【技术实现步骤摘要】
本专利技术涉及深度学习模型预测，尤其涉及一种基于深度学习的心理状态辅助预测方法及装置。
技术介绍
1、在心理疾病预测领域，现有的技术主要包括基于统计学和机器学习的预测方法。这些方法主要通过提取与心理疾病相关的特征，如生理数据、行为模式、心理测量等，然后使用回归模型、分类器等工具进行预测。然而，这些方法存在一些不足之处。
2、首先，传统的统计和机器学习方法往往只关注单一特征或单一模型，忽略了特征之间的交互作用和模型的组合优化。这使得预测结果可能受到单一特征或单一模型的限制，无法全面反映心理疾病的复杂性。
3、此外，传统的统计和机器学习方法往往缺乏对模型解释性的关注。这使得预测结果可能缺乏可解释性，医生和患者难以理解预测结果背后的原因和机制。
技术实现思路
1、本专利技术提供一种基于深度学习的心理状态辅助预测方法及装置，用以解决现有技术中对心理状态的预测准确度低，且缺乏心理状态预测模型解释性的缺陷。
2、本专利技术提供一种基于深度学习的心理状态辅助预测方法，所述心理状态辅助预测方法包括：
3、获取与心理状态相关的原始数据，并对所述原始数据进行预处理，得到原始数据集，所述原始数据包括患者在就诊时选择的症状信息、患者年龄、性别及医生的诊断数据；
4、对所述原始数据集中的数据进行标签标注，并将所述原始数据集分为训练集与测试集；
5、通过所述训练集对预设底层模型进行训练，得到初始预测模型；
6、通过所述测试集对
7、将用户输入的心理状态数据输入所述心理状态辅助预测模型，得到心理状态预测结果。
8、根据本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述对所述原始数据进行预处理，包括：
9、将所述原始数据转化为统一格式，并基于所述原始数据的数据类型进行规范化处理，所述数据类型包括连续性数据及文本数据；
10、对经过规范化处理的所述原始数据进行异常值及重复值处理；
11、对经过异常值及重复值处理的所述原始数据中的隐私数据进行安全处理。
12、根据本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述对所述原始数据集中的数据进行标签标注，并将所述原始数据集分为训练集与测试集，包括：
13、判断所述原始数据集是否存在类别不平衡；
14、若是，则采用分层抽样的方式将数据集分为所述训练集与所述测试集；
15、若否，则采用随机方式将所述数据集分为所述训练集与所述测试集；
16、将患者在就诊时选择的症状信息、患者年龄、性别作为输入标签对所述训练集与所述测试集中的数据进行标签标注，并将医生的诊断数据作为一级诊断标签对所述训练集与所述测试集中的数据进行标签标注。
17、根据本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述通过所述训练集对预设底层模型进行训练，得到初始预测模型，包括：
18、将所述训练集中的数据转化为所述预设底层模型对应的格式；
19、设置所述预设底层模型的训练参数，所述训练参数包括训练迭代次数、优化器、学习率、训练数据批次大小、模型保存最大数量及模型保存频率；
20、基于所述训练参数对所述训练集进行模型训练，并调节所述输入标签与所述一级诊断标签的权重；
21、生成模型训练过程中的监控信息，所述监控信息包括模型性能信息和模型收敛信息；
22、基于所述监控信息对所述训练参数进行调节，并得到所述初始预测模型。
23、根据本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述通过所述测试集对所述初始预测模型进行优化，得到心理状态辅助预测模型，包括：
24、将所述初始预测模型加载到内存中，并将所述测试集转化为所述初始预测模型可识别的输入格式；
25、将所述测试集中的样本数据输入所述初始预测模型，并得到心理诊断识别结果；
26、将所述心理诊断识别结果与实际的医生的诊断结果进行对比，并根据对比结果对所述初始预测模型进行优化，得到心理状态辅助预测模型。
27、根据本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述将所述心理诊断识别结果与实际的医生的诊断结果进行对比，并根据对比结果对所述初始预测模型进行优化，得到心理状态辅助预测模型，包括：
28、根据所述对比结果确定误差来源，并根据所述误差来源确定模型优化方式，所述优化方式包括调节模型参数、更换模型类型及增加训练样本。
29、根据本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述将用户输入的心理状态数据输入所述心理状态辅助预测模型，得到心理状态预测结果，包括：
30、获取所述心理状态数据中的输入标签以及所述输入标签对应的该患者的就诊数据；
31、通过所述心理状态辅助预测模型对所述心理状态数据中的输入标签以及所述输入标签对应的该患者的就诊数据进行分析，得到所述心理状态预测结果。
32、本专利技术还提供一种基于深度学习的心理状态辅助预测装置，包括：
33、预处理模块，用于获取与心理状态相关的原始数据，并对所述原始数据进行预处理，得到原始数据集，所述原始数据包括患者在就诊时选择的症状信息、患者年龄、性别及医生的诊断数据；
34、划分模块，用于对所述原始数据集中的数据进行标签标注，并将所述原始数据集分为训练集与测试集；
35、训练模块，用于通过所述训练集对预设底层模型进行训练，得到初始预测模型；
36、优化模块，用于通过所述测试集对所述初始预测模型进行优化，得到心理状态辅助预测模型；
37、预测模块，用于将用户输入的心理状态数据输入所述心理状态辅助预测模型，得到心理状态预测结果。
38、本专利技术还提供一种计算设备，包括：
39、存储器和处理器；
40、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现如上任意一项所述基于深度学习的心理状态辅助预测方法的步骤。
41、本专利技术还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现如上任意一项所述基于深度学习的心理状态辅助预测方法的步骤。
42、本专利技术提供的一种基于深度学习的心理状态辅助预测方法，所述心理状态辅助预测方法包括：获取与心理状态相关的原始数据，并对所述原始数据进行预处理，得到原始数据集，所述原始数据包括患者在就诊时选择的症状信息、患者年龄、性别及医生的诊断数据；对所述原始数据集中的数据进行标签标注，并将所述原始数据集分为训练集与测试集；通过所述训练集对预设底层模型进行训练，得到初始预测模型；通过所述测试集对所述初始预测模型进行优化，得到心理状态辅助预测模型；将用户输入的心理状态数本文档来自技高网...
【技术保护点】
1.一种基于深度学习的心理状态辅助预测方法，其特征在于，所述心理状态辅助预测方法包括：
2.根据权利要求1所述的基于深度学习的心理状态辅助预测方法，所述对所述原始数据进行预处理，包括：
3.根据权利要求2所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述对所述原始数据集中的数据进行标签标注，并将所述原始数据集分为训练集与测试集，包括：
4.根据权利要求3所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述通过所述训练集对预设底层模型进行训练，得到初始预测模型，包括：
5.根据权利要求4所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述通过所述测试集对所述初始预测模型进行优化，得到心理状态辅助预测模型，包括：
6.根据权利要求5所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述将所述心理诊断识别结果与实际的医生的诊断结果进行对比，并根据对比结果对所述初始预测模型进行优化，得到心理状态辅助预测模型，包括：
7.根据权利要求1所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述将
8.一种基于深度学习的心理状态辅助预测装置，其特征在于，包括：
9.一种计算设备，其特征在于，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于深度学习的心理状态辅助预测方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的心理状态辅助预测方法，其特征在于，所述心理状态辅助预测方法包括：
2.根据权利要求1所述的基于深度学习的心理状态辅助预测方法，所述对所述原始数据进行预处理，包括：
3.根据权利要求2所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述对所述原始数据集中的数据进行标签标注，并将所述原始数据集分为训练集与测试集，包括：
4.根据权利要求3所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述通过所述训练集对预设底层模型进行训练，得到初始预测模型，包括：
5.根据权利要求4所述的基于深度学习的心理状态辅助预测方法，其特征在于，所述通过所述测试集对所述初始预测模型进行优化，得到心理状态辅助预测模型，包括：
【专利技术属性】
技术研发人员：陈冠伟，徐锋，黄一鹏，唐杰，
申请(专利权)人：好心情健康产业集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。