【技术实现步骤摘要】
本专利技术公开一种基于多任务学习的心理健康状况评估方法及系统，属于对心理健康状况相关数据进行挖掘分析的。
技术介绍
1、传统的心理健康状况评估方法主要依赖于从事心理相关工作的专业人员积累的经验或现有心理健康评估量表。这些方法通常需要专业人员进行面对面的交流和评估，主观性较强，容易受到评估人员主观因素的影响。此外，还需要对每个被测人员进行详细的评估，耗时耗力，难以满足大规模人群的心理健康评估的需求。传统的心理健康评估方法往往需要在特定的时间和地点进行，这可能会对被测试人员的正常工作和生活产生一定的影响。同时，传统心理健康评估方法往往需要被测人员填写大量的量表和问卷，量表和问卷可能会让被测人员感到困惑和不适，进一步增加其心理负担，会导致被测人员测试过程注意力不集中，得到的测试结果不能准确反映其真实的心理健康状况。
2、近年来因为心理原因引起的躯体症状来就诊的患者日渐增多，表现为腹痛、腹胀、腹部不适、腹泻、便秘、咽部异物感、腹部烧灼感等看似非常常见的消化内科症状，或者其他说不出来的腹部不适感，但各种检查结果均无异常。心身疾病的患者通常辗转多家医院，病程长且反复难愈，极大地增加了家庭和社会的负担，也给医疗卫生事业带来了巨大的挑战。
3、除此之外，相关专利文献也公开了以下
技术实现思路
：
4、中国专利文献cn117612720a公开了一种基于人工智能模型的心理测试方法、系统及存储介质，包括：步骤s1：识别测试用户的回复数据属于第一文本集后，继续执行步骤s2；步骤s2：各个测试问题由相邻上一个测试问题生成，基于
5、综上可知，现有技术中虽然已经开始探索多维度因素对心理健康状况测试影响，但是其量化手段并不是针对相关大数据挖掘和测算得到的，因此，其得到的测试评估结果可信度需要持续被关注、修正，从而难以满足现有
对心理健康状况评估准确及时的实际需求。
技术实现思路
1、针对现有技术的不足，本专利技术公开一种基于多任务学习的心理健康状况评估方法。
2、本专利技术还公开一种实现上述方法的系统。
3、本专利技术首先分析被测人员的多模态生理和行为数据进行心理健康状况评估任务；其次通过生理数据判断被测人员测试过程中是否认真答题，评估结果是否有效。通过多任务学习方法共享表示和特征提取，实现多个任务之间的知识共享和相互增强，提高模型的泛化能力和预测准确性，进一步提高心理评估的客观性、准确性的同时并确保评估结果的有效性。
4、本专利技术详细的技术方案如下：
5、一种基于多任务学习的心理健康状况评估方法，其特征在于，包括：
6、步骤1：通过可穿戴设备和高清摄像头采集被测人员的多模态数据，以构建训练样本集；
7、所述多模态数据是通过可采集血压、血氧心率、皮肤电数据的可穿戴设备以及采集面部视频数据的高清摄像头所对应获得的数据；
8、进一步，所述可穿戴设备和高清摄像头还能实现在线实施监测血压、血氧饱和度、心率并能对异常报警，所述异常报警判断标准可以是人工设定，也可以是通过相关训练数据模块输出的判断阈值；
9、步骤2：对于心理健康状况评估任务a和评估结果有效性判断任务b，利用构建的特征提取网络提取训练样本集中多模态数据的深层特征，并通过融合层将多模态数据的深层特征进行融合，得到融合特征，即融合特征a和融合特征b；
10、步骤3：构建所述任务a和任务b之间的共享表示层，即通过对所述任务a和任务b的分别特征集合进行映射，实现多任务间的参数共享；
11、步骤4：将融合特征输入到具有共享表示层的多任务分类器中进行训练，并利用损失函数和算法不断调整每个任务的权重，最终得到心理健康状况评估和有效性判断模型；
12、步骤5：利用所述心理健康状况评估和有效性判断模型对被测人员的多模态数据进行输出：待测试人员真实的心理状态分类结果以及评估结果是否有效性。
13、根据本专利技术优选的，在步骤1中，在形成训练样本集之前还包括对采集到的多模态数据进行预处理：
14、对血压、血氧、心率、皮肤电数据进行预处理并转为结构化数据作为深层特征提取模块的输入。
15、根据本专利技术优选的，所述预处理具体包括：
16、（1-1）利用小波分析方法对血压数据进行滤波并去除工频干扰，小波基函数为haar，小波包分解可以将血压数据分解为高频和低频，利用该特性提取血压数据的特征。选取分解后的高频系数和低频系数的均值、标准差和能量作为血压数据的特征，最终经过3层分解，得到血压数据的8个频带以及24维特征向量；
17、（1-2）人体血氧数据属于非平稳信号，在测量过程中极易受到高频噪声的干扰，使用0.1~40hz的滤波器去除干扰噪声，通过小波变换对血氧饱和度数据进行分解重构得到血氧频带的能量特征；
18、（1-3）心率数据的干扰来源主要包括工频干扰、肌电干扰等高频噪声，通过matlab工具箱中设置fir高通滤波器的频率范围在40-100hz滤除高频干扰；利用差分阈值算法中差分运算提取心率数据中斜率较大的qrs复合波，提取r波波峰和qrs的起始点和终止点作为心率数据的特征序列；
19、（1-4）人体的皮肤电数据有效频率范围为0.02~0.2hz，通过0.3hz截止频率的巴特沃斯滤波器去除噪声；人在心理状态改变的过程中皮肤电数据会出现明显差异，对皮肤电数据进行一阶差分和二阶差分运算后提取均值，方差、最大值比率、最小值比率、标准差、功率谱密度特征，构成皮肤电数据的12维特征向量；
20、（1-5）paul ekman等人提出的面部运动编码系统，将人脸的面部肌肉运动编码为41个运动单元，通过其组合可以反映测试人员在刺激状态下的真实情绪状态以及心理变化。对于采集的面部视频数据，通过openface提取测试人员的面部运动单元，其中包括au01，au02，au04，au05，au06，au07，au09，au10，au12，au14，au15，au17，au20，au23，au25，au26，au28，au45。将提取的面部运动单元的检测强度系数0-5以及该面部运动单元是否存在的二进制数据作为特征描述测试人员心理状态发生改变时的情绪变化。
21、根据本专利技术优选的，在步骤2中，所述构建的特征提取网络为多层cnn特征提取网络，将所述步骤（1）预处理得到的各任务的多模态数据作为输入提取特征，并通过融合层分别得到任务a、任务b的多模态融合特征。
22、根据本专利技术优选的，在步骤2中本文档来自技高网...
【技术保护点】
1.一种基于多任务学习的心理健康状况评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在步骤1中，在形成训练样本集之前还包括对采集到的多模态数据进行预处理：
3.根据权利要求2所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，所述预处理具体包括：
4.根据权利要求1所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在步骤2中，所述构建的特征提取网络为多层CNN特征提取网络，将所述步骤1预处理得到的各任务的多模态数据作为输入提取特征，并通过融合层分别得到任务A、任务B的多模态融合特征。
5.根据权利要求4所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在步骤2中，所述的多层CNN特征提取网络的结构包括三层卷积块：每层卷积块包括一层卷积层Conv、Batch Normalization层BN和ReLU层；在所述每层卷积块后面一层为全连接层FC，其与下一层卷积块相连接。
6.根据权利要求1所述的一种基于多任务学习的心理健康状况评估方法，其
7.根据权利要求1所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在所述步骤4中，在所述具有共享表示层的多任务分类器是指通过共享表示层和多任务分类器组成基于多任务学习的心理健康状况评估方法的两种任务的集成模型，即得到心理健康状况评估和有效性判断模型；
8.一种加载有如权利要求1所述基于多任务学习的心理健康状况评估方法的评估系统，其特征在于，包括：数据采集模块、深层特征提取模块、特征融合模块和多任务分类模块；
9.如权利要求8所述评估系统中，训练得到心理健康状况评估和有效性判断模型之后，将被测人员的实时多模态数据输入所述数据采集模块，并依次再经过深层特征提取模块、特征融合模块和多任务分类模块，最终通过心理健康状况评估和有效性判断模型得到每个任务的分类结果，即心理健康状况评估分类结果。
...【技术特征摘要】
1.一种基于多任务学习的心理健康状况评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在步骤1中，在形成训练样本集之前还包括对采集到的多模态数据进行预处理：
3.根据权利要求2所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，所述预处理具体包括：
4.根据权利要求1所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在步骤2中，所述构建的特征提取网络为多层cnn特征提取网络，将所述步骤1预处理得到的各任务的多模态数据作为输入提取特征，并通过融合层分别得到任务a、任务b的多模态融合特征。
5.根据权利要求4所述的一种基于多任务学习的心理健康状况评估方法，其特征在于，在步骤2中，所述的多层cnn特征提取网络的结构包括三层卷积块：每层卷积块包括一层卷积层conv、batch normalization层bn和relu层；在所述每层卷积块后面一层为全连接层fc，其与下一层卷积块相连...
【专利技术属性】
技术研发人员：王志意，陈元，刘治，王聪聪，陶可猛，邢奥林，张继洲，张天，
申请(专利权)人：山东第一医科大学附属省立医院山东省立医院，
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。