一种基于深度学习行为熵的抑郁症识别系统技术方案

本发明专利技术公开了一种基于深度学习行为熵的抑郁症识别系统，其包括：至少一个影像数据获取单元，用于识别待测者的面部表情及肢体动作；表情模块，根据影像数据获取单元获取的面部表情，提取待测者的面部表情特征，并获得对应的七种表情出现的概率；动作模块，根据影像数据获取单元获取的肢体动作，提取待测者的在图像中的位点位置信息；行为熵模型，根据表情模块及动作模块获取的信息，输出代表抑郁度的行为熵指标。通过获取待测者的面部表情及肢体动作，进而得到表情熵及动作熵，并获得代表抑郁度的行为熵，利用深度学习的方式提高行为熵的获取准确性，进而可以达到更高的抑郁度自动识别的效果，对医生提供诊断的参考。对医生提供诊断的参考。对医生提供诊断的参考。

A depression recognition system based on deep learning behavior entropy

【技术实现步骤摘要】
一种基于深度学习行为熵的抑郁症识别系统


[0001]本专利技术利用深度学习定义的行为熵来表征抑郁度，具体涉及一种基于深度学习行为熵的抑郁症识别系统。

技术介绍

[0002]临床上对抑郁症的诊断主要通过患者健康问卷抑郁量表(the Patient Health Questionnaire Depression Scores，QDS)、汉密顿抑郁量表(Hamilton Depression Scale，HAMD)、抑郁自评量表(Self
‑
rating Depression Scale，SDS)、焦虑自评量表(Self
‑
rating Anxiety Scale，SAS)以及医生的问答进行综合判断.
[0003]一、汉密顿抑郁量表大部分项目采用0～4分的5级评分法。各级的标准为：i(0)无；(1)轻度；(2)中度；(3)重度；(4)极重度。少数项目采用0～2分的3级评分法，l其分级的标准为：i(0)无；(1)轻～中度；(2)重度。总分超过24分为严重抑郁，超过17分为轻或中度抑郁，小于7分无抑郁症状。
[0004]二、抑郁自评量表由20个项目组成，采用1
‑
4分的四级评分法(没有或偶尔，有时，经常，总是如此)，其中，第2、5、6、11、12、14、16、17、18和20等十项是为反向评分题，第1、3、4、7、8、9、10、13、15、19等十项是为正向评分题。评分指数在50以下者无抑郁；50
‑
59为轻微至轻度抑郁；60
‑<br/>69为中至重度抑郁；70以上为重度抑郁。
[0005]三、焦虑自评量表与抑郁自评量表相仿，由20个条目组成，采用1
‑
4分的四级评分法(没有或偶尔，有时，经常，总是如此)，其中，第5、9、13、17和19等五项是为反向评分题，第1、2、3、4、6、7、8、10、11、12、14、15、16、18和20等十五项是为正向评分题。评分指数在50以下者无焦虑；50
‑
59为轻微至轻度焦虑；60
‑
69为中至重度焦虑；70以上为重度焦虑。
[0006]汉密顿抑郁量表由经过培训的两名评定者对患者进行汉密顿联合检查.一般采用交谈与观察的方式，检查结束后，两名评定者分别独立评分,在治疗前后进行评分，可以评价病情的严重程度及治疗效果。这种方法对评定者的要求比较高，他们需要经过严格培训，而且容易出现患者的细节情绪观察不到位以及抑郁程度判断不均衡等情况。

技术实现思路

[0007]针对现有技术存在的不足，本专利技术的目的在于提供一种基于深度学习行为熵的抑郁症识别系统。
[0008]为实现上述目的，本专利技术提供了如下技术方案：
[0009]一种基于深度学习行为熵的抑郁症识别系统，其包括：
[0010]至少一个影像数据获取单元，用于识别待测者的面部表情及肢体动作；
[0011]表情模块，根据影像数据获取单元获取的面部表情，提取待测者的面部表情特征，并获得对应的七种表情出现的概率；
[0012]动作模块，根据影像数据获取单元获取的肢体动作，提取待测者的在图像中的位点位置信息；
[0013]行为熵模型，根据表情模块及动作模块获取的信息，输出代表抑郁度的行为熵指标，
[0014]其构建方式如下：
[0015]首先，利用表情模块获得的七种表情出现的概率计算出表情熵
[0016]其中H(X)表示表情熵，p(x
i
)表示第i种表情出现的概率；
[0017]其次利用动作模块获取的待测者的位点位置信息，并通过相邻两幅图片的位置移动距离D，得到动作熵
[0018]其中G(Y)表示动作熵，D(y
j
)表示第j个位点的位置移动距离，
[0019]最后利用λ线性拟合表情熵及动作熵，得到行为熵
[0020]F(X,Y)＝λH(X)+(1
‑
λ)G(Y)，其中F(X,Y)表示行为熵，λ表示配比参数。
[0021]所述影像数据获取单元包括用于对获取的视频进行分帧操作的图片提取模块。
[0022]所述影像数据获取单元还设有图像预处理模块。
[0023]所述图像预处理模块的工作步骤如下：
[0024]B1、对图片进行目标区域裁剪操作，获取人脸及人体区域数据；
[0025]B2、对B1中获取的输入数据进行数据增强；
[0026]B3、将增强后的人脸图像转换成灰度图像。
[0027]所述表情模块包括多个卷积子模块。
[0028]所述表情模块包括：
[0029]数据库，其用于输入数据集，并获取数据集的特征信息，其包括训练集、验证集及测试集；
[0030]学习模型，根据所述特征信息，调用设定的标准模型框架，对输入数据集进行无监督学习；
[0031]验证模型，利用验证集对学习模型进行进度验证；
[0032]输出模型，用于当所述学习模型的精度达到设定阈值时，输出该学习模型，并将所述学习模型与数据集的特征信息进行关联。
[0033]所述动作模型包括：
[0034]输入模块，用于输入用于识别的图形数据；
[0035]识别模型，通过建立的训练模型，对输入的图形数据进行人体识别，其中人体识别包括标志点定位及肢体识别；
[0036]动作解析模块，用于根据识别模型识别的信息，进行振幅及相邻图片的数据比对。
[0037]本专利技术的有益效果：通过获取待测者的面部表情及肢体动作，进而得到表情熵及动作熵，并获得代表抑郁度的行为熵，利用深度学习的方式提高行为熵的获取准确性，进而可以达到更高的抑郁度自动识别的效果，对医生提供诊断的参考。可以大大减少繁琐的患者抑郁症诊断的耗时，并且达到更优秀的抑郁症识别效果。省去了前期过多复杂的医学量
表以及医患访谈，节省诊疗时间，可以应用在精神医生欠缺的地方医院，有效提高诊断的准确性。
附图说明
[0038]图1为本专利技术的整体方案设计流程图。
[0039]图2为本专利技术的表情模块的流程图。
[0040]图3为本专利技术的动作模块的流程图。
[0041]图4为本专利技术的人体18个位点图。
[0042]图5为患者治疗前后七维表情状态变化示意图。
[0043]图6为患者治疗前后肢体动作幅度变化示意图。
[0044]图7为患者治疗过程中抑郁自评值变化示意图。
[0045]图8为患者治疗过程中，本系统的行为熵抑郁度变化示意图。
具体实施方式
[0046]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0047]需要说明，本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习行为熵的抑郁症识别系统，其特征在于：其包括：至少一个影像数据获取单元，用于识别待测者的面部表情及肢体动作；表情模块，根据影像数据获取单元获取的面部表情，提取待测者的面部表情特征，并获得对应的七种表情出现的概率；动作模块，根据影像数据获取单元获取的肢体动作，提取待测者的在图像中的位点位置信息；行为熵模型，根据表情模块及动作模块获取的信息，输出代表抑郁度的行为熵指标，其构建方式如下：首先，利用表情模块获得的七种表情出现的概率计算出表情熵其中H(X)表示表情熵，p(x
i
)表示第i种表情出现的概率；其次利用动作模块获取的待测者的位点位置信息，并通过相邻两幅图片的位置移动距离D，得到动作熵其中G(Y)表示动作熵，D(y
j
)表示第j个位点的位置移动距离，最后利用λ线性拟合表情熵及动作熵，得到行为熵F(X,Y)＝λH(X)+(1
‑
λ)G(Y)，其中F(X,Y)表示行为熵，λ表示配比参数。2.根据权利要求1所述的一种基于深度学习行为熵的抑郁症识别系统，其特征在于：所述影像数据获取单元包括用于对获取的视频进行分帧操作的图片提取模块。3.根据权利要求1或2所述的一种基于深度学习行为熵的抑郁症识别系统，其特征在于：所述影像数据...

【专利技术属性】
技术研发人员：刘东东，林海，戚德振，邱野，杨国钰，袁钦湄，卢雨儿，曹玉萍，帅建伟，
申请(专利权)人：国科温州研究院温州生物材料与工程研究所，
类型：发明
国别省市：