一种基于多特征的健康状态预测系统技术方案

本发明专利技术公开了一种基于多特征的健康状态预测系统，涉及健康预测技术领域，包括：情绪刺激模块，用于提供情绪刺激，包括静态情绪刺激和动态情绪刺激；信号采集模块，用于在情绪刺激时采集生物数据和行为数据；模型构建模块，用于对生物数据和行为数据进行处理，利用机器学习算法构建预测模型；评估模块，用于利用预测模型输出的预测结果，生成评价内容；本发明专利技术通过多特征相互配合，修正预测结果，提高预测效果，同时在特征提取过程中，增加各个特征提取的精确度，保证了预测模型的精确度，同时也提高了预测结果的精确度。提高了预测结果的精确度。提高了预测结果的精确度。

【技术实现步骤摘要】
一种基于多特征的健康状态预测系统


[0001]本专利技术涉及健康预测
，更具体的说是涉及一种基于多特征的健康状态预测系统。

技术介绍

[0002]重性抑郁障碍(Major Depression)是抑郁障碍中的典型疾病。其特征性地表现为明确的至少2周的发作，涉及情感、认知和神经功能的明显变化。研究显示，重性抑郁障碍12个月的患病率约为7％，是最为常见的精神疾病之一。
[0003]重性抑郁障碍早已成为精神卫生领域关注的热点问题，大量研究围绕重性抑郁障碍的病因、治疗和预防而展开。在这些研究中，对抑郁倾向的早期甄别被认为对疾病的防治有着非常重要的作用。但是由于重性抑郁常与其他生理和心理疾病共病，对抑郁的早期甄别往往是很困难的。通常，对重性抑郁障碍的诊断基于精神障碍诊断与统计手册上对该疾病标准的描述。但在诊断过程中，由于人为因素的干扰，很难完全避免主观性的影响。如在收集病史时可能产生遗漏，或对某些症状的严重程度无意地夸大等。
[0004]机器学习(ML)是计算机系统为了有效地执行特定任务，不使用明确的指令，而依赖模式和推理使用的算法和统计模型的科学研究。机器学习算法构建一个基于样本数据的数学模型，称为“训练数据”，以便在没有明确编程来执行任务的情况下进行预测或决策。
[0005]因此，随着机器学习算法的成熟，越来越多的研究者开始尝试将机器学习引入重性抑郁障碍的识别中，经过不断研究，取得了不错的进展，但是其也存在着现有的预测系统依靠单一信息获得的预测结果不够准确的问题，因此，如何解决这一问题是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于多特征的健康状态预测系统，克服上述缺陷，通过多特征的提取，避免了单特征预测系统准确性低的问题。
[0007]为了实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于多特征的健康状态预测系统，包括：
[0009]情绪刺激模块，用于提供情绪刺激，包括静态情绪刺激和动态情绪刺激；
[0010]信号采集模块，用于在情绪刺激时采集生物数据和行为数据；
[0011]模型构建模块，用于对生物数据和行为数据进行处理，利用机器学习算法构建预测模型；
[0012]评估模块，用于利用预测模型输出的预测结果，生成评价内容。
[0013]其优点在于，利用生物数据和行为数据相结合，避免单一特征的片面性造成的预测结果不够准确的问题。
[0014]可选的，所述静态情绪刺激包括不同愉悦等级的图片。
[0015]可选的，所述动态情绪刺激包括相同时长、不同愉悦等级的音频或视频。
[0016]可选的，所述生物数据包括脑电信号、皮肤电信号、心电信号、肌电信号。
[0017]可选的，所述行为数据包括眼动数据、语音数据、面部特征数据。
[0018]可选的，所述模型构建模块包括预处理子模块、特征提取子模块、模型训练子模块和模型输出子模块；
[0019]所述预处理子模块，用于分别对生物数据和行为数据进行预处理，去除干扰数据；
[0020]所述特征提取子模块，用于对预处理后的生物数据和行为数据进行分段提取特征；
[0021]模型训练子模块，用于根据提取的特征对预测模型进行训练；
[0022]模型输出子模块，用于根据预测准确性确定最终的预测模型。
[0023]可选的，所述特征提取子模块包括生物特征提取子模块、眼动特征提取子模块、语音数据特征提取子模块、面部特征提取子模块；
[0024]所述生物特征提取子模块，用于利用短时傅立叶变换对预处理后的生物数据进行时频变化，再利用可分频段自适应跟踪方法对时频变化后的生物数据进行分段，获取选定波段的特征值；
[0025]所述眼动特征提取子模块，用于根据眼球中心点的变化位置获取眼动移动折线图；
[0026]所述语音数据特征提取子模块，用于根据语音数据提取语义和语调；
[0027]所述面部特征提取子模块，用于获取眼睛闭合度、瞳孔放大程度、眉毛弯曲度、嘴巴闭合度或/和鼻孔张合度。
[0028]其优点在于，通过自适应跟踪方法对生物数据进行特征提取，自适应频段的选择，提高预测模型的精确度；通过面部特征以及眼动特征的添加，使得特征类型多元化，增加预测结果的准确度。
[0029]可选的，所述模型训练子模块包括第一标签子模块、第二标签子模块、第三标签子模块、第一训练子模块、第二训练子模块、第三训练子模块；
[0030]所述第一标签子模块，用于对第一训练集中的部分数据进行标签添加；
[0031]所述第一训练子模块，用于根据第一训练集的数据对预测模型进行训练，获取第一预测模型；
[0032]所述第二标签子模块，用于利用第一预测模型对第二训练集中的数据进行标签预测；
[0033]所述第二训练子模块，用于根据第一训练集和第二训练集中的数据对第一预测模型进行优化，获取第二预测模型；
[0034]所述第三标签子模块，用于利用第二预测模型对第一训练集中的数据进行标签预测；
[0035]所述第三训练子模块，用于根据第一训练集和第二训练集中的数据对第二预测模型进行优化，获得预测模型。
[0036]其优点在于，通过采用多次优化的方式，增加模型预测的准确度，减少训练数据的数据量。
[0037]经由上述的技术方案可知，与现有技术相比，本专利技术公开了一种基于多特征的健康状态预测系统，通过多特征相互配合，修正预测结果，提高预测效果，同时在特征提取过
程中，增加各个特征提取的精确度，保证了预测模型的精确度，同时也提高了预测结果的精确度。
附图说明
[0038]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0039]图1为本专利技术的结构示意图。
具体实施方式
[0040]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做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。
[0041]本专利技术实施例公开了一种基于多特征的健康状态预测系统，如图1所示，包括：
[0042]情绪刺激模块，用于提供情绪刺激，包括静态情绪刺激和动态情绪刺激；
[0043]信号采集模块，用于在情绪刺激时采集生物数据和行为数据；
[0044]模型构建模块，用于对生物数据和行为数据进行处理，利用机器学习算法构建预测模型；
[0045]评估模块，用于利用预测模型输出的预测结果，生成评价内容。
[0046]其中，静态情绪刺激包括不同愉悦等级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征的健康状态预测系统，其特征在于，包括：情绪刺激模块，用于提供情绪刺激，包括静态情绪刺激和动态情绪刺激；信号采集模块，用于在情绪刺激时采集生物数据和行为数据；模型构建模块，用于对生物数据和行为数据进行处理，利用机器学习算法构建预测模型；评估模块，用于利用预测模型输出的预测结果，生成评价内容。2.根据权利要求1所述的一种基于多特征的健康状态预测系统，其特征在于，所述静态情绪刺激包括不同愉悦等级的图片。3.根据权利要求1所述的一种基于多特征的健康状态预测系统，其特征在于，所述动态情绪刺激包括相同时长、不同愉悦等级的音频或视频。4.根据权利要求1所述的一种基于多特征的健康状态预测系统，其特征在于，所述生物数据包括脑电信号、皮肤电信号、心电信号、肌电信号。5.根据权利要求1所述的一种基于多特征的健康状态预测系统，其特征在于，所述行为数据包括眼动数据、语音数据、面部特征数据。6.根据权利要求1所述的一种基于多特征的健康状态预测系统，其特征在于，所述模型构建模块包括预处理子模块、特征提取子模块、模型训练子模块和模型输出子模块；所述预处理子模块，用于分别对生物数据和行为数据进行预处理，去除干扰数据；所述特征提取子模块，用于对预处理后的生物数据和行为数据进行分段提取特征；模型训练子模块，用于根据提取的特征对预测模型进行训练；模型输出子模块，用于根据预测准确性确定最终的预测模型。7.根据权利要求6所述的一种基于多特征...

【专利技术属性】
技术研发人员：赵祥红，马龙华，周文华，周东升，查志祥，蔡卫明，练斌，汪一凡，李浩，
申请(专利权)人：浙大宁波理工学院，
类型：发明
国别省市：