CN109480864A - 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 - Google Patents
一种基于神经认知功能与机器学习的精神分裂症自动评估系统 Download PDFInfo
- Publication number
- CN109480864A CN109480864A CN201811260265.XA CN201811260265A CN109480864A CN 109480864 A CN109480864 A CN 109480864A CN 201811260265 A CN201811260265 A CN 201811260265A CN 109480864 A CN109480864 A CN 109480864A
- Authority
- CN
- China
- Prior art keywords
- feature
- automatic evaluation
- module
- schizophrenia
- test
- 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
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经认知功能与机器学习的精神分裂症自动评估系统。所述系统包括数据采集模块(1)、特征工程模块(2)、自动评估模块(3);所述数据采集模块(1)、所述特征工程模块(2)、所述自动评估模块(3)依次连接。利用本发明的系统可以进行精神分裂症筛查评估,区分精神分裂症和健康人的效果显著,适于临床推广。
Description
技术领域
本发明属于计算机辅助医疗技术领域,涉及一种精神分裂症自动评估系统,具体涉及一种基于神经认知功能与机器学习的精神分裂症自动评估系统。
背景技术
精神分裂症是一种恶性精神类疾病,目前对其病因的认识尚未明确。精神分裂症涉及感知觉障碍、思维障碍、情感障碍、意志行为障碍及认知功能障碍等多方面障碍以及精神活动的不协调。多在青壮年时期缓慢或亚急性起病,患者一般意识清楚,智能基本正常,且有反复发作、加重,不易治愈的特点,给病患及其家人带来极大的不便和痛苦。
目前,我国患有精神分裂症的人数正在处于逐年上升的趋势,精神分裂症的治疗过程很困难,必须要防患于未然,有疑似的患者可以到医院进行检查,现存的检测精神分裂症方法也不能很准确的了解到患者的情况。
当精神分裂症患者去到医院接受治疗时,往往已经到了症状很严重的阶段。也由于精神分裂症病患的病症特殊性,医院的看诊检测环境会带给病患额外的外界压力,影响到检测结果及客观的判断。同时,也由于精神分裂症患者的病症特点,往往很难在静止的状态下接受治疗。这都给精神分裂症的检测带来不便。随之提出了对精神分裂症患者进行实时、便捷、准确、快速的检测需求。
随着计算机技术和医疗影像技术的发展,特别是最近发展迅速的机器学习,深度学习和大数据技术,给现代医疗诊断的发展提供了巨大的技术支持。因此有必要将这些技术运用到计算机辅助诊断系统中,利用机器学习,深度学习和大数据技术自身的强大优势,进一步提高自动诊断的准确率和误诊率,减轻临床医生的负担。
发明内容
本发明的目的在于提供一种基于神经认知测查与机器学习的精神分裂症自动评估系统。本发明的上述系统的基本工作原理是:基于神经认知功能数据采集,特征工程、机器学习技术,探索精神分裂症患者的神经认知功能缺陷,为精神分裂症的临床筛查与诊断提供客观参考依据。
为了实现上述目的,本发明采用了如下技术方案:
本发明提供了一种基于神经认知功能与机器学习的精神分裂症自动评估系统,所述系统包括数据采集模块1、特征工程模块2、自动评估模块3;所述数据采集模块1、所述特征工程模块2、所述自动评估模块3依次连接;
数据采集模块:对被试进行RBANS测试和Stroop测试,共计14项分测试,计算各分测试得分,对分测试特征进行评估;
特征工程模块:通过特征工程方法,实现特征的选择与融合,根据特征进行模式分类设计,同时对疾病预测性能评估;
自动评估模块:通过机器学习算法,对已提取特征进行机器学习的模型构建,形成计算机模型,并整合自动评估功能,最后构建自动评估模块,根据被试的神经认知功能进行精神分裂症的筛查与辅助诊断。
优选地,Stroop测试使用的分测试包括颜色干扰时间、词语干扰时间。
进一步,所述数据采集模块1包括神经认知测查单元11、认知分测试粗分计算单元12、认知分测试标准分计算单元13。
进一步,所述特征工程模块2包括特征选择融合单元21、数据降维单元22、模式分类设计单元23。
所述自动评估模块3包括机器模型构建单元31、预测性能评估32、整合自动评估功能单元33。
RBANS测试使用的分测试包括即刻记忆、视觉空间结构、语言、注意、延迟记忆。
即刻记忆包括词汇学习、故事重复。
视觉空间结构包括图形描绘、线条定位。
语言包括图片命名、语义流畅性。
注意包括数字广度、符号数字。
延迟记忆包括词汇回忆、词汇再认、故事回忆和图形回忆。
本发明还提供前面所述的系统在诊断或者筛选精神分裂症患者中的应用。
本发明还提供前面所述的系统在预测受试者患有精神分裂症风险中的应用。
本发明还提供了一种精神分裂症分类识别模型的构建方法,所述构建方法的具体步骤包括:
(1)利用神经认知测查单元测量个体神经心理状态
采用中文版RBANS(Repeatable Battery for the Assessment ofNeuropsychological Status,可重复的成套神经心理状态测量),测量健康被试以及精神分裂症患者的神经心理状态,包括以下5个因子:即刻记忆(词汇学习、故事复述),视觉空间结构(图形临摹、线条定位),语言(图画命名、语义流畅性),注意(数字广度、编码)和延迟记忆(词汇回忆、词汇再识、故事回忆和图形回忆),以及Stroop测试,测试被试的执行功能。
(2)利用认知分测试粗分计算单元进行认知分测试粗分计算
根据评分标准,计算词汇学习、故事复述、图形临摹、线条定位、图画命名、语义流畅性、数字广度、编码、词汇回忆、词汇再识、故事回忆、图形回忆、颜色干扰时间、词语干扰时间的粗分。
(3)利用认知分测试标准分单元计算认知分测试标准分
根据常模,校正性别、年龄后得出标准分。
(4)利用特征选择融合单元对数据特征进行处理
针对认知分测试标准分,首先采用单变量方差分析(ANOVA)方法来确定不同分组间具有统计差异的特征,其中年龄、性别、教育程度等因素作为协变量。在ANOVA分析中选择一个较低的统计显著性水平(p<0.1,未校正),以保证一些具有较弱判别能力的特征也能参与到特征选择中。然后采用随机森林算法(Random Forest)的进行特征子集的选取。特征选择完成后,提取的特征进行规范化的各种处理,由多个特征经融合产生新特征,保留参与融合的单个特征对各个类别的有效鉴别信息,消除多个特征之间的信息冗余,实现信息压缩,以获取能够有效反映精神分裂症神经认知缺陷的信息。
(5)利用数据降维单元进行数据处理
精神分裂症患者与健康被试在神经认知功能缺陷是分布在高维特征空间的一个低维流形上,采用流形学习的方法寻找高维神经认知功能缺陷数据中与精神分裂症相关的低维表示。
(6)利用模式分类设计单元进行模式分类
在低维流形空间上设计多类模式分类器,实现对精神分裂症患者与健康被试的判别分析。分类器算法可以选择基于梯度下降的迭代决策树算法,计算每个特征的纯度,利用最大特征形成定点,第二大特征形成第二部分的叶子节点,形成多个纯度高的特征组合,并减去纯度低的特征,并通过多次迭代校正残差,从而形成了梯度提升树模型,最终实现模式分类。
作为可替代的技术方案,本发明还可以采用除了基于梯度下降的迭代决策树算法之外的其他有监督学习算法(支持向量机、神经网络、决策树等),还可以采用无监督学习算法(K-Means聚类、层次聚类、SVD奇异值分解等)实现模式分类。
(7)利用机器学习模型构建单元构建分类识别模型
利用以下机器学习算法中的任意一种:1)Logistics回归、2)概率神经网络、3)随机森林,在精神疾病患者神经认知的多维度数据中隐含的多个变量之间的关系中提取具有最佳区分度的特征或特征组合,随后利用模式分类算法,构建分类识别模型。
(8)利用预测性能评估单元评估分类识别模型的泛化能力
采用10-fold交叉验证的方法来评估步骤(7)构建的分类识别模型的泛化能力。在每一次实验中,选择十分之一的样本作为测试集,剩余样本作为训练集。首先从训练样本中进行特征选择、数据降维和分类识别模型设计,然后用学习得到的分类识别模型对选取的测试样本进行判别分析,将测试样本的分类结果与真实类别属性进行对比。以收集被试进行两轮实验,以每组75%的样本数据为训练集,15%数据为验证集,对特征参数和分类识别模型结构进行训练,将其余10%数据为测试集,用于检验分类识别模型和参数的效果;整个数据可以随机划分为10个互不重复的训练、测试数据集,重复进行10次训练-测试,即进行10折交叉检验,并将10次分类准确率进行平均。
本发明还提供了一种预测受试者患有精神分裂症风险概率的方法,所述方法包括如下步骤:
利用前面所述的系统中的整合自动评估功能单元进行精神分裂症的风险评估。整合自动评估功能单元根据构建的分类识别模型,整合自动评估功能,实现神经认知功能测试、神经认知功能提取、自动化精神分裂症筛查评估。
具体包括:
(1)利用前面所述的系统进行电子化神经认知测查;
(2)利用前面所述的系统提取神经认知功能的特征,计算出有效特征;
(3)将提取出的有效特征,呈递给前面所述的精神分裂症分类识别模型进行计算,评估精神分裂症的概率风险。
本发明还提供了一种精神分裂症诊断或者筛查的方法,所述方法包括如下步骤:
利用前面所述的系统中的整合自动评估功能单元进行精神分裂症的诊断或者筛查。整合自动评估功能单元根据构建的分类识别模型,整合自动评估功能,实现神经认知功能测试、神经认知功能提取、自动化精神分裂症筛查评估。
具体包括:
(1)利用前面所述的系统进行电子化神经认知测查;
(2)利用前面所述的系统提取神经认知功能的特征,计算出有效特征;
(3)将提取出的有效特征,呈递给前面所述的精神分裂症分类识别模型进行计算,判断受试者是否患有精神分裂症。
如本文所述,“流形学习”指的是给数据降维的过程。这里假设数据是一个随机样本,采样自一个高维欧氏空间中的流形(manifold),流形学习的任务就是把这个高维流形映射到一个低维(例如2维)的空间里。流形学习可以分为线性算法和非线性算法,前者包括主成分分析(PCA)和线性判别分析(LDA),后者包括等距映射(Isomap),拉普拉斯特征映射(LE)等。流形学习可以用于特征的降维和提取,为后续的基于特征的分析,如聚类和分类,做铺垫,也可以直接应用于数据可视化等。
如本文所述,“有监督学习”,就是人们常说的分类,通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,也就具有了对未知数据进行分类的能力。
如本文所述,“无监督学习”,也叫非监督学习,与监督学习的不同之处在于该方式事先没有任何训练样本,而需要直接对数据进行建模。
如本文所述,“被试”指的是受试者。
如本文所述,“健康被试”与“健康对照”可以互换,均指的是健康受试者。
附图说明
图1显示本发明的基于神经认知功能与机器学习的精神分裂症自动评估系统的结构示意图;
其中,1:数据采集模块;11:神经认知测查单元;12:认知分测试粗分计算单元;13:认知分测试标准分计算单元;2:特征工程模块;21:特征选择融合单元;22:数据降维单元;23:模式分类设计单元;3:自动评估模块;31:机器学习模型构建单元;32:预测性能评估单元;33:整合自动评估功能单元。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
实施例1基于神经认知功能与机器学习的精神分裂症自动评估系统
本实施例提供了一种基于神经认知功能与机器学习的精神分裂症自动评估系统,该系统包括数据采集模块1、特征工程模块2、自动评估模块3;数据采集模块1、特征工程模块2、自动评估模块3依次连接;
数据采集模块1包括神经认知测查单元11、认知分测试粗分计算单元12、认知分测试标准分计算单元13。
特征工程模块2包括特征选择融合单元21、数据降维单元22、模式分类设计单元23。
自动评估模块3包括机器模型构建单元31、预测性能评估32、整合自动评估功能单元33。
实施例2本发明的系统的工作流程
(1)利用神经认知测查单元测量个体神经心理状态
采用中文版RBANS(Repeatable Battery for the Assessment ofNeuropsychological Status,可重复的成套神经心理状态测量),测量健康被试以及精神分裂症患者的神经心理状态,包括以下5个因子:即刻记忆(词汇学习、故事复述),视觉空间结构(图形临摹、线条定位),语言(图画命名、语义流畅性),注意(数字广度、编码)和延迟记忆(词汇回忆、词汇再识、故事回忆和图形回忆)。以及Stroop测试,测试被试的执行功能。
(2)利用认知分测试粗分计算单元进行认知分测试粗分计算
根据评分标准,计算词汇学习、故事复述、图形临摹、线条定位、图画命名、语义流畅性、数字广度、编码、词汇回忆、词汇再识、故事回忆、图形回忆、颜色干扰时间、词语干扰时间的粗分。
(3)利用认知分测试标准分单元计算认知分测试标准分
根据常模,校正性别、年龄后得出标准分。
(4)利用特征选择融合单元对数据特征进行处理
针对认知分测试标准分,首先采用单变量方差分析(ANOVA)方法来确定不同分组间具有统计差异的特征,其中年龄、性别、教育程度等因素作为协变量。在ANOVA分析中选择一个较低的统计显著性水平(p<0.1,未校正),以保证一些具有较弱判别能力的特征也能参与到特征选择中。然后采用随机森林算法(Random Forest)的进行特征子集的选取。特征选择完成后,提取的特征进行规范化的各种处理,由多个特征经融合产生新特征,保留参与融合的单个特征对各个类别的有效鉴别信息,消除多个特征之间的信息冗余,实现信息压缩,以获取能够有效反映精神分裂症神经认知缺陷的信息。
(5)利用数据降维单元进行数据处理
精神分裂症患者与健康被试在神经认知功能缺陷是分布在高维特征空间的一个低维流形上,采用流形学习的方法寻找高维神经认知功能缺陷数据中与精神分裂症相关的低维表示。
(6)利用模式分类设计单元进行模式分类
在低维流形空间上设计多类模式分类器,实现对精神分裂症患者与健康被试的判别分析。分类器算法可以选择基于梯度下降的迭代决策树算法,计算每个特征的纯度,利用最大特征形成定点,第二大特征形成第二部分的叶子节点,形成多个纯度高的特征组合,并减去纯度低的特征,并通过多次迭代校正残差,从而形成了梯度提升树模型,最终实现模式分类。
(7)利用机器学习模型构建单元构建分类识别模型
利用以下机器学习算法中的任意一种:1)Logistics回归、2)概率神经网络、3)随机森林,在精神疾病患者神经认知的多维度数据中隐含的多个变量之间的关系中提取具有最佳区分度的特征或特征组合,随后利用模式分类算法,构建分类识别模型。
(I)Logistics回归(采用R语言glm包)
a.随机设定随机数;
b.将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
c.具体实验函数:
(II)概率神经网络(Probabilistic Neural Network,PNN,采用R语言pnn包)
a.随机设定随机数;
b.将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
c.遍历法设定sigma=0.7
d.具体实验函数:
(III)随机森林(Random Forest,RF,R语言randomForest包)
a.随机设定随机数;
b.将数据分为10折,一个单独的子样本被保留作为验证模型的数据,其他9个样本用来训练。交叉验证重复10次,每个子样本验证一次,平均10次的结果,最终得到一个单一估测;
c.采用遍历法,确定mtry参数数值(mtry=1);
d.确定ntree数值(ntree=8000)
e.具体实验函数:
。
(8)利用预测性能评估单元评估分类器的泛化能力
采用10-fold交叉验证的方法来评估分类器的泛化能力。在每一次实验中,选择十分之一的样本作为测试集,剩余样本作为训练集。首先从训练样本中进行特征选择、数据降维和分类器设计,然后用学习得到的分类器对选取的测试样本进行判别分析,将测试样本的分类结果与真实类别属性进行对比。以收集被试进行两轮实验,以每组75%的样本数据为训练集,15%数据为验证集,对特征参数和分类器结构进行训练,将其余10%数据为测试集,用于检验分类器和参数的效果;整个数据可以随机划分为10个互不重复的训练、测试数据集,重复进行10次训练-测试,即进行10折交叉检验,并将10次分类准确率进行平均。
(9)利用整合自动评估功能单元进行精神分裂症筛查评估
利用前面所述的系统中的整合自动评估功能单元进行精神分裂症的风险评估。整合自动评估功能单元根据构建的分类识别模型,整合自动评估功能,实现神经认知功能测试、神经认知功能提取、自动化精神分裂症筛查评估。
具体包括:
(1)利用前面所述的系统进行电子化神经认知测查;
(2)利用前面所述的系统提取神经认知功能的特征,计算出有效特征;
(3)将提取出的有效特征,呈递给前面所述的精神分裂症分类识别模型进行计算,评估精神分裂症的概率风险或者判断受试者是否患有精神分裂症。
实施例3本发明的系统的评估效果检测
研究对象:精神分裂症患者75例,健康被试50例。研究对象的人口学资料及临床特征如表1所示。
表1健康对照组与慢性精神分裂症组的人口学资料及临床特征
因子 | CON(N=50) | SCZ(n=75) | χ<sup>2</sup>/t | P |
性别(男/女) | 38/12 | 53/22 | 0.43 | 0.512<sup>a</sup> |
年龄(年) | 42.2±8.8 | 44.9±6.9 | -1.89 | 0.061<sup>b</sup> |
教育(年) | 10.9±3.1 | 10.9±2.6 | -0.14 | 0.887<sup>b</sup> |
吸烟(是/否) | 24/26 | 39/36 | 0.19 | 0.661<sup>a</sup> |
病程(年) | 19.4±8.3 | |||
发病年龄(年) | 24.9±6.7 | |||
CPZe(mg/天) | 295.0±257.3 | |||
PANSS分数 | 62.6±13.4 | |||
--阳性症状 | 12.8±4.8 | |||
--阴性症状 | 19.7±6.5 | |||
--一般精神病理 | 30.0±5.7 |
注:CON:health control group,健康对照组;SCZ:chronic schizophreniagroup,慢性精神分裂症组;CPZe:chlorpromazine equivalent doses,氯丙嗪等效剂量;a:表示P值根据chi-square test得出;b:表示P值根据独立样本t-test得出.
健康对照组与慢性精神分裂症组神经认知测查结果如表2所示。
表2健康对照组与慢性精神分裂症组神经认知测查结果
注:a:代表P值根据独立样本t-test;*:代表P<0.05;**:代表P<0.01;***:代表P<0.001.
三种模型识别精神分裂症患者的效果如表3所示。
表3三种模型识别精神分裂症患者的效果
注:Acc:准确性;Sen:敏感性;Spe:特异性,AUC:ROC曲线下面积;PNN:概率神经网络;RF:随机森林;*:随机森林模型vs.Logistics回归模型,P<0.05(DeLong’test);SCID:DSM临床结构式访谈(Structured Clinical Interview for DSM).
本文虽然已经给出了本发明的一些实施例,但是本领域的技术人员应当理解,在不脱离本发明精神的情况下,可以对本文的实施例进行改变。上述实施例只是示例性的,不应以本文的实施例作为本发明权利范围的限定。
Claims (10)
1.一种基于神经认知功能与机器学习的精神分裂症自动评估系统,其特征在于,所述系统包括数据采集模块(1)、特征工程模块(2)、自动评估模块(3);所述数据采集模块(1)、所述特征工程模块(2)、所述自动评估模块(3)依次连接;
数据采集模块:对被试进行RBANS测试和Stroop测试,共计14项分测试,计算各分测试得分,对分测试特征进行评估;
特征工程模块:通过特征工程方法,实现特征的选择与融合,根据特征进行模式分类设计,同时对疾病预测性能评估;
自动评估模块:通过机器学习算法,对已提取特征进行机器学习的模型构建,形成计算机模型,并整合自动评估功能,最后构建自动评估模块,根据被试的神经认知功能进行精神分裂症的筛查与辅助诊断;
优选地,Stroop测试使用的分测试包括颜色干扰时间、词语干扰时间。
2.根据权利要求1所述的系统,其特征在于,所述数据采集模块(1)包括神经认知测查单元(11)、认知分测试粗分计算单元(12)、认知分测试标准分计算单元(13)。
3.根据权利要求1所述的系统,其特征在于,所述特征工程模块(2)包括特征选择融合单元(21)、数据降维单元(22)、模式分类设计单元(23)。
4.根据权利要求1所述的系统,其特征在于,所述自动评估模块(3)包括机器模型构建单元(31)、预测性能评估(32)、整合自动评估功能单元(33)。
5.根据权利要求1所述的系统,其特征在于,RBANS测试使用的分测试包括即刻记忆、视觉空间结构、语言、注意、延迟记忆。
6.根据权利要求5所述的系统,其特征在于,即刻记忆包括词汇学习、故事复述。
7.根据权利要求5所述的系统,其特征在于,视觉空间结构包括图形临摹、线条定位。
8.根据权利要求5所述的系统,其特征在于,语言包括图画命名、语义流畅性。
9.根据权利要求5所述的系统,其特征在于,注意包括数字广度、编码。
10.根据权利要求5所述的系统,其特征在于,延迟记忆包括词汇回忆、词汇再识、故事回忆和图形回忆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260265.XA CN109480864A (zh) | 2018-10-26 | 2018-10-26 | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260265.XA CN109480864A (zh) | 2018-10-26 | 2018-10-26 | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109480864A true CN109480864A (zh) | 2019-03-19 |
Family
ID=65692696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811260265.XA Pending CN109480864A (zh) | 2018-10-26 | 2018-10-26 | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109480864A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神分裂症早期检测和风险预测系统 |
CN110931129A (zh) * | 2019-12-10 | 2020-03-27 | 上海市精神卫生中心(上海市心理咨询培训中心) | 评估精神分裂症精神状态的涂色绘画计算机分析方法 |
CN111460952A (zh) * | 2020-03-26 | 2020-07-28 | 心图熵动科技(苏州)有限责任公司 | 一种精神分裂症面部识别规则的生成方法、系统和预测系统 |
CN111816280A (zh) * | 2020-07-10 | 2020-10-23 | 吾征智能技术(北京)有限公司 | 一种基于饮食行为的疾病预测的模型构建方法及系统 |
CN111820869A (zh) * | 2019-04-23 | 2020-10-27 | 株式会社日立制作所 | 一种认知评估方法及装置 |
CN111834006A (zh) * | 2020-07-08 | 2020-10-27 | 中润普达(十堰)大数据中心有限公司 | 一种基于尿酸值域范围智能疾病认知系统 |
CN114469089A (zh) * | 2021-12-30 | 2022-05-13 | 北京津发科技股份有限公司 | 基于虚拟现实技术的多模态数据抗压能力测评方法及系统 |
WO2023105453A1 (en) * | 2021-12-07 | 2023-06-15 | Cyberliver Limited | System and computer method including a digital biomarker (dbm), clart, for remotely assessing hepatic encephalopathy for cirrohtic patients |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105559802A (zh) * | 2015-07-29 | 2016-05-11 | 北京工业大学 | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 |
CN106073706A (zh) * | 2016-06-01 | 2016-11-09 | 中国科学院软件研究所 | 一种面向简易精神状态量表的个性化信息和音频数据分析方法及系统 |
CN106725532A (zh) * | 2016-12-13 | 2017-05-31 | 兰州大学 | 基于语音特征与机器学习的抑郁症自动评估系统和方法 |
CN107633265A (zh) * | 2017-09-04 | 2018-01-26 | 深圳市华傲数据技术有限公司 | 用于优化信用评估模型的数据处理方法及装置 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108417271A (zh) * | 2018-01-11 | 2018-08-17 | 复旦大学 | 基于精神障碍亚型分类的精神抑制药物推荐方法与系统 |
-
2018
- 2018-10-26 CN CN201811260265.XA patent/CN109480864A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105559802A (zh) * | 2015-07-29 | 2016-05-11 | 北京工业大学 | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 |
CN106073706A (zh) * | 2016-06-01 | 2016-11-09 | 中国科学院软件研究所 | 一种面向简易精神状态量表的个性化信息和音频数据分析方法及系统 |
CN106725532A (zh) * | 2016-12-13 | 2017-05-31 | 兰州大学 | 基于语音特征与机器学习的抑郁症自动评估系统和方法 |
CN107633265A (zh) * | 2017-09-04 | 2018-01-26 | 深圳市华傲数据技术有限公司 | 用于优化信用评估模型的数据处理方法及装置 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108417271A (zh) * | 2018-01-11 | 2018-08-17 | 复旦大学 | 基于精神障碍亚型分类的精神抑制药物推荐方法与系统 |
Non-Patent Citations (3)
Title |
---|
张保华等: "重复性成套神经心理状态测验的信度、效度分析" * |
李杨: "精神分裂症认知功能行为表征的分类诊断研究" * |
范玉等: "健康人群和慢性精神分裂症病人前脉冲抑制的影响因素" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神分裂症早期检测和风险预测系统 |
CN111820869A (zh) * | 2019-04-23 | 2020-10-27 | 株式会社日立制作所 | 一种认知评估方法及装置 |
CN110931129A (zh) * | 2019-12-10 | 2020-03-27 | 上海市精神卫生中心(上海市心理咨询培训中心) | 评估精神分裂症精神状态的涂色绘画计算机分析方法 |
CN111460952A (zh) * | 2020-03-26 | 2020-07-28 | 心图熵动科技(苏州)有限责任公司 | 一种精神分裂症面部识别规则的生成方法、系统和预测系统 |
CN111460952B (zh) * | 2020-03-26 | 2023-11-21 | 心图熵动科技(苏州)有限责任公司 | 一种精神分裂症面部识别规则的生成方法、系统和预测系统 |
CN111834006A (zh) * | 2020-07-08 | 2020-10-27 | 中润普达(十堰)大数据中心有限公司 | 一种基于尿酸值域范围智能疾病认知系统 |
CN111816280A (zh) * | 2020-07-10 | 2020-10-23 | 吾征智能技术(北京)有限公司 | 一种基于饮食行为的疾病预测的模型构建方法及系统 |
WO2023105453A1 (en) * | 2021-12-07 | 2023-06-15 | Cyberliver Limited | System and computer method including a digital biomarker (dbm), clart, for remotely assessing hepatic encephalopathy for cirrohtic patients |
CN114469089A (zh) * | 2021-12-30 | 2022-05-13 | 北京津发科技股份有限公司 | 基于虚拟现实技术的多模态数据抗压能力测评方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109480864A (zh) | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 | |
CN109935336B (zh) | 一种儿童呼吸科疾病的智能辅助诊断系统 | |
CN109770932B (zh) | 多模态脑部神经影像特征的处理方法 | |
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
EP2027559B1 (en) | Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method | |
CN114999629A (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
Fontaine et al. | Artificial intelligence to evaluate postoperative pain based on facial expression recognition | |
Mamun et al. | Vocal feature guided detection of parkinson’s disease using machine learning algorithms | |
Feng et al. | A review of methods for classification and recognition of ASD using fMRI data | |
Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease | |
JP2024061599A (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
Castillo Barnes et al. | Nonlinear Weighting Ensemble Learning Model to Diagnose Parkinson's Disease Using Multimodal Data | |
Wang et al. | Identification of pathogenetic brain regions via neuroimaging data for diagnosis of autism spectrum disorders | |
Asgari et al. | Automatic assessment of cognitive tests for differentiating mild cognitive impairment: a proof of concept study of the digit span task | |
Lu et al. | Learning multi-modal biomarker representations via globally aligned longitudinal enrichments | |
Nwoye et al. | Development and investigation of cost-sensitive pruned decision tree model for improved schizophrenia diagnosis | |
Salih et al. | Parkinson’s disease detection by processing different ANN architecture using vocal dataset | |
Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
Lei et al. | Autism spectrum disorder diagnosis based on deep unrolling-based spatial constraint representation | |
Wen et al. | Intelligent personalized diagnosis modeling in advanced medical system for Parkinson’s disease using voice signals | |
Mirarchi et al. | Data mining techniques for vestibular data classification | |
Arvapalli | Autism Spectrum Disorder Detection Using MobileNet. | |
CN115481681B (zh) | 一种基于人工智能的乳腺采样数据的处理方法 |
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 |