CN112599245A - 心理健康指数评估方法及系统 - Google Patents
心理健康指数评估方法及系统 Download PDFInfo
- Publication number
- CN112599245A CN112599245A CN202011493492.4A CN202011493492A CN112599245A CN 112599245 A CN112599245 A CN 112599245A CN 202011493492 A CN202011493492 A CN 202011493492A CN 112599245 A CN112599245 A CN 112599245A
- Authority
- CN
- China
- Prior art keywords
- mental health
- health index
- parameters
- theoretical
- user
- 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
- 230000004630 mental health Effects 0.000 title claims abstract description 195
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000013210 evaluation model Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 21
- 230000001815 facial effect Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 208000007848 Alcoholism Diseases 0.000 claims description 3
- 208000019901 Anxiety disease Diseases 0.000 claims description 3
- 201000007930 alcohol dependence Diseases 0.000 claims description 3
- 230000036506 anxiety Effects 0.000 claims description 3
- 230000036528 appetite Effects 0.000 claims description 3
- 235000019789 appetite Nutrition 0.000 claims description 3
- 238000009223 counseling Methods 0.000 claims description 3
- 208000019116 sleep disease Diseases 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000001755 vocal effect Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 239000008280 blood Substances 0.000 description 14
- 210000004369 blood Anatomy 0.000 description 14
- 230000010349 pulsation Effects 0.000 description 14
- 230000009323 psychological health Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012854 evaluation process Methods 0.000 description 4
- 230000008921 facial expression Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000001097 facial muscle Anatomy 0.000 description 2
- 210000003811 finger Anatomy 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 208000020685 sleep-wake disease Diseases 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
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
- G16H50/30—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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Social Psychology (AREA)
- Pathology (AREA)
- Hospice & Palliative Care (AREA)
- Epidemiology (AREA)
- Developmental Disabilities (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于心理健康技术领域,具体涉及一种心理健康指数评估方法及系统,该心理健康指数评估方法包括构建心理健康指数评估模型;获取用户的第一实际参数;根据所述心理健康指数评估模型和所述第一实际参数,确定第一心理健康指数;根据所述第一心理健康指数,对用户进行数据追踪。根据本发明实施例的心理健康指数评估方法,将以往的面对面心理咨询改进为云数据模式,提高了心理问题识别率,降低了人为因素对心理健康指数评估过程的影响,建立了更科学、快速、精确、全面的心理健康状态评估方法。根据用户的第一心理健康指数用户进行数据追踪,密切关注用户后续的发展,并对用户提供更加精准的治疗方案。
Description
技术领域
本发明属于心理健康技术领域,具体涉及一种心理健康指数评估方法及系统。
背景技术
本部分提供的仅仅是与本公开相关的背景信息,其并不必然是现有技术。
心理健康是指一种持续且积极发展的心理状态,在这种状态下,主体能做出良好的适应,并且充分发挥其身心潜能。如何保持人们的心理健康,以及对出现心理问题的人进行积极干预疏导对整个家庭、社会和公司都具有极大的重要性。
目前,对用户的心理健康评估主要依据用户的自我陈述,例如,用户回答通用的心理健康问卷,然后根据评估规则以及用户的回答结果来评估用户的心理状况。然而,现有的心理健康评估方法无法针对用户自身的实际心理,因此,难以实时、全面以及客观地反映出用户的真实的心理健康状态。
发明内容
本发明的目的是至少解决现有技术中心理健康评估准确性低且人为影响多的问题。该目的是通过以下技术方案实现的:
本发明提出了一种心理健康指数评估方法,包括:
构建心理健康指数评估模型;
获取用户的第一实际参数;
根据所述心理健康指数评估模型和所述第一实际参数,确定第一心理健康指数;
根据所述第一心理健康指数,对用户进行数据追踪。
根据本发明实施例的心理健康指数评估方法,构建评估模型,根据用户的第一实际参数来确定用户的第一心理健康指数。将以往的面对面心理咨询改进为云数据模式,提高了心理问题识别率,降低了人为因素对心理健康指数评估过程的影响,建立了更科学、快速、精确、全面的心理健康状态评估方法。根据用户的第一心理健康指数用户进行数据追踪,密切关注用户后续的发展,并对用户提供更加精准的治疗方案。
在本发明的一些实施例中,所述构建心理健康指数评估模型包括:
构建深度神经网络模型;
获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论声音参数和理论行为参数;
将所述理论生理参数、所述理论面部参数、所述理论声音参数和所述理论行为参数输入到所述深度神经网络模型中,对所述深度神经网络进行训练以得到所述心理健康指数评估模型。
在本发明的一些实施例中,所述获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论行为参数和理论声音参数包括:
通过传感器采集所述理论生理参数;
通过摄像头采集所述理论面部参数和所述理论行为参数;
通过麦克风采集所述理论声音参数。
在本发明的一些实施例中,所述获取用户的第一实际参数包括:
通过传感器采集实际生理参数;
通过摄像头采集实际面部参数和实际行为参数;
通过麦克风采集实际声音参数。
在本发明的一些实施例中,所述获取用户的第一实际参数还包括获取第一补偿参数。
在本发明的一些实施例中,所述第一补偿参数包括担心惊恐、酒精依赖、住院史、睡眠障碍、精神性疾病史、强迫观念、焦虑紧张、心理咨询和食欲。
在本发明的一些实施例中,所述根据所述心理健康指数评估模型和所述第一实际参数,确定第一心理健康指数包括:
对所述第一实际参数和所述第一补偿参数进行标准化处理形成第一数据向量;
初始化所述心理健康指数评估模型;
将所述第一数据向量输入到所述心理健康指数评估模型中,输出所述第一心理健康指数为0、1、2、3或4。
在本发明的一些实施例中,所述根据所述第一心理健康指数,对用户进行数据追踪包括:
根据所述第一心理健康指数为1或2,制定第一心理健康矫正策略;
获取用户使用所述第一心理健康矫正策略后的第二实际参数和第二补偿参数;
对所述第二实际参数和所述第二补偿参数进行标准化处理形成第二数据向量;
初始化所述心理健康指数评估模型;
将所述第二数据向量输入所述心理健康指数评估模型中,输出第二心理健康指数;
根据所述第二心理健康指数小于所述第一心理健康指数,确定矫正有效。
在本发明的一些实施例中,所述根据所述心理健康指数,对用户进行数据追踪还包括:
根据所述第一心理健康指数为3或4,再次利用深度神经网络,输入所述第一数据向量,制定第二心理健康矫正策略;
获取用户使用所述第二心理健康矫正策略后的第三实际参数和第三补偿参数;
对所述第三实际参数和所述第三补偿参数进行标准化处理形成第三数据向量;
初始化所述心理健康指数评估模型;
将所述第三数据向量输入所述心理健康指数评估模型中,输出第三心理健康指数;
根据所述第三心理健康指数小于所述第一心理健康指数,确定矫正有效。
本发明的第二方面提出了一种心理健康指数评估系统,用于执行上述技术方案中的心理健康指数评估方法,包括:
构建模块,所述构建模块用于构建心理健康指数评估模型;
获取模块,所述获取模块用于获取用户的第一实际参数;
确定模块,所述确定模块用于根据所述心理健康指数评估模型和所述第一实际参数,确定所述心理健康指数;
追踪模块,所述追踪模块用于根据所述心理健康指数,对用户进行数据追踪。
根据本发明实施例的心理健康指数评估系统,构建评估模型,根据用户的第一实际参数来确定用户的第一心理健康指数。将以往的面对面心理咨询改进为云数据模式,提高了心理问题识别率,降低了人为因素对心理健康指数评估过程的影响,建立了更科学、快速、精确、全面的心理健康状态评估方法。根据用户的第一心理健康指数用户进行数据追踪,密切关注用户后续的发展,并对用户提供更加精准的治疗方案。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例的心理健康指数评估方法的流程图;
图2为图1所示的构建心理健康指数评估模型的流程图;
图3为图1所示的根据所述心理健康指数评估模型和所述第一实际参数,确定第一心理健康指数的流程图;
图4为图1所示的根据所述第一心理健康指数,对用户进行数据追踪的流程图;
图5为图1所示的根据所述第一心理健康指数,对用户进行数据追踪的流程图;
图6为本发明实施例的心理健康指数评估系统的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段,但是,这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出,否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此,以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
为了便于描述,可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系,这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“下方”、“上面”、“上方”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。例如,如果在图中的装置翻转,那么描述为“在其它元件或者特征下面”或者“在其它元件或者特征下方”的元件将随后定向为“在其它元件或者特征上面”或者“在其它元件或者特征上方”。因此,示例术语“在……下方”可以包括在上和在下的方位。装置可以另外定向(旋转90度或者在其它方向)并且文中使用的空间相对关系描述符相应地进行解释。
如图1所示,根据本发明一个实施例的心理健康指数评估方法,包括:
构建心理健康指数评估模型;
获取用户的第一实际参数;
根据心理健康指数评估模型和第一实际参数,确定第一心理健康指数;
根据第一心理健康指数,对用户进行数据追踪。
根据本发明实施例的心理健康指数评估方法,构建评估模型,根据用户的第一实际参数来确定用户的第一心理健康指数。将以往的面对面心理咨询改进为云数据模式,提高了心理问题识别率,降低了人为因素对心理健康指数评估过程的影响,建立了更科学、快速、精确、全面的心理健康状态评估方法。根据用户的第一心理健康指数用户进行数据追踪,密切关注用户后续的发展,并对用户提供更加精准的治疗方案。
在本发明的一些实施例中,深度神经网络是机器学习(ML Machine Learning)领域中一种技术,深度神经网络包括输入层、两个LSTM(Long Short-Term Memory长短期记忆网络)层、sigmoid函数层和输出层。如图2所示,构建心理健康指数评估模型包括:构建深度神经网络模型;获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论声音参数和理论行为参数;将理论生理参数、理论面部参数、理论声音参数和理论行为参数输入到深度神经网络模型中,对深度神经网络进行训练以得到心理健康指数评估模型。样本是不同心理健康指数的人群,通过获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论声音参数和理论行为参数,将理论生理参数、理论面部参数、理论声音参数和理论行为参数与样本的心理健康指数结合,形成映射关系或逻辑关系,最后得到的心理健康指数评估模型中包括多个映射关系或多个逻辑关系,当向该模型中输入对应参数时,根据映射关系或逻辑关系即可确定用户的心理健康指数。
其中,构建心理健康指数评估模型时除了考虑上述参数之外,还可以考虑样本的工作、技能、学习能力、年龄、健康状况、出生地、听力、性别、视力、是否残疾、当前心理状态、矫正状态、身高、学历、专业、收入、贡献、体重、文学作品、影响力、性格等方面,以提高心理健康评估模型在进行心理健康指数评估时的准确性。
在本发明的一些实施例中,根据前文所述,需要获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论行为参数和理论声音参数,上述参数可以通过以下方式实现:理论生理参数包括心率信号、血容量搏动信号、心电信号、皮肤电导信号、肌电图、呼吸频率和脑电信号等。心率信号可以通过在样本的拇指上夹上光电采集器,心率信号具体为心率信号幅度的均值、心率信号幅度的方差、心率信号幅度的最大值、心率信号幅度的最小值或心率信号幅度的中值。血容量搏动信号可以通过在样本的拇指上夹上光电采集器,血容量搏动信号具体为血容量搏动信号幅度的均值、血容量搏动信号幅度的方差、血容量搏动信号幅度的最大值、血容量搏动信号幅度的最小值或血容量搏动信号幅度的中值。心电信号可以通过在用户手腕和脚踝处设置电极采集器,心电信号具体为将心电图信号频谱中0-10Hz频率范围划分为8个不重叠的子频带,获取每个子频带的傅里叶变换均值作为特征,同时将8个子频带合并为两个子频带,1-3子频带合并为低频带,4-8子频带合并为高频带,计算两个子频带平均傅里叶变换值的比值作为特征。皮肤电导信号可以通过在手指上设置电导率传感器进行采集,皮肤电导信号具体为皮肤电导信号幅度的均值、皮肤电导信号幅度的方差、皮肤电导信号幅度的一阶差分均值、皮肤电导信号幅度的均方根或皮肤电导信号幅度的相邻差绝对值均值。肌电图可以在样本的前臂上设置电极采集器,肌电图具体为肌电图信号功率谱密度。呼吸信号可以通过在样本的胸腔位置设置传感器采集,呼吸信号包括呼吸信号的功率谱上选取0-0.2Hz、0.2-0.4Hz、0.4-0.6Hz和0.6-0.8Hz四个频率带内的平均功率谱密度。脑电信号可以通过在大脑位置设置电极采集器,脑电信号具体为脑电信号功率谱密度,即单位频带内的信号功率。理论面部参数包括面部肌肉、眼睛、眉毛、鼻子、嘴巴和耳朵的微变化,可以通过摄像头采集样本在虚拟现实情景体验中和体验后的面部表情图像,对面部表情图像进行图像变换扩充数据集,然后进行特征提取,获取图像的纹理特征。理论行为参数包括手臂、肩膀、腿部等身体部位的微变化,可以通过摄像头采集样本在虚拟现实情景体验中和体验后的身体行为图像,对身体行为图像进行图像变换扩充数据集,然后进行特征提取,获取图像的纹理特征。理论声音参数包括声音的大小、音调的高度、声音的长短等,可以通过麦克风进行采集,将声音参数划分为若干帧,对每一帧声音参数进行快速傅里叶变换,获得频域特征,对声音参数进行特征提取,提取大小特征、音调特征或声速特征。
在本发明的一些实施例中,获取样本的理论参数后得到心理健康指数评估模型,在进行实际的评估时,则需要获取用户的实际参数,将实际参数输入到心理健康指数评估模型中,以得到最终的第一心理健康指数。具体的,获取用户的第一实际参数的过程与获取样本的理论参数过程相似,实际生理参数包括心率信号、血容量搏动信号、心电信号、皮肤电导信号、肌电图、呼吸频率和脑电信号等。心率信号可以通过在用户的拇指上夹上光电采集器,心率信号具体为心率信号幅度的均值、心率信号幅度的方差、心率信号幅度的最大值、心率信号幅度的最小值或心率信号幅度的中值。血容量搏动信号可以通过在用户的拇指上夹上光电采集器,血容量搏动信号具体为血容量搏动信号幅度的均值、血容量搏动信号幅度的方差、血容量搏动信号幅度的最大值、血容量搏动信号幅度的最小值或血容量搏动信号幅度的中值。心电信号可以通过在用户手腕和脚踝处设置电极采集器,心电信号具体为将心电图信号频谱中0-10Hz频率范围划分为8个不重叠的子频带,获取每个子频带的傅里叶变换均值作为特征,同时将8个子频带合并为两个子频带,1-3子频带合并为低频带,4-8子频带合并为高频带,计算两个子频带平均傅里叶变换值的比值作为特征。皮肤电导信号可以通过在手指上设置电导率传感器进行采集,皮肤电导信号具体为皮肤电导信号幅度的均值、皮肤电导信号幅度的方差、皮肤电导信号幅度的一阶差分均值、皮肤电导信号幅度的均方根或皮肤电导信号幅度的相邻差绝对值均值。肌电图可以在用户的前臂上设置电极采集器,肌电图具体为肌电图信号功率谱密度。呼吸信号可以通过在用户的胸腔位置设置传感器采集,呼吸信号包括呼吸信号的功率谱上选取0-0.2Hz、0.2-0.4Hz、0.4-0.6Hz和0.6-0.8Hz四个频率带内的平均功率谱密度。脑电信号可以通过在大脑位置设置电极采集器,脑电信号具体为脑电信号功率谱密度,即单位频带内的信号功率。实际面部参数包括面部肌肉、眼睛、眉毛、鼻子、嘴巴和耳朵的微变化,可以通过摄像头采集用户在虚拟现实情景体验中和体验后的面部表情图像,对面部表情图像进行图像变换扩充数据集,然后进行特征提取,获取图像的纹理特征。实际行为参数包括手臂、肩膀、腿部等身体部位的微变化,可以通过摄像头采集用户在虚拟现实情景体验中和体验后的身体行为图像,对身体行为图像进行图像变换扩充数据集,然后进行特征提取,获取图像的纹理特征。实际声音参数包括声音的大小、音调的高度、声音的长短等,可以通过麦克风进行采集,将声音参数划分为若干帧,对每一帧声音参数进行快速傅里叶变换,获得频域特征,对声音参数进行特征提取,提取大小特征、音调特征或声速特征。
在本发明的一些实施例中,上述第一实际参数作为确定心理健康指数的主要参数,还存在影响心理健康指数的辅助因素,将这些辅助因素统一归为第一补偿参数,也就是说,第一实际参数和第一补偿参数同时作为心理健康指数评估模型的输入,两者共同决定了用户的心理健康指数。具体的,第一补偿参数包括担心惊恐、酒精依赖、住院史、睡眠障碍、精神性疾病史、强迫观念、焦虑紧张、心理咨询和食欲等,以上第一补偿参数仅作为示例说明,第一补偿参数还包括其他参数,例如个人生活习惯、社交习惯、上网习惯等。
在本发明的一些实施例中,如图3所示,根据心理健康指数评估模型和第一实际参数,确定第一心理健康指数包括:对第一实际参数和第一补偿参数进行标准化处理形成第一数据向量;初始化心理健康指数评估模型;将第一数据向量输入到心理健康指数评估模型中,输出第一心理健康指数为0、1、2、3或4。第一实际参数包括实际生理参数、实际面部参数、实际行为参数和实际声音参数,不同的实际参数具有自己独特的格式,在输入到心理健康评估模型时,计算量大,评估时间长。因此,在输入心理健康评估模型之前,对实际参数进行标准化处理,例如对实际生理参数进行滤波处理,剔除平缓区域,保留强烈变化区域和对应的时间以及对应的虚拟情境,对实际面部参数进行灰度化、尺寸调节、标记各个器官所在位置等处理方式,对实际行为参数进行幅度大小、不同身体部位的标记处理方式,对实际声音参数进行裁切处理,保留强烈变化区域和对应的时间以及对应的虚拟情境。进行标准化处理后,缩短了评估时间,也避免了第一实际参数中的非必要参数对心理健康指数评估的影响。
在本发明的一些实施例中,如图4所示,根据第一心理健康指数,对用户进行数据追踪包括:根据第一心理健康指数为1或2,制定第一心理健康矫正策略;获取用户的第二实际参数和第二补偿参数;对第二实际参数和第二补偿参数进行标准化处理形成第二数据向量;初始化心理健康指数评估模型;将第二数据向量输入心理健康指数评估模型中,输出第二心理健康指数;根据第二心理健康指数小于第一心理健康指数,确定矫正有效。第一心理健康指数的数字越小,说明心理越健康,数字越大,说明心理越不健康。0代表没有心理问题或心理疾病,心理完全健康,1代表存在轻度的心理问题或心理疾病,心理轻度不健康,1代表存在中度的心理问题或心理疾病,心理中度不健康,第一心理健康指数为0级、1级和2级说明心理问题或心理疾病还未病入膏肓,为用户制定第一心理健康矫正策略。最理想的情况下,通过一段时间的矫正后,能够使心理健康指数有所改善,例如初始为2级,矫正后为1级,初始为1级,矫正后为0级。获取用户使用所述第一心理健康矫正策略后的第二实际参数和第二补偿参数,第二实际参数和第一实际参数的区别在于第二实际参数为使用第一心理健康矫正策略后的参数,第二补偿参数和第一补偿参数的区别在于第二补偿参数为使用第一心理健康矫正策略后的参数,第二实际参数和第二补偿参数的处理过程与第一实际参数和第一补偿参数的处理过程相似,在此不再赘述。初始化心理健康指数评估模型,将经过矫正后的第二数据向量输入到心理健康指数评估模型中,输出第二心理健康指数,根据第二心理健康指数小于第一心理健康指数,确定矫正有效。
在本发明的一些实施例中,如图5所示,根据心理健康指数,对用户进行数据追踪还包括:根据第一心理健康指数为3或4,再次利用深度神经网络,输入第一数据向量,制定第二心理健康矫正策略;获取用户使用所述第二心理健康矫正策略后的第三实际参数和第三补偿参数;对第三实际参数和第三补偿参数进行标准化处理形成第三数据向量;初始化心理健康指数评估模型;将第三数据向量输入心理健康指数评估模型中,输出第三心理健康指数;根据第三心理健康指数小于第一心理健康指数,确定矫正有效。第一心理健康指数的数字越小,说明心理越健康,数字越大,说明心理越不健康。3代表存在偏重的心理问题或心理疾病,心理偏重不健康,4代表存在重度的心理问题或心理疾病,心理重度不健康,第一心理健康指数为3级和4级说明心理问题或心理疾病严重,相较于1级和2级的第一心理健康矫正策略,需要更为严格或力度更强的矫正策略。因此,需要再次利用深度神经网络,输入第一数据向量,为用户制定第二心理健康矫正策略。最理想的情况下,通过一段时间的矫正后,能够使心理健康指数有所改善,例如初始为4级,矫正后为3级,初始为3级,矫正后为2级。获取用户使用所述第二心理健康矫正策略后的第三实际参数和第三补偿参数,第三实际参数和第一实际参数的区别在于第三实际参数为使用第二心理健康矫正策略后的参数,第三补偿参数和第一补偿参数的区别在于第三补偿参数为使用第二心理健康矫正策略后的参数,第三实际参数和第三补偿参数的处理过程与第一实际参数和第一补偿参数的处理过程相似,在此不再赘述。初始化心理健康指数评估模型,将经过矫正后的第三数据向量输入到心理健康指数评估模型中,输出第三心理健康指数,根据第三心理健康指数小于第一心理健康指数,确定矫正有效。
如图6所示,本发明还提出了一种心理健康指数评估系统,用于执行上述技术方案中的心理健康指数评估方法,包括:
构建模块,构建模块用于构建心理健康指数评估模型;
获取模块,获取模块用于获取用户的第一实际参数;
确定模块,确定模块用于根据心理健康指数评估模型和第一实际参数,确定心理健康指数;
追踪模块,追踪模块用于根据心理健康指数,对用户进行数据追踪。
根据本发明实施例的心理健康指数评估系统,构建评估模型,根据用户的第一实际参数来确定用户的第一心理健康指数。将以往的面对面心理咨询改进为云数据模式,提高了心理问题识别率,降低了人为因素对心理健康指数评估过程的影响,建立了更科学、快速、精确、全面的心理健康状态评估方法。根据用户的第一心理健康指数用户进行数据追踪,密切关注用户后续的发展,并对用户提供更加精准的治疗方案。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种心理健康指数评估方法,其特征在于,包括:
构建心理健康指数评估模型;
获取用户的第一实际参数;
根据所述心理健康指数评估模型和所述第一实际参数,确定第一心理健康指数;
根据所述第一心理健康指数,对用户进行数据追踪。
2.根据权利要求1所述的心理健康指数评估方法,其特征在于,所述构建心理健康指数评估模型包括:
构建深度神经网络模型;
获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论声音参数和理论行为参数;
将所述理论生理参数、所述理论面部参数、所述理论声音参数和所述理论行为参数输入到所述深度神经网络模型中,对所述深度神经网络进行训练以得到所述心理健康指数评估模型。
3.根据权利要求2所述的心理健康指数评估方法,其特征在于,所述获取样本在虚拟情境体验中和体验后的理论生理参数、理论面部参数、理论行为参数和理论声音参数包括:
通过传感器采集所述理论生理参数;
通过摄像头采集所述理论面部参数和所述理论行为参数;
通过麦克风采集所述理论声音参数。
4.根据权利要求1所述的心理健康指数评估方法,其特征在于,所述获取用户的第一实际参数包括:
通过传感器采集实际生理参数;
通过摄像头采集实际面部参数和实际行为参数;
通过麦克风采集实际声音参数。
5.根据权利要求4所述的心理健康指数评估方法,其特征在于,所述获取用户的第一实际参数还包括获取第一补偿参数。
6.根据权利要求5所述的心理健康指数评估方法,其特征在于,所述第一补偿参数包括担心惊恐、酒精依赖、住院史、睡眠障碍、精神性疾病史、强迫观念、焦虑紧张、心理咨询和食欲。
7.根据权利要求6所述的心理健康指数评估方法,其特征在于,所述根据所述心理健康指数评估模型和所述第一实际参数,确定第一心理健康指数包括:
对所述第一实际参数和所述第一补偿参数进行标准化处理形成第一数据向量;
初始化所述心理健康指数评估模型;
将所述第一数据向量输入到所述心理健康指数评估模型中,输出所述第一心理健康指数为0、1、2、3或4。
8.根据权利要求7所述的心理健康指数评估方法,其特征在于,所述根据所述第一心理健康指数,对用户进行数据追踪包括:
根据所述第一心理健康指数为1或2,制定第一心理健康矫正策略;
获取用户使用所述第一心理健康矫正策略后的第二实际参数和第二补偿参数;
对所述第二实际参数和所述第二补偿参数进行标准化处理形成第二数据向量;
初始化所述心理健康指数评估模型;
将所述第二数据向量输入所述心理健康指数评估模型中,输出第二心理健康指数;
根据所述第二心理健康指数小于所述第一心理健康指数,确定矫正有效。
9.根据权利要求8所述的心理健康指数评估方法,其特征在于,所述根据所述心理健康指数,对用户进行数据追踪还包括:
根据所述第一心理健康指数为3或4,再次利用深度神经网络,输入所述第一数据向量,制定第二心理健康矫正策略;
获取用户使用所述第二心理健康矫正策略后的第三实际参数和第三补偿参数;
对所述第三实际参数和所述第三补偿参数进行标准化处理形成第三数据向量;
初始化所述心理健康指数评估模型;
将所述第三数据向量输入所述心理健康指数评估模型中,输出第三心理健康指数;
根据所述第三心理健康指数小于所述第一心理健康指数,确定矫正有效。
10.一种心理健康指数评估系统,用于执行权利要求1所述的心理健康指数评估方法,其特征在于,包括:
构建模块,所述构建模块用于构建心理健康指数评估模型;
获取模块,所述获取模块用于获取用户的第一实际参数;
确定模块,所述确定模块用于根据所述心理健康指数评估模型和所述第一实际参数,确定所述心理健康指数;
追踪模块,所述追踪模块用于根据所述心理健康指数,对用户进行数据追踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493492.4A CN112599245A (zh) | 2020-12-16 | 2020-12-16 | 心理健康指数评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493492.4A CN112599245A (zh) | 2020-12-16 | 2020-12-16 | 心理健康指数评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112599245A true CN112599245A (zh) | 2021-04-02 |
Family
ID=75196705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011493492.4A Pending CN112599245A (zh) | 2020-12-16 | 2020-12-16 | 心理健康指数评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112599245A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951826A (zh) * | 2021-10-25 | 2022-01-21 | 思澜科技(成都)有限公司 | 一种用于评估睡眠状况的方法、系统及设备 |
CN115120240A (zh) * | 2022-08-30 | 2022-09-30 | 山东心法科技有限公司 | 特殊行业目标感知技能的敏感性评估方法、设备及介质 |
CN116869530A (zh) * | 2023-05-31 | 2023-10-13 | 厦门纳智壳生物科技有限公司 | 一种利用人体微表情和生理指标进行居民心理健康检测的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905486A (zh) * | 2012-12-26 | 2014-07-02 | 中国科学院心理研究所 | 一种心理健康状态评估方法 |
US20170004269A1 (en) * | 2015-06-30 | 2017-01-05 | BWW Holdings, Ltd. | Systems and methods for estimating mental health assessment results |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
CN108288505A (zh) * | 2018-01-29 | 2018-07-17 | 重庆邮电大学 | 一种可视分析的心理健康评估方法 |
CN111696673A (zh) * | 2020-05-08 | 2020-09-22 | 吕小民 | 一种心理健康管理模型系统及方法 |
-
2020
- 2020-12-16 CN CN202011493492.4A patent/CN112599245A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905486A (zh) * | 2012-12-26 | 2014-07-02 | 中国科学院心理研究所 | 一种心理健康状态评估方法 |
US20170004269A1 (en) * | 2015-06-30 | 2017-01-05 | BWW Holdings, Ltd. | Systems and methods for estimating mental health assessment results |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
CN108288505A (zh) * | 2018-01-29 | 2018-07-17 | 重庆邮电大学 | 一种可视分析的心理健康评估方法 |
CN111696673A (zh) * | 2020-05-08 | 2020-09-22 | 吕小民 | 一种心理健康管理模型系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951826A (zh) * | 2021-10-25 | 2022-01-21 | 思澜科技(成都)有限公司 | 一种用于评估睡眠状况的方法、系统及设备 |
CN113951826B (zh) * | 2021-10-25 | 2023-09-05 | 思澜科技(成都)有限公司 | 一种用于评估睡眠状况的方法、系统及设备 |
CN115120240A (zh) * | 2022-08-30 | 2022-09-30 | 山东心法科技有限公司 | 特殊行业目标感知技能的敏感性评估方法、设备及介质 |
CN116869530A (zh) * | 2023-05-31 | 2023-10-13 | 厦门纳智壳生物科技有限公司 | 一种利用人体微表情和生理指标进行居民心理健康检测的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Advances in multimodal emotion recognition based on brain–computer interfaces | |
CN112599245A (zh) | 心理健康指数评估方法及系统 | |
CN105393252B (zh) | 生理数据采集和分析 | |
Shajil et al. | Multiclass classification of spatially filtered motor imagery EEG signals using convolutional neural network for BCI based applications | |
CN111920420B (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
Baghdadi et al. | Dasps: a database for anxious states based on a psychological stimulation | |
CN109730658A (zh) | 一种人工智能床垫系统 | |
Li et al. | A neuro-fuzzy fatigue-tracking and classification system for wheelchair users | |
CN113143261B (zh) | 基于肌电信号的身份识别系统、方法及设备 | |
Yue et al. | Exploring BCI control in smart environments: intention recognition via EEG representation enhancement learning | |
CN111000556A (zh) | 一种基于深度模糊森林的情绪识别方法 | |
CN112037908A (zh) | 一种耳源性眩晕诊疗装置、系统及大数据分析平台 | |
Dash et al. | Towards a Speaker Independent Speech-BCI Using Speaker Adaptation. | |
CN116746885A (zh) | 麻醉深度监测系统及其方法 | |
Dash et al. | Determining the optimal number of MEG trials: A machine learning and speech decoding perspective | |
CN114305418A (zh) | 一种用于抑郁状态智能评估的数据采集系统及方法 | |
CN116570283A (zh) | 一种围手术期患者情绪监测系统及方法 | |
CN109727670A (zh) | 一种智能中风康复监护方法和系统 | |
Aguiar-Salazar et al. | Intelligent electromyograph for early detection of myopathy and neuropathy using EMG signals and neural network model | |
CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
CN112652381A (zh) | 心理健康矫正计划生成方法及系统 | |
Mantri et al. | Real time multimodal depression analysis | |
Mzurikwao et al. | Efficient channel selection approach for motor imaginary classification based on convolutional neural network | |
Murad et al. | Unveiling Thoughts: A Review of Advancements in EEG Brain Signal Decoding into Text | |
Narayan et al. | EEG signals classification for right-and left-hand movement discrimination using SVM and LDA classifiers |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Qiao Juan Inventor after: Yu Haotian Inventor after: Yang Jianshe Inventor after: Liang Yuan Inventor before: Qiao Juan Inventor before: Yu Haotian Inventor before: Guo Fengjie Inventor before: Guo Hongjing |
|
CB03 | Change of inventor or designer information |