【技术实现步骤摘要】
本专利技术属于智能医疗，具体涉及一种基于多模态数据的抑郁障碍疗效预测系统。
技术介绍
1、抑郁障碍是一种常见精神类疾病，其核心症状包括情绪压抑、行为抑制、思维迟缓等，严重者会导致自伤乃至自杀。如果在抗抑郁治疗过程中能够实时追踪抗抑郁疗效并实现疗效预测，医生便能及时调整治疗方案，实现个性治疗和精准治疗，对于减少重度抑郁的发生、促进患者康复具有重要意义。当前，临床上的抗抑郁治疗效果的评估主要依赖于心理量表，如在青少年群体评估抗抑郁疗效时，医生根据儿童抑郁评定量表cdrs-r的评分减分率评估治疗效果是否有效，但是，这样的评估方式易受到患者主观影响。此外，既往研究也都大关注于单一模态的数据特征，疗效预测准确率的提升存在限制。
2、随着生物技术和人工智能领域的飞速发展，一些客观的生理生化指标被应用于抑郁障碍抗抑郁疗效的预测中：1)cn106771113a提出了甘油三酯作为标志物在制备抑郁症诊断或疗效评估试剂盒中的应用及试剂盒，通过分析血清中的甘油三酯的浓度分析抑郁障碍的严重程度；2)cn116312772a公开了基于rs-fmri和p11基因dna甲基化的抑郁症抗抑郁药早期疗效预测方法，通过采集抑郁症患者外周血检测血细胞中p11基因dna甲基化状态，对患者进行静息态功能磁共振扫描获取脑影像数据，利用机器学习算法构建疗效预测模型。虽然这些专利均提出了采用客观生理或生化指标预测抗抑郁治疗效果的方法，但是由于甘油三酯、p11基因dna甲基化的采集方式为有创且提取工艺较为复杂、功能磁共振成本高、可及性低，无法实现采集便捷、无创、成本低
技术实现思路
1、基于上述，本专利技术的目的是提供了一种基于多模态数据的抑郁障碍疗效预测系统，实现多模态数据采集分析、抑郁障碍疗效预测模型构建、以及疗效预测结果与患者匹配的推荐诊疗方案输出，通过无创的方式更客观、更准确地评估患者当前的抑郁治疗状况，促进患者的个性化治疗和精准治疗。
2、为实现上述专利技术目的，实施例还提供了一种基于多模态数据的抑郁障碍疗效预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
3、获取多个时间维度下的多模态数据并对多模态数据进行预处理；
4、从预处理后的多模态数据中提取数据特征；
5、将数据特征输入抑郁障碍疗效预测模型中进行预测；
6、输出抑郁障碍疗效结果，依据抑郁障碍疗效结果呈现对应的推荐诊断方案。
7、在一个实施例中，所述多模态数据包括人口学信息、病程时长、用药方案、睡眠心电信号、睡眠评估量表分值、抑郁评估量表分值、焦虑评估量表分值、血压中的至少2种。
8、在一个实施例中，对多模态数据进行的预处理至少包括对睡眠心电信号的重采样、降噪、滤波、特征点提取、异常值处理、特征点间期序列数据分段中的一种；其中，特征点提取至少包括心电信号的q波、r波、s波、t波；异常值处理具体为对提取的特征点及特征点间期序列进行异常值的矫正处理，包括预测平滑处理，以及缺失值的插值处理。
9、在一个实施例中，特征点间期序列数据分段是通过定长时间窗将特征点间期序列分割为多个片段数据；其中，特征点间期序列包括qq间期、qr间期、qs间期、qt间期、rr间期、rs间期、rt间期、ss间期、st间期、tt间期至少一项。
10、在一个实施例中，所述数据特征至少包括人口特征、量表变化特征、睡眠心电特征、生理变化特征中的一种；
11、所述人口特征至少包括年龄、身高、体重、bmi指数、病程时长中的一种；
12、所述量表变化特征至少包括量表变化值、量表变化值绝对值、量表变化率、量表变化曲线特征中的一种；其中，所述量表变化曲线特征至少包括量表变化曲线下面积、量表变化曲线斜率中的一种；
13、所述睡眠心电特征至少包括特征点间期序列片段数据的时域、频域和非线性特征；其中，时域特征包括平均值、最大值、最小值、中位数、方差、标准差、均方根中的至少一项；所述频域特征包括在预设特定步长的时间窗口下的总功率、特征频带功率、特征频带功率占比中的至少一项；所述非线性特征包括在预设特定步长的时间窗口下的熵特征、复杂度特征、分形维数、庞加莱散点图特征中的至少一项；
14、所述生理变化特征包括血压的变化值、变化率、生理变化曲线特征中至少一项；其中，生理变化曲线特征至少包括生理变化曲线下面积、生理变化曲线斜率中的一种。
15、在一个实施例中，所有变化特征是指患者在治疗开始至治疗8周期间的至少两个时间点的指标变化产生的特征。
16、在一个实施例中，所述抑郁障碍疗效预测模型为利用数据特征和机器学习算法构建的模型；其中，所述机器学习算法至少包括逻辑回归、支持向量机、最近邻算法、决策树分类器、随机森林、人工神经网络中的一种。
17、为实现上述专利技术目的，实施例还提供了一种基于多模态数据的抑郁障碍疗效预测系统，包括以下模块：
18、数据获取及预处理模块，用于获取多个时间维度下的多模态数据并对多模态数据进行预处理；
19、特征提取模块，用于从预处理后的多模态数据中提取数据特征；
20、疗效预测模块，用于将数据特征输入抑郁障碍疗效预测模型中进行预测；
21、结果输出模块，用于输出抑郁障碍疗效结果，依据抑郁障碍疗效结果呈现对应的推荐诊断方案。
22、为实现上述专利技术目的，实施例还提供了一种计算机可读存储介质，所述计算机可读存储有计算机指令，所述计算机指令用于使处理器执行时，实现上述抑郁障碍疗效预测系统实现的抑郁障碍疗效预测方法。
23、本专利技术提供的技术方案具有如下有益效果：
24、采集与患者相关的多个时间维度下的多模态数据，对数据预处理并提取数据特征，通过抑郁障碍疗效预测模型获取疗效预测结果，可以通过无创的方式更客观、更准确地评估患者当前的抑郁治疗状况，并结合现状匹配推荐的用药方案及心理治疗方案，辅助医生及时调整治疗方案，促进患者的个性化治疗和精准治疗。
本文档来自技高网...【技术保护点】
1.一种基于多模态数据的抑郁障碍疗效预测系统，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
2.根据权利要求1所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，所述多模态数据包括人口学信息、病程时长、用药方案、睡眠心电信号、睡眠评估量表分值、抑郁评估量表分值、焦虑评估量表分值、血压中的至少2种。
3.根据权利要求2所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，对多模态数据进行的预处理至少包括对睡眠心电信号的重采样、降噪、滤波、特征点提取、异常值处理、特征点间期序列数据分段中的一种；其中，特征点提取至少包括心电信号的Q波、R波、S波、T波；异常值处理具体为对提取的特征点及特征点间期序列进行异常值的矫正处理，包括预测平滑处理，以及缺失值的插值处理。
4.根据权利要求3所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，特征点间期序列数据分段是通过定长时间窗将特征点间期序列分割为多个片段数据；其中，特征点间期序列包括QQ间期、QR间
5.根据权利要求1所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，所述数据特征至少包括人口特征、量表变化特征、睡眠心电特征、生理变化特征中的一种；
6.根据权利要求5所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，所有变化特征是指患者在治疗开始至治疗8周期间的至少两个时间点的指标变化产生的特征。
7.根据权利要求1所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，所述抑郁障碍疗效预测模型为利用数据特征和机器学习算法构建的模型；其中，所述机器学习算法至少包括逻辑回归、支持向量机、最近邻算法、决策树分类器、随机森林、人工神经网络中的一种。
8.根据权利要求1所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，所述抑郁障碍疗效结果包括治疗无效、有效缓解、完全痊愈。
9.一种基于多模态数据的抑郁障碍疗效预测系统，其特征在于，包括以下模块：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储有计算机指令，所述计算机指令用于使处理器执行时，实现如权利要求1-8中任意一项所述的抑郁障碍疗效预测系统实现的抑郁障碍疗效预测方法。
...【技术特征摘要】
1.一种基于多模态数据的抑郁障碍疗效预测系统，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
2.根据权利要求1所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，所述多模态数据包括人口学信息、病程时长、用药方案、睡眠心电信号、睡眠评估量表分值、抑郁评估量表分值、焦虑评估量表分值、血压中的至少2种。
3.根据权利要求2所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，对多模态数据进行的预处理至少包括对睡眠心电信号的重采样、降噪、滤波、特征点提取、异常值处理、特征点间期序列数据分段中的一种；其中，特征点提取至少包括心电信号的q波、r波、s波、t波；异常值处理具体为对提取的特征点及特征点间期序列进行异常值的矫正处理，包括预测平滑处理，以及缺失值的插值处理。
4.根据权利要求3所述的基于多模态数据的抑郁障碍疗效预测系统，其特征在于，特征点间期序列数据分段是通过定长时间窗将特征点间期序列分割为多个片段数据；其中，特征点间期序列包括qq间期、qr间期、qs间期、qt间期、rr间期、rs间期、rt间期、ss间期、s...
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。