CN109101883A - 一种抑郁倾向评价装置及系统 - Google Patents
一种抑郁倾向评价装置及系统 Download PDFInfo
- Publication number
- CN109101883A CN109101883A CN201810745146.7A CN201810745146A CN109101883A CN 109101883 A CN109101883 A CN 109101883A CN 201810745146 A CN201810745146 A CN 201810745146A CN 109101883 A CN109101883 A CN 109101883A
- Authority
- CN
- China
- Prior art keywords
- depression trend
- depression
- eye movement
- network behavior
- information
- 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.)
- Granted
Links
- 230000004424 eye movement Effects 0.000 claims abstract description 48
- 230000036651 mood Effects 0.000 claims abstract description 41
- 230000003997 social interaction Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000003542 behavioural effect Effects 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 239000003550 marker Substances 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 33
- 238000000034 method Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 241000593989 Scardinius erythrophthalmus Species 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000036693 Color-vision disease Diseases 0.000 description 1
- 206010010144 Completed suicide Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 201000007254 color blindness Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明公开了一种抑郁倾向评价装置及系统。其中，抑郁倾向评价装置包括处理器，其被配置为执行以下步骤：接收样本用户的情绪测试行为信息，得到并标记样本用户的抑郁倾向；接收样本用户查看不同情绪面孔图像时的社交互动网络行为信息和眼动信息；提取样本用户的社交互动网络行为信息和眼动信息特征形成抑郁倾向特征集合；根据抑郁倾向特征集合及抑郁倾向来训练分类模型；所述分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型；采用训练完成的分类模型对测试用户进行抑郁倾向的评价。其结合社交互动网络行为信息和眼动信息能够在保证个人隐私前提下客观准确评测抑郁倾向。
Description
技术领域
本发明属于数据处理领域，尤其涉及一种抑郁倾向评价装置及系统。
背景技术
抑郁倾向的主要表现为长时间情绪低落、记忆力下降、注意力下降、食欲以及睡眠等发生变化，严重表现为轻生。
目前，抑郁倾向主要评测的方法为心理健康自查表结合心理专家问诊，但是这种方法很容易受到心理专家等主观因素的影响，缺乏客观性和科学性。由于抑郁倾向对自身和社会造成严重的影响，同时抑郁倾向的评测方法存在一定问题，因此急需一种能够在保证个人隐私前提下客观准确评测抑郁倾向的装置及系统。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种抑郁倾向评价装置，其结合社交互动网络行为信息和眼动信息来获取隐式反馈信息，能够在保证个人隐私前提下客观准确评测抑郁倾向。
本发明的一种抑郁倾向评价装置，包括处理器，所述处理器被配置为执行以下步骤：
接收样本用户的情绪测试行为信息，得到并标记样本用户的抑郁倾向；
接收样本用户查看不同情绪面孔图像时的社交互动网络行为信息和眼动信息；
提取样本用户的社交互动网络行为信息和眼动信息特征形成抑郁倾向特征集合；
根据抑郁倾向特征集合及抑郁倾向来训练分类模型；所述分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型；
采用训练完成的分类模型对测试用户进行抑郁倾向的评价。
进一步的，在提取样本用户的社交互动网络行为信息和眼动信息特征的过程中，以相同的步长滑动不同大小的窗口来提取样本用户的社交互动网络行为信息和眼动信息特征。
由于提取样本用户的社交互动网络行为信息和眼动信息特征之间存在相关性，通过上述方法能够从特征关系中获得更多有用信息，提高了分类模型的准确性。
进一步的，在提取样本用户的社交互动网络行为信息和眼动信息特征的过程中，以相同的窗口滑动不同的步长来提取样本用户的社交互动网络行为信息和眼动信息特征。
由于提取样本用户的社交互动网络行为信息和眼动信息特征之间存在相关性，通过上述方法能够从特征关系中获得更多有用信息，提高了分类模型的准确性。
进一步的，抑郁倾向特征集合中的特征包括：
查看不同情绪面孔图像时发布的动态数及动态评论数；及
注视不同情绪面孔图像的时长。
其中，社交互动性是衡量抑郁倾向的重要指标之一，分析发现，动态数和动态评论数能够很好的衡量社交互动性，因此它们可以作为网络行为参数。
抑郁倾用户对悲伤情绪面孔存在注意偏向，对平静和开心情绪面孔不存在注意偏向；正常用户则对开心情绪面孔存在注意偏向，对悲伤和平静情绪面孔不存在注意偏向。
进一步的，所述基础模型层中分类子模型之间的相关性均小于预设阈值。
这样基础模型层中分类子模型之间才能互补，最终提高分类预测的准确性。
进一步的，所述元模型层中的分类子模型为逻辑回归模型。
其中，逻辑回归模型的稳定性强，能够有效的降低扫过拟合的风险。
本发明的第二目的是提供一种抑郁倾向评价系统，其结合社交互动网络行为信息和眼动信息来获取隐式反馈信息，能够在保证个人隐私前提下客观准确评测抑郁倾向。
本发明的一种抑郁倾向评价系统，包括：
显示装置，其用于显示不同情绪的面孔图像；及
社交互动网络行为信息采集装置，其与显示装置相连，用于获取用户查看不同情绪面孔图像时的社交互动网络行为信息；及
眼动信息采集装置，其与显示装置相连，用于获取用户查看不同情绪面孔图像时的眼动信息；及
上述所述的抑郁倾向评价装置。
进一步的，该系统还包括：情绪测试行为信息采集装置，其被配置为通过情绪自查表获取测试用户的情绪测试行为信息，进而得到相应的抑郁倾向。
与现有技术相比，本发明的有益效果是：
本发明通过分析不同情绪面孔对于用户注意力的影响，以及用户的网络行为，结合社交互动网络行为信息和眼动信息来获取隐式反馈信息，根据抑郁倾向特征集合及抑郁倾向来训练分类模型；其中，分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型，采用训练完成的分类模型对测试用户进行抑郁倾向的评价，实现了在保证个人隐私前提下客观准确评测抑郁倾向的目的。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的一抑郁倾向评价装置中处理器的处理过程示意图。
图2是多窗口扫描法为例介绍扫描过程示意图。
图3是本发明的一种抑郁倾向评价系统的结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
随着眼动追踪技术的不断发展，越来越多的研究者将眼动追踪技术应用于抑郁倾向的研究，眼动追踪技术是指利用眼动设备记录眼球轨迹，从中提取所需的眼动信息分析人的心理等，眼动追踪可以帮助心理专家判断分析，降低误诊的概率。随着互联网的普及，网络与人们的生活紧密结合，网络行为作为个人行为的重要部分，可以用来分析个人的心理健康等信息。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。
为了在保证个人隐私前提下客观准确评测抑郁倾向，本发明提供了一种抑郁倾向评价装置。
本发明的一种抑郁倾向评价装置包括处理器，如图1所示，所述处理器被配置为执行以下步骤：
步骤1：接收样本用户的情绪测试行为信息，得到并标记样本用户的抑郁倾向。
步骤2：接收样本用户查看不同情绪面孔图像时的社交互动网络行为信息和眼动信息。
其中，社交互动性是衡量抑郁倾向的重要指标之一，分析发现，动态数和动态评论数能够很好的衡量社交互动性，因此它们可以作为网络行为参数。
抑郁倾用户对悲伤情绪面孔存在注意偏向，对平静和开心情绪面孔不存在注意偏向；正常用户则对开心情绪面孔存在注意偏向，对悲伤和平静情绪面孔不存在注意偏向。
在本实施例中，用户主体招募了100名被试人员，男女比例1:1，年龄在22-25岁之间，平均年龄24岁，所有的参与者均为不同专业的在校学生。此外，被试人员的裸眼视力或矫正视力均正常，无色盲、色弱等影响视觉效应因素。参与测评人数及泛化力度均达到现阶段眼动实验标准。
在本实施例中，采用眼动追踪装置来采集眼动信息，并传送至处理器。
眼动追踪装置采用的是德国普升科技有限公司研发的SMI RED眼动仪(Version2.4)，其采样频率为120Hz。
在本实施例中，为了保证测评效果更加接近现实生活，本发明设计的测评场景是：被试人员只需自由浏览情绪面孔图片即可，每张图片自动播放10s。眼动测评过程中，通过SMI RED眼动仪(Version2.4)记录被试人员的眼动追踪信息。
步骤3：提取样本用户的社交互动网络行为信息和眼动信息特征形成抑郁倾向特征集合。
在一实施例中，在提取样本用户的社交互动网络行为信息和眼动信息特征的过程中，以相同的步长滑动不同大小的窗口来提取样本用户的社交互动网络行为信息和眼动信息特征。
以多窗口扫描法为例介绍扫描过程，如图2所示。输入n维特征向量，分别以m维和2m维大小的窗口用步长1(默认)扫描特征向量，以m维大小的窗口用步长1扫描得到(n-m-1)个m维特征向量；特征向量经过分类模型A1和B1，转换成2(n-m-1)个2维类别概率向量；然后，将类别概率向量用预设拼接函数拼接成一个2(n-m-1)维转换向量；同理，以2m维大小的窗口扫描后得到一个2(n-2m-1)维转换向量；最后用预设拼接函数将转换向量拼接成一个向量，并作为分类模型的输入。
由于提取样本用户的社交互动网络行为信息和眼动信息特征之间存在相关性，通过上述方法能够从特征关系中获得更多有用信息，提高了分类模型的准确性。
在另一实施例中，在提取样本用户的社交互动网络行为信息和眼动信息特征的过程中，以相同的窗口滑动不同的步长来提取样本用户的社交互动网络行为信息和眼动信息特征。
由于提取样本用户的社交互动网络行为信息和眼动信息特征之间存在相关性，通过上述方法能够从特征关系中获得更多有用信息，提高了分类模型的准确性。
其中，抑郁倾向特征集合中的特征包括：
查看不同情绪面孔图像时发布的动态数及动态评论数；及
注视不同情绪面孔图像的时长。
步骤4：根据抑郁倾向特征集合及抑郁倾向来训练分类模型；所述分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型。
其中，所述基础模型层中分类子模型之间的相关性均小于预设阈值。
这样基础模型层中分类子模型之间才能互补，最终提高分类预测的准确性。
选择了七种应用广泛并且性能表现出色的模型，如KNN、SVM等，并在数据集上对模型进行测评，结果如表1所示。
表1 七种模型测评
| 模型 | 准确率 |
| KNN | 0.801 |
| SVM | 0.847 |
| GBDT | 0.875 |
| Naive Bayes | 0.705 |
| BP | 0.844 |
| Logistic Regression | 0.859 |
| Random Forest | 0.782 |
在上表中，梯度提升决策树模型(GBDT)的准确率最高为0.875，梯度提升决策树模型具有较强的泛化能力，在数据挖掘等方面表现出色，因此，选择GBDT作为扫描过程的分类模型。
实现基础模型层需要遵循两个原则：
1)单个模型的性能至少好于随机预测，否则会影响模型组合后的性能；
2)各基础模型之间的相关性要尽可能的小，模型之间能更好的互补。
对七种分类模型分析结果为，梯度提升决策树模型(GBDT)的准确率最高为0.875，朴素贝叶斯模型(Naive Bayes)的准确率最低为0.705，七种模型的准确率均不低于0.50。
GBDT的准确率最高为0.875，因此选择GBDT作为基础模型h1；其次，选择与GBDT相关性小并且准确率高的模型，其中BP神经网络与GBDT相关性最小为0.59，准确率为0.844，将BP神经网络作为基础模型h2；同样，选择与GBDT和BP神经网络相关性均小并且准确率高的模型，KNN与BP神经网络的相关性最小为0.47，与GBDT的相关性也最小为0.49，准确率为0.801，因此选择KNN作为基础模型h3；最终，基础模型层由GBDT、BP神经网络、KNN、SVM四种基础模型构成。
为了寻找最佳元模型，以召回率(Recall)、精确度(Precision)及F1值作为元模型性能的评价指标，Recall和Precision反映了模型性能的两个方面，两指标之间互相制约，F1作为综合指标，是Recall和Precision的加权调和平均，能够全面评价模型的性能。
表2 二分类混淆矩阵
表2的二分类混淆矩阵记录了每类被正确和错误划分的结果，L为类标签，L为1表示抑郁倾向类，L为0表示正常类；TP表示被正确划分的抑郁倾向类样本的个数，FN表示被错误划分为正常类样本的抑郁倾向样本类的个数，FP表示被错误划分为抑郁倾向类的正常类样本的个数，TN表示被正确划分的正常类样本的个数。Recall、Precision、F1值的公式如(1)、(2)、(3)所示。
由表3可知，逻辑回归模型(LR)的牺牲了Recall，得到了最高的Precision、和F1值，并且逻辑回归模型稳定性强，能够有效的降低扫描堆叠模型过拟合的风险，因此将逻辑回归模型作为元模型。
表3 模型性能比较表
综上所述，分类模型的构建过程为：首先，在对数据进行预处理之后，通过多步扫描方法处理特征关系；然后，扫描过程的输出作为基础模型层的输入，其中基础模型层由GBDT、BP神经网络、KNN、SVM四种基础模型构成；最后，各基础模型层的输出作为元模型层的输入，并最终得到一个预测结果，其中元模型层由逻辑回归模型构成。
步骤5：采用训练完成的分类模型对测试用户进行抑郁倾向的评价。
本发明通过分析不同情绪面孔对于用户注意力的影响，以及用户的网络行为，结合社交互动网络行为信息和眼动信息来获取隐式反馈信息，根据抑郁倾向特征集合及抑郁倾向来训练分类模型；其中，分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型，采用训练完成的分类模型对测试用户进行抑郁倾向的评价，实现了在保证个人隐私前提下客观准确评测抑郁倾向的目的。
本发明还提供了一种抑郁倾向评价系统，其结合社交互动网络行为信息和眼动信息来获取隐式反馈信息，能够在保证个人隐私前提下客观准确评测抑郁倾向。
如图3所示，本发明的一种抑郁倾向评价系统，包括：
显示装置，其用于显示不同情绪的面孔图像；及
社交互动网络行为信息采集装置，其与显示装置相连，用于获取用户查看不同情绪面孔图像时的社交互动网络行为信息；及
眼动信息采集装置，其与显示装置相连，用于获取用户查看不同情绪面孔图像时的眼动信息；及
上述所述的抑郁倾向评价装置。
在另一实施例中，该系统还包括：情绪测试行为信息采集装置，其被配置为通过情绪自查表获取测试用户的情绪测试行为信息，进而得到相应的抑郁倾向。
本发明通过分析不同情绪面孔对于用户注意力的影响，以及用户的网络行为，结合社交互动网络行为信息和眼动信息来获取隐式反馈信息，根据抑郁倾向特征集合及抑郁倾向来训练分类模型；其中，分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型，采用训练完成的分类模型对测试用户进行抑郁倾向的评价，实现了在保证个人隐私前提下客观准确评测抑郁倾向的目的。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种抑郁倾向评价装置，其特征在于，包括处理器，所述处理器被配置为执行以下步骤：
接收样本用户的情绪测试行为信息，得到并标记样本用户的抑郁倾向；
接收样本用户查看不同情绪面孔图像时的社交互动网络行为信息和眼动信息；
提取样本用户的社交互动网络行为信息和眼动信息特征形成抑郁倾向特征集合；
根据抑郁倾向特征集合及抑郁倾向来训练分类模型；所述分类模型包括依次串联连接的基础模型层和元模型层，基础模型层包括至少两个并联连接分类子模型；元模型层包括一个分类子模型；
采用训练完成的分类模型对测试用户进行抑郁倾向的评价。
2.如权利要求1所述的一种抑郁倾向评价装置，其特征在于，在提取样本用户的社交互动网络行为信息和眼动信息特征的过程中，以相同的步长滑动不同大小的窗口来提取样本用户的社交互动网络行为信息和眼动信息特征。
3.如权利要求1所述的一种抑郁倾向评价装置，其特征在于，在提取样本用户的社交互动网络行为信息和眼动信息特征的过程中，以相同的窗口滑动不同的步长来提取样本用户的社交互动网络行为信息和眼动信息特征。
4.如权利要求1所述的一种抑郁倾向评价装置，其特征在于，抑郁倾向特征集合中的特征包括：
查看不同情绪面孔图像时发布的动态数及动态评论数；及
注视不同情绪面孔图像的时长。
5.如权利要求1所述的一种抑郁倾向评价装置，其特征在于，所述基础模型层中分类子模型之间的相关性均小于预设阈值。
6.如权利要求1所述的一种抑郁倾向评价装置，其特征在于，所述元模型层中的分类子模型为逻辑回归模型。
7.一种抑郁倾向评价系统，其特征在于，包括：
显示装置，其用于显示不同情绪的面孔图像；及
社交互动网络行为信息采集装置，其与显示装置相连，用于获取用户查看不同情绪面孔图像时的社交互动网络行为信息；及
眼动信息采集装置，其与显示装置相连，用于获取用户查看不同情绪面孔图像时的眼动信息；及
如权利要求1-6中任一项所述的抑郁倾向评价装置。
8.如权利要求7所述的一种抑郁倾向评价系统，其特征在于，该系统还包括：情绪测试行为信息采集装置，其被配置为通过情绪自查表获取测试用户的情绪测试行为信息，进而得到相应的抑郁倾向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810745146.7A CN109101883B (zh) | 2018-07-09 | 2018-07-09 | 一种抑郁倾向评价装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810745146.7A CN109101883B (zh) | 2018-07-09 | 2018-07-09 | 一种抑郁倾向评价装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109101883A true CN109101883A (zh) | 2018-12-28 |
| CN109101883B CN109101883B (zh) | 2021-11-09 |
Family
ID=64845852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810745146.7A Active CN109101883B (zh) | 2018-07-09 | 2018-07-09 | 一种抑郁倾向评价装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109101883B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334626A (zh) * | 2019-06-26 | 2019-10-15 | 北京科技大学 | 一种基于情感状态的在线学习系统 |
| CN110391013A (zh) * | 2019-07-17 | 2019-10-29 | 北京智能工场科技有限公司 | 一种基于语义向量构建神经网络预测心理健康的系统和装置 |
| CN115620384A (zh) * | 2022-12-19 | 2023-01-17 | 北京鹰瞳科技发展股份有限公司 | 模型训练方法、眼底图像预测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140046696A1 (en) * | 2012-08-10 | 2014-02-13 | Assurerx Health, Inc. | Systems and Methods for Pharmacogenomic Decision Support in Psychiatry |
| CN102789498B (zh) * | 2012-07-16 | 2014-08-06 | 钱钢 | 基于集成学习的中文评论文本的情感分类方法与系统 |
| CN104143165A (zh) * | 2014-06-13 | 2014-11-12 | 朱健鹏 | 面向抑郁情绪的心理干预方案个性化推荐方法 |
| CN107871537A (zh) * | 2017-11-22 | 2018-04-03 | 山东师范大学 | 一种基于多模态特征的抑郁倾向测评装置、系统 |
-
2018
- 2018-07-09 CN CN201810745146.7A patent/CN109101883B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789498B (zh) * | 2012-07-16 | 2014-08-06 | 钱钢 | 基于集成学习的中文评论文本的情感分类方法与系统 |
| US20140046696A1 (en) * | 2012-08-10 | 2014-02-13 | Assurerx Health, Inc. | Systems and Methods for Pharmacogenomic Decision Support in Psychiatry |
| CN104143165A (zh) * | 2014-06-13 | 2014-11-12 | 朱健鹏 | 面向抑郁情绪的心理干预方案个性化推荐方法 |
| CN107871537A (zh) * | 2017-11-22 | 2018-04-03 | 山东师范大学 | 一种基于多模态特征的抑郁倾向测评装置、系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334626A (zh) * | 2019-06-26 | 2019-10-15 | 北京科技大学 | 一种基于情感状态的在线学习系统 |
| CN110391013A (zh) * | 2019-07-17 | 2019-10-29 | 北京智能工场科技有限公司 | 一种基于语义向量构建神经网络预测心理健康的系统和装置 |
| CN110391013B (zh) * | 2019-07-17 | 2020-08-14 | 北京智能工场科技有限公司 | 一种基于语义向量构建神经网络预测心理健康的系统和装置 |
| CN115620384A (zh) * | 2022-12-19 | 2023-01-17 | 北京鹰瞳科技发展股份有限公司 | 模型训练方法、眼底图像预测方法及装置 |
| CN115620384B (zh) * | 2022-12-19 | 2023-06-06 | 北京鹰瞳科技发展股份有限公司 | 模型训练方法、眼底图像预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109101883B (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dewan et al. | Engagement detection in online learning: a review | |
| Escalante et al. | Modeling, recognizing, and explaining apparent personality from videos | |
| CN109036553A (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
| Camburu | Explaining deep neural networks | |
| CN109101883A (zh) | 一种抑郁倾向评价装置及系统 | |
| CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
| Chen et al. | Smg: A micro-gesture dataset towards spontaneous body gestures for emotional stress state analysis | |
| Schiller et al. | Relevance-based data masking: a model-agnostic transfer learning approach for facial expression recognition | |
| Grice et al. | Observation-oriented modeling: going beyond “Is it all a matter of chance”? | |
| Vail et al. | Gender differences in facial expressions of affect during learning | |
| Linden et al. | Bayesian multivariate models for case assessment in dynamic signature cases | |
| CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
| Wicaksana et al. | Human-explainable features for job candidate screening prediction | |
| Beriwal et al. | Techniques for suicidal ideation prediction: a qualitative systematic review | |
| CN113052227A (zh) | 一种基于SE-ResNet的肺结核识别方法 | |
| CN110705523B (zh) | 一种基于神经网络的创业者路演能力测评方法及其测评系统 | |
| CN115858820A (zh) | 一种基于医疗知识图谱的预测方法、装置、电子设备和存储介质 | |
| Liu et al. | Multimodal behavioral dataset of depressive symptoms in chinese college students–preliminary study | |
| Yeye et al. | Predicting personality based on self-introduction video | |
| Yin | Prediction algorithm of young Students’ Physical health risk factors based on deep learning | |
| Li et al. | Automatic sleep staging by a hybrid model based on deep 1D-ResNet-SE and LSTM with single-channel raw EEG signals | |
| Denkinger et al. | A set of 265 pictures standardized for studies of the cognitive processing of temporal and causal order information | |
| Mijić et al. | Classification of cognitive load using voice features: A preliminary investigation | |
| Burgess et al. | Quantifying the efficacy of an automated facial coding software using videos of parents | |
| CN112465152B (zh) | 一种适用于情绪脑-机接口的在线迁移学习方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240301 Address after: Unit 1, 3rd Floor, Production and Processing Center, No.1 Software Park Road, Tangjiawan Town, High tech Zone, Zhuhai City, Guangdong Province, 519000 Patentee after: Zhuhai Jingmei Psychometric Technology Development Co.,Ltd. Country or region after: China Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan Patentee before: SHANDONG NORMAL University Country or region before: China |
|
| TR01 | Transfer of patent right |