CN113409943A - 一种基于bp神经网络的心理健康智能筛查系统 - Google Patents
一种基于bp神经网络的心理健康智能筛查系统 Download PDFInfo
- Publication number
- CN113409943A CN113409943A CN202110692161.1A CN202110692161A CN113409943A CN 113409943 A CN113409943 A CN 113409943A CN 202110692161 A CN202110692161 A CN 202110692161A CN 113409943 A CN113409943 A CN 113409943A
- Authority
- CN
- China
- Prior art keywords
- neural network
- module
- mental
- questionnaire
- network 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
- 238000012216 screening Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 230000009323 psychological health Effects 0.000 title description 2
- 208000020016 psychiatric disease Diseases 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 201000010099 disease Diseases 0.000 claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 23
- 230000004630 mental health Effects 0.000 claims abstract description 13
- 238000011157 data evaluation Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000011835 investigation Methods 0.000 claims abstract 2
- 238000001514 detection method Methods 0.000 claims description 30
- 206010026749 Mania Diseases 0.000 claims description 23
- 208000019906 panic disease Diseases 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 16
- 208000037870 generalized anxiety Diseases 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 208000011688 Generalised anxiety disease Diseases 0.000 claims description 7
- 208000029364 generalized anxiety disease Diseases 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 208000019901 Anxiety disease Diseases 0.000 claims description 2
- 230000036506 anxiety Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000000630 rising effect Effects 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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于BP神经网络的心理健康智能筛选系统，包括依次连接的精神疾病调查问卷设定模块、调查数据评估和标签模块、BP神经网络模型训练模块、精神疾病筛查模块；精神疾病调查问卷设定模块，设定精神疾病调查问卷的内容；调查数据评估和标签模块对问卷调查结果进行评估并打标签；BP神经网络模型训练模块从调查数据评估和标签模块输入数据样本，并进行模型训练，得到BP神经网络模型；精神疾病筛查模块向新的潜在患者进行问卷调查，将问卷调查的数据输入BP神经网络模型训练模块获得的BP神经网络模型，判断该潜在患者的患病情况。本发明使用BP神经网络来得出潜在患者的患病结果，减少了疾病判断上的主观性，极大地保护了潜在患者的隐私。
Description
技术领域
本发明开发了一种心理健康智能筛查系统，适用于精神疾病的初步 筛查。
技术背景
目前正处于人工智能3.0发展的高峰，计算机软硬件能力、人工智 能技术足以支撑实现智慧医疗的背景。国内外用于大范围人群的精神疾 病筛查主要依赖于明尼苏达多项人格测验量表(Minnesota Multiphasic Personality Inventory，MMPI)、SCL-90症状自评量表(Symptom Check List-90，SCL-90)、心境障碍评估表、杨氏躁狂评定量表(YoungManic Rating Scale，YMRS)、汉密尔顿抑郁量表(Hamilton Depression Scale， HAMD)、心理健康诊断测验(Mental Health Test，MHT)等心理健康 筛查量表。此类筛查量表大多以近期生活中出现的抑郁情绪、兴趣或快 感缺失、失眠或过度睡眠、体重骤降或骤升、疲惫乏力等症状为判断依 据。然而，该类基于筛查量表的方式基于评估对象自我报告，受个人主观信念和自我察觉能力影响，后续的临床访谈依赖于评估对象的口头表 达能力和临床医师的主观判断，评估过程中一般基于评估对象的回答， 辅以面部表情、肢体行为等多元信息。其次由于精神卫生知识普及宣传 力度不够，我国普通居民对精神卫生知识的知晓率和正确选择就医方式 的比例明显偏低。大多数人对精神疾病没有基本的认识和了解，对患者缺乏理解和同情，偏见与歧视现象比较严重，因此精神疾病患者及其家 属普遍具有强烈的“病耻感”，或对精神疾病持污名态度、对精神医学 治疗存在误解与抵触，不愿意或不敢接受诊断、治疗和心理干预，延误 治疗，使病情加重。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于BP神经网络的 心理健康智能筛查系统，本发明减少传统精神疾病判断方法的人为主观 性，以及完成对新的潜在患者精神疾病的筛查。
出于居民对精神卫生的心态与实际使用场景的考虑，本发明设计开 发了一个基于BP神经网络的心理健康智能筛查系统，便于居民可以私 密地进行心理健康检测，做到早发现、早干预，其次通过BP神经网络 而非依赖于临床医师的主观判断，这使得精神疾病的筛查更加的客观和 科学。
BP神经网络实质上实现了一个从输入到输出的映射功能，特别适 合于求解内部机制复杂的问题，具有高度自学习和自适应的能力，应用 于精神疾病的筛查非常合适。
为了实现上述技术任务，本发明采用如下的技术解决方案：
一种基于BP神经网络的心理健康智能筛查系统,其特征在于：包 括依次连接的精神疾病调查问卷设定模块、调查数据评估和标签模块、 BP神经网络模型训练模块、精神疾病筛查模块；其中，
精神疾病调查问卷设定模块，设定精神疾病调查问卷的内容：调查 问卷以不同的精神疾病为一个单元，总共有4类精神疾病，分别为抑郁 症、广泛性焦虑、狂躁症、惊恐障碍症；每类疾病检测都对应不同的问 题数，其中抑郁症有e个问题，广泛性焦虑有f个问题，狂躁症有g个 问题，惊恐障碍症有h个问题；
调查数据评估和标签模块对问卷调查结果进行评估并打标签，具体 包括：在获取N条问卷调查数据之后，由专业的心理医师对每条数据样 本一一评估，并打上标签，即标出疾病类型或无疾病；
BP神经网络模型训练模块从调查数据评估和标签模块输入数据样 本，并进行模型训练，得到BP神经网络模型，具体包括：将所有的N 条数据样本，分为70％的训练集，15％的验证集以及15％的测试集，对 单隐藏层BP神经网络进行训练，该单隐藏层BP神经网络的输入层有 e+f+g+h个节点，其输入值分别对应抑郁症检测e个问题的结果、广泛 性焦虑症检测f个问题的结果、狂躁症检测g个问题的结果、惊恐障碍 症检测h个问题的结果，输出层有16个节点，其输出值为潜在患者患 有所述4类疾病的预测结果，隐藏层共有17个神经元，采用sigmoid函 数f(x)＝1/(1+e^-x)(-x是幂数)作为激活函数，在输出层不使用激活函数，使用验证集对训练的模型进行验证，最后通过测试集测试后确定 BP神经网络模型；
精神疾病筛查模块向待评估者进行问卷调查，将问卷调查的数据输 入BP神经网络模型训练模块获得的BP神经网络模型，判断该待评估 者的患病情况，具体包括：
一个待评估者(新的潜在患者)进行问卷的填写，先后完成抑郁症 检测e个问题、广泛性焦虑f个问题、狂躁症g个问题、惊恐障碍症h 个问题，共得到e+f+g+h个结果；
将得到的e+f+g+h个结果作为BP神经网络模型的输入，得到模型 的输出值，根据输出值判断待评估者是否患有抑郁症、广泛性焦虑症、 狂躁症、惊恐障碍症中的一种或多种精神疾病。
本发明的优点是：
1)本发明使用BP神经网络来得出潜在患者的患病结果，较为准 确，并且减少了传统精神疾病判断方法的人为主观性；
2)本发明使得潜在患者可以自主地进行精神疾病地判断，极大地 保护了潜在患者的隐私。
附图说明
图1是本发明实施例中BP神经网络的结构示意图。
图2是本发明的实施例的系统结构图。
具体实施方式
下面结合附图，进一步说明本发明的技术方案。
一种基于BP神经网络的心理健康智能筛查系统,其特征在于：包 括依次连接的精神疾病调查问卷设定模块、调查数据评估和标签模块、 BP神经网络模型训练模块、精神疾病筛查模块；其中，
精神疾病调查问卷设定模块，设定精神疾病调查问卷的内容：调查 问卷以不同的精神疾病为一个单元，总共有4类精神疾病，分别为抑郁 症、广泛性焦虑、狂躁症、惊恐障碍症；每类疾病检测都对应不同的问 题数，其中抑郁症有e个问题，广泛性焦虑有f个问题，狂躁症有g个 问题，惊恐障碍症有h个问题；
调查数据评估和标签模块对问卷调查结果进行评估并打标签，具体 包括：在获取N条问卷调查数据之后，由专业的心理医师对每条数据样 本一一评估，并打上标签，即标出疾病类型或无疾病；
BP神经网络模型训练模块从调查数据评估和标签模块输入数据样 本，并进行模型训练，得到BP神经网络模型，具体包括：将所有的N 条数据样本，分为70％的训练集，15％的验证集以及15％的测试集，对 单隐藏层BP神经网络进行训练，该单隐藏层BP神经网络的输入层有 e+f+g+h个节点，其输入值分别对应抑郁症检测e个问题的结果、广泛 性焦虑症检测f个问题的结果、狂躁症检测g个问题的结果、惊恐障碍 症检测h个问题的结果，输出层有16个节点，其输出值为潜在患者患 有所述4类疾病的预测结果，隐藏层共有17个神经元，采用sigmoid函 数f(x)＝1/(1+e^-x)(-x是幂数)作为激活函数，在输出层不使用激活函数，使用验证集对训练的模型进行验证，最后通过测试集测试后确定 BP神经网络模型；
精神疾病筛查模块向待评估者进行问卷调查，将问卷调查的数据输 入BP神经网络模型训练模块获得的BP神经网络模型，判断该待评估 者的患病情况，具体包括：
待评估者填写调查问卷，先后完成抑郁症检测e个问题、广泛性焦 虑f个问题、狂躁症g个问题、惊恐障碍症h个问题，共得到e+f+g+h 个结果；
将得到的e+f+g+h个结果作为BP神经网络模型的输入，得到模型 的输出值，根据输出值判断待评估者是否患有抑郁症、广泛性焦虑症、 狂躁症、惊恐障碍症中的一种或多种精神疾病。
问卷调查以不同的精神疾病为一个单元，总共有4类精神疾病，分 别为抑郁症、广泛性焦虑、狂躁症、惊恐障碍症；每类疾病检测都对应 不同的问题数，其中抑郁症有e个问题，广泛性焦虑有f个问题，狂躁 症有g个问题，惊恐障碍症有h个问题；
所述的精神疾病总共可能性有16种，包括a：单一疾病，b：二元 混合疾病，c：三元混合疾病，d：四元混合疾病；
在本实施例中，e＝18，f＝11，g＝9，h＝16，即抑郁症检测有18个问 题、广泛性焦虑有11个问题、狂躁症有9个问题、惊恐障碍症有16个 问题；
步骤2：在获取N条问卷调查数据之后，比如N＝3000，给专业的 心理医师对每条数据一一评估，并分别打上标签；
步骤3：将所有的N条数据样本，分为70％的训练集，15％的验证 集以及15％的测试集，对单隐藏层BP神经网络进行训练，该网络输入 层有e+f+g+h个节点，其输入值分别对应抑郁症检测e个问题的结果、 广泛性焦虑症检测f个问题的结果、狂躁症检测g个问题的结果、惊恐 障碍症检测h个问题的结果，输出层有16个节点，其输出值为潜在患 者患有所述4类疾病的预测结果，隐藏层共有17个神经元，采用sigmoid 函数f(x)＝1/(1+e^-x)(-x是幂数)作为激活函数，在输出层不使用激活 函数，使用验证集对训练的模型进行验证，最后通过测试集测试后确定BP神经网络模型；
在本实施例中，BP神经网络输入层有54个节点，其输入值分别对 应抑郁症检测18个问题的结果、广泛性焦虑症检测11个问题的结果、 狂躁症检测9个问题的结果、惊恐障碍症检测16个问题的结果，输出 层有16个节点，其输出值为潜在患者患有所述4类疾病的预测结果， 隐藏层共有17个神经元；
步骤4：一个待评估者(新的潜在患者)进行问卷的填写，先后完成 抑郁症检测e个问题、广泛性焦虑f个问题、狂躁症g个问题、惊恐障 碍症h个问题，共得到e+f+g+h个结果；
在本实施例中，待评估者先后完成抑郁症检测18个问题、广泛性 焦虑11个问题、狂躁症9个问题、惊恐障碍症16个问题，共得到54 个结果；
步骤5：将得到的e+f+g+h个结果作为BP神经网络模型的输入， 得到模型的输出值，根据输出值判断潜在患者是否患有抑郁症、广泛性 焦虑症、狂躁症、惊恐障碍症中的一种或多种精神疾病。
在本实施例中，将得到54个结果作为BP神经网络模型的输入。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举， 本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发 明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等 同技术手段。
Claims (1)
1.一种基于BP神经网络的心理健康智能筛选系统,其特征在于：包括依次连接的精神疾病调查问卷设定模块、调查数据评估和标签模块、BP神经网络模型训练模块、精神疾病筛查模块；其中，
精神疾病调查问卷设定模块，设定精神疾病调查问卷的内容：调查问卷以不同的精神疾病为一个单元，总共有4类精神疾病，分别为抑郁症、广泛性焦虑、狂躁症、惊恐障碍症；每类疾病检测都对应不同的问题数，其中抑郁症有e个问题，广泛性焦虑有f个问题，狂躁症有g个问题，惊恐障碍症有h个问题；
调查数据评估和标签模块对问卷调查结果进行评估并打标签，具体包括：在获取N条问卷调查数据之后，由专业的心理医师对每条数据样本一一评估，并打上标签，即标出疾病类型或无疾病；
BP神经网络模型训练模块从调查数据评估和标签模块输入数据样本，并进行模型训练，得到BP神经网络模型，具体包括：将所有的N条数据样本，分为70％的训练集，15％的验证集以及15％的测试集，对单隐藏层BP神经网络进行训练，该单隐藏层BP神经网络的输入层有e+f+g+h个节点，其输入值分别对应抑郁症检测e个问题的结果、广泛性焦虑症检测f个问题的结果、狂躁症检测g个问题的结果、惊恐障碍症检测h个问题的结果，输出层有16个节点，其输出值为潜在患者患有所述4类疾病的预测结果，隐藏层共有17个神经元，采用sigmoid函数f(x)＝1/(1+e^-x)(-x是幂数)作为激活函数，在输出层不使用激活函数，使用验证集对训练的模型进行验证，最后通过测试集测试后确定BP神经网络模型；
精神疾病筛查模块向待评估者进行问卷调查，将问卷调查的数据输入BP神经网络模型训练模块获得的BP神经网络模型，判断该待评估者的患病情况，具体包括：
待评估者填写调查问卷，先后完成抑郁症检测e个问题、广泛性焦虑f个问题、狂躁症g个问题、惊恐障碍症h个问题，共得到e+f+g+h个结果；
将得到的e+f+g+h个结果作为BP神经网络模型的输入，得到模型的输出值，根据输出值判断待评估者是否患有抑郁症、广泛性焦虑症、狂躁症、惊恐障碍症中的一种或多种精神疾病。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110692161.1A CN113409943A (zh) | 2021-06-22 | 2021-06-22 | 一种基于bp神经网络的心理健康智能筛查系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110692161.1A CN113409943A (zh) | 2021-06-22 | 2021-06-22 | 一种基于bp神经网络的心理健康智能筛查系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113409943A true CN113409943A (zh) | 2021-09-17 |
Family
ID=77682282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110692161.1A Pending CN113409943A (zh) | 2021-06-22 | 2021-06-22 | 一种基于bp神经网络的心理健康智能筛查系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409943A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114300126A (zh) * | 2021-12-30 | 2022-04-08 | 济南大学 | 一种基于早癌筛查问卷与前馈神经网络的癌症预测系统 |
| CN114550860A (zh) * | 2022-01-28 | 2022-05-27 | 中国人民解放军总医院第一医学中心 | 一种基于流程数据与智能网络模型的就医满意度评估方法 |
| CN117457234A (zh) * | 2023-11-20 | 2024-01-26 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407673A (zh) * | 2016-09-08 | 2017-02-15 | 山东腾泰医疗科技有限公司 | 一种基于互联网云端数据库的心理健康评估方法 |
| US20190385711A1 (en) * | 2018-06-19 | 2019-12-19 | Ellipsis Health, Inc. | Systems and methods for mental health assessment |
-
2021
- 2021-06-22 CN CN202110692161.1A patent/CN113409943A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407673A (zh) * | 2016-09-08 | 2017-02-15 | 山东腾泰医疗科技有限公司 | 一种基于互联网云端数据库的心理健康评估方法 |
| US20190385711A1 (en) * | 2018-06-19 | 2019-12-19 | Ellipsis Health, Inc. | Systems and methods for mental health assessment |
Non-Patent Citations (2)
| Title |
|---|
| 杨秀岩等: "神经网络方法在抑郁症早期筛查中应用的可行性", 《中国民康医学》 * |
| 王俊杰等: "BP神经网络在疾病预测中的应用", 《数理医药学杂志》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114300126A (zh) * | 2021-12-30 | 2022-04-08 | 济南大学 | 一种基于早癌筛查问卷与前馈神经网络的癌症预测系统 |
| CN114550860A (zh) * | 2022-01-28 | 2022-05-27 | 中国人民解放军总医院第一医学中心 | 一种基于流程数据与智能网络模型的就医满意度评估方法 |
| CN117457234A (zh) * | 2023-11-20 | 2024-01-26 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ozonoff et al. | Diagnosis of autism spectrum disorder after age 5 in children evaluated longitudinally since infancy | |
| CN111524602B (zh) | 一种老年人记忆及认知功能评估筛查预警系统 | |
| CN113409943A (zh) | 一种基于bp神经网络的心理健康智能筛查系统 | |
| van Rentergem et al. | Validation strategies for subtypes in psychiatry: A systematic review of research on autism spectrum disorder | |
| Norman et al. | The non-analytical basis of clinical reasoning | |
| Pakhomov et al. | A computational linguistic measure of clustering behavior on semantic verbal fluency task predicts risk of future dementia in the Nun Study | |
| Eadie et al. | Assessing early communication behaviours: structure and validity of the Communication and Symbolic Behaviour Scales—Developmental Profile (CSBS‐DP) in 12‐month‐old infants | |
| Ahmad et al. | Comparing perspectives of patients, caregivers, and clinicians on heart failure management | |
| Hybels et al. | Heterogeneity in symptom profiles among older adults diagnosed with major depression | |
| Moon et al. | The relationship between parental rearing behavior, resilience, and depressive symptoms in adolescents with congenital heart disease | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| Fournier et al. | Modeling caregivers' perceptions of children's need for formal care: Physical function, intellectual disability, and behavior | |
| CN114360728A (zh) | 一种用于糖尿病轻度认知功能障碍的预测模型和诺模图的构建方法 | |
| CN110415818A (zh) | 一种基于可观察病症的智能儿科疾病问诊系统及方法 | |
| Haines et al. | Using automated computer vision and machine learning to code facial expressions of affect and arousal: Implications for emotion dysregulation research | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| Stoelb et al. | Predicting responsiveness to treatment of children with autism: A retrospective study of the importance of physical dysmorphology | |
| Patnaik et al. | Severity of children's intellectual disabilities and Medicaid personal care services. | |
| CN111681767B (zh) | 一种电子病历数据处理方法及系统 | |
| Holmes et al. | A novel framework to estimate cognitive impairment via finger interaction with digital devices | |
| Tarnanas et al. | Functional impairment in virtual-reality-daily-living-activities as a defining feature of amnestic mci: Cognitive and psychomotor correlates | |
| CN113057588A (zh) | 一种病症预警方法、装置、设备及介质 | |
| Wang et al. | Using testlet response theory to analyze data from a survey of attitude change among breast cancer survivors | |
| Ikermane et al. | Web-based autism screening using facial images and convolutional neural network | |
| Naseri et al. | Data-efficient machine learning methods in the ME-TIME study: Rationale and design of a longitudinal study to detect atrial fibrillation and heart failure from wearables |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |
|
| RJ01 | Rejection of invention patent application after publication |