一种基于时间序列的心理疾病类型诊断系统技术方案

本发明专利技术属于医疗设备技术领域，涉及一种基于时间序列的心理疾病类型诊断系统，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；文本处理模块，用于获取心理疾病的病例；文本结构化模块，用于将获取的病例转换为文本向量；模型训练模块，用于将文本向量输入神经网络模型进行训练；聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户心理疾病的类型。其通过对目标人群的语言进行分析提取，实时对目标人群的情绪进行控制，能够及时发现处于心理疾病初期的目标人群，提醒其进行心理疏导或就医。导或就医。导或就医。

【技术实现步骤摘要】
一种基于时间序列的心理疾病类型诊断系统


[0001]本专利技术涉及一种基于时间序列的心理疾病类型诊断系统，属于医疗设备
，特别涉及智能化的疾病类型诊断设备


技术介绍

[0002]由于遗传、社会工作压力等等的原因，导致现代人会或多或少存在情绪低落的情况。而长期的情绪低落就会导致很多心理疾病，例如，抑郁症等心理疾病多在青壮年时期发病，有的间歇发作，有的持续进展，并且逐渐趋于慢性化，复发率高、致残率高，如不积极治疗，可出现精神衰退和人格改变。由于对心理疾病不够重视，且很多患者不愿与他人交流，羞于启齿，就导致很多患有心理疾病的人不能及时就医，当他人发现其行为明显异于常人时，通常其心理疾病已经非常严重，甚至已经很难治愈了。所以在心理疾病初期对患者进行情绪疏导，避免其情绪进一步恶化是非常重要的。
[0003]如前所述，现有的心理疾病类型诊断通常采用对患者行为进行观察，或者与心理医生进行交流的方式。但是，患者在陌生的心理医生面前往往难以袒露心扉，故心理医生很难通过一两次的诊疗就对患者的心理疾病有比较全面的了解，另一方法，心理医生对心理疾病的判断也会有比较大的主观成分，不同医生给出的结论也不一定相同。所以亟需一种客观的、可以对目标人群进行实时监控的心理疾病类型诊断装置。

技术实现思路

[0004]针对上述问题，本专利技术的目的是提供了一种基于时间序列的心理疾病类型诊断系统和操作方法，其通过对目标人群的语言进行分析提取，实时对目标人群的情绪进行控制，能够及时发现处于心理疾病初期的目标人群，提醒其进行心理疏导或就医。
[0005]为实现上述目的，本专利技术采取以下技术方案：一种基于时间序列的心理疾病类型诊断系统，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；文本处理模块，用于获取心理疾病的病例；文本结构化模块，用于将获取的病例转换为文本向量；模型训练模块，用于将文本向量输入神经网络模型进行训练；聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户心理疾病的类型。
[0006]进一步，聚类模块中判断用户心理疾病的类型的方法是：若待判断用户的信息不属于任何一类已知分类，则认为用户没有心理疾病，若用户的信息属于已知分类中的一种，则认为用户患有该类心理疾病。
[0007]进一步，心理疾病类型诊断系统还包括可视化模块，用于对聚类模块的聚类结果进行降维，将高维矩阵转化为二维向量组，从而将高维图像降至二维，以进行可视化显示。
[0008]进一步，降维的方法包括以下步骤：寻找高维空间中的数据集a
i
的映射关系f，根据映射关系f构造低维数据集{y
i
＝f(a
i
)}，通过流形学习中非线性的T
‑
SNE将高维向量降到二维，得到聚类可视化结果。
[0009]进一步，模型训练模块需要确定最优滑动窗口与模型构建维度，构建不同维度下
的文档嵌入模型，得到不同维度下的文档嵌入矩阵，根据矩阵计算每个维度下的模型损失，使模型损失最小化，从而得到最优窗口；随后根据损失函数计算模型的噪声绘制在最优窗口下不同维度的模型折线图，从而获得最优的模型构建维度；通过最优的模型构建维度对最优窗口进行验证。
[0010]进一步，得到最优窗口的具体步骤为：固定窗口或维度；计算文档嵌入矩阵A，遍历窗口或维度，获得矩阵集合{A}；对于矩阵集合{A}中任一个矩阵M1，计算SUMDVL＝SUM(DVL(M1,M
other
))，其中，M
other
为集合{X}内除M1以外的其他矩阵；
[0011]进一步，神经网络模型为无监督的深度学习模型Doc2Vec。
[0012]进一步，心理疾病类型诊断系统还包括语音输入模块，用于进行用户的语音输入，并将语音信息转换为文本向量。
[0013]进一步，心理疾病类型诊断系统还包括警报模块，用于在发现用户患有某一类心理疾病，将检测结果发送至其移动终端，并根据心理疾病的严重程度对用户进行情绪疏导，或建议其就医。
[0014]本专利技术由于采取以上技术方案，其具有以下优点：
[0015]1、本专利技术中的核心算法为无监督算法，使用本方法前无需对数据进行人工标注，节省了人力成本，也避免了人工因素对分类结果的影响，可用于对未知病情的分类识别，从计算机的角度为精神疾病类型诊断研究提供新的方法，而且使用方法简单，程序运行效率高、速度快。
[0016]2、本专利技术对于医疗机构来说，是有效的病情筛查工具；对于数据提供方而言，可以更有效地利用数据仓库在实际应用场景进行挖掘；对于普通用户而言，通过可视化结果可以对自己当前的精神状态有更为清晰准确的评估，以采取预防和准备。
附图说明
[0017]图1是本专利技术一实施例中基于时间序列的心理疾病类型诊断系统的结构示意图；
[0018]图2是本专利技术一实施例中基于时间序列的心理疾病类型诊断的流程图。
具体实施方式
[0019]为了使本领域技术人员更好的理解本专利技术的技术方案，通过具体实施例对本专利技术进行详细的描述。然而应当理解，具体实施方式的提供仅为了更好地理解本专利技术，它们不应该理解成对本专利技术的限制。在本专利技术的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
[0020]本实施例公开了一种基于时间序列的心理疾病类型诊断系统，如图1、2所示，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；
[0021]文本处理模块，用于获取心理疾病的病例，将每个病例按时间序列拆分为多个txt文档，构建病例数据库，数据库中不包含用户身份信息，仅包括病例详细描述，文档命名为10位英文数字混合的名称，前4位为大小写随机字母，后六位为确诊日期，如确诊日期为2019年5月9日，则后6位格式为“190509”。按时间序列拆分后，再增加4位顺序数字编号。
[0022]文本结构化模块，用于将获取的病例转换为文本向量。
[0023]用户在系统客户端输入自己的症状描述，或者通过语音输入模块随时对用户的语
言进行记录，并转换成文本文件，生成一个随机的14位的文档编号，对每一个文档进行归一化，生成归一化文本向量。
[0024]模型训练模块，用于将文本向量输入神经网络模型进行训练，为了保持神经网络模型的相关性，重要的是更新用于训练的数据，在数据库服务器上创建一个定期作业，以更新保存数据集。最终的神经网络模型将集成到聚类模块中。该模块首先确定最优滑动窗口与模型构建维度，构建不同维度下的文档嵌入模型，在最优维度和最优窗口两个参数确定之后，按类别将所有文本向量输入模型，进行训练，对向量进行归一化变换，得到文档嵌入矩阵。
[0025]模型训练模块需要确定最优滑动窗口与模型构建维度，构建不同维度下的文档嵌入模型，得到不同维度下的文档嵌入矩阵，根据矩阵计算每个维度下的模型损失，使模型损失最小化，从而得到最优窗口；随后根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的心理疾病类型诊断系统，其特征在于，包括：文本处理模块，文本结构化模块、模型训练模块和聚类模块；所述文本处理模块，用于获取心理疾病的病例；所述文本结构化模块，用于将获取的病例转换为文本向量；所述模型训练模块，用于将所述文本向量输入神经网络模型进行训练；所述聚类模块，用于将待判断用户的信息输入训练好的神经网络模型进行聚类，根据聚类结果判断用户心理疾病的类型。2.如权利要求1所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述聚类模块中判断所述用户心理疾病的类型的方法是：若待判断用户的信息不属于任何一类已知分类，则认为用户没有心理疾病，若用户的信息属于已知分类中的一种，则认为用户患有该类心理疾病。3.如权利要求2所述的基于时间序列的心理疾病类型诊断系统，其特征在于，还包括可视化模块，用于对所述聚类模块的聚类结果进行降维，将高维矩阵转化为二维向量组，从而将高维图像降至二维，以进行可视化显示。4.如权利要求3所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述降维的方法包括以下步骤：寻找高维空间中的数据集a
i
的映射关系f，根据所述映射关系f构造低维数据集{y
i
＝f(a
i
)}，通过流形学习中非线性的T
‑
SNE将高维向量降到二维，得到聚类可视化结果。5.如权利要求1所述的基于时间序列的心理疾病类型诊断系统，其特征在于，所述模型训练模块需要确定最优滑动窗口与模型...

【专利技术属性】
技术研发人员：梁循，冯子桓，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：