一种智能抑郁识别方法及装置制造方法及图纸

本发明专利技术涉及抑郁等级测量识别的技术领域，揭露了一种智能抑郁识别方法及装置，所述方法包括：采集患者的抑郁测量数据；对采集的抑郁测量数据进行可解释性特征提取；构建多维特征动态抑郁测量模型，对多维特征动态抑郁测量模型进行优化求解得到最优模型；将抑郁测量特征输入到最优多维特征动态抑郁测量模型中，模型输出抑郁测量概率，将该概率结果与预定的抑郁等级评定表进行比较，判断患者的抑郁等级。本发明专利技术利用BORUTA方法去除抑郁测量过程中的无关项目，所保留项目与患者抑郁测量结果具有较高的相关性，增强了多维特征动态抑郁测量模型测量结果的可解释性，并针对抑郁测量概率确定抑郁等级评定表，实现基于抑郁测量特征的抑郁等级确定。等级确定。等级确定。

【技术实现步骤摘要】
一种智能抑郁识别方法及装置


[0001]本专利技术涉及抑郁等级测量识别的
，尤其涉及一种智能抑郁识别方法及装置。

技术介绍

[0002]抑郁症是一种困扰人身心健康的精神疾病，主要症状表现在注意力减退、兴趣下降等方面，严重者甚至会产生自残、自杀的行为。目前抑郁症严重程度的测量识别方法主要以评价抑郁量表为主，采用医生与患者面对面交谈的方式来给患者的临床症状打分，通过临床症状的严重程度和持续时间来对患者的抑郁症严重情况进行测量识别。但是由于抑郁症患者的生活日常表现具有个体差异性等情况，导致部分临床医生根据抑郁量表对抑郁症严重情况的识别结果不一，可能会存在错误识别的情况。针对该问题，本专利技术提出一种智能抑郁识别方法，通过对抑郁测量过程中不同抑郁测量项目进行动态关联分析，智能评价测量患者的抑郁等级，不同的抑郁等级表示患者不同的抑郁症严重程度，辅助医生初步判断用户的抑郁严重程度。

技术实现思路

[0003]有鉴于此，本专利技术提供一种智能抑郁识别方法，目的在于：1)在抑郁测量过程中利用BORUTA方法去除抑郁测量过程中的无关抑郁测量项目，并在BORUTA方法中通过将原始项目打乱，构成阴影特征项目以增加抑郁测量数据的随机性，保证所采取方法的可靠性，进而删除重要性程度不高的项目，所保留项目与患者抑郁测量结果具有较高的相关性，增强了多维特征动态抑郁测量模型测量结果的可解释性；2)基于注意力机制以及多维子空间构建得到多维特征动态抑郁测量模型，基于激活函数得到抑郁测量概率，并针对抑郁测量概率确定抑郁等级评定表，实现基于抑郁测量项目的抑郁等级确定。
[0004]实现上述目的，本专利技术提供的一种智能抑郁识别方法，包括以下步骤：
[0005]S1：采集患者的抑郁测量数据；
[0006]S2：对采集的抑郁测量数据进行可解释性特征提取，得到患者的抑郁测量特征，其中BORUTA为所述可解释性特征确定的主要方法；
[0007]S3：构建多维特征动态抑郁测量模型，所述多维特征动态抑郁测量模型以抑郁测量特征为输入，以抑郁测量概率为输出；
[0008]S4：对多维特征动态抑郁测量模型进行优化求解得到最优模型参数，并基于最优模型参数构建得到最优多维特征动态抑郁测量模型；
[0009]S5：将患者的抑郁测量特征输入到最优多维特征动态抑郁测量模型中，模型输出患者的抑郁测量概率，将该抑郁测量概率与预定的抑郁等级评定表进行比较，判断患者的抑郁等级。
[0010]作为本专利技术的进一步改进方法：
[0011]可选地，所述S1步骤中采集患者的抑郁测量数据，包括：
[0012]采集患者的抑郁测量数据x，其中患者为进行抑郁识别的用户，所采集抑郁测量数据的格式为：
[0013]x＝(x1,x2,...,x
i
,...,x
34
),i∈[1,34][0014]其中：
[0015]x
i
表示患者在第i个项目的测量结果，x
i
＝{1,2,3,4}，“1”表示没有或很少时间有，“2”表示小部分时间有，“3”表示相当多时间有，“4”表示绝大部分或全部时间有，其中项目为抑郁测量项目；
[0016]在本专利技术实施例中，抑郁测量数据中前20个项目为SDS抑郁自评量表中的项目，后14个项目为医院焦虑抑郁量表中的项目，SDS抑郁自评量表包括20个反映抑郁主观感受的项目，医院焦虑抑郁量表包括14个评定抑郁焦虑的项目，根据患者在不同项目的发生频率进行抑郁测量，得到对应项目的测量结果。
[0017]可选地，所述S2步骤中对采集的抑郁测量数据进行可解释性特征提取，得到抑郁测量特征，包括：
[0018]所述基于BORUTA方法的可解释性特征确定流程为：
[0019]基于BORUTA方法确定抑郁测量数据中的可解释性特征，并根据所确定的可解释性特征，提取患者抑郁测量数据x中可解释性特征所对应的项目评分结果，构成患者的抑郁测量特征F
′
，在本专利技术实施例中，可解释特征为抑郁测量数据中重要性较高的项目，在采集固定量抑郁测量数据及抑郁严重情况人工判断结果后，重新利用BORUTA方法确定可解释性特征，保证可解释性特征的动态更新，所述基于BORUTA方法的可解释性特征确定流程为：
[0020]S21：采集n名患者的抑郁测量数据以及对应的抑郁测量结果构成训练集data，其中抑郁测量结果为基于抑郁测量数据的抑郁严重情况人工判断结果，抑郁严重情况对应抑郁等级1
‑
5，其中1表示严重抑郁，5表示轻度抑郁，抑郁等级的数值越高，表示抑郁越严重，所构成训练集data的格式为：
[0021]data＝{X
j
,y
j
|j∈[1,n]}
[0022]X
j
＝(x
j,1
,x
j,2
,...x
j,i
,,...,x
j,34
)
[0023]其中：
[0024]X
j
表示训练集data中第j名患者的抑郁测量数据，y
j
表示训练集data中第j名患者的抑郁测量结果；
[0025]x
j,i
表示训练集data中第j名患者在第i个项目的评分结果；
[0026]S22：将训练集data中的抑郁测量数据构成抑郁测量矩阵M：
[0027][0028]其中：
[0029]M
i
表示抑郁测量矩阵M的第i列，即第i个项目的作答情况；
[0030]S23：对抑郁测量矩阵M中的每一列创建阴影列，则列M
i
的阴影列为M
i
′
，M
i
′
为将M
i
中评分结果的顺序打乱后重组得到的矩阵列；所述对M
i
中评分结果的顺序进行打乱重组的策略为：将列M
i
中n名患者的评分结果随机打乱并进行重组，得到与M
i
中评分结果分布相同，顺序不同的阴影列；
[0031]在本专利技术实施例中，传统特征选择方法会选择删除使得模型性能没有明显变化的特征，这些特征与抑郁测量结果不一定不相关，而是对减小多维特征动态抑郁测量模型优化目标函数值没有帮助，因此本方案提出一种可解释性特征确定方法，通过添加每个项目的阴影列，在项目特征重要性度量时增加随机波动，每个项目特征会与其随机项目特征进行重要性竞争，若一个项目是有用的，则该项目特征的重要性会高于最大的随机项目特征的重要性，从而保留这些项目，所筛选得到的项目具有更高的可解释性，从而增强了多维特征动态抑郁测量模型测量结果的可解释性以及真实性。
[0032]S24：构建带有阴影列的抑郁测量矩阵M
′
：
[0033]M
′
＝[M1,M1′
,M2,M2′
,...,M
i...

【技术保护点】

【技术特征摘要】
1.一种智能抑郁识别方法，其特征在于，所述方法包括：S1：采集患者的抑郁测量数据；S2：对采集的抑郁测量数据进行可解释性特征提取，得到患者的抑郁测量特征，其中BORUTA为所述可解释性特征确定的主要方法；S3：构建多维特征动态抑郁测量模型，所述多维特征动态抑郁测量模型以抑郁测量特征为输入，以抑郁测量概率为输出；S4：对多维特征动态抑郁测量模型进行优化求解得到最优模型参数，并基于最优模型参数构建得到最优多维特征动态抑郁测量模型；S5：将患者的抑郁测量特征输入到最优多维特征动态抑郁测量模型中，模型输出患者的抑郁测量概率，将该抑郁测量概率与预定的抑郁等级评定表进行比较，判断患者的抑郁等级。2.如权利要求1所述的一种智能抑郁识别方法，其特征在于，所述S1步骤中采集待抑郁识别患者的抑郁测量数据，包括：采集待抑郁识别患者的抑郁测量数据x，其中患者为进行抑郁识别的用户，所采集抑郁测量数据的格式为：x＝(x1，x2，...，x
i
，...，x
34
)，i∈[1，34]其中：x
i
表示患者在第i个项目的测量结果，x
i
＝{1，2，3，4}，“1”表示没有或很少时间有，“2”表示小部分时间有，“3”表示相当多时间有，“4”表示绝大部分或全部时间有。3.如权利要求2所述的一种智能抑郁识别方法，其特征在于，所述S2步骤中对采集的抑郁测量数据进行可解释性特征提取，得到抑郁测量特征，包括：基于BORUTA方法确定抑郁测量数据中的可解释性特征，并根据所确定的可解释性特征，提取患者抑郁测量数据x中可解释性特征所对应的项目评分结果，构成患者的抑郁测量特征F
′
，所述基于BORUTA方法的可解释性特征确定流程为：S21：采集n名患者的抑郁测量数据以及对应的抑郁测量结果构成训练集data，其中抑郁测量结果为基于抑郁测量数据的抑郁严重情况人工判断结果，抑郁严重情况对应抑郁等级1
‑
5，其中1表示严重抑郁，5表示轻度抑郁，抑郁等级的数值越高，表示抑郁越严重，所构成训练集data的格式为：data＝{X
j
，y
j
|j∈[1，n]}X
j
＝(x
j，1
，x
j，2
，...x
j，i
，，...，x
j，34
)其中：X
j
表示训练集data中第j名患者的抑郁测量数据，y
j
表示训练集data中第j名患者的抑郁测量结果；x
j，i
表示训练集data中第j名患者在第i个项目的评分结果；S22：将训练集data中的抑郁测量数据构成抑郁测量矩阵M：其中：
M
i
表示抑郁测量矩阵M的第i列，即第i个项目的作答情况；S23：对抑郁测量矩阵M中的每一列创建阴影列，则列M
i
的阴影列为M
′
i
，M
′
i
为将M
i
中评分结果的顺序打乱后重组得到的矩阵列；S24：构建带有阴影列的抑郁测量矩阵M
′
：M
′
＝[M1，M
′1，M2，M
′2，...，M
i
，M
′
i
，...，M
34
，M
′
34
，Y]其中：Y表示n名患者的抑郁测量结果所构成的矩阵列；S25：随机从抑郁测量矩阵M
′
中抽取若干行构成计算矩阵B1和B2，其中计算矩阵B1和B2的行数不同；S26：构建决策树模型，所述决策树模型的输入为计算矩阵B1和B2，输出为抑郁测量矩阵M
′
中每个项目的重要性，所述项目包括抑郁测量数据的34个项目以及对应的34个阴影项目，抑郁测量矩阵M
′
中的M1，M
′1，M2，M
′2，...，M
i
，M
′
i
，...，M
34
，M
′
34
即代表所有68个项目，对应计算矩阵B中的B1，B
′1，B2，B
′2，...，B
i
，B
′
i
，...，B
34
，B
′
34
；所述任意第i个项目所对应的重要性计算结果r
i
为：r
i
＝|r
i，1
‑
r
i，2
||其中：表示计算矩阵B1的行数，表示计算矩阵B2的行数；表示计算矩阵B1的列B
1i
中评分结果为k的行数；表示列B
1i
中评分结果为k的行数中，抑郁测量结果为c的行数的占比；表示计算矩阵B2的列B
2i
中评分结果为k的行数；表示列B
2i
中评分结果为k的行数中，抑郁测量结果为c的行数的占比；S27：记录34个阴影列中最大的重要性计算结果r
*
，判断抑郁测量矩阵M中每一列重要性计算结果与r
*
的大小，将重要性计算结果大于等于r
*
的项目标记为可解释性特征。4.如权利要求1所述的一种智能抑郁识别方法，其特征在于，所述S3步骤中构建多维特征动态抑郁测量模型，包括：构建多维特征动态抑郁测量模型，所构建多维特征动态抑郁测量模型包括输入层、嵌入层、交互层以及输出层；所述多维特征动态抑郁测量模型以抑郁测量特征为输入，以抑郁测量概率为输出，...

【专利技术属性】
技术研发人员：王浩，常瀛修，裘玮晶，宿禹昌，
申请(专利权)人：江苏瑞康成医疗科技有限公司，
类型：发明
国别省市：