CN115472285A - 一种基于饮食数据的情绪障碍评估装置及电子设备 - Google Patents
一种基于饮食数据的情绪障碍评估装置及电子设备 Download PDFInfo
- Publication number
- CN115472285A CN115472285A CN202211117896.2A CN202211117896A CN115472285A CN 115472285 A CN115472285 A CN 115472285A CN 202211117896 A CN202211117896 A CN 202211117896A CN 115472285 A CN115472285 A CN 115472285A
- Authority
- CN
- China
- Prior art keywords
- data
- diet
- user
- analyzed
- time
- 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
- 235000005911 diet Nutrition 0.000 title claims abstract description 132
- 208000027534 Emotional disease Diseases 0.000 title claims abstract description 23
- 230000000378 dietary effect Effects 0.000 title claims description 23
- 230000037213 diet Effects 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 235000021061 dietary behavior Nutrition 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 34
- 235000012054 meals Nutrition 0.000 claims description 27
- 235000021152 breakfast Nutrition 0.000 claims description 22
- 235000021156 lunch Nutrition 0.000 claims description 22
- 235000005686 eating Nutrition 0.000 claims description 19
- 230000020595 eating behavior Effects 0.000 claims description 19
- 235000021158 dinner Nutrition 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 208000019022 Mood disease Diseases 0.000 claims description 11
- 235000013305 food Nutrition 0.000 claims description 11
- 235000008242 dietary patterns Nutrition 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 235000021163 supper Nutrition 0.000 claims description 5
- 238000000540 analysis of variance Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 17
- 238000012216 screening Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 11
- 230000002996 emotional effect Effects 0.000 description 8
- 230000003542 behavioural effect Effects 0.000 description 7
- 235000006694 eating habits Nutrition 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- BEADQYOTAORBKI-UHFFFAOYSA-N 6-[6-aminohexyl(ethyl)amino]-2,3-dihydrophthalazine-1,4-dione Chemical compound O=C1NNC(=O)C=2C1=CC(N(CCCCCCN)CC)=CC=2 BEADQYOTAORBKI-UHFFFAOYSA-N 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000004970 emotional disturbance Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Pathology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Educational Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于饮食数据的情绪障碍评估装置及电子设备，装置包括：数据采集模块，用于采集待分析用户在采集时间段内的饮食数据和与饮食数据关联的行为数据；特征提取模块，用于根据数据采集模块采集的饮食数据和行为数据，获取待分析用户的饮食时空特征；分类模块，用于将特征提取模块提取的饮食时空特征输入到预先训练的分类模型中，获取待分析用户的分类结果；所述分类模型为预先采用专业人士标注方法获取的训练数据进行训练获取的模型。本发明的装置通过计算机程序实现饮食数据中饮食时空行为特征分析，进而解决了现有方法中主观性强，无法全面提取饮食行为特征，分类不准确的问题。
Description
技术领域
本发明涉及计算机数据存储技术，尤其涉及一种基于饮食数据的情绪障碍评估装置及电子设备。
背景技术
人类情绪的改变往往反映在日常行为的变化上。行为数据被越来越多的利用在抑郁等情绪障碍的评估中。得益于人工智能技术的发展，步数、移动距离、地理位置信息、静息及运动状态时长等日常行为数据可以通过以可穿戴设备为主的传感装置采集下来，并应用于行为特征与抑郁情绪的关联研究中。有很多研究已经证明了传感设备采集的行为数据与人类心理信号及情感认知之间的联系，研究者通过统计手段发现了客观行为指标与PHQ-9等精神评定量表之间的相关，并通过机器学习、深度学习模型的辅助验证了特征对于预测抑郁的有效性。饮食作为人类日常行为的重要组成部分，其行为特点与情绪之间的联系也一直备受重视，国际公认的可以用来评估抑郁的PHQ-9量表就将“食欲不振或吃的太多”这一问题列入衡量抑郁的症状特征。
鉴于业内的研究，行为数据作为客观的特征指标在一定程度上对抑郁等精神疾病具有一定的预测效力，且饮食作为日常活动的一大重要组成部分，其行为与神经生物内部调节机制紧密关联，与抑郁之间的微妙关联也有十分重要的研究意义。但是大部分研究都基于简单的计算行为数据指标，这很可能忽略了行为数据的潜在变化，而这种行为的变化很可能是抑郁潜伏期的症状特征；因此，对行为数据进行全面的特征挖掘以及侦查行为中的变化、尤其是异常的行为信号，对于抑郁的早期干预和筛查有着重要的意义。
为此，亟需一种通过计算机程序实现的对饮食大数据的饮食时空行为特征分析，进而实现对情绪障碍评估的装置。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于饮食数据的情绪障碍评估装置及电子设备。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种基于饮食数据的情绪障碍评估装置，包括：
数据采集模块，用于采集待分析用户在采集时间段内的饮食数据和与饮食数据关联的行为数据；
特征提取模块，用于根据数据采集模块采集的饮食数据和行为数据，获取待分析用户的饮食时空特征；
分类模块，用于将特征提取模块提取的饮食时空特征输入到预先训练的分类模型中，获取待分析用户的分类结果；
所述分类模型为预先采用专业人士标注方法获取的训练数据进行训练获取的模型。
可选的，在待分析用户是学校学生或公司员工时，所述数据采集模块，用于从学校或公司餐厅的POS机中导出采集时间段内该学校学生或公司员工的饮食数据和所述行为数据；
所述数据采集模块，还用于对所述饮食数据和所述行为数据进行预处理，以筛选出有效的饮食数据和与饮食数据关联的行为数据。
可选的，所述情绪障碍评估装置，还包括：
模型训练模块，用于获取训练数据并训练分类模型；
模型训练模块，具体用于：
将预先获取的就餐行为数据按照月划分，确定每个月被试群体的饮食记录条数、饮食天数以及记录中出现的最大间隔天数；
针对被试群体中的每一个被试者，获取该被试者一天的饮食模式和被试者的早午餐、午晚餐时间间隔序列的均值、中位数、绝对中位差、最大及最小值，以获得每一个被试者的饮食行为时空统计特征；
获取被试群体中每一个被试者的预先定义的量表的分数值，并划分为正常和非正常两类，对两类人群的饮食行为时空统计特征做ANOVA方差分析，计算显著性p值，获得p值小于0.05的显著差异特征指标；
基于显著差异的特征指标，将所述饮食行为时空统计特征对预先构建的分类模型进行训练，获得训练后的所述分类模型。
可选的，预先构建的分类模型为二分类模型，训练数据中分类标签采用专业人士标注的标签。
可选的，分类模型为采用支撑向量机SVM的模型，所述基于显著差异的特征指标，将所述饮食行为时空统计特征对预先构建的SVM分类模型进行训练，获得训练后的所述分类模型，包括：
利用每一被试者的具有显著差异的饮食行为时空统计特征对预先构建的SVM分类模型进行训练；获取训练结果信息；
采用五折交叉验证策略，对训练结果信息进行评估并基于训练数据中的验证集进行验证，获得训练后的所述分类模型。
可选的，特征提取模块，具体用于，
获取待分析用户的用户在采集时间段内，以天为单位，仅吃早餐、午餐、晚餐；仅吃早餐与午餐、午餐与晚餐、早餐与晚餐、以及吃早午晚三餐的天数；
获取待分析用户在采集时间段内每天的早、中、晚三餐的饮食时间的均值、中位数、绝对中位差、最晚时间及最早时间；
获取待分析用户在采集时间段内每天的早、中、晚三餐中，早餐与午餐、午餐与晚餐之间的时间间隔，计算上述时间间隔的均值、中位数、绝对中位差、最长间隔时间及最短间隔时间；
获取待分析用户在采集时间段内每天的早、中、晚三餐的饮食消费金额的均值、中位数、绝对中位差、最大值、最小值；
获取待分析用户在采集时间段内每天的早、中、晚三餐的食物种类数量的均值、中位数、绝对中位差；
获取待分析用户在采集时间段内早、中、晚三餐的就餐地点特征，包括该待分析用户在采集时间段内所有到访过的就餐地点总数；对于到访过的每个就餐地点，统计其到访次数及占比；
将上述获得的各个信息作为待分析用户的饮食时空特征。
可选的，所述待分析用户为采集时间段在指定区域就餐的用户。
第二方面，本发明实施例提供一种电子设备，包括：
上述第一方面所述的一种基于饮食数据的情绪障碍评估装置，并由电子设备中的处理器执行所述基于饮食数据的情绪障碍评估装置。
第三方面，本发明实施例提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述第一方面任一所述的一种基于饮食数据的情绪障碍评估装置的信息。
(三)有益效果
本发明装置中，数据来源于待分析用户一段时间内完整的饮食记录，保证了饮食行为的完整性和全面性。基于这些特征训练的机器学习模型即分类模型，能够更准确的评估用户的情绪状态，及早发现情绪障碍的高风险人群，解决了以往方法主观性强，无法全面提取饮食行为特征，发现情绪障碍人群准确率低的问题。
附图说明
图1为本发明一实施例提供的基于饮食数据的情绪障碍评估装置的结构示意图；
图2为本发明一实施例提供的利用全部饮食行为时空统计特征进行二分类得到的ROC曲线图；
图3为本发明一实施例提供的利用差异性显著的饮食行为时空统计特征进行二分类得到的ROC曲线图；
图4为本发明一实施例提供的电子设备的结构图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
以往对饮食模式的研究多依赖于问卷调查，其中针对摄入蔬菜、水果、谷物等营养成分研究常见的量表有地中海饮食量表(Mediterranean Diet Score,MDS)和替代性饮食指数(Alternative Healthy Eating Index,AHEI)；饮食行为方式如主动进食、规律进食等进食习惯的研究常见的量表有饮食行为评定量表(Eating Behavior Rating Scale,EBRS)；对于饮食进食早晚习惯的时间型的研究常见量表有慕尼黑时间型量表(MunichChronotype Questionnaire,MCTQ)和清晨型夜晚型量表(Morningness-EveningnessQuestionnaire,MEQ)。然而，对于上述饮食营养成分、行为方式和时间偏好等饮食模式的全面研究，如若采用量表评估方式，单一的量表无法采集饮食模式的全部信息；而同时使用多个量表，则会因题目量过多，被试答题时间过长，造成调查结果可信度的大大降低。其次，大多饮食模式研究采用的量表为自评式量表，其主要依据被调查者回忆其近一个月至半年内的饮食特征进行答题，由于被调查者其主观的回忆偏倚的影响，不能客观地反映其真实的饮食模式，这也将降低问卷调查的可信度。再次，饮食量表中关于饮食信息模式有局限性，无法全面的关注到所有饮食相关特征，无法检测饮食行为中潜在的异常变化。
针对目前心理精神疾病依赖患者主观感受，缺少客观指标评估情绪症状的困境，本发明实施例提出一种基于饮食大数据的情绪症状评估方法，能够根据患者饮食习惯的历史时空模式，衡量并评估其情绪状态，发现情绪障碍，从而更准确评估患者的情绪症状。
实施例一
如图1所示，图1示出了一种基于饮食数据的情绪障碍评估装置的结构示意图，本实施例的装置包括数据采集模块、特征提取模块、分类模块和模型训练模块，具体地：
数据采集模块，用于对待分析用户在采集时间段内的饮食数据和与饮食数据关联的行为数据进行采集。
本实施例中，所述饮食数据包括用户当次就餐的食物种类和用户就餐的食物种类；所述与饮食数据关联的行为数据包括当次饮食起始时间和当次就餐时间。
通常，数据采集模块在数据采集之后，还需要对饮食数据和行为数据进行预处理，以筛选出有效的饮食数据和与饮食数据关联的行为数据。
本实施例中，待分析用户为采集时间段在指定区域就餐的用户；例如，待分析用户可以为学生，在待分析用户为学校学生时，数据采集模块可以从学校餐厅的POS机中导出采集时间段内该学校学生的饮食数据和所述行为数据。若待分析用户还可以为公司员工，数据采集模块可以从公司餐厅的POS机中导出采集时间段内该公司员工的饮食数据和所述行为数据。
上述的特征提取模块，用于根据数据采集模块采集的饮食数据和行为数据，进而获取待分析用户的饮食时空特征。
举例来说，待分析用户的饮食时空特征可包括下述特征1～特征6：
特征1、待分析用户的用户在采集时间段内，以天为单位，仅吃早餐、午餐、晚餐；仅吃早餐与午餐、午餐与晚餐、早餐与晚餐、以及吃早午晚三餐的天数；
特征2、待分析用户在采集时间段内每天的早、中、晚三餐的饮食时间的均值、中位数、绝对中位差、最晚时间及最早时间；
特征3、待分析用户在采集时间段内每天的早、中、晚三餐中，早餐与午餐、午餐与晚餐之间的时间间隔，计算上述时间间隔的均值、中位数、绝对中位差、最长间隔时间及最短间隔时间；
特征4、待分析用户在采集时间段内每天的早、中、晚三餐的饮食消费金额的均值、中位数、绝对中位差、最大值、最小值；
特征5、待分析用户在采集时间段内每天的早、中、晚三餐的食物种类数量的均值、中位数、绝对中位差；
特征6、待分析用户在采集时间段内早、中、晚三餐的就餐地点特征，包括该待分析用户在采集时间段内所有到访过的就餐地点总数；对于到访过的每个就餐地点，统计其到访次数及占比；
在实际应用中，可不限定待分析用户的饮食时空特征为上述的特征1至特征6，当然还可包括其他特征数据。本实施例中为更全面准备的分析，汇总上述的特征1至特征6作为待分析用户的饮食时空特征。
上述的分类模块，用于将特征提取模块提取的饮食时空特征输入到预先训练的分类模型中，进而获取待分析用户的分类结果。
通常分类模型可为预先训练的二分类模型，如支撑向量机(SVM)二分类模型，此时，待分析用户的分类结果可为正常人群和情绪障碍人群。
本实施例中，分类模型为预先采用专业人士标注方法获取的训练数据进行训练获取的模型。
为更好的理解上述图1的装置中所使用的分类模型，下面对分类模型的训练过程进行详细的说明。
在实际应用中，图1所示的装置中还可包括：图中未示出的模型训练模块，该模型训练模块可基于预先确定的训练数据对上述分类模块中使用的分类模型进行训练。
在本实施例中，通过模型训练模块获取训练数据并训练分类模型，可包括下述的过程：
首先，获取训练数据，以下举例说明一种获取训练数据的方式，在实际应用中，可不限定该一种方式获取训练数据。
第一步：针对被试群体中的每一个被试者，可计算每个月的总采集天数day，统计有i天饮食记录的人数，其中，i∈(1,…,day)，按照饮食天数从大到小的排列，筛掉后30％天数不够的被试的饮食记录；
第二步：统计每个月每个被试所有饮食记录的最大间隔天数，并从小到大排列，筛掉后30％间隔天数过大的被试者的饮食记录；
第三步：统计每个月每个被试的饮食记录条数num，以及本月份的采集天数day，同样统计有i条饮食记录条数的人，i∈(1,…,day*3)，并从大到小排列，筛掉后50％饮食记录条数以及饮食最大间隔天数大于λ的被试的饮食记录，λ为设定值，如3天或2天；即通过第一步和第三步可获取到就餐行为数据。
也就是说，上述过程即为获取训练数据的过程，接着针对获取的训练数据进行特征提取，即可采用特征提取模块实现对训练数据的特征提取，即参照待分析用户的饮食行为时空特征的获取方式，获取每一个被试者的饮食行为时空统计特征。
例如，将筛选后得到的就餐行为数据按照月划分，确定每个月被试群体的饮食记录条数、饮食天数以及记录中出现的最大间隔天数；
针对被试群体中的每一个被试者，获取该被试者一天的饮食模式和被试者的早午餐、午晚餐时间间隔序列的均值、中位数、绝对中位差、最大及最小值，进而获取每一个被试者的饮食行为时空统计特征；
进一步地，可通过调查问卷方式获取被试群体中每一个被试者的预先定义的量表的分数值，并划分为正常和非正常两类，对两类人群的饮食行为时空统计特征做ANOVA方差分析，计算显著性p值，获得p值小于0.05的显著差异特征指标；基于显著差异的特征指标，将所述饮食行为时空统计特征对预先构建的SVM分类模型进行训练，获得训练后的所述分类模型。特别说明的是，训练数据可为预先通过专业人士标注有标签的被试者的数据。
本实施例中，预先定义的量表包括PHQ-9抑郁自评量表。
显著差异的特征指标可定义为：全部饮食时空行为特征中显著性系数P<0.05的特征。
本实施例的训练过程可说明如下：
利用每一被试者的具有显著差异的饮食行为时空统计特征对预先构建的SVM分类模型进行训练；获取训练结果信息；
采用五折交叉验证策略，对训练结果信息进行评估并基于训练数据中的验证集进行验证，获得训练后的所述分类模型。
基于实施例一中公开的基于饮食数据的情绪障碍评估装置，由于数据来源于用户一段时间内完整的饮食记录，保证了饮食行为的完整性和全面性。另外，基于通过特征训练得到的机器学习模型(即SVM分类模型)，能够更准确的评估用户的情绪状态，及早发现情绪障碍的高风险人群，解决了以往方法主观性强，无法全面提取饮食行为特征，发现情绪障碍人群准确率低的问题。
实施例二
本实施例以高校学生食堂为例，将高校学生食堂作为测试点，训练数据中的被试者可为高校学生食堂就餐的学生；此时，数据采集模块可获取下述表一的饮食数据和与饮食数据关联的行为数据。
本实施例中，通过作为测试点的被试学生食堂窗口的POS机获取学生饮食记录数据，如表一所示，饮食记录数据包括：就餐学生的学号、每次就餐刷卡时间、每次就餐刷卡金额和刷卡地点(窗口号)这4部分数据信息，数据；除此之外，还获取了食堂窗口信息数据，如表二所示，食堂窗口信息数据包括：食堂的刷卡窗口号、每个窗口对应的售卖食品以及所售卖食品的价格这3部分数据信息。
本实施例中，基于每次就餐刷卡金额、刷卡地点(窗口号)、食堂的刷卡窗口号、所有售卖食品的价格清单以及每个窗口售卖的所有食品种类，可以推算出当前学生对应的就餐食品种类。
表一、学生饮食记录数据表
表二、食堂窗口信息数据表
本实施例中，由于食堂刷卡记录往往存在着数据缺失、重复等情况，进而需要对获取的学生饮食记录数据和食堂窗口信息数据进行预处理，对重复数据或错误数据进行去除处理。
本实施例中，前述针对学生饮食记录数据和食堂窗口信息数据所采取进行的预处理过程，需要进一步说明，具体为：
第一点、对于上述获取的学生饮食记录数据和食堂窗口信息数据，可能存在一餐内多次刷卡的情况，为了保持数据分析的一致性，本实施例将饮食间隔时间小于两小时的记录视为一次就餐行为(早餐、午餐或晚餐)，将同一时间段内的多条饮食记录加和，进而确保一餐只有一条饮食记录，方便后续的分析，具体操作为：针对每位学生的每次食堂就餐，将第一次刷卡时间作为饮食时间，并将该次食堂就餐对应的消费金额以及食物种类进行累加，作为最终的刷卡金额和最终食物种类。
第二点、以月份为最小统计单位，对采集到的每位就餐学生的饮食行为数据采集天数、饮食数据存在间断的天数和总共采集的饮食记录条数，共计3类数据进行统计；根据前述经过统计处理的3类数据，构建以月份为单位的全部被试者的数据可用性特征，将数据不达标的被试者饮食数据进行筛除，具体的筛选方法为：
第一点、对于饮食行为数据采集天数的筛选，需要说明的是：计算每个月的总采集天数day，统计有i天饮食记录的被试者人数，其中，i∈(1,…,day)，按照饮食天数从大到小的排列，筛掉后30％天数不够的被试者的饮食记录。
第二点、对于饮食数据存在间断的天数的筛选，需要说明的是：以月份为单位，对每个被试者对应的所有饮食记录的最大间隔天数进行统计，将获取的最大隔离天数进行从小到大的排列，筛掉后30％间隔天数过大的被试者对应的饮食记录。
第三点、对于总共采集的饮食记录条数的筛选，需要说明的是：以月份为单位，对每个被试者对应的饮食记录条数num，以及每月对应的采集天数day，统计有i天饮食记录的被试者的人数，其中，i∈(1,…,day*3)(按一天饮食记录条数小于等于3进行计算)，对经过统计的被试者人数进行从大到小的排列，筛掉后50％饮食记录条数过少，以及饮食最大间隔天数大于λ的被试者对应的饮食记录；对于λ的数值，可以根据实际情况进行设定。
本实施例中，通过前述针对学生饮食记录数据和食堂窗口信息数据所采取进行的预处理过程，可以得到如表三所示的饮食记录数据和食堂窗口信息数据对应的预处理结果表。
此外，针对通过前述筛选得到的被试者，进行情绪评估问卷调查；情绪评估问卷中包括被试者的基本信息，以及评估量表对应的分数，基本信息包括学号、性别和吸烟饮酒史，所述评估量表包括PHQ-9抑郁自评量表。
表三、饮食记录数据和食堂窗口信息数据对应的预处理结果表
本实施例中，选取3310名学生作为被试者；以及，量表评分标准为：将PHQ-9量表评分小于5分，此种情况对应的被试者标记为健康人群；将PHQ-9分数大于等于5时对应的被试者标记为情绪障碍人群。
本实施例中，针对通过前述筛选得到的学生饮食记录数据和食堂窗口信息数据，进行饮食行为时空统计特征提取，饮食行为时空统计特征提取的过程具体包括：
对于饮食模式特征，首先以天为单位，获取被试者每一天的饮食模式，饮食模式包括：只吃早餐、只吃午餐、只吃晚餐、只吃早午餐、只吃午晚餐、只吃早晚餐、吃早午晚餐共计七种模式，统计上述七种模式在每一个被试者全部饮食记录中出现的频率。
以天为单位，判断每一个被试者一天内的饮食记录是否出现早午餐或午晚餐的记录，如果出现，则计算所有出现的早午餐、午晚餐时间间隔序列的均值、中位数、绝对中位差、最大及最小值。
本实施例中，依据前述量表评分标准，将全部被试者划分为健康人群和情绪障碍人群，对两类人群对应的饮食行为时空统计特征做ANOVA方差分析，进而确定出差异性显著(p＜0.05)的特征指标；如表四所示，部分具有显著差异的饮食行为时空统计特征分析结果如下：
表四、具有显著差异的饮食行为时空统计特征表
本实施例中，将支持向量机(Support Vector Machine，SVM)作为分类器，以径向基函数(Radial Basis Function，RBF)作为核函数，通过网格搜索对模型进行参数调整，进而挑选出最优参数组合，其中，惩罚系数C为0.1，核函数参数gamma为0.01，以下研究过程均选择同一组参数；为了避免研究过程中的偶然性，采用五折交叉验证对结果进行评估，按照4:1的比例对训练集与验证集进行划分；进一步的，为了验证所选取饮食行为时空统计特征的有效性，分别利用全部饮食行为时空统计特征以及差异性显著的饮食行为时空统计特征，按照不同的抑郁分数划分，进行二分类模型训练，研究的评价指标如表五所示，图2为利用全部饮食行为时空统计特征进行二分类得到的ROC曲线图，图3为利用差异性显著的饮食行为时空统计特征进行二分类得到的ROC曲线图。
表五、全部及差异性显著的饮食行为时空统计特征对应的分类预测结果表
基于实施例二中公开的基于饮食数据的情绪障碍评估装置，由于数据来源于用户一段时间内完整的饮食记录，保证了饮食行为的完整性和全面性。另外，基于通过特征训练得到的机器学习模型(即SVM分类模型)，能够更准确的评估用户的情绪状态，及早发现情绪障碍的高风险人群，解决了以往方法主观性强，无法全面提取饮食行为特征，发现情绪障碍人群准确率低的问题。
实施例三
本发明实施例还提供一种电子设备，如图4所示，本实施例的电子设备可包括：存储器、处理器和总线，所述处理器与所述存储器通过所述总线连接；
所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行上述第一方面任一所述的基于饮食数据的情绪障碍评估装置对应的信息。
根据本发明实施例的再一方面，本发明实施例还提供一种计算机存储介质，该计算机存储介质可包括：所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面任一所述的基于饮食数据的情绪障碍评估装置对应的信息。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是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发明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多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。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (9)
1.一种基于饮食数据的情绪障碍评估装置，其特征在于，包括：
数据采集模块，用于采集待分析用户在采集时间段内的饮食数据和与饮食数据关联的行为数据；
特征提取模块，用于根据数据采集模块采集的饮食数据和行为数据，获取待分析用户的饮食时空特征；
分类模块，用于将特征提取模块提取的饮食时空特征输入到预先训练的分类模型中，获取待分析用户的分类结果；
所述分类模型为预先采用专业人士标注方法获取的训练数据进行训练获取的模型。
2.根据权利要求1所述的情绪障碍评估装置，其特征在于，在待分析用户是学校学生或公司员工时，所述数据采集模块，用于从学校或公司餐厅的POS机中导出采集时间段内该学校学生或公司员工的饮食数据和所述行为数据；
所述数据采集模块，还用于对所述饮食数据和所述行为数据进行预处理，以筛选出有效的饮食数据和与饮食数据关联的行为数据。
3.根据权利要求2所述的情绪障碍评估装置，其特征在于，所述情绪障碍评估装置，还包括：
模型训练模块，用于获取训练数据并训练分类模型；
模型训练模块，具体用于：
将预先获取的就餐行为数据按照月划分，确定每个月被试群体的饮食记录条数、饮食天数以及记录中出现的最大间隔天数；
针对被试群体中的每一个被试者，获取该被试者一天的饮食模式和被试者的早午餐、午晚餐时间间隔序列的均值、中位数、绝对中位差、最大及最小值，以获得每一个被试者的饮食行为时空统计特征；
获取被试群体中每一个被试者的预先定义的量表的分数值，并划分为正常和非正常两类，对两类人群的饮食行为时空统计特征做ANOVA方差分析，计算显著性p值，获得p值小于0.05的显著差异特征指标；
基于显著差异的特征指标，将所述饮食行为时空统计特征对预先构建的分类模型进行训练，获得训练后的所述分类模型。
4.根据权利要求3所述的情绪障碍评估装置，其特征在于，预先构建的分类模型为二分类模型，训练数据中分类标签采用专业人士标注的标签。
5.根据权利要求3所述的情绪障碍评估装置，其特征在于，分类模型为采用支撑向量机SVM的模型，所述基于显著差异的特征指标，将所述饮食行为时空统计特征对预先构建的分类模型进行训练，获得训练后的所述分类模型，包括：
利用每一被试者的具有显著差异的饮食行为时空统计特征对预先构建的SVM分类模型进行训练；获取训练结果信息；
采用五折交叉验证策略，对训练结果信息进行评估并基于训练数据中的验证集进行验证，获得训练后的所述分类模型。
6.根据权利要求3所述的情绪障碍评估装置，其特征在于，
特征提取模块，具体用于，
获取待分析用户的用户在采集时间段内，以天为单位，仅吃早餐、午餐、晚餐；仅吃早餐与午餐、午餐与晚餐、早餐与晚餐、以及吃早午晚三餐的天数；
获取待分析用户在采集时间段内每天的早、中、晚三餐的饮食时间的均值、中位数、绝对中位差、最晚时间及最早时间；
获取待分析用户在采集时间段内每天的早、中、晚三餐中，早餐与午餐、午餐与晚餐之间的时间间隔，计算上述时间间隔的均值、中位数、绝对中位差、最长间隔时间及最短间隔时间；
获取待分析用户在采集时间段内每天的早、中、晚三餐的饮食消费金额的均值、中位数、绝对中位差、最大值、最小值；
获取待分析用户在采集时间段内每天的早、中、晚三餐的食物种类数量的均值、中位数、绝对中位差；
获取待分析用户在采集时间段内早、中、晚三餐的就餐地点特征，包括该待分析用户在采集时间段内所有到访过的就餐地点总数；对于到访过的每个就餐地点，统计其到访次数及占比；
将上述获得的各个信息作为待分析用户的饮食时空特征。
7.根据权利要求3所述的情绪障碍评估装置，其特征在于，所述待分析用户为采集时间段在指定区域就餐的用户。
8.一种电子设备，其特征在于，包括：上述权利要求1至7任一所述的一种基于饮食数据的情绪障碍评估装置，并由电子设备中的处理器执行所述基于饮食数据的情绪障碍评估装置的信息。
9.一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述权利要求1至7任一所述的一种基于饮食数据的情绪障碍评估装置的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211117896.2A CN115472285A (zh) | 2022-09-14 | 2022-09-14 | 一种基于饮食数据的情绪障碍评估装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211117896.2A CN115472285A (zh) | 2022-09-14 | 2022-09-14 | 一种基于饮食数据的情绪障碍评估装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115472285A true CN115472285A (zh) | 2022-12-13 |
Family
ID=84332746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211117896.2A Pending CN115472285A (zh) | 2022-09-14 | 2022-09-14 | 一种基于饮食数据的情绪障碍评估装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115472285A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102810132A (zh) * | 2011-06-01 | 2012-12-05 | 上海市精神卫生中心 | 青少年自杀心理危机的学校预警干预方法 |
| CN109106384A (zh) * | 2018-07-24 | 2019-01-01 | 安庆师范大学 | 一种心理压力状况预测方法及系统 |
| CN109256192A (zh) * | 2018-07-24 | 2019-01-22 | 同济大学 | 一种基于神经网络的大学生心理行为异动监测预警方法 |
| CN110111894A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的心理健康预警方法 |
| CN111714090A (zh) * | 2020-06-19 | 2020-09-29 | 深圳市恬境科技有限公司 | 一种人体生物节律健康管理方法及系统 |
-
2022
- 2022-09-14 CN CN202211117896.2A patent/CN115472285A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102810132A (zh) * | 2011-06-01 | 2012-12-05 | 上海市精神卫生中心 | 青少年自杀心理危机的学校预警干预方法 |
| CN109106384A (zh) * | 2018-07-24 | 2019-01-01 | 安庆师范大学 | 一种心理压力状况预测方法及系统 |
| CN109256192A (zh) * | 2018-07-24 | 2019-01-22 | 同济大学 | 一种基于神经网络的大学生心理行为异动监测预警方法 |
| CN110111894A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的心理健康预警方法 |
| CN111714090A (zh) * | 2020-06-19 | 2020-09-29 | 深圳市恬境科技有限公司 | 一种人体生物节律健康管理方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 倪仕钢: "高职院校学生抑郁状况及其影响因素的研究", 《皖南医学院学报》 * |
| 杨帆等: "青少年抑郁症状与饮食习惯的关联性研究", 《江苏预防医学》 * |
| 梅松丽等: "长春市某高校大学生早餐习惯及与BMI、负性情绪的关系调查", 《医学与社会》 * |
| 沈洁;张朋;刘福康;王婷婷;孙桂菊;刘江红;: "学龄儿童心理行为特点与饮食行为关系多元线性回归分析", 中国实用儿科杂志, no. 11 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Voukelatou et al. | Measuring objective and subjective well-being: dimensions and data sources | |
| Leroy et al. | Measuring the food access dimension of food security: a critical review and mapping of indicators | |
| Archer et al. | Validity of the Massachusetts youth screening instrument–2 (MAYSI–2) scales in juvenile justice settings | |
| Smith | Cognitive processes in long-term dietary recall | |
| Liese et al. | Environmental influences on fruit and vegetable intake: results from a path analytic model | |
| Maynard et al. | The experience of food insecurity among immigrants: a scoping review | |
| Leue et al. | Reliability generalization: An examination of the positive affect and negative affect schedule | |
| Mioni et al. | An investigation of prospective memory functions in people with traumatic brain injury using Virtual Week | |
| Oliveira Chaves et al. | Applicability of machine learning techniques in food intake assessment: A systematic review | |
| Elosua | Subjective values of quality of life dimensions in elderly people. A SEM preference model approach | |
| Young | Don't know responses in survey research | |
| CN110111894A (zh) | 基于深度学习学生序列化行为的心理健康预警方法 | |
| Selya et al. | Machine learning for the classification of obesity from dietary and physical activity patterns | |
| Brück et al. | The relationship between food security and violent conflict | |
| O'Hara et al. | Meal pattern analysis in nutritional science: recent methods and findings | |
| CN105893748A (zh) | 基于粗糙集理论的幸福指数评价方法及系统 | |
| Horwitz et al. | Using machine learning with intensive longitudinal data to predict depression and suicidal ideation among medical interns over time | |
| Jette et al. | Achieving meaningful measurements of ICF concepts | |
| Kemp et al. | Do early-life social, behavioral, and health exposures increase later-life arthritis incidence? | |
| Zhang | [Retracted] A Novel Deep Learning Model for Analyzing Psychological Stress in College Students | |
| Averdijk | Methodological challenges in the study of age− victimization patterns. Can we use the accelerated design of the NCVS to reconstruct victim careers? | |
| Kumar et al. | Prevalence and risk factors of anaemia among men: a study based on empowered action group states, India | |
| White et al. | Examining how prescription drugs are illegally obtained: Social and ecological predictors | |
| Gråstén et al. | A comparison of self-report scales and accelerometer-determined moderate to vigorous physical activity scores of Finnish school students | |
| CN115472285A (zh) | 一种基于饮食数据的情绪障碍评估装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221213 |