基于多层次特征融合的抑郁状态识别系统技术方案

本发明专利技术公开了基于多层次特征融合的抑郁状态识别系统，包括：将裁剪后的脉搏信号和心电信号均输入到训练后的特征级抑郁状态检测模型中，进行特征级融合，并输出特征级抑郁状态分类结果；将裁剪后的脉搏信号输入到训练后的脉搏信号决策级融合子网络中，输出PPG

【技术实现步骤摘要】
基于多层次特征融合的抑郁状态识别系统


[0001]本专利技术涉及抑郁状态识别
，特别是涉及基于多层次特征融合的抑郁状态识别系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]目前，临床上对抑郁症的诊断主要基于ICD
‑
0或DSM
‑
V中的抑郁症诊断标准，结合病人的访谈情况、量表以及医生诊疗经验进行。易因患者的配合程度、医生熟练程度等主观因素的影响而导致误诊，且患者就医意识及早期筛查工具的缺乏导致部分患者诊疗时已经达到重度抑郁障碍。
[0004]近年来，随着互联网和科学技术的发展，深度学习因其强大的数据处理、数据挖掘能力已被广泛应用于医疗领域。利用机器学习和生物学信息辅助抑郁识别成为提高抑郁识别准确率的重要方式。传统的门控循环单元(Gated Recurrent Unit,GRU)往往需要大量的数据进行训练，临床上很难采到大量且优质的数据。除此之外，单一的生理信号在深度学习中难以稳定而准确的对抑郁症进行识别。目前对生物学信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多层次特征融合的抑郁状态识别系统，其特征是，包括：数据获取模块，其被配置为：获取待识别的脉搏信号和心电信号；数据预处理模块，其被配置为：对待识别的脉搏信号和心电信号进行预处理；数据裁剪模块，其被配置为：对预处理后的信号进行裁剪；抑郁识别模块，其被配置为：将裁剪后的脉搏信号和心电信号均输入到训练后的特征级抑郁状态检测模型中，训练后的特征级抑郁状态检测模型对脉搏波信号特征和心电信号特征进行特征级融合，并输出特征级抑郁状态分类结果；将裁剪后的脉搏信号输入到训练后的脉搏信号决策级融合子网络中，输出PPG
‑
DFSN抑郁状态分类结果；将裁剪后的心电信号输入到训练后的心电信号决策级融合子网络中，输出ECG
‑
DFSN抑郁状态分类结果；将PPG
‑
DFSN抑郁状态分类结果与ECG
‑
DFSN抑郁状态分类结果进行决策级融合得到决策级融合抑郁状态分类结果；将决策级融合抑郁状态分类结果与特征级抑郁状态分类结果进行融合得到最终的抑郁状态分类结果。2.如权利要求1所述的基于多层次特征融合的抑郁状态识别系统，其特征是，所述获取待识别的脉搏信号和心电信号，包括：获取待识别的脉搏信号和心电信号；将待识别的脉搏信号和心电信号转换为一维矩阵。3.如权利要求1所述的基于多层次特征融合的抑郁状态识别系统，其特征是，所述对待识别的脉搏信号和心电信号进行预处理，包括：将一维矩阵的脉搏信号和心电信号进行降采样处理；对降采样处理后的信号，使用平滑滤波算法进行处理，去除工频干扰；对去除工频干扰后的信号，采用中值滤波算法进行处理，去除肌电噪声；对去除肌电噪声后的信号，采用小波变换算法进行处理，去除基线漂移；所述采用小波变换算法进行处理，去除基线漂移，具体包括：使用小波变换算法，对脉搏信号和心电信号进行去噪处理，选用sym8小波基对脉搏信号和心电信号进行分解与重构以去除脉搏信号和心电信号的基线漂移。4.如权利要求1所述的基于多层次特征融合的抑郁状态识别系统，其特征是，所述将裁剪后的脉搏信号和心电信号均输入到训练后的特征级抑郁状态检测模型中，其中，训练后的特征级抑郁状态检测模型，其网络结构包括：并列的第一GRU网络和第二GRU网络；所述第一GRU网络的输入端用于输入裁剪后的脉搏信号；所述第一GRU网络的输出端与特征融合模块的输入端连接；所述第二GRU网络的输入端用于输入裁剪后的心电信号；所述第二GRU网络的输出端与特征融合模块的输入端连接；特征融合模块用于对输入的脉搏信号特征和心电信号特征进行串联拼接，得到融合特征；特征融合模块的输出端与第一支持向量机分类器的输入端连接；第一支持向量机分类器对融合特征进行分类处理，得到第一抑郁状态分类结果。
5.如权利要求1所述的基于多层次特征融合的抑郁状态识别系统，其特征是，所述将裁剪后的脉搏信号和心电信号均输入到训练后的特征级抑郁状态检测模型中，其中，训练后的特征级抑郁状态检测模型，其训练过程包括：构建训练集，所述训练集为已知抑郁状态检测结果的脉搏信号和心电信号；所述抑郁状态检测结果，包括正常和抑郁两种结果；将训练集输入到特征级抑郁状态检测模型中，对模型进行训练，当模型的损失函数值不再下降时，或者迭代次数超过设定次数时，停止训练，得到训练后的特征级抑郁状态检测模型。6.如权利要求1所述的基于多层次特征融合的抑郁状态识别系统，其特征是，所述将裁剪后的脉搏信号输入到训练后的脉搏信号决策级融合子网络中，输出PPG
‑
DFSN抑郁状态分类结果，其中，训练后的脉搏信号决策级融合子网络，包括：依次连接的第三GRU网络和第二支持向量机分类器；所述将裁剪后的脉搏信号输入到训练后的脉搏信号决策级融合子网络中，输出PPG
‑
DFSN抑郁状态分类结果，其中，训练后的脉搏信号决策级融合子网络，其训练过程包括：将训练集输入到脉搏信号决策级融合子网络中，对模型进行训练，当模型的损失函数值不再下降时，或者迭代次数超过设定次数时，停止训练，得到训练后的脉搏信号决策级融合子网络。7.如权利要求1所述的基于多层次特征融合的抑郁状态识别系统，其特征是，所述将裁剪后的心电信号输入到训练后的心电信号决策级融...

【专利技术属性】
技术研发人员：杨立才，王子嘉，李嘉恺，柳昕祎，朱仲军，
申请(专利权)人：山东大学，
类型：发明
国别省市：