为指标(如面部表情、肢体语言等)和认知指标(如注意力、记忆力等),可以更全面地评估抑郁情绪。然而,如何将这些多维度的数据有效地整合在一起,以准确评测抑郁情绪,仍然是一个技术挑战。
本发明提出了一种基于多维度因素的抑郁情绪评测方法,旨在解决上述问题。该方法结合生理指标、行为指标和认知指标等多维度数据,利用人工智能技术进行数据分析和处理,从而更准确地评估抑郁情绪。与传统的单一维度评测方法相比,本方法能够更全面地反映患者的心理状态,提高抑郁情绪评估的准确性和可靠性。
发明内容
本发明的目的在于提供一种基于多维度因素的抑郁情绪评测方法,能够从生理、行为、认知三方面综合分析用户的抑郁情绪等级,提高了抑郁情绪评测的准确度。
本发明的目的采用以下技术方案实现:
本发明提供一种基于多维度因素的抑郁情绪评测方法,包括以下步骤:
获取待测用户的评测样本,所述评测样本包括自我报告量表集、行为参数集、认知参数集、生理参数集;
基于循环神经网络对评测样本进行预处理,获得样本特征矩阵,并对所述样本特征矩阵进行深度特征的提取,所述样本特征矩阵包括自我报告矩阵、行为矩阵、认知矩阵、生理矩阵;基于循环网络以及所述样本特征矩阵的深度特征,确定所述待测用户的抑郁情绪程度。
进一步的,所述自我报告量表集包括连续一段时间内的月度汉密尔顿抑郁量表;
所述生理参数集包括连续一段时间内每日的生理指标,生理指标包括:心率、血压、呼吸频率、皮肤点反应、血清素和/或多巴胺;
所述行为参数集包括连续一段时间内每日的行为指标,行为指标包括:食欲、情感、自责、睡眠和/或运动;
所述认知参数集包括连续一段时间内每日的认知指标,认知指标包括:注意力、记忆力、定向力和/或思维障碍;
其中,所述连续一段时间为1年或多年。
进一步的,所述预处理评测样本,获得样本特征矩阵包括:
根据每个自我报告量表的总分,预测每个月的抑郁可能性,并将每个月的抑郁可能性依次写入自我报告矩阵;
进一步的,基于K-means聚类算法,对行为参数集降噪,根据降噪后的行为参数集确定各行为指标每月的行为特征值,并将行为特征值相应写入行为矩阵;
进一步的,基于K-means聚类算法,对认知参数集降噪,根据降噪后的认知参数集确定各认知指标每月的认知特征值,并将认知特征值相应写入认知矩阵;
进一步的,基于K-means聚类算法,对生理参数集降噪,根据降噪后的生理参数集确定各生理指标每月的生理特征值,并将生理特征值相应写入生理矩阵。
进一步的,所述基于循环神经网络,根据所述样本特征矩阵确定所述待测用户的抑郁情绪程度包括:
根据自我报告矩阵、行为矩阵、认知矩阵、生理矩阵分析待测用户每月的月度抑郁特征值;
根据月度抑郁特征值分析待测用户每季的季度抑郁特征值;
根据季度抑郁特征值分析待测用户每年的年度抑郁特征值;
根据用户每年的年度抑郁特征值确定抑郁情绪参量,并根据抑郁情绪参量确定待测用户的抑郁情绪程度。
进一步的,所述月度抑郁特征值包括:
式中,为月度抑郁特征值,Z为所有指标种类的总数,Z=M+N+I,M为生理指标种类的总数,N为认知指标种类的总数,I为行为指标种类的总数,/>为第/>年第j个月的抑郁可能性,j为月份,j为[1,12]的整数,/>为年度,/>为正整数,/>为第i个行为指标第/>年第j个月的行为特征值,/>为第n个认知指标第/>年第j个月的认知特征值,/>为第m个生理指标第/>年第j个月的生理特征值,E表示数学期望值,D表示方差。
进一步的,所述根据月度抑郁特征值分析待测用户每季的季度抑郁特征值包括:
根据每个季度对应的三个月的月度抑郁特征值确定每个季度的月度抑郁特征值的斜率:
响应于,发出立即就医告警信号,退出抑郁情绪评测方法的过程;
响应于,根据下式确定季度抑郁特征值:
式中,为第/>年第q个季度的季度抑郁特征值,q为季度,q为1、2、3或4,/>为年度,/>为正整数,/>为第/>年第q个季度的月度抑郁特征值的斜率,/>为月度抑郁特征值。
进一步的,所述根据季度抑郁特征值分析待测用户每年的年度抑郁特征值包括:
根据每个年度对应的四个季度抑郁特征值确定每个年度的季度抑郁特征值的斜率:
响应于,发出立即就医告警信号,退出抑郁情绪评测方法的过程;
响应于,根据下式确定年度抑郁特征值:
式中,为第/>年的年度抑郁特征值,/> 为第/>年的年度抑郁特征值的斜率,/>为第/>年第q个季度的季度抑郁特征值,/>为年度,/>为正整数。
进一步的,所述抑郁情绪参量包括:
式中,为抑郁情绪参量,/>为预设变化阈值,/>,/>为最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差,/>为第/>年的年度抑郁特征值,/>为评测样本的采集总年数,/>为年度,/>为正整数,/>为非零正数。
进一步的,所述根据抑郁情绪参量确定待测用户的抑郁情绪程度包括:
比较最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差的绝对值与阈值的大小:
响应于,发出立即就医提示告警,退出抑郁情绪评测方法的过程;
响应于,且0<H≤第一阈值时,确定抑郁情绪程度为严重抑郁;
响应于,且第一阈值<H≤第二阈值时,确定抑郁情绪程度为已经抑郁;
响应于,且第二阈值<H≤第三阈值时,确定抑郁情绪程度为可能抑郁;
响应于,且第三阈值<H≤第四阈值时,确定抑郁情绪程度为非抑郁;
其中,为抑郁情绪参量,/>为预设变化阈值,/>最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差。
进一步的,所述循环神经网络的准确率包括下式:
Accuracy=(TP+TN)/(TP+FN+FP+TN),
式中,Accuracy 为准确率,TP为真正例,TN为真负例,FP为假正例,FN为假负例。
与现有技术相比,本发明的有益效果至少包括:
本发明综合考虑了自我报告量表、行为参数、认知参数和生理参数等多个维度的数据,能够更全面地评估用户的抑郁情绪状况。这些多维度的数据来源可以相互补充,提供更准确的评估结果。
本发明通过使用循环神经网络(RNN)能够有效地处理具有时序依赖性的多维度数据,并捕捉数据中的长期依赖关系,这有助于提高对抑郁情绪的预测准确性和可靠性。
附图说明
图1是本发明基于多维度因素的抑郁情绪评测方法的一种实施例的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明更全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
本发明中所描述的表达位置与方向的词,均是以附图为例进行的说明,但根据需要也可以做出改变,所做改变均包含在本发明保护范围内。
实施例1
本实施例介绍一种基于多维度因素的抑郁情绪评测方法。
本实施例的抑郁情绪评测方法包括以下步骤,参考图1:
S1获取待测用户的评测样本,所述评测样本包括自我报告量表集、行为参数集、认知参数集、生理参数集。
S2基于循环神经网络对评测样本进行预处理,获得样本特征矩阵,并对所述样本特征矩阵进行深度特征的提取,所述样本特征矩阵包括自我报告矩阵、行为矩阵、认知矩阵、生理矩阵。
S3基于循环网络以及所述样本特征矩阵的深度特征,确定所述待测用户的抑郁情绪程度。
在本发明中,需要对自我报告矩阵、行为矩阵、认知矩阵和生理矩阵深度特征的提取, 循环神经网络模型(RNN模型)首先基于每月的输入数据计算月度抑郁特征值。这可以通过在RNN模型的每个时间步骤输出一个特征值来实现,其中每个时间步骤代表一个月。接着,可以进一步处理这些月度特征值,比如通过汇总每三个月的月度特征值来计算季度抑郁特征值,同理,汇总每四个季度的特征值来计算年度抑郁特征值。最后,根据年度抑郁特征值,RNN模型可以确定抑郁情绪参量。这可能涉及到使用RNN模型的输出来估计抑郁程度的参数,例如,通过将RNN的输出连接到一个或多个全连接层来实现,这些全连接层可以输出抑郁情绪参量的估计值。然后,根据这些参量值,可以判断用户的抑郁情绪程度。
本实施例综合考虑了自我报告量表、行为参数、认知参数和生理参数等多个维度的数据,能够更全面地评估用户的抑郁情绪状况。这些多维度的数据来源可以相互补充,提供更准确的评估结果。
本实施例通过使用循环神经网络(RNN)能够有效地处理具有时序依赖性的多维度数据,并捕捉数据中的长期依赖关系,这有助于提高对抑郁情绪的预测准确性和可靠性。
实施例2
在实施例1的基础上,本实施例详细介绍了一种基于多维度因素的抑郁情绪评测方法。
本实施例的抑郁情绪评测方法包括以下步骤:
S1获取待测用户的评测样本,所述评测样本包括自我报告量表集、行为参数集、认知参数集、生理参数集。
应用时,所述自我报告量表集包括连续一段时间内的月度汉密尔顿抑郁量表。其中,所述连续一段时间为1年或多年。
应用时,所述生理参数集包括连续一段时间内每日的生理指标,生理指标包括:心率、血压、呼吸频率、皮肤点反应、血清素和/或多巴胺。其中,所述连续一段时间为1年或多年。
应用时,所述行为参数集包括连续一段时间内每日的行为指标,行为指标包括:食欲、情感、自责、睡眠和/或运动。其中,所述连续一段时间为1年或多年。
应用时,所述认知参数集包括连续一段时间内每日的认知指标,认知指标包括:注意力、记忆力、定向力和/或思维障碍。其中,所述连续一段时间为1年或多年。
本实施例可以用于动态监测用户的抑郁情绪状况。通过定期收集和更新多维度的数据,可以及时发现用户抑郁情绪的变化,并提供及时的干预和支持。
S2基于循环神经网络对评测样本进行预处理,获得样本特征矩阵,并对所述样本特征矩阵进行深度特征的提取,所述样本特征矩阵包括自我报告矩阵、行为矩阵、认知矩阵、生理矩阵。
应用时,根据每个自我报告量表的总分,预测每个月的抑郁可能性,并将每个月的抑郁可能性依次写入自我报告矩阵。
实际应用时,自我报告矩阵包括多个为行为1,列为12的二维自我报告子矩阵, 自我报告子矩阵中的元素为第年第j个月的抑郁可能性:
式中,为自我报告子矩阵,/>为第/>年第j个月的抑郁可能性,/>的取值范围为[1,2], j为月份,j为[1,12]的整数,/>为年度,/>为正整数,
当自我报告量表的总分小于7分时,属于正常范围,为1。
当自我报告量表的总分大于等于7分,且小于17分时,可能存在抑郁症状,为1.2。
当自我报告量表的总分大于等于17,且小于24分时,肯定存在抑郁症状,为1.4。
当自我报告量表的总分大于等于24分时,考虑存在严重抑郁症状,为1.6。
应用时,基于K-means聚类算法,对行为参数集降噪,根据降噪后的行为参数集确定各行为指标每月的行为特征值,并将行为特征值相应写入行为矩阵。
实际应用时,行为矩阵包括多个行表示不同的行为指标,列表示不同的月份的行为子矩阵,行为子矩阵中的元素为第i个行为指标第年第j个月的行为特征值:
式中,为行为子矩阵,/>为第i个行为指标第/>年第j个月的行为特征值,/>的取值范围为[1,2],j为月份,j为[1,12]的整数,/>为年度,/>为正整数。
应用时,基于K-means聚类算法,对认知参数集降噪,根据降噪后的认知参数集确定各认知指标每月的认知特征值,并将认知特征值相应写入认知矩阵。
认知矩阵包括多个行表示不同的认知指标,列表示不同的月份的认知子矩阵,认知子矩阵中的每个元素表示第n个认知指标第年第j个月的认知特征值;
式中,为认知子矩阵,/>为第n个认知指标第/>年第j个月的认知特征值,/>的取值范围为[1,2],j为月份,j为[1,12]的整数,/>为年度,/>为正整数。
应用时,基于K-means聚类算法,对生理参数集降噪,根据降噪后的生理参数集确定各生理指标每月的生理特征值,并将生理特征值相应写入生理矩阵。
实际应用时,生理矩阵包括多个行表示不同的生理指标,列表示不同的月份的生理子矩阵,生理子矩阵中的每个元素表示第m个生理指标第年第j个月的生理特征值;
式中,为生理矩阵,/>为第m个生理指标第/>年第j个月的生理特征值,/>的取值范围为[1,2],j为月份,j为[1,12]的整数,/>为年度,/>为正整数。
实际应用时,在收集和处理用户数据时能够充分考虑用户隐私的保护。在预处理阶段,可以对数据进行降噪处理,去除不必要的敏感信息,以保护用户隐私。
S3基于循环网络以及所述样本特征矩阵的深度特征,确定所述待测用户的抑郁情绪程度。
应用时,步骤S3包括以下步骤:
S31根据自我报告矩阵、行为矩阵、认知矩阵、生理矩阵分析待测用户每月的月度抑郁特征值。
所述月度抑郁特征值包括:
式中,为月度抑郁特征值,Z为所有指标种类的总数,Z=M+N+I,M为生理指标种类的总数,N为认知指标种类的总数,I为行为指标种类的总数,/>为第/>年第j个月的抑郁可能性,j为月份,j为[1,12]的整数,/>为年度,/>为正整数,/>为第i个行为指标第/>年第j个月的行为特征值,/>为第n个认知指标第/>年第j个月的认知特征值,/>为第m个生理指标第/>年第j个月的生理特征值,E表示数学期望值,D表示方差。
S32根据月度抑郁特征值分析待测用户每季的季度抑郁特征值。
具体的,步骤S32包括:
根据每个季度对应的三个月的月度抑郁特征值确定每个季度的月度抑郁特征值的斜率:
响应于,发出立即就医告警信号,退出抑郁情绪评测方法的过程;
响应于,根据下式确定季度抑郁特征值:
式中,为第/>年第q个季度的季度抑郁特征值,q为季度,q为1、2、3或4,/>为年度,/>为正整数,/>为第/>年第q个季度的月度抑郁特征值的斜率,/>为月度抑郁特征值。
本实施例通过计算季度抑郁特征值,可以监测用户抑郁情绪的变化趋势。通过分析季度抑郁特征值的斜率,可以了解用户抑郁情绪的加速或减速变化情况,从而更好地把握用户的情绪状况和走向。
本实施例在计算每个季度的月度抑郁特征值的斜率时,如果发现用户的抑郁情绪状况严重或恶化严重,会触发”立即就医”告警信号。
本实施例通过计算每个月的抑郁特征值来推算季度抑郁特征值,可以实现连续的监测。这种连续监测可以更好地了解用户抑郁情绪的长期变化趋势。
S33根据季度抑郁特征值分析待测用户每年的年度抑郁特征值。
具体的,步骤S33包括:
根据每个年度对应的四个季度抑郁特征值确定每个年度的季度抑郁特征值的斜率:
响应于,发出立即就医告警信号,退出抑郁情绪评测方法的过程;
响应于,根据下式确定年度抑郁特征值:
式中,为第/>年的年度抑郁特征值,/> 第/>年的年度抑郁特征值的斜率,/>为第/>年第q个季度的季度抑郁特征值,/>为年度,/>为正整数。
本实施例通过计算年度抑郁特征值,可以对用户的抑郁情绪状况进行全面评估,这种全面评估可以更好地了解用户的情绪状况。
本实施例通过计算每个季度的抑郁特征值来推算年度抑郁特征值,可以实现长期趋势监测。这种长期趋势监测可以更好地了解用户抑郁情绪的长期变化趋势,帮助他们更好地应对和管理自己的情绪问题。
本实施例在计算每个年度的季度抑郁特征值的斜率时,如果发现用户的抑郁情绪状况严重或恶化严重,会触发”立即就医”告警信号。
S34根据用户每年的年度抑郁特征值确定抑郁情绪参量,并根据抑郁情绪参量确定待测用户的抑郁情绪程度。
应用时,步骤S34包括:比较最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差的绝对值与阈值的大小:
响应于,发出立即就医提示告警,退出抑郁情绪评测方法的过程;
响应于,且0<H≤第一阈值时,确定抑郁情绪程度为严重抑郁;
响应于,且第一阈值<H≤第二阈值时,确定抑郁情绪程度为已经抑郁;
响应于,且第二阈值<H≤第三阈值时,确定抑郁情绪程度为可能抑郁;
响应于,且第三阈值<H≤第四阈值时,确定抑郁情绪程度为非抑郁;
其中,为抑郁情绪参量,/>为预设变化阈值,/>最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差。实际应用时,抑郁情绪参量包括下式:
式中,为抑郁情绪参量,/>为预设变化阈值,/>,/>为最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差,/>为第/>年的年度抑郁特征值,/>为评测样本的采集总年数,/>为年度,/>为正整数,/>为非零正数,一般取值为0.01。
本实施例通过使用年度抑郁特征值和抑郁情绪参量,为用户的抑郁情绪提供一个准确的评估,能够反映用户的实际情绪状况。
本实施例根据抑郁情绪参量H的不同范围,将用户的抑郁情绪程度分为严重抑郁、已经抑郁、可能抑郁和非抑郁等不同的类别。
本领域技术人员能够根据实际情况进行调整阈值,以满足不同用户的需求。通过调整阈值,可以更好地适应不同用户的抑郁情绪状况,并提供更加个性化的评估和干预。
本实施例通过计算月度抑郁特征值、季度抑郁特征值和年度抑郁特征值等量化指标,能够更客观地评估用户的抑郁情绪程度。
本实施例循环神经网络的准确率包括下式:
Accuracy=(TP+TN)/(TP+FN+FP+TN),
式中,Accuracy 为准确率,TP为真正例,TN为真负例,FP为假正例,FN为假负例。
本实施例循环神经网络的敏感度包括下式:
Sensitivity= TP /(TP+FN)
式中,Sensitivity为敏感度。
本实施例循环神经网络的特异度包括下式:
Specificity = TN /(FP+TN)
式中,Specificity为特异度。
应用时,在模型训练和预测阶段,可以采用匿名化和加密等措施来保护用户数据的机密性和完整性。这样可以确保用户数据的安全性和隐私性,减少用户对数据泄露的担忧。
综上所述,本发明在基于多维度因素的抑郁情绪评测方法中具有趋势监测、及时干预、连续监测和综合多维度因素提高准确度等特点。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于多维度因素的抑郁情绪评测方法,其特征在于,包括以下步骤:
获取待测用户的评测样本,所述评测样本包括自我报告量表集、行为参数集、认知参数集、生理参数集;
基于循环神经网络对评测样本进行预处理,获得样本特征矩阵,并对所述样本特征矩阵进行深度特征的提取,所述样本特征矩阵包括自我报告矩阵、行为矩阵、认知矩阵、生理矩阵;基于循环网络以及所述样本特征矩阵的深度特征,确定所述待测用户的抑郁情绪程度;
确定所述待测用户的抑郁情绪程度包括:
根据自我报告矩阵、行为矩阵、认知矩阵、生理矩阵分析待测用户每月的月度抑郁特征值;
根据月度抑郁特征值分析待测用户每季的季度抑郁特征值;
根据季度抑郁特征值分析待测用户每年的年度抑郁特征值;
根据用户每年的年度抑郁特征值确定抑郁情绪参量,并根据抑郁情绪参量确定待测用户的抑郁情绪程度;
所述月度抑郁特征值包括:
式中,/>为月度抑郁特征值,Z为所有指标种类的总数,Z=M+N+I,M为生理指标种类的总数,N为认知指标种类的总数,I为行为指标种类的总数,/>为第/>年第j个月的抑郁可能性,j为月份,j为[1,12]的整数,/>为年度,/>为正整数,/>为第i个行为指标第/>年第j个月的行为特征值,/>为第n个认知指标第/>年第j个月的认知特征值,/>为第m个生理指标第/>年第j个月的生理特征值,E表示数学期望值,D表示方差。
2.根据权利要求1所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述自我报告量表集包括连续一段时间内的月度汉密尔顿抑郁量表;
所述生理参数集包括连续一段时间内每日的生理指标;
所述行为参数集包括连续一段时间内每日的行为指标;
所述认知参数集包括连续一段时间内每日的认知指标;
其中,所述连续一段时间为1年或多年。
3.根据权利要求1所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述预处理评测样本,获得样本特征矩阵包括:
根据每个自我报告量表的总分,预测每个月的抑郁可能性,并将每个月的抑郁可能性依次写入自我报告矩阵;
和/或,对行为参数集降噪,根据降噪后的行为参数集确定各行为指标每月的行为特征值,并将行为特征值相应写入行为矩阵;
和/或,对认知参数集降噪,根据降噪后的认知参数集确定各认知指标每月的认知特征值,并将认知特征值相应写入认知矩阵;
和/或,对生理参数集降噪,根据降噪后的生理参数集确定各生理指标每月的生理特征值,并将生理特征值相应写入生理矩阵。
4.根据权利要求1所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述根据月度抑郁特征值分析待测用户每季的季度抑郁特征值包括:
根据每个季度对应的三个月的月度抑郁特征值确定每个季度的月度抑郁特征值的斜率:
响应于,发出立即就医告警信号,退出抑郁情绪评测方法的过程;
响应于,根据下式确定季度抑郁特征值:
式中,/>为第/>年第q个季度的季度抑郁特征值,q为季度,q为1、2、3或4,/>为年度,/>为正整数,/>为第/>年第q个季度的月度抑郁特征值的斜率,/>为月度抑郁特征值。
5.根据权利要求4所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述根据季度抑郁特征值分析待测用户每年的年度抑郁特征值包括:
根据每个年度对应的四个季度抑郁特征值确定每个年度的季度抑郁特征值的斜率:
响应于,发出立即就医告警信号,退出抑郁情绪评测方法的过程;
响应于,根据下式确定年度抑郁特征值:
式中,/>为第/>年的年度抑郁特征值,/> 第/>年的年度抑郁特征值的斜率,为第/>年第q个季度的季度抑郁特征值,/>为年度,/>为正整数。
6.根据权利要求1所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述抑郁情绪参量包括:
式中,/>为抑郁情绪参量,/>为预设变化阈值,/>,/>为最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差,/>为第/>年的年度抑郁特征值,/>为评测样本的采集总年数,/>为年度,/>为正整数,/>为非零正数。
7.根据权利要求1所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述根据抑郁情绪参量确定待测用户的抑郁情绪程度包括:
比较最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差的绝对值与阈值的大小:
响应于,发出立即就医提示告警,退出抑郁情绪评测方法的过程;
响应于,且0<H≤第一阈值时,确定抑郁情绪程度为严重抑郁;
响应于,且第一阈值<H≤第二阈值时,确定抑郁情绪程度为已经抑郁;
响应于,且第二阈值<H≤第三阈值时,确定抑郁情绪程度为可能抑郁;
响应于,且第三阈值<H≤第四阈值时,确定抑郁情绪程度为非抑郁;
其中,为抑郁情绪参量,/>为预设变化阈值,/>最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差。
8.根据权利要求1所述的基于多维度因素的抑郁情绪评测方法,其特征在于,所述循环神经网络的准确率包括下式:
Accuracy=(TP+TN)/(TP+FN+FP+TN),
式中,Accuracy 为准确率,TP为真正例,TN为真负例,FP为假正例,FN为假负例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410163780.5A CN117711626A (zh) | 2024-02-05 | 2024-02-05 | 一种基于多维度因素的抑郁情绪评测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410163780.5A CN117711626A (zh) | 2024-02-05 | 2024-02-05 | 一种基于多维度因素的抑郁情绪评测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117711626A true CN117711626A (zh) | 2024-03-15 |
Family
ID=90148327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410163780.5A Pending CN117711626A (zh) | 2024-02-05 | 2024-02-05 | 一种基于多维度因素的抑郁情绪评测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117711626A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118236068A (zh) * | 2024-05-29 | 2024-06-25 | 江西中医药大学 | 基于多维度因素的抑郁情绪程度预估方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
US20190117143A1 (en) * | 2017-10-23 | 2019-04-25 | Massachusetts Institute Of Technology | Methods and Apparatus for Assessing Depression |
US20220054065A1 (en) * | 2020-08-20 | 2022-02-24 | MINDPAX s.r.o. | Method for Detection of a Relapse Into a Depression or Mania State Based on Activity Data and/or Data Obtained by Questioning the Patient |
CN114241599A (zh) * | 2021-11-24 | 2022-03-25 | 人工智能与数字经济广东省实验室(广州) | 一种基于多模态特征的抑郁倾向测评***和方法 |
US20230037749A1 (en) * | 2020-11-30 | 2023-02-09 | Matrixcare, Inc. | Method and system for detecting mood |
CN116631629A (zh) * | 2023-07-21 | 2023-08-22 | 北京中科心研科技有限公司 | 一种识别抑郁情绪障碍的方法、装置及可穿戴设备 |
CN116665845A (zh) * | 2023-05-17 | 2023-08-29 | 北京邮电大学 | 一种基于多模态数据用户情绪自测*** |
CN116807476A (zh) * | 2023-08-25 | 2023-09-29 | 北京智精灵科技有限公司 | 基于界面式情感交互的多模态心理健康评估***及方法 |
CN117454217A (zh) * | 2023-10-12 | 2024-01-26 | 华中农业大学 | 一种基于深度集成学习的抑郁情绪识别方法、装置及*** |
-
2024
- 2024-02-05 CN CN202410163780.5A patent/CN117711626A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
US20190117143A1 (en) * | 2017-10-23 | 2019-04-25 | Massachusetts Institute Of Technology | Methods and Apparatus for Assessing Depression |
US20220054065A1 (en) * | 2020-08-20 | 2022-02-24 | MINDPAX s.r.o. | Method for Detection of a Relapse Into a Depression or Mania State Based on Activity Data and/or Data Obtained by Questioning the Patient |
US20230037749A1 (en) * | 2020-11-30 | 2023-02-09 | Matrixcare, Inc. | Method and system for detecting mood |
CN114241599A (zh) * | 2021-11-24 | 2022-03-25 | 人工智能与数字经济广东省实验室(广州) | 一种基于多模态特征的抑郁倾向测评***和方法 |
CN116665845A (zh) * | 2023-05-17 | 2023-08-29 | 北京邮电大学 | 一种基于多模态数据用户情绪自测*** |
CN116631629A (zh) * | 2023-07-21 | 2023-08-22 | 北京中科心研科技有限公司 | 一种识别抑郁情绪障碍的方法、装置及可穿戴设备 |
CN116807476A (zh) * | 2023-08-25 | 2023-09-29 | 北京智精灵科技有限公司 | 基于界面式情感交互的多模态心理健康评估***及方法 |
CN117454217A (zh) * | 2023-10-12 | 2024-01-26 | 华中农业大学 | 一种基于深度集成学习的抑郁情绪识别方法、装置及*** |
Non-Patent Citations (3)
Title |
---|
方振宇 等: "基于抑郁词典的社交网络心理障碍检测方法", 电脑知识与技术, vol. 13, no. 07, 5 March 2017 (2017-03-05), pages 244 - 277 * |
李钊: "基于深度神经网络的图像分类方法研究", 《中国博士学位论文全文数据库信息科技辑》, 15 November 2018 (2018-11-15), pages 54 - 55 * |
熊光明 等著: "《智能车辆理论与应用》", vol. 2, 31 December 2021, 北京理工大学出版社, pages: 124 - 125 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118236068A (zh) * | 2024-05-29 | 2024-06-25 | 江西中医药大学 | 基于多维度因素的抑郁情绪程度预估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102129730B1 (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
US10332638B2 (en) | Methods and systems for pre-symptomatic detection of exposure to an agent | |
Song et al. | Development of a stress classification model using deep belief networks for stress monitoring | |
Rahman et al. | Defining and predicting pain volatility in users of the manage my pain app: analysis using data mining and machine learning methods | |
CN108135548A (zh) | 用于监测压力状态的方法和*** | |
US11529105B2 (en) | Digital twin updating | |
Nishadi | Predicting heart diseases in logistic regression of machine learning algorithms by Python Jupyterlab | |
Liu et al. | Noninvasive evaluation of mental stress using by a refined rough set technique based on biomedical signals | |
US20210241909A1 (en) | Method and a system for evaluating treatment strategies on a virtual model of a patient | |
JP2023519581A (ja) | 網膜信号データを処理し、状態を識別するためのシステムおよび方法 | |
Zanna et al. | Bias reducing multitask learning on mental health prediction | |
CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
Mouleeshuwarapprabu et al. | Nonlinear vector decomposed neural network based EEG signal feature extraction and detection of seizure | |
Molin et al. | Prediction of obstructive sleep apnea using Fast Fourier Transform of overnight breath recordings | |
Deng et al. | SparNet: a convolutional neural network for EEG space-frequency feature learning and depression discrimination | |
CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
JP6053166B2 (ja) | 数値データ解析装置及びプログラム | |
CN116453641A (zh) | 一种中医辅助分析信息的数据处理方法及*** | |
CN117711626A (zh) | 一种基于多维度因素的抑郁情绪评测方法 | |
Fuster-Garcia et al. | Actigraphy pattern analysis for outpatient monitoring | |
CN116019429A (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
Aluru et al. | Parkinson’s Disease Detection Using Machine Learning Techniques | |
Maria et al. | Stress prediction using enhanced feature selection and knn model | |
Nguyen et al. | Digital phenotype representation by statistical, information theory, data-driven approach with digital health data | |
CN117352180B (zh) | 一种精神科病人自虐风险预警方法 |
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 |