CN114550918A - 一种基于绘画特征数据的心理障碍测评方法及系统 - Google Patents
一种基于绘画特征数据的心理障碍测评方法及系统 Download PDFInfo
- Publication number
- CN114550918A CN114550918A CN202210171218.8A CN202210171218A CN114550918A CN 114550918 A CN114550918 A CN 114550918A CN 202210171218 A CN202210171218 A CN 202210171218A CN 114550918 A CN114550918 A CN 114550918A
- Authority
- CN
- China
- Prior art keywords
- mental disorder
- disorder
- psychological
- image
- target object
- 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
- 208000020016 psychiatric disease Diseases 0.000 title claims abstract description 128
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 238000010422 painting Methods 0.000 claims description 34
- 208000019901 Anxiety disease Diseases 0.000 claims description 23
- 230000036506 anxiety Effects 0.000 claims description 22
- 238000007477 logistic regression Methods 0.000 claims description 15
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 241001465754 Metazoa Species 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000012854 evaluation process Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010010219 Compulsions Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010998 test method Methods 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
- G16H50/20—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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Abstract
本发明公开了一种基于绘画特征数据的心理障碍测评方法及系统,获取不同目标对象的绘画图像,构建统一绘画图像标准的电子绘画图像数据库;通过精神科专家医生使用专业心理障碍诊断量表对各目标对象进行诊断,构建各目标对象的心理障碍诊断结果数据库;结合目标对象的绘画图像和心理障碍诊断结果数据,确定预测心理障碍的关键绘画特征,构建绘画特征数据库;计算各个绘画特征用于预测心理障碍的权重因子,构建心理障碍预测模型;结合心理障碍预测模型,根据受访者的绘画图像分析其心理障碍,并给出评估意见。本发明通过构建具有绘画特征的心理障碍预测模型,受访者难以隐瞒,测评流程简单易操作,具有成本低和大规模同时测试的高效性特点。
Description
技术领域
本发明涉及人的心理障碍(抑郁、焦虑和强迫障碍)评估技术领域,具体涉及一种基于绘画特征数据的心理障碍测评方法及系统。
背景技术
抑郁、焦虑等心理障碍成为当代社会非常普遍的心理问题。现在常用的抑郁、焦虑测评方法有以下二类:(一)个体填写抑郁、焦虑量表进行自评,得到对应的量表得分,根据量表得分确定抑郁、焦虑、强迫障碍测评结果;(二)由专家进行问诊,并结合标准问诊量表得分,人工分析得到该抑郁、焦虑、强迫障碍测评结果。这两种测评方式的操作简单、直接,但是受访者在专家测评过程中可能会有所隐瞒,或者受访者对量表的接受程度低,在做量表的过程中不认真,从而导致最终测评结果不准确。
发明内容
为了解决上述所存在的技术问题,本发明提供了一种基于绘画特征数据的心理障碍测评方法及系统,通过获取目标对象的绘画特征实现对目标对象的抑郁、焦虑、强迫等心理障碍的预测,使心理障碍预测更为简单、方便、难以隐瞒。
本发明采用如下技术方案:
一方面,本发明提供了一种基于绘画特征数据的心理障碍测评方法,获取不同目标对象的绘画图像,构建具有统一绘画图像标准的电子绘画图像数据库;通过精神科专家医生使用专业心理障碍诊断量表对各目标对象进行诊断,构建各目标对象的心理障碍诊断结果数据库;结合目标对象的绘画图像和心理障碍诊断结果数据,使用机器学习和回归分析方法确定预测心理障碍的关键绘画特征,构建绘画特征数据库;计算全部或部分关键绘画特征用于预测心理障碍的权重因子,构建心理障碍预测模型;结合心理障碍预测模型,根据受测者的绘画图像分析其心理障碍,并给出评估意见。
优选地,所述的目标对象为各年龄阶层中能够绘画的个体,包括抑郁障碍患者、焦虑障碍患者、强迫障碍患者和健康个体,所述的绘画图像为电子版图像和/或纸质版图像,所述纸质版图像通过扫描或拍照上传至所述绘画图像数据库。
优选地,所有目标对象在标准指导语下进行绘画,形成具有同一标准的绘画图像,其中的指导语包括指导目标对象所需要的绘画内容、绘画时间和绘画要求。
优选地,根据精神科专家医生的专业知识、以及心理障碍患者和健康个体之间的对比分析,所选择构建的绘画图像数据库中的多维绘画特征包括绘画图像的宽度、高度、绘画中每个房子、树、人的坐标数据以及每个房子、树、人的像素数据、绘画内容种类及所有种类中所有物体个体的总和。
进一步地,确定预测心理障碍的关键绘画特征的具体方法:采用逻辑回归模型和极大似然估计方法对绘画图像和心理障碍诊断结果数据做参数估计;拟合逻辑回归模型中的最小损失函数,得到一组损失函数值最小时的一组权重因子;对逻辑回归模型进行检验,判断各个绘画特征的权重因子是否显著,保留显著权重因子所对应的绘画特征,即得关键绘画特征。
所述的关键绘画特征包括人和房子的面积、房子中心点、房子的平均像素、树的平均像素、是否有动物和路、是否有云及绘画内容种类数量。
所述心理障碍包括但不限于抑郁、焦虑和强迫障碍。
另一方面,本发明还提供了一种基于绘画特征数据的心理障碍测评系统,所述系统包括数据采集装置和内嵌于计算机中的绘画图像数据库模块、心理障碍数据库模块、绘画特征数据库模块和心理障碍预测模型;
所述数据采集装置,用于采集各个目标对象的绘画图像资料,并将其传输至所述绘画图像数据库模块进行存储;
所述心理障碍数据库模块,用于存储通过精神科专家医生使用专业心理障碍诊断量表对不同目标对象进行测评后的心理障碍测评结果数据;
所述绘画特征数据库模块,依据精神科专家医生的知识经验,结合绘画图像数据库模块和心理障碍数据库模块提取包含有能够预测目标对象抑郁、焦虑和强迫心理障碍的关键绘画特征;
所述心理障碍预测模型,用于建立绘图图像中的关键绘画特征与目标对象心理障碍之间的预测模型,对输入的绘画图像对受访者进行心理障碍测评,给出心理障碍评估意见并呈现给所测评的受访者。
所述数据采集装置为高拍仪、扫描仪或平板绘画中的一种,用于将纸质图像或电子图像以相同的参数上传至所述绘画图像数据库模块。
本发明技术方案具有如下优点:
A.本发明在专家经验指导下,获取抑郁、焦虑、强迫等心理障碍患者和健康对照组之间有差异的绘画图像特征,通过机器学习和回归分析方法建立抑郁、焦虑、强迫等心理障碍与绘画特征之间的预测模型,并通过心理障碍预测模型对受访者进行抑郁、焦虑、强迫等心理障碍的预测,则会避免使用自我报告类量表和专家诊断两种方法所存在的缺陷。在绘画过程中,受访者难以隐瞒,而且测评流程也更加简单易操作,测评的时间和人力成本低,不仅可以避免判断者主观因素的影响,还可以实现大量人群的快速测评,具有测试隐蔽性、成本低和大规模测试高效性的特点。
B.本发明区别于其他通过判断绘画特征的有无进行情绪预测的方法,是对心理障碍进行测评的方法,评估对象不同。由于个人的情绪在不断波动,通过绘画特征只能评估个体绘画时的情绪状态,难以准确评估个体较为稳定的情绪特征;但是本发明通过绘画特征评估目标对象在较长时间内稳定的心理障碍,因此更加准确评估个体长期稳定情绪特征。
C.本发明区别于通过神经网络建模方法对绘画特征进行提取的方法,神经网络提取的绘画特征无法理解其文字含义,不够直观。而本发明则依据精神科专家的专业知识经验,对绘画图像中具有文本含义的特征进行数值提取,同时还获取抑郁、焦虑、强迫等心理障碍患者和健康对照组之间有差异的绘画图像特征,补充了完全依赖专家知识可能存在的不足。这样提取的特征结合了专家知识和实验数据,具有更加全面、直观、清晰、可理解的特点,也可以进行更深层面的加工和分析。
附图说明
为了更清楚地说明本发明具体实施方式,下面将对具体实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于绘画特征数据的心理障碍测评方法框图;
图2为本发明所提供的心理障碍测评系统组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于绘画特征数据的心理障碍测评方法,具体方法步骤如下:
【S1】获取不同目标对象的绘画图像,构建具有统一绘画图像的标准版电子数据的绘画图像数据库。
在实验的过程中,获取到目标对象的绘画图像,目标对象包括但不限于各年龄阶层能够绘画的个体,可以是青少年、青年、中年以及老年人,目标对象中包含健康组和非健康组(比如:抑郁症患者组、焦虑症患者组、强迫症患者),目标对象在标准指导语下进行绘画,指导语包括指导目标对象所需要的绘画内容、绘画时间、绘画要求,即所有目标对象的绘画是在同一的标准下获得的。获取到目标对象的绘画后,以相同的参数对绘画进行扫描,形成电子版绘画图像,具体收录方式包含但不限于高拍仪、拍照、扫描仪、平板绘画上传等方法。
根据获取到的电子版绘画图像,并将其汇总成绘画图像数据库,数据库中包含绘画宽和高、绘画中每个房子、树、人的坐标数据、以及每个房子、树、人的像素数据;根据专家指导,对数据库中的图像信息进行分析,提取相关特征。
所提取的特征为25维数据:包含绘画内容种类数量、绘画内容丰富度、是否有太阳、是否有云、是否有花、是否有动物、是否有果实、房子最大面积、房子最小面积、树最大面积、树最小面积、人最大面积、人最小面积、房子中心点距离左右边缘最近的值、房子中心点距离上下边缘最近的值、树中心点距离左右边缘最近的值、树中心点距离上下边缘最近的值、人中心点距离左右边缘最近的值、人中心点距离上下边缘最近的值、房子平均像素最大值、房子平均像素最小值、树平均像素最大值、树平均像素最小值、人平均像素最大值、人平均像素最小值。
绘画内容种类包含包括但不限于15种:房、树、人、路、太阳(月亮)、云、花、动物、车、路、果实、山、鸟、栅栏;
绘画图像数据库中包含绘画宽weigh和高height以及绘画中每个房子、树、人的坐标数据,例如一个物体的坐标信息为(x1,y1),(x2,y2),(x1,y1)表示物体框左上角的坐标,(x2,y2)表示物体框右下角的坐标(坐标系的原点为绘画左上角的点,即绘画左上角的点坐标为(0,0))。
物体面积为:(x2-x1)*(y2-y1);
像素:灰度图像,像素表示为灰度值,范围是0-255,0表示颜色最深,255表示颜色最浅,每个物体框内有n个像素点,每个像素点的灰度值为Xi(0=<Xi<=255,i=0,1,2,3...,n),计算每个物体的平均像素值:
【S2】通过精神科专家医生使用专业心理障碍诊断量表对各目标对象进行心理障碍诊断,构建各目标对象的心理障碍诊断结果数据库。
精神科专家医生采用专业心理障碍诊断量表基于目标对象的行为特征,对其作出心理障碍诊断意见,得到对目标对象的抑郁、焦虑、强迫等心理障碍量表得分以及心理障碍诊断结果,并将该结果汇总至目标对象的心理障碍诊断结果数据库。
【S3】结合目标对象的绘画图像和心理障碍诊断结果数据,根据精神科专家医生的专业知识、以及心理障碍患者和健康个体之间的对比分析,使用机器学习和回归分析方法确定预测心理障碍的关键绘画特征,构建绘画特征数据库;其中的关键绘画特征包括人和房子的面积、房子中心点、房子的平均像素、树的平均像素、是否有动物和路、是否有云及绘画内容种类数量,当然,不限于上述所给出的几种绘画特征。
【S4】采用逻辑回归(Logistic Regression)模型,计算全部或关键绘画特征用于预测心理障碍的权重因子,构建心理障碍预测模型。
逻辑回归(Logistic Regression)模型假设数据服从这个分布,然后使用极大似然估计做参数估计,逻辑回归模型主要用于分类模型,其决策边界可以表示为:w1x1+w2x2+b=0,由于线性回归拟合容易受到离群值的影响,因此判别函数采用sigmoid函数,即其中z=w0x0+w1x1+w2x2+...+wnxn,即z=WTX。
代入数据,得到如下判别函数,使得在这组参数下,损失函数的值最小;损失函数最小时的这组参数,即为该模型中的权重因子;根据不同心理障碍类型及严重程度的评估结果,可以得到多组不同的参数。
即每一个权重值范围为g(z)=1/(1+e-(-9.715+种类*.070+是否有太阳*.027+是否有云*1.718+是否有花*- .299+是否有动物*.611+是否有果实*.781+树中心点*.001+人中心点*-.001+房最小像素*-.025+房最大像素*.032+树最小像素*.010+树最大像素 *.015+人最小像素*-.012+人最大像素*.010+是否有眼睛*-.342+是否有鼻子*.310+是否有嘴巴*.940+是否有耳朵*.037+是否有头发*.650+是否有路*.647+是 否有烟囱*-.082+是否有栅栏*.166+窗户个数*-.155+门的个数*-.186))
g(z)范围在0~1之间;表示该绘画的个体患某种心理障碍的可能性大小,g(z)越接近1表示患心理障碍的可能性越大。可根据接受绘画测试的对象群体特点和心理障碍的严重程度设定不同的判断阈限。
对预测心理障碍的逻辑回归模型进行检验,判断各个特征的权重因子是否显著,并保留显著的特征最终进入预测模型中,进而得到最终简化的预测模型。
在最终简化的逻辑回归模型中,比如采用部分关键绘画特征:包含有绘画内容种类数量、房子中心点_X、房子的平均像素最小值、树的平均像素最小值四个参数。
【S5】结合心理障碍预测模型,根据受访者的绘画图像分析其心理障碍,并给出评估意见。
根据已经确定的关键绘画特征,采用逻辑回归模型进行预测,最终预测模型的测评准确率为94.2%,击中率为78.4%,正确拒绝率为95.5%;其中的击中率表示实际为1,预测也为1的概率,正确拒绝率表示实际为0,预测也为0的概率。
以下是采用机器学习中的其他方法建立模型后,对绘画特征建立心理障碍预测模型的情况如下:
(1)建立SVM心理障碍预测模型:
SVM心理障碍预测模型的准确率为91.11%,其中通过网格交叉方法进行参数寻优,最终在C=89.21,gamma=0.01时,SVM预测模型的预测准确率为88.53%;其中,C为SVM中的惩罚系数,即对误差的宽容程度,C越高说明越不能容忍出现误差,容易过拟合,C越小容易欠拟合,gamma为松弛变量,gamma越大,支持向量越少,gamma越小,支持向量越多。
(2)建立KNN心理障碍预测模型
KNN心理障碍预测模型的准确率为84.44%,其中通过网格交叉方法进行参数寻优,最终在n_neighbors=11,p=2时,KNN预测准确率为84.44%;其中,n_neighbors表示选取临近点的个数;p=1表示在计算点之间的距离时采用的是欧氏距离,p=2表示在计算点之间的距离时采用的是曼哈顿距离。
当然,最终的心理障碍预测模型包含但不限于上述的逻辑回归模型、SVM模型、KNN模型,也可以通过神经网络、决策树等模型进行预测;而且,模型的好坏除了可以通过计算准确率来判断,还可以通过计算精确率、召回率和F1值来评估,具体表达式及含义如下:
其中,
TP(True Positive):将正类预测为正类个数;
TN(True Negative):将负类预测为负类个数;
FP(False Positive):将负类预测为正类个数;
FN(False Negative):将正类预测为负类个数。
另外,如图2所示,本发明还提供了一种基于绘画特征数据的心理障碍测评系统,系统包括数据采集装置及内嵌于计算机中的绘画图像数据库模块、心理障碍数据库模块、绘画特征数据库模块和心理障碍预测模型,其中的绘画图像数据库模块、心理障碍数据库模块、绘画特征数据库模块和心理障碍预测模型集成于计算机中;数据采集装置用于采集各个目标对象的绘画图像资料,并将其传输至绘画图像数据库模块进行存储;心理障碍数据库模块用于存储通过精神科专家医生使用专业心理障碍诊断量表进行诊断后的不同目标对象的心理障碍诊断结果数据;绘画特征数据库模块结合绘画图像数据库模块和心理障碍数据库模块提取包含有能够预测目标对象抑郁、焦虑、强迫等心理障碍的关键绘画特征;心理障碍预测模型用于建立绘图图像中的关键绘画特征与目标对象心理障碍之间的预测模型,对输入的受访者的绘画图像进行心理障碍测评,给出心理障碍评估意见并通过计算机的显示装置呈现给所测评的受访者。数据采集装置为高拍仪、扫描仪或平板绘画中的一种,用于将纸质图像或电子图像以相同的参数上传至绘画图像数据库模块。
本发明可以实现对一个或多个受访者的心理障碍检测。采集不同目标对象的绘画图像,提取其中的图像特征,通过精神科专家医生使用专业心理障碍诊断量表,形成对目标对象行为特征的心理障碍诊断结果,结合该心理障碍诊断结果数据,使用机器学习和回归分析的方法确定能够预测抑郁、焦虑、强迫等心理障碍的关键绘画特征及其对应的权重因子,根据不同的绘画特征及其权重因子构建抑郁、焦虑、强迫心理障碍预测模型。
在绘画过程中,利用所构建的抑郁、焦虑、强迫心理障碍预测模型,使得受访者难以隐瞒,而且测评流程也更加简单,不仅可以避免判断者主观因素的影响,还可以实现大量人群的测评,具有测试隐蔽性和大规模测试高效性的优点。
本发明未述之处适用于现有技术。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (10)
1.一种基于绘画特征数据的心理障碍测评方法,其特征在于,获取不同目标对象的绘画图像,构建具有统一绘画图像标准的电子绘画图像数据库;通过精神科专家医生使用专业心理障碍诊断量表对各目标对象进行诊断,构建各目标对象的心理障碍诊断结果数据库;结合目标对象的绘画图像和心理障碍诊断结果数据,使用机器学习和回归分析方法确定预测心理障碍的关键绘画特征,构建绘画特征数据库;计算全部或部分关键绘画特征用于预测心理障碍的权重因子,构建心理障碍预测模型;结合心理障碍预测模型,根据受访者的绘画图像分析其心理障碍,并给出评估意见。
2.根据权利要求1所述的基于绘画特征数据的心理障碍测评方法,其特征在于,所述的目标对象为各年龄阶层中能够绘画的个体,包括但不限于抑郁症患者、焦虑症患者、强迫症患者和健康个体,所述的绘画图像为电子版图像和/或纸质版图像,所述纸质版图像通过扫描或拍照上传至所述绘画图像数据库。
3.根据权利要求1所述的基于绘画特征数据的心理障碍测评方法,其特征在于,所有目标对象在标准指导语下进行绘画,形成具有同一标准的绘画图像,其中的指导语包括指导目标对象所需要的绘画内容、绘画时间和绘画要求。
4.根据权利要求1所述的基于绘画特征数据的心理障碍测评方法,其特征在于,由精神科专家医生使用专业心理障碍诊断量表基于目标对象行为进行评估,形成对目标对象的心理障碍评估结果,构建目标对象的心理障碍结果数据库。
5.根据权利要求1所述的基于绘画特征数据的心理障碍测评方法,其特征在于,根据精神科专家医生的专业知识、以及心理障碍患者和健康个体之间的对比分析,所选择构建的绘画图像数据库中的多维绘画特征包括绘画图像的宽度、高度、绘画中每个房子、树、人的坐标数据以及每个房子、树、人的像素数据、绘画内容种类及所有种类中所有物体个体的总和。
6.根据权利要求1所述的基于绘画特征数据的心理障碍测评方法,其特征在于,确定预测心理障碍的关键绘画特征的具体方法:采用逻辑回归模型和极大似然估计方法对绘画图像和心理障碍诊断结果数据做参数估计;拟合逻辑回归模型中的最小损失函数,得到一组损失函数值最小时的一组权重因子;对逻辑回归模型进行检验,判断各个绘画特征的权重因子是否显著,保留显著权重因子所对应的绘画特征,即得关键绘画特征。
7.根据权利要求6所述的基于绘画特征数据的心理障碍测评方法,其特征在于,所述的关键绘画特征包括人和房子的面积、房子中心点、房子的平均像素、树的平均像素、是否有动物和路、是否有云及绘画内容种类数量。
8.根据权利要求1-7任一所述的基于绘画特征数据的心理障碍测评方法,其特征在于,所述心理障碍包括但不限于抑郁、焦虑和强迫障碍。
9.一种基于绘画特征数据的心理障碍测评系统,其特征在于,所述系统包括数据采集装置和内嵌于计算机中的绘画图像数据库模块、心理障碍数据库模块、绘画特征数据库模块和心理障碍预测模型;
所述数据采集装置,用于采集各个目标对象的绘画图像资料,并将其传输至所述绘画图像数据库模块进行存储;
所述心理障碍数据库模块,用于存储通过精神科专家医生使用专业心理障碍诊断量表对不同目标对象进行测评后的心理障碍测评结果数据;
所述绘画特征数据库模块,依据精神科专家医生的知识经验,结合所述绘画图像数据库模块和心理障碍数据库模块提取包含有能够预测目标对象抑郁、焦虑和强迫心理障碍的关键绘画特征;
所述心理障碍预测模型,用于建立绘画图像中的关键绘画特征与目标对象心理障碍之间的预测模型,对输入的绘画图像对受访者进行心理障碍测评,给出心理障碍评估意见并呈现给所测评的受访者。
10.根据权利要求9所述的基于绘画特征数据的心理障碍测评系统,其特征在于,所述数据采集装置为高拍仪、扫描仪或平板绘画中的一种,用于将纸质图像或电子图像以相同的参数上传至所述绘画图像数据库模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171218.8A CN114550918A (zh) | 2022-02-23 | 2022-02-23 | 一种基于绘画特征数据的心理障碍测评方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171218.8A CN114550918A (zh) | 2022-02-23 | 2022-02-23 | 一种基于绘画特征数据的心理障碍测评方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550918A true CN114550918A (zh) | 2022-05-27 |
Family
ID=81677806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210171218.8A Pending CN114550918A (zh) | 2022-02-23 | 2022-02-23 | 一种基于绘画特征数据的心理障碍测评方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550918A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024071678A1 (ko) * | 2022-09-28 | 2024-04-04 | 주식회사 벡스인텔리전스 | 이미지 생성과정을 반영한 심리분석 방법 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010050767A2 (ko) * | 2008-10-30 | 2010-05-06 | 고려대학교 산학협력단 | 미술치료 컴퓨터 시스템 및 미술치료 프로그램이 저장된 컴퓨터로 판독 가능한 저장매체 |
CN108392213A (zh) * | 2018-03-27 | 2018-08-14 | 北京态极科技有限公司 | 基于绘画心理学的心理分析方法及装置 |
CN109448848A (zh) * | 2018-09-26 | 2019-03-08 | 长沙师范学院 | 一种基于模糊评价的儿童心理状态评估方法 |
CN110211668A (zh) * | 2019-05-31 | 2019-09-06 | 邵阳学院 | 一种基于绘画心理学的心理分析方法及装置 |
CN110391019A (zh) * | 2019-07-19 | 2019-10-29 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种成年女性心理健康信息处理系统及信息处理方法 |
CN111671446A (zh) * | 2020-06-19 | 2020-09-18 | 智恩陪心(北京)科技有限公司 | 一种基于深度学习的绘画心理智能分析系统及方法 |
CN111739636A (zh) * | 2020-06-19 | 2020-10-02 | 智恩陪心(北京)科技有限公司 | 一种基于ppat的心理智能分析系统 |
US20210153801A1 (en) * | 2019-11-26 | 2021-05-27 | The Chinese University Of Hong Kong | Methods based on an analysis of drawing behavior changes for cognitive dysfunction screening |
CN113380407A (zh) * | 2021-05-30 | 2021-09-10 | 重庆医科大学 | 构建认知障碍智能预测方法 |
-
2022
- 2022-02-23 CN CN202210171218.8A patent/CN114550918A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010050767A2 (ko) * | 2008-10-30 | 2010-05-06 | 고려대학교 산학협력단 | 미술치료 컴퓨터 시스템 및 미술치료 프로그램이 저장된 컴퓨터로 판독 가능한 저장매체 |
CN108392213A (zh) * | 2018-03-27 | 2018-08-14 | 北京态极科技有限公司 | 基于绘画心理学的心理分析方法及装置 |
CN109448848A (zh) * | 2018-09-26 | 2019-03-08 | 长沙师范学院 | 一种基于模糊评价的儿童心理状态评估方法 |
CN110211668A (zh) * | 2019-05-31 | 2019-09-06 | 邵阳学院 | 一种基于绘画心理学的心理分析方法及装置 |
CN110391019A (zh) * | 2019-07-19 | 2019-10-29 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种成年女性心理健康信息处理系统及信息处理方法 |
US20210153801A1 (en) * | 2019-11-26 | 2021-05-27 | The Chinese University Of Hong Kong | Methods based on an analysis of drawing behavior changes for cognitive dysfunction screening |
CN111671446A (zh) * | 2020-06-19 | 2020-09-18 | 智恩陪心(北京)科技有限公司 | 一种基于深度学习的绘画心理智能分析系统及方法 |
CN111739636A (zh) * | 2020-06-19 | 2020-10-02 | 智恩陪心(北京)科技有限公司 | 一种基于ppat的心理智能分析系统 |
CN113380407A (zh) * | 2021-05-30 | 2021-09-10 | 重庆医科大学 | 构建认知障碍智能预测方法 |
Non-Patent Citations (3)
Title |
---|
王楠 等: "《自然语言理解与行业知识图谱 概念、方法与工程落地》", 机械工业出版社, pages: 58 * |
钟文娟,黄万琪,张银友,贺尊: "学生心理障碍影响因素Logistic回归分析", 中国妇幼保健, no. 14 * |
陈侃;徐光兴;: "抑郁倾向的绘画诊断研究", 心理科学, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024071678A1 (ko) * | 2022-09-28 | 2024-04-04 | 주식회사 벡스인텔리전스 | 이미지 생성과정을 반영한 심리분석 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN110490242B (zh) | 图像分类网络的训练方法、眼底图像分类方法及相关设备 | |
CN113069080B (zh) | 一种基于人工智能的困难气道评估方法及装置 | |
KR102240485B1 (ko) | 신청자의 심리 상태를 분석하기 위한 영상 이미지 통합 분석 시스템 및 그 분석 방법 | |
CN109464122B (zh) | 基于多模态数据的个体核心特质预测系统及方法 | |
CN105279380A (zh) | 一种基于表情分析的抑郁程度自动评估系统 | |
CN107748889A (zh) | 一种乳腺肿瘤超声图像自动分类方法 | |
CN111428655A (zh) | 一种基于深度学习的头皮检测方法 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
CN108108715A (zh) | 基于生物启发和深度属性学习相结合的人脸美感预测方法 | |
CN111723869A (zh) | 一种面向特殊人员的行为风险智能预警方法及系统 | |
CN116363732A (zh) | 人脸情绪识别方法、装置、设备及存储介质 | |
CN115908388A (zh) | 一种敏感性皮肤全周期检测方法及其系统 | |
CN113673609B (zh) | 一种基于线性隐变量的调查问卷数据分析方法 | |
CN112597842B (zh) | 基于人工智能的运动检测面瘫程度评估系统 | |
CN112116669B (zh) | 一种基于颜色和谐和平面构成的图像美学预测方法 | |
CN114298189A (zh) | 疲劳驾驶检测方法、装置、设备及存储介质 | |
CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
CN113361653A (zh) | 基于数据样本增强的深度学习模型去偏方法和装置 | |
KR101916596B1 (ko) | 이미지의 혐오감을 예측하는 방법 | |
KR102362582B1 (ko) | 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체 | |
CN117671774B (zh) | 一种人脸情绪智能识别分析设备 |
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 |