CN112674771A - 基于图像注视差异的抑郁人群鉴别方法及装置 - Google Patents
基于图像注视差异的抑郁人群鉴别方法及装置 Download PDFInfo
- Publication number
- CN112674771A CN112674771A CN202011530266.9A CN202011530266A CN112674771A CN 112674771 A CN112674771 A CN 112674771A CN 202011530266 A CN202011530266 A CN 202011530266A CN 112674771 A CN112674771 A CN 112674771A
- Authority
- CN
- China
- Prior art keywords
- eye movement
- movement data
- psychological
- depressed
- image
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种基于图像注视差异的抑郁人群鉴别方法及装置,其中,方法包括:基于预先搭建的认知心理学实验平台,采集原始眼动数据;根据原始眼动数据识别眼动轨迹,并基于眼动轨迹提取人物的心理特征;基于统计学和机器学习对心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP值和评分卡方法获取模型的输出结果,确定鉴别结果。本申请实施例的基于图像注视差异的抑郁人群鉴别方法,实现了对不同心理状态人群的分类。
Description
技术领域
本申请涉及视觉分析技术领域,特别涉及一种基于图像注视差异的抑郁人群鉴别方法及装置。
背景技术
近年来,抑郁症的早期诊断与治疗越来越受社会的重视。随着抑郁症注意偏向理论的成熟,出现了一种新的基于图像认知的诊断方法,例如,通过使用具有不同情绪属性的图片、音乐等作为刺激物,来提取被试在图像认知过程中的一些客观生理指标,以此来进行诊断。
相关技术中,使用比较广泛的生理指标包括键盘反应时和脑电。
然而,键盘反应时难以反映图像认知的完整过程,可提取的特征有限;脑电设备价格较高且信号微弱,有待解决。
申请内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一目的在于提出一种基于图像注视差异的抑郁人群鉴别方法,结合抑郁症的负性注意偏向,设计了一个认知心理学实验平台,提出了缺失值填补算法和平滑算法,显著改善了原始眼动数据的质量,并利用重采样手段将数据预处理为更规范的格式;从眼动轨迹中提取心理特征,并基于统计学和机器学习两种方法对特征进行筛选,借助显著性分析探究该实验的可行性;训练了心理状态分类器模型并使用部分依赖图、SHAP值和评分卡方法解释了模型的结果,并设计了心理测评报告对每个样本的测评结果进行分析,从而实现了对不同心理状态人群的分类。
本发明的第二个目的在于提出一种基于图像注视差异的抑郁人群鉴别装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的,本申请第一方面实施例提供一种基于图像注视差异的抑郁人群鉴别方法,包括以下步骤:基于预先搭建的认知心理学实验平台,采集原始眼动数据;
根据所述原始眼动数据识别眼动轨迹,并基于所述眼动轨迹提取人物的心理特征;
基于统计学和机器学习对所述心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP(模型可解释性)值和评分卡方法获取所述模型的输出结果,确定鉴别结果。
另外,根据本发明上述实施例的基于图像注视差异的抑郁人群鉴别方法还可以具有以下附加的技术特征:
可选地,在采集所述原始眼动数据之后,还包括:
利用重采样方式对所述原始眼动数据进行预处理,得到满足格式规范的眼动数据。
可选地,所述确定鉴别结果,包括:
根据预先设计的心理测评报告对每个测评结果进行分析,输出分析数据。
可选地,在对所述心理特征进行筛选之后,还包括:
通过显著性分析获取所述认知心理学实验平台实验的可行性结果。
为达到上述目的,本申请第二方面实施例提供一种基于图像注视差异的抑郁人群鉴别装置,包括:采集模块,用于基于预先搭建的认知心理学实验平台,采集原始眼动数据;
提取模块,用于根据所述原始眼动数据识别眼动轨迹,并基于所述眼动轨迹提取人物的心理特征;
鉴别模块,用于基于统计学和机器学习对所述心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP值和评分卡方法获取所述模型的输出结果,确定鉴别结果。
可选地,还包括:
处理模块,用于在采集所述原始眼动数据之后,利用重采样方式对所述原始眼动数据进行预处理,得到满足格式规范的眼动数据。
可选地,所述鉴别模块进一步用于根据预先设计的心理测评报告对每个测评结果进行分析,输出分析数据。
可选地,所述鉴别模块还用于通过显著性分析获取所述认知心理学实验平台实验的可行性结果。
为达到上述目的,本申请第三方面实施例提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行如上述实施例所述的基于图像注视差异的抑郁人群鉴别方法。
为达到上述目的,本申请第四方面实施例提供一种计算机可读存储介质,所述非临时性计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述实施例所述的基于图像注视差异的抑郁人群鉴别方法。
由此,结合抑郁症的负性注意偏向,设计了一个认知心理学实验平台,提出了缺失值填补算法和平滑算法,显著改善了原始眼动数据的质量,并利用重采样手段将数据预处理为更规范的格式;从眼动轨迹中提取心理特征,并基于统计学和机器学习两种方法对特征进行筛选,借助显著性分析探究该实验的可行性;训练了心理状态分类器模型并使用部分依赖图、SHAP值和评分卡方法解释了模型的结果,并设计了心理测评报告对每个样本的测评结果进行分析,从而实现了对不同心理状态人群的分类。本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种基于图像注视差异的抑郁人群鉴别方法的流程图;
图2为根据本申请一个实施例的基于图像注视差异的抑郁人群鉴别方法的流程图;
图3为根据本申请一个实施例的三类不同情绪的图像的示意图;
图4为根据本申请一个实施例的基于图像注视差异的抑郁人群鉴别方法的演示示例图;
图5为根据本申请一个实施例的心里特征提取的结构示意图;
图6为根据本申请一个实施例的随机森林特征重要性排序的示意图;
图7为根据本申请一个实施例的基于图像注视差异的抑郁人群鉴别装置的示例图;
图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参照附图描述根据本发明实施例提出的基于图像注视差异的抑郁人群鉴别方法及装置。
具体而言,图1为本申请实施例所提供的一种基于图像注视差异的抑郁人群鉴别方法的流程示意图。
如图1所示,该基于图像注视差异的抑郁人群鉴别方法包括以下步骤:
在步骤S101中,基于预先搭建的认知心理学实验平台,采集原始眼动数据。
可以理解的是,结合图2所示,本申请实施例可以结合抑郁症的负性注意偏向理论,选取正性、中性、负性三种不同情绪的图像作为实验刺激物,设计了一个全新的基于眼动的认知心理学实验范式,研究两种人群对于不同属性图片的认知差异,同时,借助Tobi i眼动仪获取被试实验全程的眼动轨迹,如图3所示,正性情绪的图像指的是主题比较积极,能够唤起人的愉悦情绪的图像;负性情绪的图像则与之相反;中性情绪的图像指的是那些没有明显情绪倾向的图像。
其中,抑郁症的注意偏向主要有两个理论:
(1)注意分配:在同时呈现多种不同情绪的图像时,抑郁人群更倾向于将注意力集中在负性图像上,具体指标如注视时长(每张图像各看了多长时间),抑郁人群对于负性图像的注视时长更长;
(2)注意解除:相比于正常人群,抑郁人群从负性图像中转移注意力的速度更慢,即当被试的注意力正集中在负性图像上时,此时给予他去看另一张图像的任务指令,抑郁人群完成这个过程所需要的时间更长。
具体地,本申请实施例可以基于预先搭建的认知心理学实验平台由自由观看和注意框跟踪两阶段组成,实验全程都会通过Tobbi眼动仪记录被试的眼动轨迹,如图4所示,具体实验流程如下:
(1)本组实验开始:屏幕中央出现一个白色的小十字,这是为了集中被试的注意力,并确保被试初始的注意力在屏幕中央位置。
(2)自由观看阶段:当检测到被试的眼动点落在小十字区域内超过300ms,十字消失,屏幕中央出现三张不同情绪的图片,时长是5秒,这期间被试可以随意浏览这三张图像,从中我们可以提取总注视时长、注视点个数等特征,这是为了研究注意分配。
(3)注意框跟踪阶段:其中一张图像上出现方框,通过方框控制被试的注意力,被试的任务是尽可能快速地去看方框内的图片,当检测到被试的眼动点落在绿框内500-1000ms后,绿框移动到另一张图像上,本申请实施例可以计算这个过程的注意转移时间和速度。
需要说明的是,图4中第一个框内的图像为负性,因此计算的是负性注意转移时间和速度,这是为了研究注意解除。
可选地,在一些实施例中,在采集原始眼动数据之后,还包括:利用重采样方式对原始眼动数据进行预处理,得到满足格式规范的眼动数据。
在步骤S102中,根据原始眼动数据识别眼动轨迹,并基于眼动轨迹提取人物的心理特征。
可以理解的是,如图5所示,图5为心理特征提取的结构示意图。本申请实施例可以从统计学和机器学习两种角度对特征进行选择,其中统计学方法中会展示并分析使用SPSS做显著性检验的结果,探讨用该眼动实验对两种人群分类的可行性,最终自由观看阶段提取了46个特征,注意框跟踪阶段提取了17个特征。在步骤S103中,基于统计学和机器学习对心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP值和评分卡方法获取模型的输出结果,确定鉴别结果。
可选地,在一些实施例中,确定鉴别结果,包括:根据预先设计的心理测评报告对每个测评结果进行分析,输出分析数据。
可选地,在一些实施例中,在对心理特征进行筛选之后,还包括:通过显著性分析获取认知心理学实验平台实验的可行性结果。
可以理解的是,特征并不都是有价值的,存在对结果无贡献和高度相关的特征,因此,本申请实施例可以考虑到特征维度过高会导致严重的过拟合,因此需要对特征进行选择。
这里使用了两种特征选择方法,分别是相关性过滤和嵌入法。相关性过滤,也就是t-检验,是统计学中用来捕捉每个特征与标签之间的线性关系的过滤方法,它独立于任何机器学习算法,仅根据各种统计检验中的分数和相关性的各项指标来选择特征。相关性过滤的优点是有明确的筛选标准(通常认为只有p值低于0.05的特征才是具有显著性的),缺点是只能捕捉线性关系,而且没有考虑到特征之间的相互关系。而嵌入法则是一种机器学习的方法,它是让算法自己决定去使用哪些特征,根据模型训练的结果来筛选出模型认为比较重要的特征。因此,相比于相关性过滤,嵌入法更能提高模型的表现,缺点是可解释性较差,可能会选出一些与常识不符的特征。对比可以发现,统计学是一种先验的思路,在训练前一定要先检验,满足条件才能继续往下做;而机器学习是后验的方法,只要模型训练的效果好,那么就可以不管方法是否合理。
机器学习方法,即嵌入法,是利用模型训练后得到的特征重要性来选择特征。通常只有基于决策树的模型才具有特征重要性的接口。本节使用了随机森林进行嵌入法的特征选择,如图6所示,图6为特征重要性的排序,最重要的特征是正性图像的总注视时长,这与上小节中统计学方法分析的结果也是一致的。最终筛选出累积重要性前80%的特征,共32个。
在利用两种方法筛选特征后,可以认为得到的特征都是对结果影响较大的,但是此时仍然存在特征之间高度相关的情况。对于除Logistic Regression外的非线性模型来说,特征高度相关其实并不会影响模型的准确率,但是会使得部分模型解释的结果不够可靠,尤其是在单独计算某一个特征对结果的影响时。因此,本申请实施例还可以进行特征的去共线性操作。
由此,通过使用SPSS对特征进行显著性检验并分析实验结果,并使用训练的模型实现对抑郁和正常人群的分类和打分,最终通过心理测评报告的形式对测评结果进行分析。
根据本申请实施例提出的基于图像注视差异的抑郁人群鉴别方法,结合抑郁症的负性注意偏向,设计了一个认知心理学实验平台,提出了缺失值填补算法和平滑算法,显著改善了原始眼动数据的质量,并利用重采样手段将数据预处理为更规范的格式;从眼动轨迹中提取心理特征,并基于统计学和机器学习两种方法对特征进行筛选,借助显著性分析探究该实验的可行性;训练了心理状态分类器模型并使用部分依赖图、SHAP值和评分卡方法解释了模型的结果,并设计了心理测评报告对每个样本的测评结果进行分析,从而实现了对不同心理状态人群的分类。
其次参照附图描述根据本申请实施例提出的基于图像注视差异的抑郁人群鉴别装置。
图7是本申请实施例的基于图像注视差异的抑郁人群鉴别装置的方框示意图。
如图7所示,该基于图像注视差异的抑郁人群鉴别装置10包括:采集模块100、提取模块200和鉴别模块300。
其中,采集模块100用于基于预先搭建的认知心理学实验平台,采集原始眼动数据;
提取模块200用于根据原始眼动数据识别眼动轨迹,并基于眼动轨迹提取人物的心理特征;
鉴别模块300用于基于统计学和机器学习对心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP值和评分卡方法获取模型的输出结果,确定鉴别结果。
可选地,还包括:
处理模块,用于在采集原始眼动数据之后,利用重采样方式对原始眼动数据进行预处理,得到满足格式规范的眼动数据。
可选地,鉴别模块进一步用于根据预先设计的心理测评报告对每个测评结果进行分析,输出分析数据。
可选地,鉴别模块还用于通过显著性分析获取认知心理学实验平台实验的可行性结果。
需要说明的是,前述对基于图像注视差异的抑郁人群鉴别方法实施例的解释说明也适用于该实施例的基于图像注视差异的抑郁人群鉴别装置,此处不再赘述。
根据本申请实施例提出的基于图像注视差异的抑郁人群鉴别装置,结合抑郁症的负性注意偏向,设计了一个认知心理学实验平台,提出了缺失值填补算法和平滑算法,显著改善了原始眼动数据的质量,并利用重采样手段将数据预处理为更规范的格式;从眼动轨迹中提取心理特征,并基于统计学和机器学习两种方法对特征进行筛选,借助显著性分析探究该实验的可行性;训练了心理状态分类器模型并使用部分依赖图、SHAP值和评分卡方法解释了模型的结果,并设计了心理测评报告对每个样本的测评结果进行分析,从而实现了对不同心理状态人群的分类。
图8为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序。
处理器1202执行程序时实现上述实施例中提供的基于图像注视差异的抑郁人群鉴别方法。
进一步地,电子设备还包括:
通信接口1203,用于存储器1201和处理器1202之间的通信。
存储器1201,用于存放可在处理器1202上运行的计算机程序。
存储器1201可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器1201、处理器1202和通信接口1203独立实现,则通信接口1203、存储器1201和处理器1202可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器1201、处理器1202及通信接口1203,集成在一块芯片上实现,则存储器1201、处理器1202及通信接口1203可以通过内部接口完成相互间的通信。
处理器1202可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上的基于图像注视差异的抑郁人群鉴别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于图像注视差异的抑郁人群鉴别方法,其特征在于,包括以下步骤:
基于预先搭建的认知心理学实验平台,采集原始眼动数据;
根据所述原始眼动数据识别眼动轨迹,并基于所述眼动轨迹提取人物的心理特征;
基于统计学和机器学习对所述心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP值和评分卡方法获取所述模型的输出结果,确定鉴别结果。
2.根据权利要求1所述的方法,其特征在于,在采集所述原始眼动数据之后,还包括:
利用重采样方式对所述原始眼动数据进行预处理,得到满足格式规范的眼动数据。
3.根据权利要求1所述的方法,其特征在于,所述确定鉴别结果,包括:
根据预先设计的心理测评报告对每个测评结果进行分析,输出分析数据。
4.根据权利要求1所述的方法,其特征在于,在对所述心理特征进行筛选之后,还包括:
通过显著性分析获取所述认知心理学实验平台实验的可行性结果。
5.一种基于图像注视差异的抑郁人群鉴别装置,其特征在于,包括:
采集模块,用于基于预先搭建的认知心理学实验平台,采集原始眼动数据;
提取模块,用于根据所述原始眼动数据识别眼动轨迹,并基于所述眼动轨迹提取人物的心理特征;
鉴别模块,用于基于统计学和机器学习对所述心理特征进行筛选,以通过预先训练的心理状态分类器模型,并使用部分依赖图、SHAP值和评分卡方法获取所述模型的输出结果,确定鉴别结果。
6.根据权利要求5所述的装置,其特征在于,还包括:
处理模块,用于在采集所述原始眼动数据之后,利用重采样方式对所述原始眼动数据进行预处理,得到满足格式规范的眼动数据。
7.根据权利要求5所述的装置,其特征在于,所述鉴别模块进一步用于根据预先设计的心理测评报告对每个测评结果进行分析,输出分析数据。
8.根据权利要求5所述的装置,其特征在于,所述鉴别模块还用于通过显著性分析获取所述认知心理学实验平台实验的可行性结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-4任一项所述的基于图像注视差异的抑郁人群鉴别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-4任一项所述的基于图像注视差异的抑郁人群鉴别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530266.9A CN112674771A (zh) | 2020-12-22 | 2020-12-22 | 基于图像注视差异的抑郁人群鉴别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530266.9A CN112674771A (zh) | 2020-12-22 | 2020-12-22 | 基于图像注视差异的抑郁人群鉴别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112674771A true CN112674771A (zh) | 2021-04-20 |
Family
ID=75450710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011530266.9A Pending CN112674771A (zh) | 2020-12-22 | 2020-12-22 | 基于图像注视差异的抑郁人群鉴别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112674771A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658697A (zh) * | 2021-07-29 | 2021-11-16 | 北京科技大学 | 一种基于视频注视差异的心理测评系统 |
CN114209324A (zh) * | 2022-02-21 | 2022-03-22 | 北京科技大学 | 基于图像视觉认知的心理测评数据获取方法及vr系统 |
CN115607159A (zh) * | 2022-12-14 | 2023-01-17 | 北京科技大学 | 基于眼动序列时空特征分析的抑郁状态鉴别方法及装置 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000602A (zh) * | 2014-04-14 | 2014-08-27 | 北京工业大学 | 情感带宽测定及其情感损伤判别方法 |
CN106691476A (zh) * | 2017-01-16 | 2017-05-24 | 清华大学 | 基于眼动特征的图像认知心理分析系统 |
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 |
CN109157231A (zh) * | 2018-10-24 | 2019-01-08 | 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 |
CN110310722A (zh) * | 2018-03-27 | 2019-10-08 | 中育苑(北京)文化传媒股份有限公司 | 基于图像信息的心理测量与疏导方法及系统 |
CN110840467A (zh) * | 2019-10-18 | 2020-02-28 | 天津大学 | 一种眼动数据与精神系统疾病的关联分析方法 |
-
2020
- 2020-12-22 CN CN202011530266.9A patent/CN112674771A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000602A (zh) * | 2014-04-14 | 2014-08-27 | 北京工业大学 | 情感带宽测定及其情感损伤判别方法 |
CN106691476A (zh) * | 2017-01-16 | 2017-05-24 | 清华大学 | 基于眼动特征的图像认知心理分析系统 |
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 |
CN110310722A (zh) * | 2018-03-27 | 2019-10-08 | 中育苑(北京)文化传媒股份有限公司 | 基于图像信息的心理测量与疏导方法及系统 |
CN109157231A (zh) * | 2018-10-24 | 2019-01-08 | 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 |
CN110840467A (zh) * | 2019-10-18 | 2020-02-28 | 天津大学 | 一种眼动数据与精神系统疾病的关联分析方法 |
Non-Patent Citations (1)
Title |
---|
XIAOWEI LI等: "Classification Study on Eye Movement Data: Towards A New Approach in Depression Detection", 《2016 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658697A (zh) * | 2021-07-29 | 2021-11-16 | 北京科技大学 | 一种基于视频注视差异的心理测评系统 |
CN113658697B (zh) * | 2021-07-29 | 2023-01-31 | 北京科技大学 | 一种基于视频注视差异的心理测评系统 |
CN114209324A (zh) * | 2022-02-21 | 2022-03-22 | 北京科技大学 | 基于图像视觉认知的心理测评数据获取方法及vr系统 |
CN115607159A (zh) * | 2022-12-14 | 2023-01-17 | 北京科技大学 | 基于眼动序列时空特征分析的抑郁状态鉴别方法及装置 |
CN115607159B (zh) * | 2022-12-14 | 2023-04-07 | 北京科技大学 | 基于眼动序列时空特征分析的抑郁状态鉴别方法及装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112674771A (zh) | 基于图像注视差异的抑郁人群鉴别方法及装置 | |
CN110327013B (zh) | 眼底图像检测方法、装置及设备和存储介质 | |
Niemeijer et al. | Image structure clustering for image quality verification of color retina images in diabetic retinopathy screening | |
Ram et al. | A successive clutter-rejection-based approach for early detection of diabetic retinopathy | |
JP6403261B2 (ja) | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム | |
US20140301636A1 (en) | Automated facial action coding system | |
Désir et al. | Classification of endomicroscopic images of the lung based on random subwindows and extra-trees | |
KR102313143B1 (ko) | 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법 | |
JP6433632B1 (ja) | コンピュータシステム、被験者診断支援方法及びプログラム | |
JP2007068620A (ja) | 心理状態計測装置 | |
Zhang et al. | MRMR optimized classification for automatic glaucoma diagnosis | |
CN115607156B (zh) | 基于多模态的心理认知筛查测评方法、系统及存储介质 | |
Vijayakumar et al. | Artery/vein classification of retinal blood vessels using feature selection | |
CN113658697B (zh) | 一种基于视频注视差异的心理测评系统 | |
CN112674770B (zh) | 基于图像的显著性差异和情绪分析的抑郁人群眼动鉴别方法 | |
Shaik et al. | Glaucoma identification based on segmentation and fusion techniques | |
CN114241565A (zh) | 一种面部表情、目标对象状态分析方法、装置及设备 | |
Oliveira et al. | Do we really need a segmentation step in heart sound classification algorithms? | |
CN115439920B (zh) | 基于情绪视听刺激和面部表情的意识状态检测系统、设备 | |
Chavan et al. | A review on BCI emotions classification for EEG signals using deep learning | |
CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
CN115526888A (zh) | 眼图数据识别方法、装置、存储介质及电子设备 | |
KV et al. | Deep Learning Approach to Nailfold Capillaroscopy Based Diabetes Mellitus Detection | |
Sangamesh et al. | A New Approach to Recognize a Patient with Diabetic Retinopathy using Pre-trained Deep Neural Network EfficientNetB0 | |
NK et al. | Early detection of glaucoma: feature visualization with a deep convolutional network |
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 |