CN108280120A - 一种基于关联规则的心理健康预警系统及方法 - Google Patents
一种基于关联规则的心理健康预警系统及方法 Download PDFInfo
- Publication number
- CN108280120A CN108280120A CN201711255643.0A CN201711255643A CN108280120A CN 108280120 A CN108280120 A CN 108280120A CN 201711255643 A CN201711255643 A CN 201711255643A CN 108280120 A CN108280120 A CN 108280120A
- Authority
- CN
- China
- Prior art keywords
- psychological
- attribute
- early warning
- mental health
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000004630 mental health Effects 0.000 title claims description 39
- 238000012360 testing method Methods 0.000 claims description 35
- 230000005856 abnormality Effects 0.000 claims description 29
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 230000019771 cognition Effects 0.000 claims description 13
- 230000002996 emotional effect Effects 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract 4
- 230000006996 mental state Effects 0.000 abstract 2
- 230000009323 psychological health Effects 0.000 abstract 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000003340 mental effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及心理测评技术领域,尤其涉及一种基于关联规则的心理健康预警系统及方法。所述系统包括括全量心理状态属性数据库、心理异常对象的频繁属性组合集合生成模块、置信度约束判断模块、相关性约束判断模块,预警模型参数生成模块和待测评对象心理状态属性数据获取模块。该方法包括:获取全量心理状态属性数据;生成心理异常对象的频繁属性组合集合;根据给定置信度产生强关联规则集合;根据给定相关性生成有效关联规则,并将其作为潜在病因;结合潜在病因与已知病因,实现心理健康预警。本发明实现了提前预警心理异常状况,提高了预警准确率,减少了心理医生的主观因素影响,同时有助于心理医生更深入掌握心理异常的原理规律。
Description
技术领域
本发明涉及心理测评技术领域,尤其涉及一种基于关联规则的心理健康预警系统及方法。
背景技术
关联规则是指根据数据库中数据项出现在记录中的频繁程度,得出的关于数据项的推导规则。关联规则挖掘是数据挖掘研究中最为活跃的领域之一,最早是由Agrawal在1993年提出的,最初用于研究零售交易数据集中不同商品之间的共现联系,从而发现顾客的购买行为模式,其分析结果可应用于零售商品的位置分布、商品需求预测与用户分类等。
设D为待挖掘对象的全量数据库,I为数据库中的项集,则关联规则的形式为A→B,其中A⊂D,B⊂D,且A∩B=∅。满足最小支持度min_sup和最小置信度min_con最低阈值要求的关联规则被称为强关联规则。支持度是指项集A的数据记录在D所占的百分比,置信度是指同时包含A、B的数据记录数在D上所占的百分比。支持度反映的是关联规则的有用性,而置信度反映的是关联规则的可信度。
关联规则挖掘一般分为三步。首先,从全量数据集中找出频繁项集。接着,从频繁项集合中生成满足最低置信度min_con约束要求的关联规则。最后,为确保挖掘出的关联规则是有效的,通常会对项集A与B进行相关性Corr检测。若Corr>1,表示A和B是正相关关系,表示A与B的出现概率是相互促进,其对应的关联规则是有效的;若Corr=1,表示A和B相互独立,即A与B的出现概率互不影响;若Corr>1,表示A和B是负相关的,表示A与B的出现概率呈抑制作用,其对应的关联规则是无效的。
随着大数据技术和高性能计算技术在心理咨询领域的应用日趋广泛和深入,大规模的心理电子档案被建立,形成了心理大数据。现有技术是针对特定心理异常个体进行病因分析,无法有效和全面发现心理异常群体存在的潜在致病因素。因此,心理异常健康预警的准确率不高。
发明内容
针对背景技术中的问题,本发明的目的在于提供一种基于关联规则的心理健康预警系统及方法,其通过引入区分人群类型统计心理测评指标和数据库技术,能够提高心理异常对象病因分析的准确率和计算效率,从而更加适于实用。
为了达到上述第一个目的,本发明提供的基于关联规则的心理健康预警系统的技术方案如下:
本发明提供的基于关联规则的心理健康预警系统包括全量测评对象的态属性数据库、心理异常对象的频繁属性组合集合生成模块、置信度约束判断模块、相关性约束判断模块、预警模型参数生成模块、心理健康预警模型和待测评对象心理状态属性数据获取模块。
其中,所述全量测评对象的态属性数据库用于存储全量测评对象的态属性数据;
所述心理异常对象的频繁属性组合集合生成模块用于针对心理异常对象心理状态数据,按照给定的支持度约束要求min_sup,得到频繁属性组合集合,即频繁项集X;
所述置信度约束判断模块用于根据给定置信度约束min_con,由频繁项集X产生强关联规则集合R;
所述相关性约束判断模块用于根据给定相关性约束min_corr,提取强关联规则集合R中的有效关联规则集合TR;
所述预警模型参数生成模块用于将有效关联规则集合TR作为潜在病因和已知病因进行融合,生成心理健康模型中的参数,从而确定心理健康预警模型;
所述待测评对象心理状态属性数据获取模块用于获取测评对象心理状态属性数据;
所述心理健康预警模型根据获取的测评对象心理状态属性数据对测评对象进行分析,从而得出心理健康预警结果。
进一步地,所述全量测评对象的状态属性为生物属性、社会属性、认知属性中的任一种或者任几种的组合;
所述生物属性包括性别、年龄、身高、体重、与心理状态关联的疾病;
所述社会属性包括民族、宗教信仰、学历、职业、政治面貌、籍贯、国籍、住所地;
所述认知属性包括错误观念、思维习惯、价值观、负性情绪事件。
进一步地,所述强关联规则中的相关性度量方法为全置信度、最大置信度、Kulczynski和余弦等零不变性度量方法的任一种或者任几种的组合。
为了达到上述第二个目的,本发明提供的基于关联规则的心理健康预警方法的技术方案如下:
本发明提供的基于关联规则的心理健康预警方法包括如下步骤:
(1)获取全量测评对象的态属性数据;
(2)针对所述全量测评对象的态属性数据中的心理异常对象,按照给定的支持度约束要求min_sup,得到频繁属性组合集合,即频繁项集X;
(3)给定置信度约束min_con,由频繁项集产生强关联规则集合R;
(4)给定相关性约束min_corr,提取强关联规则集合R中的有效关联规则集合TR;
(5)将有效关联规则集合TR作为心理异常的潜在病因输出;
(6)将潜在病因和已知病因进行融合,生成心理健康预警模型M;
(7)获取测评对象心理状态属性数据;
(8)向心理健康预警模型输入测评对象心理状态属性数据,输出预警结果。
进一步地,在步骤(2)中,所述心理异常对象的状态属性为生物属性、社会属性、认知属性中的任一种或者任几种的组合;
所述生物属性包括性别、年龄、身高、体重和与心理状态关联的疾病;
所述社会属性包括民族、宗教信仰、学历、职业、政治面貌、籍贯、国籍和住所地;
所述认知属性包括错误观念、思维习惯、价值观和负性情绪事件。
进一步地,在步骤(3)中,所述强关联规则中的相关性度量方法为全置信度、最大置信度、Kulczynski和余弦等零不变性度量方法的任一种或者任几种的组合。
本发明相对于现有技术的有益效果在于:
本发明提供的基于关联规则的心理健康预警系统及方法能够通过挖掘心理异常对象的状态属性与心理异常对象之间的有效关联规则,更加准确地发现导致心理异常产生的潜在因素,为心理医生更深入诊断和临床验证提供数据基础,从而提高心理状况异常预警的准确率。
附图说明
图1为本发明的基于关联规则的心理健康预警系统示意图。
图2为本发明的基于关联规则的心理健康预警方法步骤流程图。
具体实施方式
本发明为解决现有技术存在的问题,提供一种基于关联规则的心理健康预警系统及方法,其通过挖掘心理异常对象的状态属性与心理异常对象之间的有效关联规则,更加有效和准确地发现导致心理异常产生的潜在因素,实现提前预警心理异常状况,提高预警准确率,减少心理医生的主观因素影响,同时有助于心理医生更深入掌握心理异常的原理规律。
关联规则是指根据数据库中数据项出现在记录中的频繁程度,得出的关于数据项的推导规则。设D为待挖掘对象的全量数据库,I为数据库中的项集,则关联规则的形式为A→B,其中A⊂D,B⊂D,且A∩B=∅。满足最小支持度min_sup和最小置信度min_con最低阈值要求的关联规则被称为强关联规则。支持度是指项集A的数据记录在D所占的百分比,置信度是指同时包含A、B的数据记录数在D上所占的百分比。支持度反映的是关联规则的有用性,而置信度反映的是关联规则的可信度。
关联规则挖掘一般分为三步。首先,从全量数据集中找出频繁项集。接着,从频繁项集合中生成满足最低置信度min_con约束要求的关联规则。最后,为确保挖掘出的关联规则是有效的,通常会对项集A与B进行相关性Corr检测。若Corr>1,表示A和B是正相关关系,表示A与B的出现概率是相互促进,其对应的关联规则是有效的;若Corr=1,表示A和B相互独立,即A与B的出现概率互不影响;若Corr>1,表示A和B是负相关的,表示A与B的出现概率呈抑制作用,其对应的关联规则是无效的。
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的基于关联规则的心理健康预警系统及方法,其具体实施方式、特征及其功效,详细说明如后。在下述说明中,具体实施方式中的特定特征、或特点可由任何合适形式组合。
如图2所示,本发明提供的一种基于关联规则的心理健康预警系统包括全量测评对象的态属性数据库、心理异常对象的频繁属性组合集合生成模块、置信度约束判断模块、相关性约束判断模块、预警模型参数生成模块、心理健康预警模型和待测评对象心理状态属性数据获取模块。
上述全量测评对象的态属性数据库用于存储全量测评对象的态属性数据。
心理异常对象的频繁属性组合集合生成模块用于针对心理异常对象心理状态数据,按照给定的支持度约束要求min_sup,得到频繁属性组合集合,即频繁项集X。
置信度约束判断模块用于根据给定置信度约束min_con,由频繁项集X产生强关联规则集合R。
相关性约束判断模块用于根据给定相关性约束min_corr,提取强关联规则集合R中的有效关联规则集合TR。
预警模型参数生成模块用于将有效关联规则集合TR作为潜在病因和已知病因进行融合,生成心理健康模型中的参数,从而确定心理健康预警模型。
待测评对象心理状态属性数据获取模块用于获取测评对象心理状态属性数据。
心理健康预警模型根据获取的测评对象心理状态属性数据对测评对象进行分析,从而得出心理健康预警结果。
上述全量测评对象的状态属性为生物属性、社会属性、认知属性中的任一种或者任几种的组合。例如,上述全量测评对象的状态属性可以单独是生物属性、社会属性或者认知属性中的任意一种属性,也可以是生物属性和社会属性的组合,或者社会属性和认知属性的组合,也可以是生物属性、社会属性和认知属性的组合。
其中,生物属性包括性别、年龄、身高、体重、与心理状态关联的疾病。社会属性包括民族、宗教信仰、学历、职业、政治面貌、籍贯、国籍、住所地;认知属性包括错误观念、思维习惯、价值观、负性情绪事件。
上述强关联规则中的相关性度量方法为全置信度、最大置信度、Kulczynski和余弦等零不变性度量方法的任一种或者任几种的组合。例如可以单独采用全置信度、最大置信度、Kulczynski或者余弦等零不变性度量方法中的任意一种方法,也可以采用全置信度和最大置信度的组合、或者全置信度、最大置信度和Kulczynski的组合,或者全置信度、最大置信度、Kulczynski和余弦的组合。
如图1所示,本发明提供的一种基于关联规则的心理健康预警方法包括如下步骤:
(1)获取全量测评对象的态属性数据;
(2)针对所述全量测评对象的态属性数据中的心理异常对象,按照给定的支持度约束要求min_sup,得到频繁属性组合集合,即频繁项集X;
(3)给定置信度约束min_con,由频繁项集产生强关联规则集合R;
(4)给定相关性约束min_corr,提取强关联规则集合R中的有效关联规则集合TR;
(5)将有效关联规则集合TR作为心理异常的潜在病因输出;
(6)将潜在病因和已知病因进行融合,生成心理健康预警模型M;
(7)获取测评对象心理状态属性数据;
(8)向心理健康预警模型输入测评对象心理状态属性数据,输出预警结果。
其中,在步骤(2)中,所述心理异常对象的状态属性为生物属性、社会属性、认知属性中的任一种或者任几种的组合。例如,上述全量测评对象的状态属性可以单独是生物属性、社会属性或者认知属性中的任意一种属性,也可以是生物属性和社会属性的组合,或者社会属性和认知属性的组合,也可以是生物属性、社会属性和认知属性的组合。
其中,生物属性包括性别、年龄、身高、体重和与心理状态关联的疾病。社会属性包括民族、宗教信仰、学历、职业、政治面貌、籍贯、国籍和住所地。认知属性包括错误观念、思维习惯、价值观和负性情绪事件。
在步骤(3)中,所述强关联规则中的相关性度量方法为全置信度、最大置信度、Kulczynski和余弦等零不变性度量方法的任一种或者任几种的组合。例如可以单独采用全置信度、最大置信度、Kulczynski或者余弦等零不变性度量方法中的任意一种方法,也可以采用全置信度和最大置信度的组合、或者全置信度、最大置信度和Kulczynski的组合,或者全置信度、最大置信度、Kulczynski和余弦的组合。
尽管已描述了本发明的具体实施方式,但本领域内的技术人员一旦得知了基本创造性概念,则可对该具体实施方式作出另外的变更和修改。所以,所附权利要求意欲解释为包括具体实施方式以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于关联规则的心理健康预警系统,所述系统包括:全量测评对象的态属性数据库、心理异常对象的频繁属性组合集合生成模块、置信度约束判断模块、相关性约束判断模块、预警模型参数生成模块、心理健康预警模型和待测评对象心理状态属性数据获取模块,其特征在于:
所述全量测评对象的态属性数据库用于存储全量测评对象的态属性数据;
所述心理异常对象的频繁属性组合集合生成模块用于针对心理异常对象心理状态数据,按照给定的支持度约束要求min_sup,得到频繁属性组合集合,即频繁项集X;
所述置信度约束判断模块用于根据给定置信度约束min_con,由频繁项集X产生强关联规则集合R;
所述相关性约束判断模块用于根据给定相关性约束min_corr,提取强关联规则集合R中的有效关联规则集合TR;
所述预警模型参数生成模块用于将有效关联规则集合TR作为潜在病因和已知病因进行融合,生成心理健康模型中的参数,从而确定心理健康预警模型;
所述待测评对象心理状态属性数据获取模块用于获取测评对象心理状态属性数据;
所述心理健康预警模型根据获取的测评对象心理状态属性数据对测评对象进行分析,从而得出心理健康预警结果。
2.根据权利要求1所述的一种基于关联规则的心理健康预警系统,其特征在于:
所述全量测评对象的状态属性为生物属性、社会属性、认知属性中的任一种或者任几种的组合;
所述生物属性包括性别、年龄、身高、体重、与心理状态关联的疾病;
所述社会属性包括民族、宗教信仰、学历、职业、政治面貌、籍贯、国籍、住所地;
所述认知属性包括错误观念、思维习惯、价值观、负性情绪事件。
3.根据权利要求1所述的一种基于关联规则的心理健康预警系统,其特征在于:
所述强关联规则中的相关性度量方法为全置信度、最大置信度、Kulczynski和余弦等零不变性度量方法的任一种或者任几种的组合。
4.一种基于关联规则的心理健康预警方法,其特征在于,所述方法包括如下步骤:
(1)获取全量测评对象的态属性数据;
(2)针对所述全量测评对象的态属性数据中的心理异常对象,按照给定的支持度约束要求min_sup,得到频繁属性组合集合,即频繁项集X;
(3)给定置信度约束min_con,由频繁项集产生强关联规则集合R;
(4)给定相关性约束min_corr,提取强关联规则集合R中的有效关联规则集合TR;
(5)将有效关联规则集合TR作为心理异常的潜在病因输出;
(6)将潜在病因和已知病因进行融合,生成心理健康预警模型M;
(7)获取测评对象心理状态属性数据;
(8)向心理健康预警模型输入测评对象心理状态属性数据,输出预警结果。
5.根据权利要求4所述的一种基于关联规则的心理健康预警方法,其特征在于,
在步骤(2)中,所述心理异常对象的状态属性为生物属性、社会属性、认知属性中的任一种或者任几种的组合;
所述生物属性包括性别、年龄、身高、体重和与心理状态关联的疾病;
所述社会属性包括民族、宗教信仰、学历、职业、政治面貌、籍贯、国籍和住所地;
所述认知属性包括错误观念、思维习惯、价值观和负性情绪事件。
6.根据权利要求4所述的一种基于关联规则的心理健康预警方法,其特征在于,
在步骤(3)中,所述强关联规则中的相关性度量方法为全置信度、最大置信度、Kulczynski和余弦等零不变性度量方法的任一种或者任几种的组合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017105599003 | 2017-07-11 | ||
CN201710559900 | 2017-07-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108280120A true CN108280120A (zh) | 2018-07-13 |
Family
ID=62801292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711255643.0A Pending CN108280120A (zh) | 2017-07-11 | 2017-12-04 | 一种基于关联规则的心理健康预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280120A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071386A (zh) * | 2020-08-19 | 2020-12-11 | 深圳市医贝科技有限公司 | 一种主动式心理健康预警方法及系统 |
CN112148715A (zh) * | 2020-10-26 | 2020-12-29 | 北京安信天行科技有限公司 | 一种基于用户行为规则的数据库安全检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488802A (zh) * | 2013-10-16 | 2014-01-01 | 国家电网公司 | 一种基于粗糙集关联规则的超高压电网故障规则挖掘方法 |
CN103678534A (zh) * | 2013-11-29 | 2014-03-26 | 沈阳工业大学 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
CN105843896A (zh) * | 2016-03-22 | 2016-08-10 | 中国科学院信息工程研究所 | 一种多源异构大数据的冗余源协同缩减方法 |
JP2017000649A (ja) * | 2015-06-16 | 2017-01-05 | マツダ株式会社 | 脳波の分析方法および分析装置 |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 |
CN106650273A (zh) * | 2016-12-28 | 2017-05-10 | 东方网力科技股份有限公司 | 一种行为预测方法和装置 |
-
2017
- 2017-12-04 CN CN201711255643.0A patent/CN108280120A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488802A (zh) * | 2013-10-16 | 2014-01-01 | 国家电网公司 | 一种基于粗糙集关联规则的超高压电网故障规则挖掘方法 |
CN103678534A (zh) * | 2013-11-29 | 2014-03-26 | 沈阳工业大学 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
JP2017000649A (ja) * | 2015-06-16 | 2017-01-05 | マツダ株式会社 | 脳波の分析方法および分析装置 |
CN105843896A (zh) * | 2016-03-22 | 2016-08-10 | 中国科学院信息工程研究所 | 一种多源异构大数据的冗余源协同缩减方法 |
CN106407733A (zh) * | 2016-12-12 | 2017-02-15 | 兰州大学 | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 |
CN106650273A (zh) * | 2016-12-28 | 2017-05-10 | 东方网力科技股份有限公司 | 一种行为预测方法和装置 |
Non-Patent Citations (3)
Title |
---|
亓文娟 等: "关联规则挖掘在大学生心理健康测评系统中的应用研究", 《湖南工业大学学报》 * |
王天志: "基于粗糙集理论的关联知识发现", 《中国优秀硕士学位论文全文数据库(硕士) 信息科技辑》 * |
郭友倩: "Apriori算法在心理健康测试分析中的应用研究", 《现代经济信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071386A (zh) * | 2020-08-19 | 2020-12-11 | 深圳市医贝科技有限公司 | 一种主动式心理健康预警方法及系统 |
CN112148715A (zh) * | 2020-10-26 | 2020-12-29 | 北京安信天行科技有限公司 | 一种基于用户行为规则的数据库安全检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Umematsu et al. | Improving students' daily life stress forecasting using LSTM neural networks | |
Sun et al. | Large-scale automated sleep staging | |
Sprint et al. | Unsupervised detection and analysis of changes in everyday physical activity data | |
Martins et al. | Data mining for cardiovascular disease prediction | |
Mall et al. | Implementation of machine learning techniques for disease diagnosis | |
Malekzadeh et al. | Review of deep learning methods for automated sleep staging | |
Fontaine et al. | Artificial intelligence to evaluate postoperative pain based on facial expression recognition | |
CN114190897B (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
Su et al. | Prediagnosis of obstructive sleep apnea via multiclass MTS | |
Hamatta et al. | Genetic Algorithm‐Based Human Mental Stress Detection and Alerting in Internet of Things | |
CN108280120A (zh) | 一种基于关联规则的心理健康预警系统及方法 | |
Omran et al. | Breast cancer identification from patients’ tweet streaming using machine learning solution on spark | |
Uddin et al. | a novel approach utilizing machine learning for the early diagnosis of Alzheimer's disease | |
Tarafder et al. | Drowsiness detection using ocular indices from EEG signal | |
Guha et al. | Sensitivity analysis of physical and mental health factors affecting Polycystic ovary syndrome in women | |
Alsubai et al. | Smart Home‐Based Complex Interwoven Activities for Cognitive Health Assessment | |
KR102593989B1 (ko) | 머신러닝 기반의 약물 부작용 탐지 방법 및 그 장치 | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
Merrill et al. | Homekit2020: A benchmark for time series classification on a large mobile sensing dataset with laboratory tested ground truth of influenza infections | |
Tseng et al. | Spectrum bias in algorithms derived by artificial intelligence: a case study in detecting aortic stenosis using electrocardiograms | |
WO2021240275A1 (en) | Real-time method of bio big data automatic collection for personalized lifespan prediction | |
Dey et al. | Depression detection using intelligent algorithms from social media context-state of the art, trends and future roadmap | |
Gupta et al. | Emotion recognition during social interactions using peripheral physiological signals | |
Irene et al. | Improved deep convolutional neural network-based COOT optimization for multimodal disease risk prediction | |
Foussier et al. | Automatic feature selection for sleep/wake classification with small data sets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180713 |
|
WD01 | Invention patent application deemed withdrawn after publication |