CN110675953B - 利用人工智能和大数据筛查识别精神病患者的系统 - Google Patents
利用人工智能和大数据筛查识别精神病患者的系统 Download PDFInfo
- Publication number
- CN110675953B CN110675953B CN201910897635.9A CN201910897635A CN110675953B CN 110675953 B CN110675953 B CN 110675953B CN 201910897635 A CN201910897635 A CN 201910897635A CN 110675953 B CN110675953 B CN 110675953B
- Authority
- CN
- China
- Prior art keywords
- database
- data
- facial expression
- emotion
- psychotic
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种利用人工智能和大数据筛查识别精神病患者的方法,包括步骤:S1,确认精神病的分类;S2,基于精神病的分类,将精神病的诊断分为不同的临床诊断等级;S3,精神病患者样本身份信息数据库的建立,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业建立精神病患者身份信息数据库。本发明在建立大数据和神经网络模型等基础上,通过数据采集和标注建立训练数据库训练后,再通过测试数据库的测试核对,确认精神病患者的病情分类和临床诊断等级,能快速分析和筛查精神病患者病情。
Description
技术领域
本发明涉及精神病检测技术领域,更为具体地,涉及一种利用人工智能和大数据筛查识别精神病患者的系统。
背景技术
目前精神病属于常见的一种困扰我们人类心理情感体验的疾病,尤其是在我国经济发展速度快,人们生活节奏快的时代,工作一族忙于日常的业务,在个人婚姻问题、小孩抚养与教育问题、老人赡养问题上,不同的环境都有不同的社会问题导致不同精神疾病危害。由于当前人们生活压力大,这就导致了不同年龄阶段的人群,都有不同的实际问题,滋养了精神类疾病的发生。比如,小孩有自闭症、上班因为社会环境不同有抑郁症、精神分裂症(1癫痫所致精神障碍、2精神分裂症、3偏执型精神分裂症、4紧张性精神分裂症、5青春型精神分裂症、6未分化型精神分裂症、7精神分裂症后抑郁)等,老年人有滞呆症,通过我们精神病专家的医学研究表明,不同类精神疾病在常见情感表现上的损益表现是不同的。
目前技术不足表现在:
1根据简明精神病评定量表确定对应的心理健康水平,该量表统计分析存在被试者在答题选择时受个人的主观意愿影响,不积极配合调查表做统计分析;
2智能控制终端通过PLC获取心理测试仪的心理测试参数;
3患者诊断根据基于心理状态水平确定当前受检项目通过血液提取,检验分析是否包括阳性项目,分析时间长,效率差等问题。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种利用人工智能和大数据筛查识别精神病患者的方法,在建立大数据和神经网络模型等基础上,通过数据采集和标注建立训练数据库训练后,再通过测试数据库的测试核对,确认精神病患者的病情分类和临床诊断等级,该发明的优点是能快速分析和筛查精神病患者病情。
本发明的目的是通过以下技术方案来实现的:
一种利用人工智能和大数据筛查识别精神病患者的方法,包括:
S1,确认精神病的分类;
S2,基于精神病的分类,将精神病的诊断分为不同的临床诊断等级;
S3,精神病患者样本身份信息数据库的建立,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业建立精神病患者身份信息数据库;
S4,根据临床专家诊断确定精神病患者的精神病分类和根据对精神病患者的化验,或者采集的生理参数和临床表现确定精神病患者的临床病情诊断等级;
S5,对准备采集数据的精神病患者通过不同情感方式的刺激,如喜剧视频、关心询问中的任一种情感刺激精神病患者的大脑皮层,大脑皮层对不同情感唤醒刺激做出的语音情感特征和面部表情情感特征的反应,同时通过语音情感识别工具和面部表情情感识别工具对语音不同情感特征值和面部表情不同情感特征识别,实现特征值的数字化呈现;
S6,语音情感特征值映射对应相同面部表情情感特征值,实现语音和面部表情相同情感的多模态数据值的特征融合;
S7,根据不同的精神病患者精神病归类和临床诊断结论,或根据不同情感缺失或者损益的情况不同,进行归类;
S8,根据同类同临床等级的病人特征,进行训练集和测试集分类,训练集样本数大于测试集样本数,后续采集的数据通过训练识别之后,再利用测试集进行比对测试识别;
S9,通过比对测试识别诊断的数据,反馈到相应的训练数据集和测试数据集,训练数据集反馈的数据多于测试集;
S10,对患者采集的数据与训练的数据进行比对,包括对采集语音数据与训练集中语音数据库进行比对,且包括采集的面部表情数据与训练数据库标注中的面部表情数据库进行比对;
S11,在采集数据库与训练数据库通过标注功能与样本数据库对比后,进行识别得到初步的识别结论;
S12,根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度的学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音数据库、面部表情数据库、眼动数据库中任一与患者自己的分项数据库通过深度学习作对比、分析和识别;结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果。
进一步的,在步骤S1中,精神病的分类包括精神分裂症、双相情感障碍、偏执性精神障碍、分裂情感性精神障碍、癫痫所致精神障碍和严重精神发育迟滞中的一种或多种。
进一步的,在步骤S2中,临床诊断等级包括严重病人、较严重、轻微和正常中的一种或多种。
进一步的,在步骤S3中,数据库标注:根据临床专家的诊断结论,对不同病人的数据进行标记,例如针对严重抑郁症病人,他在语音数据、面部表情特征值等数据进行标记;以便以后对采集的数据样本进行训练。
进一步的,在步骤S4中,基于语音情感识别数据库,通过语音情感记录系统记录分析病人的高兴、惊奇、恐惧、平静、悲伤、愤怒和害怕指标;同时通过面部表情识别,也记录不同的面部表情的指数值。
进一步的,在步骤S12中,根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音数据库、面部表情数据库、眼动数据库与患者自己的分项数据库通过深度学习作对比、分析和识别;专家智能诊断系统结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果。
本发明的有益效果是:
(1)本发明具有专家智能分析功能,在建立大数据和神经网络模型等基础上,通过数据采集和标注建立训练数据库和测试数据库,能快速分析和筛查精神病患者病情。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的第一步骤流程示意图。
图2为本发明的第二步骤流程示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在对实施例进行描述之前,需要对一些必要的术语进行解释。例如:
若本申请中出现使用“第一”、“第二”等术语来描述各种元件,但是这些元件不应当由这些术语所限制。这些术语仅用来区分一个元件和另一个元件。因此,下文所讨论的“第一”元件也可以被称为“第二”元件而不偏离本发明的教导。应当理解的是,若提及一元件“连接”或者“联接”到另一元件时,其可以直接地连接或直接地联接到另一元件或者也可以存在中间元件。相反地,当提及一元件“直接地连接”或“直接地联接”到另一元件时,则不存在中间元件。
在本申请中出现的各种术语仅仅用于描述具体的实施方式的目的而无意作为对本发明的限定,除非上下文另外清楚地指出,否则单数形式意图也包括复数形式。
当在本说明书中使用术语“包括”和/或“包括有”时,这些术语指明了所述特征、整体、步骤、操作、元件和/或部件的存在,但是也不排除一个以上其他特征、整体、步骤、操作、元件、部件和/或其群组的存在和/或附加。
如图1,2所示,一种利用人工智能和大数据筛查识别精神病患者的方法,包括:
S1,确认精神病的分类;
S2,基于精神病的分类,将精神病的诊断分为不同的临床诊断等级;
S3,精神病患者样本身份信息数据库的建立,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业建立精神病患者身份信息数据库;
S4,根据临床专家诊断确定精神病患者的精神病分类和根据对精神病患者的化验,或者采集的生理参数和临床表现确定精神病患者的临床病情诊断等级;
S5,对准备采集数据的精神病患者通过不同情感方式的刺激,如喜剧视频、关心询问中的任一种情感刺激精神病患者的大脑皮层,大脑皮层对不同情感唤醒刺激做出的语音情感特征和面部表情情感特征的反应,同时通过语音情感识别工具和面部表情情感识别工具对语音不同情感特征值和面部表情不同情感特征识别,实现特征值的数字化呈现;
S6,语音情感特征值映射对应相同面部表情情感特征值,实现语音和面部表情相同情感的多模态数据值的特征融合;
S7,根据不同的精神病患者精神病归类和临床诊断结论,或根据不同情感缺失或者损益的情况不同,进行归类;
S8,根据同类同临床等级的病人特征,进行训练集和测试集分类,训练集样本数大于测试集样本数,后续采集的数据通过训练识别之后,再利用测试集进行比对测试识别;
S9,通过比对测试识别诊断的数据,反馈到相应的训练数据集和测试数据集,训练数据集反馈的数据多于测试集;
S10,对患者采集的数据与训练的数据进行比对,包括对采集语音数据与训练集中语音数据库进行比对,且包括采集的面部表情数据与训练数据库标注中的面部表情数据库进行比对;
S11,在采集数据库与训练数据库通过标注功能与样本数据库对比后,进行识别得到初步的识别结论;
S12,根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度的学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音数据库、面部表情数据库、眼动数据库中任一与患者自己的分项数据库通过深度学习作对比、分析和识别;结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果。
进一步的,在步骤S1中,精神病的分类包括精神分裂症、双相情感障碍、偏执性精神障碍、分裂情感性精神障碍、癫痫所致精神障碍和严重精神发育迟滞中的一种或多种。
进一步的,在步骤S2中,临床诊断等级包括严重病人、较严重、轻微和正常中的一种或多种。
进一步的,在步骤S3中,数据库标注:根据临床专家的诊断结论,对不同病人的数据进行标记,例如针对严重抑郁症病人,他在语音数据、面部表情特征值等数据进行标记;以便以后对采集的数据样本进行训练。
进一步的,在步骤S4中,基于语音情感识别数据库,通过语音情感记录系统记录分析病人的高兴、惊奇、恐惧、平静、悲伤、愤怒和害怕指标;同时通过面部表情识别,也记录不同的面部表情的指数值。
进一步的,在步骤S12中,根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音数据库、面部表情数据库、眼动数据库与患者自己的分项数据库通过深度学习作对比、分析和识别;专家智能诊断系统结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果。
实施例一
在本实施例中,第一步,首先确认精神病的分类,一、精神分裂症:二、双相情感障碍,三、偏执性精神障碍,四、分裂情感性精神障碍,五、癫痫所致精神障碍,六、严重精神发育迟滞。第二步,根据精神病的诊断不同分为不同的临床诊断等级:例如严重病人,较严重,轻微,正常;第三步,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业等建立精神病患者身份信息数据库;第四步,建立精神病患者样本数据库,临床专家根据精神病患者的临床表现,以及相关检测及化验数据诊断确定精神病患者临床诊断等级,并从不同精神病患者及不同临床诊断等级的精神病患者中采集语音情感和面部表情数据;根据临床专家诊断,对采集的每个病人的身份信息,以及属于哪类病人,临床诊断结论进行标准;
第五步,根据语音情感识别数据库,对采集的假如200个人严重性精神分裂症病人进行询问不同情感刺激源唤醒刺激大脑皮层,例如精神病患者的大脑受到负面情感视频的刺激源刺激后,大脑皮层对负面情感视频的情感刺激唤醒,精神病患者大脑对负面情感视频做出的语音情感表现,拾音器采集精神病患者的语音反应信息,通过现有的语音情感识别工具进行识别记录,现有的语音情感识别工具可以同时分析病人高兴,惊奇,恐惧,平静,悲伤,愤怒,害怕不同的指标;同时精神病患者也同样对负面情感视频的刺激源在面部表情上有所反应,摄像头采集面部表情信息后,通过面部表情识别工具,同时也识别记录不同的七种面部表情的指数值;第六步,根据不同的语音情感识别和面部表情识别,相同情感特征的模态的进行特征融合,第六步,根据不同的病人和临床诊断结论,以及不同情感缺失或者损益的情况不同,进行归类;例如严重精神分裂病,确定七种不同情感的参数值的数值范围;第七步,根据200个同类同临床等级的病人特征,进行训练集和测试集分类,一般训练集样本数大于测试集样本数,所以例如把130样本数据作为训练集,70样本数据作为测试集;后续采集的数据通过训练识别之后,再利用测试集进行比对测试识别;最后后续通过识别诊断的数据反馈到相应的训练数据集和测试数据集,一般训练数据集反馈的数据也同样比测试集的要多。
实施例二
本实施例公开了一种利用人工智能和大数据筛查识别精神病患者的方法,主要原理是基于不同的精神病患者对不同的情感刺激,大脑比层神经不不同的唤醒刺激所变现的情感缺失是不同的。实施所包括的主要步骤有:
SS1,确认精神病的分类;
SS2,基于精神病的分类,将精神病的诊断分为不同的临床诊断等级;
SS3,精神病患者样本身份信息数据库的建立,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业等建立精神病患者身份信息数据库;
SS4,临床样本数据库的建立,临床专家根据精神病患者的临床表现,以及相关检测及化验数据诊断确定精神病患者临床诊断等级,并从不同精神病患者及不同临床诊断等级的精神病患者中采集语音情感和面部表情数据。
SS5,样本数据分类和数据识别,对采集的样本数据库通过语音情感识别工具,以及面部表情识别工具进行情感识别,记录包括不同情感维度及相应情感维度的数据参数值;
SS6,样本数据的预标注,根据精神病患者的精神病分类,临床专家诊断病情诊断等级,以及该精神病不同语音情感和面部表情情感不同情感维度的数值进行分类标注,分别建立精神病患者语音情感数据库和精神病患者面部表情数据库;
SS7,精神病患者样本数据库数据根据功能不同进行训练集和测试集分类,对建立的精神病患者样本数据库的预标注集根据训练集和测试集的不同进行分类,原则上训练集数据大于测试集数据;
SS8,对精神病患者语音情感和面部表情样本集数据进行修正,临床专家根据精神病患者的临床表现,以及相关检测及化验数据诊断确定精神病患者临床诊断等级后,同时,临床专家通过不同情感的刺激唤醒该精神病患者的大脑皮层后,实时同步采集精神病患者的语音情感数据和面部表情数据,该语音情感数据分别通过语音情感训练集训练后的结论和语音情感测试集测试后,获得的精神病归类和临床诊断等级都属于同一精神病归类和等级值范围内,且与临床专家根据精神病患者的临床表现,以及相关检测及化验数据诊断确定精神病患者临床诊断等级相同,则验证采集的语音情感数据作为筛查精神病患者的语音情感参数选用;如果语音情感数据库通过语音情感训练集训练后的结论和语音情感测试集测试后获得的精神病归类和临床诊断等级不属于同一值范围内,则修正部分训练集和测试集的数据,重新标记,直到该组验证数据通过训练集训练和测试集测试后获得的精神病归类和临床诊断等级值在同一范围内为止;同样通过面部表情训练集训练后和面部表情测试集的测试后,面部表情训练集进行训练识别后获得初步的专家智能诊断结论和该面部表情数据通过测试集测试的结论在精神病归类和临床诊断等级值均在同一范围内,则该组精神病患者的面部表情验证数据作为筛查识别精神病患者的面部表情特征值;如果面部表情数据通过面部表情情感训练集训练的初步专家识别后的结论和面部表情情感测试集测试后获得的精神病归类和临床诊断等级不属于同一值范围内,则修正部分面部表情训练集和面部表情测试集的数据,重新标记,直到该组验证面部表情情感数据通过训练集训练和测试集测试后获得的精神病归类和临床诊断等级值在同一范围内为止。
SS9,相同语音情感特征和面部表情情感特征的特征融合,采用SSimpleMKL进行特征融合,给所提取的不同模态特征分别赋予多个不同的核函数,在学习过程中求得各个核函数前的权重系数,实现特征融合。
SS10,分类器识别:利用分类器实现情感特征的分类和不同情感特征的识别。
SS11,精神病患者智能识别情感数据库的特征标注,根据精神病患者的身份信息,精神病归类和临床诊断等级,以及情感特征融合后的情感特征值实现样本数据库的最终标记。
SS12,特征识别,首先输入精神病患者的身份信息,通过不同情感方式的刺激,如喜剧视频、关心询问等各种不同的情感刺激精神病患者的大脑皮层,精神病患者的大脑皮层通过接收不同情感唤醒的刺激后,通过摄像头和拾音器采集精神病患者的面部表情和语音信息,采集的语音和面部表情情感数据通过语音情感识别工具,以及面部表情识别工具进行情感识别,采用SSimpleMKL进行特征融合,提取的不同模态特征分别赋予多个不同的核函数,在学习过程中求得各个核函数前的权重系数,实现特征融合,利用情感分类器实现情感特征的分类和不同情感特征的识别。最后精神病患者的情感特征通过精神病患者智能识别情感数据库的识别,通过映射对应及权重算法函数,根据融合识别的情感特征值和精神病患者的身份信息最终识别精神病患者的病情归类和临床病情诊断等级。
本实施例是在建立大数据和神经网络模型等基础上,通过语音情感特征和面部表情情感特征数据的多模态采集和预标注,建立语音情感特征和面部表情情感特征训练数据库和测试数据库,通过相同情感特征的特征融合,实现精神病患者的情感特征的正式数据标注,并加权精神病患者的身份信息,能快速分析和筛查精神病患者病情。
在本实施例中的其余技术特征,本领域技术人员均可以根据实际情况进行灵活选用和以满足不同的具体实际需求。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实现本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的算法,方法或系统等,均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。
对于前述的方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能,但是这种实现不应超出本发明的范围。
所揭露的系统、模块和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例,仅仅是示意性的,例如,所述单元的划分,可以仅仅是一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述分立部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例的方案的目的。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解实现上述实施例的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、ROM、RAM等。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种利用人工智能和大数据筛查识别精神病患者的系统,其特征在于,包括:
用于确认精神病的分类的模块,其中,精神病的分类包括精神分裂症、双相情感障碍、偏执性精神障碍、分裂情感性精神障碍、癫痫所致精神障碍和严重精神发育迟滞中的一种或多种;
用于基于精神病的分类,将精神病的诊断分为不同的临床诊断等级的模块;其中,临床诊断等级包括严重病人、较严重、轻微和正常中的一种或多种;
用于精神病患者身份信息数据库的建立,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业建立精神病患者身份信息数据库的模块;
用于根据临床专家诊断确定精神病患者的精神病分类和根据对精神病患者的化验,或者采集的生理参数和临床表现确定精神病患者的临床诊断等级的模块;
用于“对准备采集数据的精神病患者通过不同情感方式的刺激,具体为喜剧视频、关心询问中的任一种情感刺激精神病患者的大脑皮层,大脑皮层对不同情感唤醒刺激做出的语音情感特征和面部表情情感特征的反应,同时通过语音情感识别工具和面部表情情感识别工具对不同语音情感特征值和不同面部表情情感特征值识别,实现特征值的数字化呈现”的模块;
用于语音情感特征值映射对应相同面部表情情感特征值,实现语音和面部表情相同情感的多模态数据值的特征融合的模块;
用于“根据不同的精神病患者精神病归类和临床诊断结论,或根据不同情感缺失或者损益的情况不同,进行归类;样本数据的预标注,根据精神病患者的精神病分类,临床诊断等级,以及该精神病不同语音情感和面部表情情感不同情感维度的数值进行分类标注,分别建立精神病患者语音情感数据库和精神病患者面部表情数据库”的模块;
用于根据同类同临床诊断等级的病人特征,进行训练集和测试集分类,训练集样本数大于测试集样本数,后续采集的数据通过训练识别之后,再利用测试集进行比对测试识别的模块;
用于“通过比对测试识别诊断的数据,反馈到相应的训练集和测试集,训练集反馈的数据多于测试集;对精神病患者语音情感和面部表情样本集数据进行修正,临床专家根据精神病患者的临床表现,以及相关检测及化验数据诊断确定精神病患者临床诊断等级后,同时,临床专家通过不同情感的刺激唤醒该精神病患者的大脑皮层后,实时同步采集精神病患者的语音情感数据和面部表情数据,该语音情感数据分别通过语音情感训练集训练后的结论和语音情感测试集测试后,获得的精神病归类和临床诊断等级都属于同一精神病归类和等级值范围内,且与临床专家根据精神病患者的临床表现,以及相关检测及化验数据诊断确定精神病患者临床诊断等级相同,则验证采集的语音情感数据作为筛查精神病患者的语音情感参数选用;如果语音情感数据库通过语音情感训练集训练后的结论和语音情感测试集测试后获得的精神病归类和临床诊断等级不属于同一值范围内,则修正部分训练集和测试集的数据,重新标记,直到验证数据通过训练集训练和测试集测试后获得的精神病归类和临床诊断等级值在同一范围内为止;同样通过面部表情训练集训练后和面部表情测试集的测试后,面部表情训练集进行训练识别后获得初步的专家智能诊断结论和该面部表情数据通过测试集测试的结论在精神病归类和临床诊断等级值均在同一范围内,则精神病患者的面部表情验证数据作为筛查识别精神病患者的面部表情特征值;如果面部表情数据通过面部表情训练集训练的初步专家识别后的结论和面部表情测试集测试后获得的精神病归类和临床诊断等级不属于同一值范围内,则修正部分面部表情训练集和面部表情测试集的数据,重新标记,直到验证面部表情数据通过训练集训练和测试集测试后获得的精神病归类和临床诊断等级值在同一范围内为止”的模块;
用于“对患者采集的数据与训练的数据进行比对,包括对采集语音数据与训练集中语音情感数据库进行比对,且包括采集的面部表情数据与训练数据库标注中的面部表情数据库进行比对”的模块;
用于在采集数据库与训练数据库通过标注功能与样本数据库对比后,进行识别得到初步的识别结论的模块;
用于“根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度的学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音情感数据库、面部表情数据库、眼动数据库中任一与患者自己的分项数据库通过深度学习作对比、分析和识别;结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果”的模块。
2.根据权利要求1所述的利用人工智能和大数据筛查识别精神病患者的系统,其特征在于,在用于精神病患者身份信息数据库的建立,根据采样精神病患者的出生年月、性别、婚姻情况、教育背景、家庭背景、社会关心、职业建立精神病患者身份信息数据库的模块中,包括:数据库标注:根据临床专家的诊断结论,对不同病人的数据进行标记,其中,针对严重抑郁症病人,对语音情感数据、面部表情特征值数据进行标记;以便以后对采集的数据样本进行训练。
3.根据权利要求1所述的利用人工智能和大数据筛查识别精神病患者的系统,其特征在于,在用于根据临床专家诊断确定精神病患者的精神病分类和根据对精神病患者的化验,或者采集的生理参数和临床表现确定精神病患者的临床诊断等级的模块中,包括:基于语音情感识别数据库,通过语音情感记录系统记录分析病人的高兴、惊奇、恐惧、平静、悲伤、愤怒和害怕指标;同时通过面部表情识别,也记录不同的面部表情的指数值。
4.根据权利要求1所述的利用人工智能和大数据筛查识别精神病患者的系统,其特征在于,在用于“根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度的学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音情感数据库、面部表情数据库、眼动数据库中任一与患者自己的分项数据库通过深度学习作对比、分析和识别;结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果”的模块中,包括:
根据患者的个人信息、分项数据库比对与识别的结果,以及根据深度学习模型和机器算法,得到综合数据库识别的结果;同时患者个人第二次或者更多次进行诊断检查时,当次在采集的语音情感数据库、面部表情数据库、眼动数据库与患者自己的分项数据库通过深度学习作对比、分析和识别;专家智能诊断系统结合专家综合数据库和个人历史数据库分析识别的两个结果,利用权重不同识别最终的分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897635.9A CN110675953B (zh) | 2019-09-23 | 2019-09-23 | 利用人工智能和大数据筛查识别精神病患者的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897635.9A CN110675953B (zh) | 2019-09-23 | 2019-09-23 | 利用人工智能和大数据筛查识别精神病患者的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675953A CN110675953A (zh) | 2020-01-10 |
CN110675953B true CN110675953B (zh) | 2023-06-30 |
Family
ID=69077159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910897635.9A Active CN110675953B (zh) | 2019-09-23 | 2019-09-23 | 利用人工智能和大数据筛查识别精神病患者的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675953B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111436933A (zh) * | 2020-04-04 | 2020-07-24 | 上海健康医学院 | 一种大规模产后疾病筛查和追踪治疗的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657964A (zh) * | 2017-08-15 | 2018-02-02 | 西北大学 | 基于声学特征和稀疏数学的抑郁症辅助检测方法及分类器 |
CN109431521A (zh) * | 2018-10-12 | 2019-03-08 | 西北工业大学 | 一种基于音视频信息的多模态双相抑郁障碍自动检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1545302A4 (en) * | 2002-10-03 | 2008-12-17 | Joachim Diederich | METHOD AND DEVICE FOR THE INVESTIGATION OF PSYCHIATRICAL OR PHYSICAL DISEASES |
WO2010126867A1 (en) * | 2009-04-27 | 2010-11-04 | Cincinnati Children's Hospital Medical Center | Computer implemented system and method for assessing a neuropsychiatric condition of a human subject |
US8882510B2 (en) * | 2009-09-16 | 2014-11-11 | Cerebral Assessment Systems, Inc. | Method and system for quantitative assessment of verbal memory |
CN108780663B (zh) * | 2015-12-18 | 2022-12-13 | 科格诺亚公司 | 数字个性化医学平台和系统 |
CN105816170B (zh) * | 2016-05-10 | 2019-03-01 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
CN106725532B (zh) * | 2016-12-13 | 2018-04-24 | 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 |
CN109171769A (zh) * | 2018-07-12 | 2019-01-11 | 西北师范大学 | 一种应用于抑郁症检测的语音、面部特征提取方法及系统 |
CN109157231B (zh) * | 2018-10-24 | 2021-04-16 | 阿呆科技(北京)有限公司 | 基于情绪刺激任务的便携式多通道抑郁倾向评估系统 |
CN109359403B (zh) * | 2018-10-29 | 2023-04-18 | 上海市同济医院 | 一种基于面孔表情识别磁共振成像的精神分裂症早期诊断模型及其应用 |
-
2019
- 2019-09-23 CN CN201910897635.9A patent/CN110675953B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657964A (zh) * | 2017-08-15 | 2018-02-02 | 西北大学 | 基于声学特征和稀疏数学的抑郁症辅助检测方法及分类器 |
CN109431521A (zh) * | 2018-10-12 | 2019-03-08 | 西北工业大学 | 一种基于音视频信息的多模态双相抑郁障碍自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110675953A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
Senkfor et al. | Who said what? An event-related potential investigation of source and item memory. | |
CN110706786B (zh) | 非接触式心理参数智能分析与评测系统 | |
US20140315168A1 (en) | Facial expression measurement for assessment, monitoring, and treatment evaluation of affective and neurological disorders | |
EP2884890A1 (en) | Method for detection of an abnormal sleep pattern in a person | |
CN111128368B (zh) | 基于视频表情行为分析的孤独症谱系障碍自动检测方法及装置 | |
CN112614583A (zh) | 抑郁等级测试系统 | |
CN115299947A (zh) | 基于多模态生理数据的心理量表置信度评估方法及系统 | |
CN115422973A (zh) | 一种基于注意力的时空网络的脑电情绪识别方法 | |
CN110675953B (zh) | 利用人工智能和大数据筛查识别精神病患者的系统 | |
Qin et al. | Deep multi-scale feature fusion convolutional neural network for automatic epilepsy detection using EEG signals | |
CN112842363A (zh) | 一种睡眠脑电检测方法及系统 | |
Ali et al. | Learning style classification via EEG sub-band spectral centroid frequency features | |
CN113855021B (zh) | 抑郁倾向评估方法及装置 | |
CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
CN114970641A (zh) | 情感类别的识别方法、装置、处理器及电子设备 | |
CN114186591A (zh) | 一种情绪识别系统泛化能力的提高方法 | |
Sujatha et al. | Detection of Bipolar Disorder Using Machine Learning with MRI. | |
Buscema et al. | The implicit function as squashing time model: a novel parallel nonlinear EEG analysis technique distinguishing mild cognitive impairment and Alzheimer's disease subjects with high degree of accuracy | |
CN111064616B (zh) | 一种基于区块链的链式感知质量评测系统 | |
Nissimagoudar et al. | Driver alertness detection using CNN-BiLSTM and implementation on ARM-based SBC | |
da Silva Lourenço et al. | Ultrafast review of ambulatory EEGs with deep learning | |
CN113014881A (zh) | 一种神经外科患者日常监护方法及系统 | |
Kamaruddin | Eustress and Distress Analysis Based on Neuro-Physiological Model of Affect | |
Siuly et al. | Exploring Rhythms and Channels-Based EEG Biomarkers for Early Detection of Alzheimer's Disease |
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 |