CN115495572A - 一种基于复合情绪分析的抑郁情绪辅助管理方法 - Google Patents
一种基于复合情绪分析的抑郁情绪辅助管理方法 Download PDFInfo
- Publication number
- CN115495572A CN115495572A CN202210916658.1A CN202210916658A CN115495572A CN 115495572 A CN115495572 A CN 115495572A CN 202210916658 A CN202210916658 A CN 202210916658A CN 115495572 A CN115495572 A CN 115495572A
- Authority
- CN
- China
- Prior art keywords
- emotion
- mood
- layer
- depressed
- capsule
- 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.)
- Granted
Links
- 206010012374 Depressed mood Diseases 0.000 title claims abstract description 69
- 230000036651 mood Effects 0.000 title claims abstract description 28
- 239000002131 composite material Substances 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 title claims abstract description 23
- 230000008451 emotion Effects 0.000 claims abstract description 80
- 239000002775 capsule Substances 0.000 claims abstract description 72
- 230000014509 gene expression Effects 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000003001 depressive effect Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000013604 expression vector Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000000994 depressogenic effect Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010011971 Decreased interest Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002898 effect on depression Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Social Psychology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于复合情绪分析的抑郁情绪辅助管理方法,包括如下步骤:采集微博用户的数据,进行预处理;嵌入层将数据编码为实值向量利用抑郁情绪表达词典统计文本中的抑郁情绪表达,编码为抑郁情绪表达向量;将嵌入层获取的抑郁情绪表达向量输入至特征抽取层,情绪原因特征单元通过Bi‑GRU进行原因事件抽取,找出是否有导致当前情绪的原因事件;利用复合情绪知识单元结合Bi‑GRU对文本的复合情绪变化特征进行抽取;将特征抽取层中的隐含层输入到胶囊层;胶囊层得出结果分类训练,利用抑郁情绪分类胶囊的实例化参数重建抑郁情绪表达,捕捉预测抑郁情绪的特征。本发明克服了抑郁情绪辅助检测方法对抑郁情绪类型分类粒度过粗问题。
Description
技术领域
本发明涉及自然语言处理领域,具体涉及一种基于复合情绪分析的抑郁情绪辅助管理方法。
背景技术
抑郁情绪是一种常见的精神障碍,其三种主要症状是持续的情绪低落、兴趣丧失和精力缺乏。根据世界卫生组织的报告,全球大约有2.64亿抑郁情绪患者。然而,全世界抑郁情绪患者的治愈率仍然很低。造成治愈率低的主要原因有两个。首先,传统的治疗抑郁情绪的方法费时、昂贵、甚至无效。诊断和治疗的费用对于经济困难的患者来说是一个沉重的负担,因此他们不愿意寻求医生的帮助。其次,在抑郁情绪诊断的临床访谈中,患者可能会因为害怕他人对抑郁情绪的偏见或歧视行为而隐藏自己的真实心理状态2。在这种情况下,临床医生无法做出正确的诊断。上述因素使得自动抑郁情绪辅助检测系统成为必要,它可以帮助个体私下评估自己的抑郁情绪状态,并增加他们咨询心理医生的意愿。此外,当患者隐藏真实的心理状态时,该系统对心理医生诊断抑郁情绪也有很大的帮助。
随着社交媒体的兴起,越来越多的人喜欢在社交媒体上分享自己的生活状态。而对于抑郁情绪患者,由于在现实生活中容易受到相对较高的心理压力,使得他们更多的倾向于在社交媒体上分享自己的抑郁情绪状态和寻求帮助。Moreno等人3证明,Facebook上的状态更新可以用于揭示严重抑郁情绪发作的症状,而Park等人4在Twitter的平台下发现了最初的证据,郁症患者倾向在社交媒体上发布有关抑郁情绪甚至治疗的信息。
但现有技术存在如下不足:
忽略了用户情绪的复杂性,通常直接把负面情绪归结为抑郁情绪倾向。
忽略了抑郁情绪患者的其他因素,除用户的情绪外,未将原因事件、复合情绪等因素考虑进来。
发明内容
本发明提供一种基于复合情绪分析的抑郁情绪辅助管理方法,克服了现有抑郁情绪辅助管理方法对用户抑郁表达复杂性的忽略问题和现有抑郁情绪辅助检测方法对抑郁情绪类型分类粒度过粗问题,提高诊断效率的目的。
本发明在提供如下的技术方案:
一种基于复合情绪分析的抑郁情绪辅助管理方法,其包括如下步骤:
第一步,采集微博用户的文本数据,并对所获取的文本数据进行预处理;
第二步,嵌入层将预处理后的文本数据编码为实值向量利用抑郁情绪表达词典统计预处理后的文本数据中的抑郁情绪表达,并将其编码为抑郁情绪表达向量;
第三步,将嵌入层获取的抑郁情绪表达向量输入至特征抽取层,情绪原因特征单元通过 Bi-GRU进行原因事件抽取,找出是否有导致该情绪的原因事件;再利用复合情绪知识单元结合Bi-GRU对预处理后的文本数据的复合情绪变化特征进行抽取;
第四步,将特征抽取层中的隐含层输入到胶囊层;
第五步,将胶囊层得出的结果进行分类,进行重建训练,利用抑郁情绪分类胶囊的实例化参数重建抑郁情绪表达,捕捉预测抑郁情绪的关键特征。
进一步地,所示文本数据包括微博文本和发布时间。
进一步地,所述胶囊层分为初级胶囊层,中间胶囊层和抑郁情绪分类胶囊层。
进一步地,所述第四步的具体步骤为:所述初级胶囊层使用所述特征抽取层中的隐含层得到的张量作为输入,所述初级胶囊经由动态路由机制转化为所述中间胶囊层和抑郁情绪分类胶囊层。
进一步地,所述Bi-GRU为序列编码器。
进一步地,所述初级胶囊层包含句子和抑郁情绪表达的表示。
进一步地,所述第四步具体为:所述初级胶囊通过共享权重的路由机制被转化为中间胶囊层和后续的抑郁情绪分类胶囊层。
进一步地,所述第五步的具体步骤为:
S501、计算每一个微博用户的文本数据i的margin损失:
S502、利用所有分类胶囊的输出向量qj(j∈[1,C])来与抑郁情绪表达一起重建抑郁情绪表达术语的表示:
其中,vmask是一个单热掩码,其表示基本真理分类值1,其余值为0,方法通过这个掩码和分类胶囊导出两个向量,即vrecon1和vrecon2;
S503、为了进行预测,每个微博用户的文本数据和微博用户的文本数据中的一个可选抑郁情绪表达被送入网络,并将长度最大的分类胶囊上的类别分配给微博用户的文本数据:
本发明的有益技术效果至少在于以下几点:
(1)本发明提供的基于复合情绪分析的抑郁情绪辅助管理方法,克服了现有抑郁情绪辅助管理方法对用户抑郁情绪表达复杂性的忽略问题,达到提升抑郁情绪检测准确率的效果。
(2)同时,克服了现有抑郁情绪检测方法对抑郁情绪类型分类粒度过粗问题,通过抑郁情绪检测模型判断抑郁情绪子类,达到提高诊断效率的目的。
(3)良好的抑郁情绪辅助检测效果:本发明设计了一种结合复合情绪、情绪原因事件和抑郁情绪表达的抑郁情绪检测方法,抽取与抑郁情绪相关的特征,并动态调整各种特征的权重,以精准辅助检测抑郁情绪及其类型,为心理健康事业提供有效的帮助和支持。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明实施例基于复合情绪分析的抑郁情绪辅助管理方法的流程及原理示意图。
具体实施方式
下面对本发明的实施例作详细说明,下述的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
参见图1,本发明实施例提供的基于复合情绪分析的抑郁情绪辅助管理方法,在社交网络的场景下,完成社交文本的抑郁情绪类别分析,以实现线上抑郁情绪的精准诊断。具体实现过程,包括如下步骤:
GRU(Gated Recurrent Unit)也称门控循环单元结构,它也是长短期记忆模型(Long Short Term Memory,LSTM)的变体,能够有效捕捉长序列之间的语义关联,缓解梯度消失或爆炸现象。同时GRU的结构和计算要比LSTM更简,Bi-GRU是将GRU模型应用两次且方向不同,再将两次得到的结果进行拼接作为最终输出。
k是第一个抑郁情绪表达词的索引,ni是句子的长度,α、β、γ是预先设定好的常数。
并利用r来帮助序列编码器根据给定的抑郁情绪表达词汇找到可能的关键字。
基于上述两个公式,与抑郁情绪表达词距离较远的词的显著性将被降低。注意,当带注释的抑郁情绪表达术语不可用时,这种位置邻近性在测试过程中可能是可选的。
第三步,嵌入层获取的向量输入至特征抽取层,其中情绪原因特征单元通过Bi-GRU进行原因事件抽取,找出是否有导致该情绪的原因事件;利用复合情绪知识单元结合Bi-GRU对文本的复合情绪变化特征进行抽取。从序列编码器中获得的向量输入至胶囊层,胶囊层由三部分构成,初级胶囊、中间胶囊和抑郁情绪分类胶囊层。初级胶囊层包含一组神经元,由序列编码器的隐藏向量构建。具体来说,对第i个句子的隐藏层进行卷积运算,并取其输出来构成初级胶囊。因此,初级胶囊包含句子和抑郁情绪表达的表示。
第四步,特征抽取层中的隐含层输入到胶囊层,胶囊神经网络层由三部分构成:初级胶囊层,中间胶囊层和抑郁情绪分类胶囊层。初级胶囊层将使用特征抽取层的隐含层得到的张量,将特征抽取层数据作为输入。初级胶囊经由动态路由机制转化为中间胶囊层和抑郁情绪分类胶囊层。初级胶囊通过共享权重的路由机制被转化为中间层和后续的抑郁情绪分类胶囊层。与传统动态路由算法不同,本方法的路由算法同时保留了本地的接近信息,并大大减少了训练参数。
第五步,抑郁情绪分类胶囊层得出的结果,进行重建训练,利用抑郁情绪分类胶囊的实例化参数重建抑郁情绪表达,以捕捉预测抑郁情绪的关键特征。
抑郁情绪分类胶囊层得出的结果,进行重建训练,利用抑郁情绪分类胶囊的实例化参数重建抑郁情绪表达,以捕捉预测抑郁情绪的关键特征。
方法对模型训练目标是双重的。一方面,训练优化目标是使正确的分类胶囊的长度最大化,因为它表明相应类别存在的概率。另一方面为了加强对文本的理解,本方法在训练过程中还设置了重构模块,以鼓励分类胶囊捕捉抑郁情绪表达和其相应的情感之间的互动模式。
第501步,计算每一个给定的句子i的margin损失:
第502步,利用所有分类胶囊的输出向量qj(j∈[1,C])来与抑郁情绪表达一起重建抑郁情绪表达术语的表示。
vmask是一个单热掩码,其表示基本真理分类值1,其余值为0。然后,方法通过这个掩码和分类胶囊导出两个向量,即vrecon1和vrecon2。
第503步,为了进行预测,每个句子和句子中的一个可选抑郁情绪表达被送入网络,并将长度最大的分类胶囊上的类别分配给句子。
损失函数是衡量预测模型预测期望结果表现的指标。是用来评估模型的预测值与真实值不一致的程度,也是神经网络中优化的目标函数,神经网络训练或者优化的过程就是最小化损失函数的过程,损失函数越小,说明模型的预测值就越接近真实值。
综上所述,本发明的基于复合情绪分析的抑郁情绪辅助管理方法,用于检测用户发表的社交文本中所表现出的抑郁情绪倾向。一种基于复合情绪分析的抑郁情绪检测方法包括一种基于复合情绪分析的抑郁情绪辅助管理方法和一种重建抑郁情绪表达的模型训练算法。基于胶囊神经网络的复合情绪抽取算法,相较于传统的情绪抽取方法,同时考虑了导致该情绪的情绪原因以及复合情绪的表达,从而可以更加准确地判断用户是长期抑郁情绪还是短期抑郁情绪。(长期抑郁情绪是无原因的、持久的,短期抑郁情绪一般是指有原因事件的)。重建抑郁情绪表达的模型训练算法,通过重建鼓励分类胶囊捕捉抑郁情绪表达和其相应的情感之间的互动模式。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,其包括如下步骤:
第一步,采集微博用户的文本数据,并对所获取的文本数据进行预处理;
第二步,嵌入层将预处理后的文本数据编码为实值向量利用抑郁情绪表达词典统计预处理后的文本数据中的抑郁情绪表达,并将其编码为抑郁情绪表达向量;
第三步,将嵌入层获取的抑郁情绪表达向量输入至特征抽取层,情绪原因特征单元通过Bi-GRU进行原因事件抽取,找出是否有导致当前分析的微博用户的文本数据所表达的情绪的原因事件;再利用复合情绪知识单元结合Bi-GRU对预处理后的文本数据的复合情绪变化特征进行抽取;
第四步,将特征抽取层中的隐含层输入到胶囊层;
第五步,将胶囊层得出的结果进行分类,进行重建训练,利用抑郁情绪分类胶囊的实例化参数重建抑郁情绪表达,捕捉预测抑郁情绪的关键特征。
2.根据权利要求1所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所示文本数据包括微博文本和发布时间。
5.根据权利要求1所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所述胶囊层分为初级胶囊层,中间胶囊层和抑郁情绪分类胶囊层。
6.根据权利要求5所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所述第四步的具体步骤为:所述初级胶囊层使用所述特征抽取层中的隐含层得到的张量作为输入,所述初级胶囊经由动态路由机制转化为所述中间胶囊层和抑郁情绪分类胶囊层。
7.根据权利要求1所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所述Bi-GRU为序列编码器。
8.根据权利要求5所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所述初级胶囊层包含句子和抑郁情绪表达的表示。
9.根据权利要求5所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所述第四步具体为:所述初级胶囊通过共享权重的路由机制被转化为中间胶囊层和后续的抑郁情绪分类胶囊层。
10.根据权利要求1所述的基于复合情绪分析的抑郁情绪辅助管理方法,其特征在于,所述第五步的具体步骤为:
S501、计算每一个微博用户的文本数据i的margin损失:
S502、利用所有分类胶囊的输出向量qj(j∈[1,C])来与抑郁情绪表达一起重建抑郁情绪表达术语的表示:
其中,vmask是一个单热掩码,其表示基本真理分类值1,其余值为0,方法通过这个掩码和分类胶囊导出两个向量,即vrecon1和vrecon2;
S503、为了进行预测,每个微博用户的文本数据和微博用户的文本数据中的一个可选抑郁情绪表达被送入网络,并将长度最大的分类胶囊上的类别分配给微博用户的文本数据:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916658.1A CN115495572B (zh) | 2022-08-01 | 2022-08-01 | 一种基于复合情绪分析的抑郁情绪辅助管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916658.1A CN115495572B (zh) | 2022-08-01 | 2022-08-01 | 一种基于复合情绪分析的抑郁情绪辅助管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115495572A true CN115495572A (zh) | 2022-12-20 |
CN115495572B CN115495572B (zh) | 2023-05-26 |
Family
ID=84467436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916658.1A Active CN115495572B (zh) | 2022-08-01 | 2022-08-01 | 一种基于复合情绪分析的抑郁情绪辅助管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115495572B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629313A (zh) * | 2018-05-04 | 2018-10-09 | 河北省科学院应用数学研究所 | 情绪调节方法、装置、系统以及计算机存储介质 |
CN109977231A (zh) * | 2019-04-10 | 2019-07-05 | 上海海事大学 | 一种基于情感衰变因子的抑郁情绪分析方法 |
CN110276076A (zh) * | 2019-06-25 | 2019-09-24 | 北京奇艺世纪科技有限公司 | 一种文本情绪分析方法、装置及设备 |
CN110825849A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 文本信息情感分析方法、装置、介质及电子设备 |
CN111506700A (zh) * | 2020-03-24 | 2020-08-07 | 杭州电子科技大学 | 基于上下文感知嵌入的细粒度情感分析方法 |
CN111666409A (zh) * | 2020-05-28 | 2020-09-15 | 武汉大学 | 一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法 |
CN112800225A (zh) * | 2021-01-28 | 2021-05-14 | 南京邮电大学 | 一种微博评论情绪分类方法和系统 |
CN113111152A (zh) * | 2021-04-20 | 2021-07-13 | 北京爱抑暖舟科技有限责任公司 | 一种基于知识蒸馏和情绪集成模型的抑郁症检测方法 |
US20210236044A1 (en) * | 2020-02-03 | 2021-08-05 | nQ Medical, Inc. | Methods and Apparatus for Assessment of Health Condition or Functional State from Keystroke Data |
CN113283234A (zh) * | 2021-05-28 | 2021-08-20 | 天津大学 | 一种基于胶囊网络的情感分类方法 |
CN113326378A (zh) * | 2021-06-16 | 2021-08-31 | 山西财经大学 | 一种基于参数迁移和注意力共享机制的跨领域文本情感分类方法 |
CN113688634A (zh) * | 2021-08-17 | 2021-11-23 | 中国矿业大学(北京) | 一种细粒度情感分析方法 |
US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
CN114153974A (zh) * | 2021-12-08 | 2022-03-08 | 上海杉达学院 | 一种基于胶囊网络的字符级文本分类方法 |
CN114462554A (zh) * | 2022-04-13 | 2022-05-10 | 华南理工大学 | 一种基于多模态宽度学习的潜在抑郁评估系统 |
CN114490925A (zh) * | 2021-12-22 | 2022-05-13 | 清华大学 | 公共事件下的情绪挖掘方法及设备 |
CN114817566A (zh) * | 2022-04-29 | 2022-07-29 | 天津大学 | 基于情绪嵌入的情绪原因对抽取方法 |
-
2022
- 2022-08-01 CN CN202210916658.1A patent/CN115495572B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629313A (zh) * | 2018-05-04 | 2018-10-09 | 河北省科学院应用数学研究所 | 情绪调节方法、装置、系统以及计算机存储介质 |
CN109977231A (zh) * | 2019-04-10 | 2019-07-05 | 上海海事大学 | 一种基于情感衰变因子的抑郁情绪分析方法 |
CN110276076A (zh) * | 2019-06-25 | 2019-09-24 | 北京奇艺世纪科技有限公司 | 一种文本情绪分析方法、装置及设备 |
CN110825849A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 文本信息情感分析方法、装置、介质及电子设备 |
US20210236044A1 (en) * | 2020-02-03 | 2021-08-05 | nQ Medical, Inc. | Methods and Apparatus for Assessment of Health Condition or Functional State from Keystroke Data |
CN111506700A (zh) * | 2020-03-24 | 2020-08-07 | 杭州电子科技大学 | 基于上下文感知嵌入的细粒度情感分析方法 |
CN111666409A (zh) * | 2020-05-28 | 2020-09-15 | 武汉大学 | 一种基于综合深度胶囊网络的复杂评论文本的整体情感智能分类方法 |
CN112800225A (zh) * | 2021-01-28 | 2021-05-14 | 南京邮电大学 | 一种微博评论情绪分类方法和系统 |
US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
CN113111152A (zh) * | 2021-04-20 | 2021-07-13 | 北京爱抑暖舟科技有限责任公司 | 一种基于知识蒸馏和情绪集成模型的抑郁症检测方法 |
CN113283234A (zh) * | 2021-05-28 | 2021-08-20 | 天津大学 | 一种基于胶囊网络的情感分类方法 |
CN113326378A (zh) * | 2021-06-16 | 2021-08-31 | 山西财经大学 | 一种基于参数迁移和注意力共享机制的跨领域文本情感分类方法 |
CN113688634A (zh) * | 2021-08-17 | 2021-11-23 | 中国矿业大学(北京) | 一种细粒度情感分析方法 |
CN114153974A (zh) * | 2021-12-08 | 2022-03-08 | 上海杉达学院 | 一种基于胶囊网络的字符级文本分类方法 |
CN114490925A (zh) * | 2021-12-22 | 2022-05-13 | 清华大学 | 公共事件下的情绪挖掘方法及设备 |
CN114462554A (zh) * | 2022-04-13 | 2022-05-10 | 华南理工大学 | 一种基于多模态宽度学习的潜在抑郁评估系统 |
CN114817566A (zh) * | 2022-04-29 | 2022-07-29 | 天津大学 | 基于情绪嵌入的情绪原因对抽取方法 |
Non-Patent Citations (5)
Title |
---|
AKSHI KUMAR 等: "A Bi‑GRU with attention and CapsNet hybrid model for cyberbullying detection on social media" * |
KRISHANU MAITY 等: "Emoji, Sentiment and Emotion Aided Cyberbullying Detection in Hinglish" * |
SHUAI YANG 等: "RS-CapsNet: An Advanced Capsule Network" * |
査猛: "基于胶囊网络模型的抑郁症预测研究" * |
谢锦烟: "基于多生理信号小波及深度特征分层融合的情绪识别研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115495572B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roshanzamir et al. | Transformer-based deep neural network language models for Alzheimer’s disease risk assessment from targeted speech | |
Sarawgi et al. | Multimodal inductive transfer learning for detection of Alzheimer's dementia and its severity | |
CN108062978B (zh) | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 | |
CN117077786A (zh) | 一种基于知识图谱的数据知识双驱动智能医疗对话系统和方法 | |
Ilias et al. | Multimodal deep learning models for detecting dementia from speech and transcripts | |
Prabhu et al. | Harnessing emotions for depression detection | |
Cao et al. | Depression prediction based on BiAttention-GRU | |
Wu et al. | Research on the Application of Deep Learning-based BERT Model in Sentiment Analysis | |
Zhang et al. | Text-based decision fusion model for detecting depression | |
Tao et al. | DepMSTAT: Multimodal spatio-temporal attentional transformer for depression detection | |
He et al. | Multi-level attention based BLSTM neural network for biomedical event extraction | |
CN117877660A (zh) | 基于语音识别的医学报告获取方法及系统 | |
CN117393163A (zh) | 基于多模态信息融合的社交网络用户抑郁检测方法和系统 | |
CN117476215A (zh) | 一种基于ai的医疗辅助判别方法及判别系统 | |
Hu et al. | Label-indicator morpheme growth on LSTM for Chinese healthcare question department classification | |
Liu et al. | Cross-document attention-based gated fusion network for automated medical licensing exam | |
CN115495572B (zh) | 一种基于复合情绪分析的抑郁情绪辅助管理方法 | |
Liu et al. | Dynamic facial features in positive-emotional speech for identification of depressive tendencies | |
Zhong et al. | Categorizing patient disease into ICD-10 with deep learning for semantic text classification | |
Khan et al. | Computational Intelligent Models for Alzheimer's Prediction Using Audio Transcript Data | |
Zhang et al. | DL-PER: deep learning model for Chinese prehospital emergency record classification | |
Roshanzamir et al. | Transformer-based deep neural network language models for Alzheimer’s disease detection from targeted speech | |
Shivhare et al. | Automatic speech analysis of conversations for dementia detection using lstm and gru | |
Li et al. | Unsupervised speech representation learning for behavior modeling using triplet enhanced contextualized networks | |
Zhang et al. | BERT-BiLSTM-Caps Language Model for Screening of Children's Severe Mental Retardation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |