CN113139062A - 一种基于社交媒体的抑郁症检测系统 - Google Patents
一种基于社交媒体的抑郁症检测系统 Download PDFInfo
- Publication number
- CN113139062A CN113139062A CN202110547860.7A CN202110547860A CN113139062A CN 113139062 A CN113139062 A CN 113139062A CN 202110547860 A CN202110547860 A CN 202110547860A CN 113139062 A CN113139062 A CN 113139062A
- Authority
- CN
- China
- Prior art keywords
- model
- depression
- map
- social media
- classification model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于社交媒体的抑郁症检测系统,涉及抑郁症检测技术领域;它的检测步骤如下:步骤一:模型语义化:将预处理后的文本向量化;同时构建抑郁症知识图谱,将图谱嵌入到后续的分类模型,两者融合构成语义化向量;步骤二:分类模型的训练:拟采用LSTM模型进行搭建和优化,完成分类任务;步骤三:分类模型的测试:将训练后的模型,完成测试;本发明能够依靠社交媒体进行信息的采集,并且建立相应的抑郁症知识图谱;能够实现抑郁症的分析与检测,其能够提高效率,节省时间。
Description
技术领域
本发明属于抑郁症检测技术领域,具体涉及一种基于社交媒体的抑郁症检测系统。
背景技术
抑郁症表现出的躯体症状常常掩盖了真实的病情,很多患者只是针对具体的躯体表现去治疗,没有考虑到自己是否已经患上抑郁症。所以隐匿性抑郁症难以发现。抑郁症的识别率只有21%,接受干预和治疗的患者只有10%,近80%的抑郁症患者没有被发现。与很多内外科疾病不同的是,目前抑郁症尚不能通过化验检查的方法来确定诊断。一些症状评估的量表可以辅助医生对症状进行评估,但是并不能作为诊断的最终依据。抑郁症的诊断需要医生与和患者的通力合作。其中对于患者来说,最重要的是向医生全面准确客观地交代病情。对于怀疑自己患有抑郁症的患者,进行了初步的自我判断之后,建议一定要到专业的机构,比如说精神科进行确诊。
因为抑郁症的诊断并非照本宣科,一条一条地对号入座那么简单,而是非常复杂的医学过程,每个患者的情况千差万别,个体差异很大,所以要由经过专业训练的精神科医生来诊断。为此所需要相当大的人力、精力的损耗。同时很多患者很难真实面对自己的状况,从而会导致医生误诊。抑郁症的误诊率和复发率很高,重度抑郁障碍误诊率为65.9%,复发率为50-85%。因此,能否为抑郁症的检测提供一个精确的指标或辅助性的指导成为了新的研究方向。
医疗信息学作为医学和信息科学交叉的一个领域,心理健康与疾病和卫生保健等主题成为该领域的研究热点。近几年随着互联网发展,人们越来越倾向于在网上抒发自己的情感,为抑郁症的初步判别提供了分析数据。同时机器学习、深度学习的蓬勃发展,提供了许多新颖的判别算法,让判别结果更加精确。因此需要一种基于社交媒体的抑郁症检测系统来实现抑郁症检测。
发明内容
为解决现有的抑郁症检测的问题;本发明的目的在于提供一种基于社交媒体的抑郁症检测系统。
本发明的一种基于社交媒体的抑郁症检测系统,它的检测步骤如下:
步骤一:模型语义化:将预处理后的文本向量化;同时构建抑郁症知识图谱,将图谱嵌入到后续的分类模型,两者融合构成语义化向量;
步骤二:分类模型的训练:拟采用LSTM模型进行搭建和优化,完成分类任务;
步骤三:分类模型的测试:将训练后的模型,完成测试。
作为优选,所述模型语义化的具体的方法为:采用建立相应的抑郁症知识图谱的方法,将图谱嵌入到模型中,使模型具有语义化,同时在解释性上也易于了解;构建后的知识图谱存在较大的维度,因此需要构建一个图注意力网络,与知识图谱进行级联;两者融合后生成的网络嵌入到模型,提供注意力机制。
与现有技术相比,本发明的有益效果为:
一、能够依靠社交媒体进行信息的采集,并且建立相应的抑郁症知识图谱;
二、能够实现抑郁症的分析与检测,其能够提高效率,节省时间。
附图说明
为了易于说明,本发明由下述的具体实施及附图作以详细描述。
图1为本发明的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图中示出的具体实施例来描述本发明。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本具体实施方式采用以下技术方案:它的检测步骤如下:
步骤一:模型语义化:将预处理后的文本向量化;同时构建抑郁症知识图谱,将图谱嵌入到后续的分类模型,两者融合构成语义化向量;
步骤二:分类模型的训练:拟采用LSTM模型进行搭建和优化,完成分类任务;
步骤三:分类模型的测试:将训练后的模型,完成测试。
进一步的,所述模型语义化的具体的方法为:采用建立相应的抑郁症知识图谱的方法,将图谱嵌入到模型中,使模型具有语义化,同时在解释性上也易于了解;构建后的知识图谱存在较大的维度,因此需要构建一个图注意力网络,与知识图谱进行级联;两者融合后生成的网络嵌入到模型,提供注意力机制。
进一步的,所述分类模型的搭建如图1所示。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种基于社交媒体的抑郁症检测系统,其特征在于:它的检测步骤如下:
步骤一:模型语义化:将预处理后的文本向量化;同时构建抑郁症知识图谱,将图谱嵌入到后续的分类模型,两者融合构成语义化向量;
步骤二:分类模型的训练:拟采用LSTM模型进行搭建和优化,完成分类任务;
步骤三:分类模型的测试:将训练后的模型,完成测试。
2.根据权利要求1所述的一种基于社交媒体的抑郁症检测系统,其特征在于:所述模型语义化的具体的方法为:采用建立相应的抑郁症知识图谱的方法,将图谱嵌入到模型中,使模型具有语义化,同时在解释性上也易于了解;构建后的知识图谱存在较大的维度,因此需要构建一个图注意力网络,与知识图谱进行级联;两者融合后生成的网络嵌入到模型,提供注意力机制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547860.7A CN113139062A (zh) | 2021-05-19 | 2021-05-19 | 一种基于社交媒体的抑郁症检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547860.7A CN113139062A (zh) | 2021-05-19 | 2021-05-19 | 一种基于社交媒体的抑郁症检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139062A true CN113139062A (zh) | 2021-07-20 |
Family
ID=76817385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547860.7A Pending CN113139062A (zh) | 2021-05-19 | 2021-05-19 | 一种基于社交媒体的抑郁症检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139062A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829057A (zh) * | 2019-01-11 | 2019-05-31 | 中山大学 | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 |
CN111522962A (zh) * | 2020-04-09 | 2020-08-11 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
CN111538835A (zh) * | 2020-03-30 | 2020-08-14 | 东南大学 | 一种基于知识图谱的社交媒体情感分类方法与装置 |
US20200410012A1 (en) * | 2019-06-28 | 2020-12-31 | Facebook Technologies, Llc | Memory Grounded Conversational Reasoning and Question Answering for Assistant Systems |
-
2021
- 2021-05-19 CN CN202110547860.7A patent/CN113139062A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829057A (zh) * | 2019-01-11 | 2019-05-31 | 中山大学 | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 |
US20200410012A1 (en) * | 2019-06-28 | 2020-12-31 | Facebook Technologies, Llc | Memory Grounded Conversational Reasoning and Question Answering for Assistant Systems |
CN111538835A (zh) * | 2020-03-30 | 2020-08-14 | 东南大学 | 一种基于知识图谱的社交媒体情感分类方法与装置 |
CN111522962A (zh) * | 2020-04-09 | 2020-08-11 | 苏州大学 | 序列推荐方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
赵小利: ""基于微博文本和深度学习的抑郁症识别研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Applications of artificial intelligence to aid early detection of dementia: a scoping review on current capabilities and future directions | |
Nie et al. | Mortality prediction in cerebral hemorrhage patients using machine learning algorithms in intensive care units | |
Joyce-Beaulieu et al. | The diagnostic and statistical manual of mental disorders: (DSM-5) model of impairment | |
CN111564223A (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN103218537A (zh) | 遗传性眼病病例登记网络管理系统 | |
Tsatali et al. | Discriminant validity of the WAIS-R digit symbol substitution test in subjective cognitive decline, mild cognitive impairment (amnestic subtype) and Alzheimer’s disease dementia (ADD) in Greece | |
Alkahtani et al. | Deep learning algorithms to identify autism spectrum disorder in children-based facial landmarks | |
Huang et al. | A structure-related fine-grained deep learning system with diversity data for universal glaucoma visual field grading | |
Khalili et al. | Prognosis prediction in traumatic brain injury patients using machine learning algorithms | |
Zhang et al. | Meibomian gland density: An effective evaluation index of meibomian gland dysfunction based on deep learning and transfer learning | |
CN112466462A (zh) | 一种基于图深度学习的emr信息关联及演化方法 | |
Pedersen et al. | Deep learning detects and visualizes bleeding events in electronic health records | |
Rubio-Martín et al. | Early Detection of Autism Spectrum Disorder through AI-Powered Analysis of Social Media Texts | |
CN113139062A (zh) | 一种基于社交媒体的抑郁症检测系统 | |
Toki et al. | Machine Learning for Predicting Neurodevelopmental Disorders in Children | |
Lu et al. | Video-based neonatal pain expression recognition with cross-stream attention | |
Tanner | Epidemiologic advances in spasmodic dysphonia | |
Qiao et al. | Machine learning prediction of visual outcome after surgical decompression of sellar region tumors | |
Jiang et al. | Mmda: A multimodal dataset for depression and anxiety detection | |
Sousa et al. | Evaluating the psychometric properties of patient-reported outcome measures for assessing symptoms in hemodialysis: A systematic review using COSMIN guidelines | |
Xu et al. | Multiple Machine Learning Approaches for Morphometric Parameters in Prediction of Hydrocephalus | |
Shi et al. | AM-DenseNet: A novel DenseNet framework using attention mechanisms for COVID-19 CT image classification | |
Luo et al. | Differentiation between depression and bipolar disorder in child and adolescents by voice features | |
Linscott et al. | Continua or classes? Vexed questions on the latent structure of schizophrenia | |
Kim et al. | Automatic Diagnosis of medical conditions using Deep Learning with Symptom2Vec |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210720 |
|
WD01 | Invention patent application deemed withdrawn after publication |