一种抑郁预测模型的生成方法和预测系统技术方案

本申请提供一种抑郁预测模型的生成方法和预测系统，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。本发明专利技术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。

【技术实现步骤摘要】
一种抑郁预测模型的生成方法和预测系统
本专利技术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系统。
技术介绍
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，可有自杀企图或行为；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(和自杀事件)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系统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(Self-ratingdepressionscale，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ICD-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。
技术实现思路
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，本专利技术提出一种抑郁预测模型的生成方法和系统，从而实现为心理抑郁症的前期诊断和治疗提供依据。在本专利技术的一方面中，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。根据本专利技术的另一方面，提出一种抑郁预测系统，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
技术介绍
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本文档来自技高网...

【技术保护点】
1.一种抑郁预测模型的生成方法，包括：/n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；/n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；/n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；/n步骤4：生成最优抑郁预测模型。/n

【技术特征摘要】
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。


2.根据权利要求1所述的生成方法，其特征在于，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。


3.根据权利要求2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。


4.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。


5.根据权利要求1所述的生成方法，其特征在于，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。


6.一种抑郁预测系统，其特征在于，所述系统包括：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...

【专利技术属性】
技术研发人员：冯甄陶，
申请(专利权)人：心图熵动科技苏州有限责任公司，
类型：发明
国别省市：江苏;32