CN113476058B - 对抑郁症患者的干预处理方法、装置、终端及介质 - Google Patents

Abstract

本申请公开了一种对抑郁症患者的干预处理方法、装置、终端及介质。其中方法包括：获取抑郁症患者的脑电信号；将脑电信号转换为频谱图像；依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到情绪类别；确定抑郁症患者的抑郁程度；基于情绪类别和抑郁程度，确定针对抑郁症患者的干预信息；依据干预信息对抑郁症患者进行干预处理。本申请通过将信号识别转换至图像识别方式，起到了通过图像识别技术来缩短确定患者情绪类别的时间的效果，达到通过快速确定干预信息，来提高对患者的干预效果的目的，使患者无需医院就医就能得到快速有效的干预治疗，提升患者对干预处理的体验。

Description

对抑郁症患者的干预处理方法、装置、终端及介质

技术领域

本申请涉及计算机技术领域，具体涉及一种对抑郁症患者的干预处理方法、装置、终端及介质。

背景技术

抑郁症又称抑郁障碍，是一种发病率较高的情感障碍精神疾病。抑郁症患者通常具有心境低落、兴趣和愉快感丧失、精力不济或疲劳感等典型症状。抑郁症的诊断主要应根据病史、临床症状、病程及体格检查和实验室检查。因此，这种诊断方式易受主观因素的影响，容易造成误诊和漏诊。研究发现，抑郁症患者和健康对照者的脑电信号在波段、功率和波幅等参数上有不同的变异规律。因此，为了克服抑郁症的诊断易受主观因素影响的问题，相关技术中主要采用对脑电信号的分析来进行抑郁诊断。然而，这种通过脑电信号来诊断抑郁症的方式，存在分析时间长，效率低的问题；同时，针对抑郁症的治疗还存在依赖专业医护人员，需要患者花费时间就医才能得到专业的治疗等干预方案。

发明内容

为了解决上述至少一个技术问题，本申请提供一种对抑郁症患者的干预处理方法、装置、终端及介质。

根据本申请的第一方面，提供了一种对抑郁症患者的干预处理方法，该方法包括：

获取抑郁症患者的脑电信号；

将脑电信号转换为频谱图像；

依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到情绪类别；

确定抑郁症患者的抑郁程度；

基于情绪类别和抑郁程度，确定针对抑郁症患者的干预信息；

依据干预信息对抑郁症患者进行干预处理。

根据本申请的第二方面，提供了一种对抑郁症患者的干预处理装置，该装置包括：

信号获取模块，用于获取抑郁症患者的脑电信号；

信号转换模块，用于将脑电信号转换为频谱图像；

情绪识别模块，用于依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到情绪类别；

抑郁确定模块，用于确定抑郁症患者的抑郁程度；

干预确定模块，用于基于情绪类别和抑郁程度，确定针对抑郁症患者的干预信息；

干预处理模块，用于依据干预信息对抑郁症患者进行干预处理。

根据本申请的第三方面，提供了一种终端，该终端包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时以实现上述对抑郁症患者的干预处理方法。

根据本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述对抑郁症患者的干预处理方法。

本申请通过获取抑郁症患者的脑电信号，以将脑电转换为频谱图像，从而依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到抑郁症患者的情绪类别，确定抑郁症患者的抑郁程度，基于情绪类别和抑郁程度来确定针对抑郁症患者的干预信息，进而依据干预信息对抑郁症患者进行干预处理，这种将信号识别转换至图像识别方式，无需对脑电信号进行特征提取就能直接确定出患者的情绪类别，起到了通过图像识别技术来缩短确定患者情绪类别的时间的效果，达到通过快速确定干预信息，来提高对患者的干预效果的目的，使患者无需医院就医就能得到快速有效的干预治疗，提升患者对干预处理的体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的一种对抑郁症患者的干预处理方法的流程示意图；以及

图2为本申请实施例提供的一种对抑郁症患者的干预处理装置的框图结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

根据本申请的一个实施例，提供了一种对抑郁症患者的干预处理方法，如图1所示，该方法包括步骤S101至步骤S106。

步骤S101：获取抑郁症患者的脑电信号。

具体地，电子设备获取抑郁症患者的脑电信号。其中，电子设备可以为脑电EEG信号的采集设备、脑机接口BCI设备、手机、平板、PC机、服务器等。

具体地，脑电信号可以是预先缓存在本地的数据，也可以是按照预设采集周期从脑电EEG信号的采集设备获取的数据。应用时，电子设备可以按照预设长度对缓存在本地的数据进行读取，从而得到满足预设长度的脑电信号。

步骤S102：将脑电信号转换为频谱图像。

在本申请实施例中，频谱图像用于表征脑电信号的不同频段的波形图。

具体地，可以按照预设的频谱转换算法(如傅里叶转换算法)对组脑电信号进行频域转换。

步骤S103：依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到情绪类别。

具体地，情绪识别模型是通过对深度卷积神经网络VGG的训练来得到。

应用前，获取大量抑郁症患者各自在不同情绪状态下的脑电信号，并按照步骤S102进行处理，得到大量不同抑郁症患者各自在不同情绪状态下的频谱图像，将大量不同抑郁症患者各自在不同情绪状态下的频谱图像作为样本。根据该样本对预设的深度卷积神经网络VGG进行训练。具体地，深度卷积神经网络VGG可以包括输入层、卷积层、全连接层和输出层，其中，卷积层的数量可以根据业务精度的需要来进行设置。例如，可以将深度卷积神经网络VGG的卷积层设置为3，其中，不同卷积层的卷积核大小可以相同，也可以不同。在对深度卷积神经网络VGG进行训练前，对不同抑郁症患者各自在不同情绪状态下的频谱图像进行标记，以使不同抑郁症患者各自在不同情绪状态下的频谱图像具有情绪类别的标签。

在本申请实施例中，情绪类别用于表征抑郁症患者的情况状态，如高兴、失落、绝望等。具体地，可以采用预设的情绪标签来表征情绪类别。例如，T1标识情绪类别A，T2标识情绪类别B。

步骤S104：确定抑郁症患者的抑郁程度。

在本申请实施例中，抑郁程度用于表征抑郁症患者的严重程度。应用时，可以采用预设的抑郁标签来表征抑郁的严重程度。

在本申请实施例中，可以将抑郁程度分为轻度抑郁、中度抑郁、严重抑郁等。

步骤S105：基于情绪类别和抑郁程度，确定针对抑郁症患者的干预信息。

在本申请实施例中，干预信息一般包括对抑郁症患者的护理、治疗方案等信息。例如，包括饮食、医嘱等。

步骤S106：依据干预信息对抑郁症患者进行干预处理。

具体地，干预处理的具体过程可以包括：将干预信息发送至抑郁症患者、抑郁症患者亲友等的终端，以使终端的用户根据干预信息各级干预信息进行治疗。

本申请实施例通过获取抑郁症患者的脑电信号，以将脑电转换为频谱图像，从而依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到抑郁症患者的情绪类别，确定抑郁症患者的抑郁程度，基于情绪类别和抑郁程度来确定针对抑郁症患者的干预信息，进而依据干预信息对抑郁症患者进行干预处理，这种将信号识别转换至图像识别方式，无需对脑电信号进行特征提取就能直接确定出患者的情绪类别，起到了通过图像识别技术来缩短确定患者情绪类别的时间的效果，达到通过快速确定干预信息，来提高对患者的干预效果的目的，使患者无需医院就医就能得到快速有效的干预治疗，提升患者对干预处理的体验。

在一些实施例中，步骤S102进一步包括：

对脑电信号进行预处理；

对预处理后的脑电信号进行频域转换，得到频谱图像。

具体地，对脑电信号进行预处理一般包括：滤波、去燥、去伪、归一化等处理。更具体地，可以先陷波滤波算法去除50Hz工频干扰，再采用预设的滤波器来对脑电信号中的高频信号和低频信号进行过滤。例如，若该滤波器的频率设置范围为：0.5～35HZ，那么通过该滤波器能够过滤掉大于35HZ的高频部分，以及小于5HZ的低频部分。

具体地，可以采用递归平均噪声算法、最小值跟踪算法、直方图噪声估计算法等，对脑电信号进行去燥处理。

具体地，可以使用主成分分析的方法，去除具有一定模式特征的眨眼肌电产生的干扰波形，实现对脑电信号的去伪处理。

具体地，可以照每10s内平均的伏值进行标准化，即每10s按照平均EEG强度标准化。

在一些实施例中，在步骤S103之前，该方法还包括：

将频谱图像进行二值化处理。

本申请实施例通过二值化的处理，使得图像的数据量大为减少，从而能凸显出各种脑电波的轮廓，以供输出。

在一些实施例中，步骤S104进一步包括以下至少一种：

基于所输入的标记操作，确定抑郁症患者的抑郁程度；

依据预构建的抑郁识别模型和频谱图像，确定抑郁症患者的抑郁程度。

具体地，可以通过预设的交互界面或者预设的按键，来供用户进行标记操作。

具体地，标记操作可以是抑郁程度的标签，也可以是文字标注。

具体地，抑郁识别模型可以采用CNN神经网络模型、支持向量机SVM等。

本申请实施例提供了两种抑郁程度的确定机制，一种是人工标记方式，另一种是模型识别方式，通过这种两种方式提高了确定抑郁程度的灵活性，使得研发人员可以灵活调整整个方法的工作量。

在一些实施例中，步骤S105进一步包括：

将情绪类别和抑郁程度发送至服务器；

获取服务器针对情绪类别和抑郁程度反馈的干预信息。

具体地，电子设备可以在检测到情绪类别和抑郁程度这两个因素时，生成请求，并发送至服务器。应用时，该服务器可以将该请求发送至医护客户端，以获取医护人员利用医护客户端反馈的干预信息，该服务器也可以根据预定的算法来进行计算，从而得到针对情绪类别和抑郁程度的干预信息。

在一些实施例中，如图1所示，步骤S105进一步包括：

步骤S1051(图中未示出)：生成针对情绪类别和抑郁程度的哈希值；

步骤S1052(图中未示出)：将哈希值在预设的干预数据库中进行查询，干预数据库包括多个哈希值，以及多个哈希值分别对应的干预项；

步骤S1053(图中未示出)：依据与针对情绪类别和抑郁程度的哈希值匹配的干预项，确定针对抑郁症患者的干预信息。

具体地，不同的情绪类别对应不同的哈希值，不同的抑郁程度对应不同的哈希值。应用时，可以通过查找，得到针对情绪类别的第一哈希值和针对抑郁程度的第二哈希值，将第一哈希值和第二哈希值合并串联，得到针对情绪类别和抑郁程度的第三哈希值，这样，将第三哈希值在干预数据库中进行查询。

具体地，不同干预项可以对应相同的哈希值，也可以对应不同的哈希值。例如，若干预项为“散步”，那么该该干预项可以适用于不同情形类别和不同抑郁程度的患者。

具体地，不同的干预项对应不同的指导信息，通过将查找到的各个干预项各自对应指导信息来生成干预信息。

本申请实施例通过哈希值的生成和查找，起到了加快干预信息的确定时间的效果，达到了提高干预信息的确定效率的目的。

在一些实施例中，步骤S106进一步包括：

确定干预信息包括的各个干预项；

依据干预信息包括的各个干预项，对预设的干预装置进行控制。

具体地，干预项可以指向音频设备、视频设备、深度脑刺激DBS设备等。

例如，若干预信息包括针对音频刺激的干预项，那么可以对音频设备进行控制，以使音频设备播放音乐以刺激患者。

本申请的又一实施例提供了一种对抑郁症患者的干预处理装置，如图2所示，该装置20包括：信号获取模块201、信号转换模块202、情绪识别模块203、抑郁确定模块204、干预确定模块205以及干预处理模块206。

信号获取模块201，用于获取抑郁症患者的脑电信号；

信号转换模块202，用于将脑电信号转换为频谱图像；

情绪识别模块203，用于依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到情绪类别；

抑郁确定模块204，用于确定抑郁症患者的抑郁程度；

干预确定模块205，用于基于情绪类别和抑郁程度，确定针对抑郁症患者的干预信息；

干预处理模块206，用于依据干预信息对抑郁症患者进行干预处理。

本申请实施例通过获取抑郁症患者的脑电信号，以将脑电转换为频谱图像，从而依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别，得到抑郁症患者的情绪类别，确定抑郁症患者的抑郁程度，基于情绪类别和抑郁程度来确定针对抑郁症患者的干预信息，进而依据干预信息对抑郁症患者进行干预处理，这种将信号识别转换至图像识别方式，无需对脑电信号进行特征提取就能直接确定出患者的情绪类别，起到了通过图像识别技术来缩短确定患者情绪类别的时间的效果，达到通过快速确定干预信息，来提高对患者的干预效果的目的，使患者无需医院就医就能得到快速有效的干预治疗，提升患者对干预处理的体验。

进一步，信号转换模块包括：

预处理子模块，用于对脑电信号进行预处理；

信号转换子模块，用于对预处理后的脑电信号进行频域转换，得到频谱图像。

进一步，依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别的步骤之前，该装置还包括：

图像处理模块，用于将频谱图像进行二值化处理。

进一步，抑郁确定模块包括：

第一确定子模块，用于基于所输入的标记操作，确定抑郁症患者的抑郁程度；

第二确定子模块，用于依据预构建的抑郁识别模型和频谱图像，确定抑郁症患者的抑郁程度。

进一步，干预确定模块包括：

信息发送子模块，用于将情绪类别和抑郁程度发送至服务器；

第一干预确定子模块，用于获取服务器针对情绪类别和抑郁程度反馈的干预信息。

进一步，干预确定模块包括：

哈希值生成子模块，用于生成针对情绪类别和抑郁程度的哈希值；

哈希值查询子模块，用于将哈希值在预设的干预数据库中进行查询，干预数据库包括多个哈希值，以及多个哈希值分别对应的干预项；

第二干预确定子模块，用于依据查询结果，确定针对抑郁症患者的干预信息。

进一步，干预处理模块包括：

干预项确定子模块，用于确定干预信息包括的各个干预项；

干预装置控制子模块，用于依据干预信息包括的各个干预项，对预设的干预装置进行控制。

本实施例的对抑郁症患者的干预处理装置可执行本申请实施例提供的对抑郁症患者的干预处理方法，其实现原理相类似，此处不再赘述。

本申请又一实施例提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时以实现上述对抑郁症患者的干预处理方法。

具体地，处理器可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

具体地，处理器通过总线与存储器连接，总线可包括一通路，以用于传送信息。总线可以是PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。

存储器可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

可选的，存储器用于存储执行本申请方案的计算机程序的代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，以实现上述实施例提供的对抑郁症患者的干预处理装置的动作。

本申请又一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述对抑郁症患者的干预处理方法。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种对抑郁症患者的干预处理装置，其特征在于，包括：

信号获取模块，用于获取抑郁症患者的脑电信号；

信号转换模块，用于将所述脑电信号转换为频谱图像；

情绪识别模块，用于依据预构建的基于深度卷积神经网络的情绪识别模型对所述频谱图像直接进行识别，得到情绪类别；获取大量抑郁症患者各自在不同情绪状态下的脑电信号，得到大量不同抑郁症患者各自在不同情绪状态下的频谱图像，将大量不同抑郁症患者各自在不同情绪状态下的频谱图像作为样本，根据该样本对预设的深度卷积神经网络进行训练，在对深度卷积神经网络进行训练前，对不同抑郁症患者各自在不同情绪状态下的频谱图像进行标记，以使不同抑郁症患者各自在不同情绪状态下的频谱图像具有情绪类别的标签；

抑郁确定模块，用于确定所述抑郁症患者的抑郁程度；所述抑郁确定模块包括：第一确定子模块，用于基于所输入的标记操作，确定抑郁症患者的抑郁程度；第二确定子模块，用于依据预构建的抑郁识别模型和频谱图像，确定抑郁症患者的抑郁程度；

干预确定模块，用于基于所述情绪类别和所述抑郁程度，确定针对所述抑郁症患者的干预信息；所述干预确定模块包括：信息发送子模块，用于将情绪类别和抑郁程度发送至服务器；第一干预确定子模块，用于获取服务器针对情绪类别和抑郁程度反馈的干预信息；或者；所述干预确定模块包括：哈希值生成子模块，用于生成针对情绪类别和抑郁程度的哈希值；哈希值查询子模块，用于将哈希值在预设的干预数据库中进行查询，干预数据库包括多个哈希值，以及多个哈希值分别对应的干预项；第二干预确定子模块，用于依据查询结果，确定针对抑郁症患者的干预信息；

干预处理模块，用于依据所述干预信息对所述抑郁症患者进行干预处理；所述干预处理模块包括：干预项确定子模块，用于确定干预信息包括的各个干预项；干预装置控制子模块，用于依据干预信息包括的各个干预项，对预设的干预装置进行控制。

2.根据权利要求1 所述的装置，其特征在于，所述信号转换模块包括：

预处理子模块，用于对脑电信号进行预处理；

信号转换子模块，用于对预处理后的脑电信号进行频域转换，得到频谱图像。

3.根据权利要求1 所述的装置，其特征在于，依据预构建的基于深度卷积神经网络的情绪识别模型对频谱图像进行识别的步骤之前，该装置还包括：

图像处理模块，用于将频谱图像进行二值化处理。

4.一种终端，包括：存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现以下步骤：

获取抑郁症患者的脑电信号；

将所述脑电信号转换为频谱图像；

依据预构建的基于深度卷积神经网络的情绪识别模型对所述频谱图像直接进行识别，得到情绪类别；获取大量抑郁症患者各自在不同情绪状态下的脑电信号，得到大量不同抑郁症患者各自在不同情绪状态下的频谱图像，将大量不同抑郁症患者各自在不同情绪状态下的频谱图像作为样本，根据该样本对预设的深度卷积神经网络进行训练，在对深度卷积神经网络进行训练前，对不同抑郁症患者各自在不同情绪状态下的频谱图像进行标记，以使不同抑郁症患者各自在不同情绪状态下的频谱图像具有情绪类别的标签；

确定所述抑郁症患者的抑郁程度；确定所述抑郁症患者的抑郁程度的步骤，包括以下至少一种：基于所输入的标记操作，确定所述抑郁症患者的抑郁程度；依据预构建的抑郁识别模型和所述频谱图像，确定所述抑郁症患者的抑郁程度；

所述基于所述情绪类别和所述抑郁程度，确定针对所述抑郁症患者的干预信息的步骤，包括：将所述情绪类别和所述抑郁程度发送至服务器；获取所述服务器针对所述情绪类别和所述抑郁程度反馈的所述干预信息；或者所述基于所述情绪类别和所述抑郁程度，确定针对所述抑郁症患者的干预信息的步骤，包括：生成针对所述情绪类别和所述抑郁程度的哈希值；将所述哈希值在预设的干预数据库中进行查询，所述干预数据库包括多个哈希值，以及多个哈希值分别对应的干预项；依据查询结果，确定针对所述抑郁症患者的干预信息；

所述依据所述干预信息对所述抑郁症患者进行干预处理的步骤，包括：确定所述干预信息包括的各个干预项；依据所述干预信息包括的各个干预项，对预设的干预装置进行控制。

5.一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以下步骤：

获取抑郁症患者的脑电信号；

将所述脑电信号转换为频谱图像；

依据预构建的基于深度卷积神经网络的情绪识别模型对所述频谱图像直接进行识别，得到情绪类别；获取大量抑郁症患者各自在不同情绪状态下的脑电信号，得到大量不同抑郁症患者各自在不同情绪状态下的频谱图像，将大量不同抑郁症患者各自在不同情绪状态下的频谱图像作为样本，根据该样本对预设的深度卷积神经网络进行训练，在对深度卷积神经网络进行训练前，对不同抑郁症患者各自在不同情绪状态下的频谱图像进行标记，以使不同抑郁症患者各自在不同情绪状态下的频谱图像具有情绪类别的标签；

确定所述抑郁症患者的抑郁程度；确定所述抑郁症患者的抑郁程度的步骤，包括以下至少一种：基于所输入的标记操作，确定所述抑郁症患者的抑郁程度；依据预构建的抑郁识别模型和所述频谱图像，确定所述抑郁症患者的抑郁程度；

所述基于所述情绪类别和所述抑郁程度，确定针对所述抑郁症患者的干预信息的步骤，包括：将所述情绪类别和所述抑郁程度发送至服务器；获取所述服务器针对所述情绪类别和所述抑郁程度反馈的所述干预信息；或者所述基于所述情绪类别和所述抑郁程度，确定针对所述抑郁症患者的干预信息的步骤，包括：生成针对所述情绪类别和所述抑郁程度的哈希值；将所述哈希值在预设的干预数据库中进行查询，所述干预数据库包括多个哈希值，以及多个哈希值分别对应的干预项；依据查询结果，确定针对所述抑郁症患者的干预信息；

所述依据所述干预信息对所述抑郁症患者进行干预处理的步骤，包括：确定所述干预信息包括的各个干预项；依据所述干预信息包括的各个干预项，对预设的干预装置进行控制。

Images