一种基于人工智能的音乐辅助评估抑郁症方法技术

本发明专利技术涉及一种基于人工智能的音乐辅助评估抑郁症方法，设有乐曲数据库

【技术实现步骤摘要】
一种基于人工智能的音乐辅助评估抑郁症方法


[0001]本专利技术属于人工智能
，具体涉及一种基于人工智能的音乐辅助评估抑郁症方法
。

技术介绍

[0002]抑郁症是精神科多发性疾病，以认知
、
意识
、
行为及情感障碍为主要特征，具体表现形式为幸福指数下降
、
情绪沮丧，严重时甚至会出现自杀倾向
。
目前，针对抑郁症，临床上采取药物治疗及非药物治疗
。
作为非药物治疗的音乐疗法是以心理治疗为基础的干预方式，通过结合生理
、
心理效应设定音乐进行治疗，可有效消除患者的心理障碍，有助于促进其身心健康恢复至正常状态
。
[0003]随着社会的飞速发展，人工智能已经应用到不同的领域，如在医药
、
家居
、
交通
、
城市建设
、
环境保护等领域，并取得了瞩目的成就
。
人工智能在音乐领域中也开始显示出优势，例如在音乐谱曲
、
智能歌曲识别
、
人工智能演奏等方面都取得了良好的成果
。
但人工智能赋能于音乐治疗，到目前为止未见报道
。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术涉及一种基于人工智能的音乐辅助评估抑郁症方法，所述方法包括覆盖“诊断
‑
治疗
‑
评估”全过程的基于人工智能的抑郁症音乐治疗方案，即应用深度学习方法根据心电和脑电生理信号识别抑郁状态以实现抑郁症诊断和疗效评估
、
应用深度学习方法实现个性化音乐治疗方案推荐
。
通过人工智能的赋能，提升音乐辅助治疗抑郁症的治疗效果；通过对具有莫扎特效应的典型乐曲的曲式分析，提取出能刻画抑郁症治疗效果的乐谱特征，从而揭示了音乐治疗抑郁症的本质，为今后靶向音乐治疗
、
精确施“音”、
对症下“乐”提供了理论支撑
。
[0005]本专利技术技术方案为：一种基于人工智能的音乐辅助评估抑郁症方法，设有乐曲数据库
、
患者数据库
、
数据乐曲特征分析模块和患者信息分析模块，所述乐曲特征分析模块含有乐曲
Embedding
层向量
、
乐曲低维特征和乐曲高维特征，所述患者信息分析模块含有患者
Embedding
层向量
、
患者低维特征和患者高维特征；所述方法采用深度因子分解机
DeepFM
人工智能模型，通过所述乐曲
Embedding
层向量对所述乐曲低维特征进行组合，实现降维，获取所述乐曲高维特征，通过所述患者
Embedding
层向量对所述患者低维特征进行组合，实现降维，获取患者高维特征；
[0006]优选的，所述深度因子分解机
DeepFM
人工智能模型是一个典型的并行融合网络结构，由因子分解机
FM
和深度神经网络
DNN
构成，所述因子分解机
FM
和所述深度神经网络
DNN
共享所述患者
Embedding
层向量和乐曲
Embedding
层向量，所述因子分解机
FM
负责低阶特征提取，使模型具有较强的记忆能力；
[0007]优选的，所述患者高维特征包括健康画像；
[0008]优选的，所述乐曲高维特征包括乐曲画像；
[0009]所述深度神经网络
DNN
负责高阶特征提取，使模型具有较强的泛化能力
。
[0010]本方法的步骤为：
[0011]步骤
1:
分别从乐曲数据库和患者数据库中输入乐曲数据和患者数据；
[0012]步骤
2:
启动患者信息分析模块，形成患者画像；
[0013]步骤
3:
启动所述乐曲特征分析模块，形成乐曲画像；
[0014]步骤
4:
把所述乐曲画像和患者画像输入所述深度因子分解机
DeepFM
人工智能模型，若结果为零，转步骤3；
[0015]步骤5：音乐治疗，进行评估，若评估不合格，转步骤2；
[0016]步骤
6:
确认乐曲曲目和患者个体编号，给出治疗疗程，结束
。
[0017]本专利技术有益效果：
[0018]1)
提出覆盖“诊断
‑
治疗
‑
评估”全过程的基于人工智能的抑郁症音乐治疗方案，即应用深度学习方法根据心电和脑电生理信号识别抑郁状态以实现抑郁症诊断和疗效评估
、
应用深度学习方法实现个性化音乐治疗方案推荐
。
通过人工智能的赋能，提升音乐辅助治疗抑郁症的治疗效果
。
[0019]2)
通过对具有莫扎特效应的典型乐曲的曲式分析，提取出能刻画抑郁症治疗效果的乐谱特征，从而揭示了音乐治疗抑郁症的本质，为今后靶向音乐治疗
、
精确施“音”、
对症下“乐”提供了理论支撑
。
附图说明
：
[0020]图1为本专利技术所采用方法的结构框图；
[0021]图2为本专利技术深度因子分解机
DeepFM
人工智能模型结构框图；
[0022]图3为本专利技术所采用方法的卷积神经网络框架图结构框图；
[0023]图4为本专利技术所采用方法的卷积神经网络卷积结构示意图
。
具体实施方式
：
[0024]参见图1‑
图4所示，本专利技术设有乐曲数据库
、
患者数据库
、
数据乐曲特征分析模块和患者信息分析模块，所述乐曲特征分析模块和患者信息分析模块的数据输入分别为乐曲数据库中数据和患者数据库中的数据，所述乐曲特征分析模块含有乐曲
Embedding
层向量
、
乐曲低维特征和乐曲高维特征，所述患者信息分析模块含有患者
Embedding
层向量
、
患者低维特征和患者高维特征；所述方法采用深度因子分解机
DeepFM
人工智能模型，通过所述乐曲
Embedding
层向量对所述乐曲低维特征进行组合，实现降维，获取所述乐曲高维特征，通过所述患者
Embedding
层向量对所述患者低维特征进行组合，实现降维，获取患者高维特征；
[0025]所述深度因子分解机
DeepFM
人工智能模型是一个典型的并行融合网络结构，由因子分解机
FM
和深度神经网络
DNN
构成，所述因子分解机
FM
和所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的音乐辅助评估抑郁症方法，其特征是：设有乐曲数据库
、
患者数据库
、
数据乐曲特征分析模块和患者信息分析模块，所述乐曲特征分析模块含有乐曲
Embedding
层向量
、
乐曲低维特征和乐曲高维特征，所述患者信息分析模块含有患者
Embedding
层向量
、
患者低维特征和患者高维特征；所述方法采用深度因子分解机
DeepFM
人工智能模型，通过所述乐曲
Embedding
层向量对所述乐曲低维特征进行组合，实现降维，获取所述乐曲高维特征，通过所述患者
Embedding
层向量对所述患者低维特征进行组合，实现降维，获取患者高维特征
。2.
根据权利要求1所述的基于人工智能的音乐辅助评估抑郁症方法，其特征是，所述深度因子分解机
DeepFM
人工智能模型是一个典型的并行融合网络结构，由因子分解机
FM
和深度神经网络
DNN
构成，所述因子分解机
FM
和所述深度神经网络
DNN
共享所述患...

【专利技术属性】
技术研发人员：裘一，杜树新，邓小染，王欣，
申请(专利权)人：裘一，
类型：发明
国别省市：