【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种抑郁症信息检测方法、系统、介质、设备及终端。
技术介绍
1、目前，抑郁症，作为一种普遍而严重的心理障碍，正在无形地摧毁越来越多的家庭。与预想不同的是，抑郁症的治疗并不复杂，无论是接受西方心理学治疗还是中医草药、针灸、推拿等治疗，都可以恢复到正常状态。然而，疑似抑郁的民众多数不能意识到病因并及时得到确诊，才导致无数悲剧的发生。因此，开发一种准确、快速、可靠的抑郁症检测技术具有重要意义。
2、现如今，人脸图像的获取成本已经非常之低，如果能做到利用人脸图像准确检测抑郁症，对未来全民解决抑郁症将具有重大而深远的意义。该领域内已有不少优秀的工作被公开，但仔细研究他们的方法之后便会发现一个始终未能引起重视的问题，即如何利用深度网络高效学习特征而尽可能引入更少的冗余信息。传统意义上的深度学习方法，本质是寻找一组由输入空间映射到输出空间的函数的权重，即在反复迭代过程中根据目标调整初始权重，使得模型能以不同的重视程度看待输入数据。这个过程不仅需要消耗大量计算资源，也使得网络效果的可控性、可解释性均受到制约。如果可以利用某种算法将与目标关联性强的特征予以强化，忽略次要特征，便可以在理论上大幅提升检测效果。目前尚未有任何本领域内的工作聚焦该方法。
3、现有基于人工智能的抑郁症检测，主要分为两类：基于机器学习的手动特征提取方法，以及基于深度学习的自动特征提取方法。而手动提取特征过于依赖专业知识，不能充分发挥人工智能在抑郁症检测方面的优势，深度学习方法则可以有效发挥基于人工智能抑郁症检测的高效、
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种抑郁症信息检测方法、系统、介质、设备及终端，尤其涉及一种基于transformer架构与频率特征筛选理念的抑郁症信息检测方法、系统、介质、设备及终端。
2、本专利技术是这样实现的，一种抑郁症信息检测方法，抑郁症信息检测方法包括：对人脸数据进行人脸对齐与面部裁剪的预处理；对visiontransformer进行改进，将数据的高频信息与低频信息相对独立地进行学习；引入特征筛选机制，提取重点特征忽略次要特征，从而引出两种模型变体，包括只筛选高频信息的变体1以及同时筛选高频与低频信息的变体2；最后通过实验验证检测模型的有效性。
3、进一步，抑郁症信息检测方法包括以下步骤：
4、步骤一，利用python脚本完成数据整理、人脸对齐和面部裁剪；
5、步骤二，对vision transformer进行改进，使得网络模型将高频信息与低频信息分离后相对独立地处理数据，再引入特征筛选模块强化重点特征；
6、步骤三，通过实验结果对比、注意力可视化方法验证检测方法有效性。
7、进一步，步骤一中的数据预处理包括：
8、(1)将avec2013和avec2014数据集中的视频数据按照标签文件的标注移至对应文件夹，文件夹名称为相应的bdi-ii标签，代表抑郁症严重程度；
9、(2)利用python脚本将处理好的视频按照30帧的间隔提取图像，存于当前对应文件夹下，而后删除文件夹下的视频数据，遍历全部文件夹后结束；
10、(3)利用特征点标注法对完成步骤(2)的图像数据以及预训练数据进行人脸对齐；依据面部特征点绘制包含所有特征点的最小矩形，沿矩形四条边裁剪图像，完成面部裁剪。
11、进一步，步骤(3)中的预训练数据来自casia-webface数据集。
12、进一步，步骤二中被改进的transformer网络模型为双路并行结构，其中一条支路负责提取和处理高频信息，另一条支路负责提取和处理低频信息；在进行点积注意力运算之前，对特征向量进行筛选，保留与目标相关性更高的部分，其余部分用特征均值代替。
13、进一步，特征筛选指标依托kl散度公式进行放缩变换得到，具体包括：
14、标准的transformer自注意力公式为：
15、
16、其中，，而qi，ki，υi分别代表qkv的第i行数据，第i个query的注意力用概率公式予以表述：
17、
18、其中，k(qi，kl)表示任意q的注意力得分受到p概率分布的直接影响，通过对p的筛选实现更重要q的筛选；筛选操作的参考基线均匀分布，p越接近均匀分布则说明q表征的特征不重要；若p与均匀分布的差距越远则说明q表征的信息重要，利用kl散度表征两个概率之间差异：
19、
20、将概率p和均匀分布u带入kl散度方程，得：
21、
22、将去掉常数项的部分作为q的筛选指标，定义如下：
23、
24、按照评估指标将m的取值降序排列后取前ln(lq)个，再乘以系数，系数优选5，则复杂度由降为。
25、指标m的表达式第一项属于关于变量k*的典型lse函数，*代表任意下标；第二项是线性求和式。lse函数是凸的，m表达式为凸函数，存在唯一最小值。
26、求解最小值，则：
27、
28、令最小值求解公式为0，则：
29、
30、当且仅当时等号成立，则下限为：
31、
32、对应函数上限的放缩借助最值函数，则：
33、
34、得到kl散度的明确边界为：
35、
36、重新定义注意力特征重要性指标为：
37、
38、本专利技术的另一目的在于提供一种应用所述的抑郁症信息检测方法的抑郁症信息检测系统，抑郁症信息检测系统包括：
39、数据预处理模块，用于利用python脚本完成人脸数据整理、人脸对齐和面部裁剪的预处理操作；
40、特征提取模块，用于对vision transformer进行改进，网络模型将高频信息与低频信息分离后独立处理数据，再引入特征筛选模块强化重点特征；
41、实验验证模块，用于通过实验结果对比、注意力可视化方法验证检测方法有效性。
42、本专利技术的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的抑郁症信息检测方法的步骤。
43、本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的抑郁症信息检测方法的步骤。
44、本专利技术的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的抑郁症信息检测系统。...
【技术保护点】
1.一种抑郁症信息检测方法，其特征在于，抑郁症信息检测方法包括：对人脸数据进行人脸对齐与面部裁剪的预处理；对VisionTransformer进行改进，将数据的高频信息与低频信息相对独立地进行学习；引入特征筛选机制，提取重点特征忽略次要特征，从而引出两种模型变体，包括只筛选高频信息的变体1以及同时筛选高频与低频信息的变体2；最后通过实验验证检测模型的有效性。
2.如权利要求1所述抑郁症信息检测方法，其特征在于，抑郁症信息检测方法包括以下步骤：
3.如权利要求2所述抑郁症信息检测方法，其特征在于，步骤一中的数据预处理包括：
4.如权利要求3所述抑郁症信息检测方法，其特征在于，步骤(3)中的预训练数据来自CASIA-WebFace数据集。
5.如权利要求2所述抑郁症信息检测方法，其特征在于，步骤二中被改进的Transformer网络模型为双路并行结构，其中一条支路负责提取和处理高频信息，另一条支路负责提取和处理低频信息；在进行点积注意力运算之前，对特征向量进行筛选，保留与目标相关性更高的部分，其余部分用特征均值代替。
6.如
7.一种应用如权利要求1～6任意一项所述抑郁症信息检测方法的抑郁症信息检测系统，其特征在于，抑郁症信息检测系统包括：
8.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述抑郁症信息检测方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述抑郁症信息检测方法的步骤。
10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求7所述抑郁症信息检测系统。
...【技术特征摘要】
1.一种抑郁症信息检测方法，其特征在于，抑郁症信息检测方法包括：对人脸数据进行人脸对齐与面部裁剪的预处理；对visiontransformer进行改进，将数据的高频信息与低频信息相对独立地进行学习；引入特征筛选机制，提取重点特征忽略次要特征，从而引出两种模型变体，包括只筛选高频信息的变体1以及同时筛选高频与低频信息的变体2；最后通过实验验证检测模型的有效性。
2.如权利要求1所述抑郁症信息检测方法，其特征在于，抑郁症信息检测方法包括以下步骤：
3.如权利要求2所述抑郁症信息检测方法，其特征在于，步骤一中的数据预处理包括：
4.如权利要求3所述抑郁症信息检测方法，其特征在于，步骤(3)中的预训练数据来自casia-webface数据集。
5.如权利要求2所述抑郁症信息检测方法，其特征在于，步骤二中被改进的transformer网络模型为双路并行结构，其中一条支路负责提取和处理高频信息，另...
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。