一种基于动态纹理特征和时间分片权重网络的检测方法技术

本发明专利技术公开了一种基于动态纹理特征和时间分片权重网络的检测方法，包括以下步骤：获取视频数据、音频数据、文本数据，对文本数据进行预处理，获得文本句向量；基于音频数据、视频数据，获得对应的音频特征、人脸动态纹理特征；对文本句向量、音频特征、人脸动态纹理特征进行归一处理，获得目标文本句向量、目标音频特征、目标人脸动态纹理特征；对目标文本句向量、目标音频特征、目标人脸动态纹理特征进行融合处理，获得融合特征；将融合特征输入到全连接层进行线性回归，获得单位分片的抑郁分数、权重；基于单位分片的抑郁分数、权重，进行抑郁检测。本发明专利技术能有效去除非显性抑郁特征，有效地提高了抑郁症的检测精度。提高了抑郁症的检测精度。提高了抑郁症的检测精度。

【技术实现步骤摘要】
一种基于动态纹理特征和时间分片权重网络的检测方法


[0001]本专利技术属于抑郁症检测领域，特别是涉及一种基于动态纹理特征和时间分片权重网络的检测方法。

技术介绍

[0002]传统上，抑郁症的诊断是通过访谈式评估或症状问卷调查来判定的，这使得诊断在很大程度上依赖于医生的经验。然而，由于抑郁症的发病机制仍在研究中，医生很难诊断和治疗，尤其是在临床早期。因此，使用机器学习或深度学习方法作为辅助来帮助医生检测抑郁症逐渐引起了研究人员的关注。
[0003]研究表明，非言语行为和言语行为都会受到抑郁症的影响，包括面部表情、韵律、句法和语义。在这些理论和研究的推动下，现有的抑郁症检测方法模拟了临床诊断，分析了语言表征、面部表情和声音特征。目前，现有的抑郁症检测方法通常利用来自多个来源的信息，如音频、视频和从回答中提取的文本。尽管这些方法在提高诊断准确性方面取得了一些进展，但仍存在一定的局限性。首先，很多方法没有考虑音频、视频和文本等不同模态数据之间以及它们与抑郁症诊断之间的时序依赖关系。其次，并非所有的数据片段都包含与抑郁症相关的特征，如何从不同来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态纹理特征和时间分片权重网络的检测方法，其特征在于，包括以下步骤：获取视频数据、音频数据、文本数据，对文本数据进行预处理，获得文本句向量；基于所述音频数据、视频数据，获得对应的音频特征、人脸动态纹理特征；对所述文本句向量、音频特征、人脸动态纹理特征进行归一处理，获得目标文本句向量、目标音频特征、目标人脸动态纹理特征；基于双向长短期记忆网络对所述目标文本句向量、目标音频特征、目标人脸动态纹理特征进行融合处理，获得融合特征；将所述融合特征输入到全连接层进行线性回归，获得单位分片的抑郁分数、权重；基于所述单位分片的抑郁分数、权重，获得最终抑郁分数。2.根据权利要求1所述的基于动态纹理特征和时间分片权重网络的检测方法，其特征在于，对文本数据进行预处理的过程包括：对所述文本数据进行句嵌入处理，获得文本句向量。3.根据权利要求1所述的基于动态纹理特征和时间分片权重网络的检测方法，其特征在于，获取人脸动态纹理特征的过程包括：预设视频数据中的子动态纹理，所述子动态纹理包括第一图像块、第二图像块、第三图像块；所述第一图像块、第二图像块、第三图像块的空间位置相同、时间位置不同；基于所述第一图像块、第二图像块、第三图像块，获得对应的图像像素、中心像素；基于所述图像像素、中心像素获得像素集合，所述像素集合即为预设的子动态纹理；获取所述第一图像块、第二图像块、第三图像块的中间图像块；基于所述中间图像块的中心像素，对所述子动态纹理中的像素进行二值化处理，获得人脸动态纹理特征。4.根据权利要求3所述的基于动态纹理特征和时间分片权重网络的检测方法，其特征在于，对所述子动态纹理中的像素进行二值化处理的过程包括：对所述子动态纹理中的像素与所述中间图像块的中...

【专利技术属性】
技术研发人员：石彪，符静，杨俊丰，王月，刘利枚，曹文治，梁伟，张震，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：