【技术实现步骤摘要】
本专利技术属于计算机，特别涉及一种基于音频和脑电信号综合训练模型的抑郁症检测的方法。
技术介绍
1、抑郁症是现在最常见的心理疾病之一，连续且长期的心情低落为其主要的特征。根据不同的研究和调查，抑郁症的患病率在中国呈上升趋势。城市化、社会压力、家庭问题等因素被认为是患病率增加的原因之一。抑郁症导致个体情绪低落、失去兴趣、无助感以及对生活失去希望。这严重影响患者的工作、学习和社交功能。因此能够准确的检测是否患有抑郁症极其重要。
技术实现思路
1、优势：采用音频和eeg信号双数据互补的方法，大大的提高了检测抑郁症的准确性。
2、为达到准确检测目的，本方法包括：
3、收集音频和eeg信号建立双数据库(s1)，分别采用录音设备和dsi-24获取音频和eeg信号，在被测试者回答问题时同时获取音频和eeg信号，其中音频部分要保证内容的完整性，并去除杂音，eeg部分主要获取theta、alpha、beta、gamma波段；
4、与患者的交谈内容为：内容一，过去几周(或几月)你是否感到无精打采、伤感，或对生活的乐趣较少了？内容二，除了不开心之外，是否比平时更悲观或想哭？内容三：你经常有早醒吗(事实上你并不需要那么早醒来)？内容四,以往很简单的事情，你现在是否感到难以完成？比如，家务活或者某些工作任务；
5、预处理双数据库得到音频和eeg频谱图(s2)，采用带通滤波器、sg滤波、卷积滑动平均滤波以及傅里叶变换来实现；
6、频谱特征编码(s3)
7、a/p、pca特征提取(s4)，其中pca特征提取是进行无监督的特征提取,即它不考虑标签。pca也是一个线性模型,即新特征均为原始特征的线性组合，特点在于降维。设n维向量w是低维映射空间的一个映射向量,则经过最大化数据映射后其方差公式：
8、
9、m是参与降维的数据个数，xi是随机数据的具体向量表达，减去的是所有参与降维数据的平均向量，w为包含所有特征映射向量的列向量共同组成的矩阵，则pca的输出为：y＝w′x；
10、a/p特征提取采用4层卷积层，然后提取时序特征；
11、融合单元连接不同特征(s5)，融合连接单元为bi-lstm；
12、机器学习、参数优化、输出测试结果(s6)。
13、本方法采用双数据互补达到了更准确的效果：音频与eeg信号可以互相弥补各自疏漏的地方，通过融合单元连接后可以更准确的进行抑郁症判断。
14、本方法应用范围较为广泛：可以与医院内硬件设施进行联系，也可以用于软件形式放置在网站上方便使用。
15、本方法的数据采集较为科学，音频部分数据的获取采用的与患者的交谈内容为近几年来具有代表性的内容，eeg信号获取采用了theta、alpha、beta、gamma波段获取，这些波段与抑郁症的关联性较强从而大大提高了准确性，且本方法提供了双数据模块融合分析的方法：音频模块和eeg信号模块，两类频谱数据编码并进行特征提取、数据融合，最终进入机器学习训练，得到更优结果。
本文档来自技高网...【技术保护点】
1.一种基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于，包括:
2.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
3.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
4.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
5.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
6.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
7.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
8.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
9.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
【技术特征摘要】
1.一种基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于，包括:
2.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
3.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
4.根据权利要求1所述基于音频和脑电信号综合训练模型的抑郁症检测方法，其特征在于：
5.根据权利要求1所述基于音频和脑电信号综合训...
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。