CN117153311A - 一种基于机器学习的儿童ptsd识别系统 - Google Patents
一种基于机器学习的儿童ptsd识别系统 Download PDFInfo
- Publication number
- CN117153311A CN117153311A CN202311155449.0A CN202311155449A CN117153311A CN 117153311 A CN117153311 A CN 117153311A CN 202311155449 A CN202311155449 A CN 202311155449A CN 117153311 A CN117153311 A CN 117153311A
- Authority
- CN
- China
- Prior art keywords
- ptsd
- questionnaire
- child
- module
- screening
- 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
- 208000028173 post-traumatic stress disease Diseases 0.000 title claims abstract description 155
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 52
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 208000013200 Stress disease Diseases 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000013278 delphi method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 description 12
- 206010052428 Wound Diseases 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 230000000472 traumatic effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 201000009032 substance abuse Diseases 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000001568 sexual effect Effects 0.000 description 3
- 208000019022 Mood disease Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000031674 Traumatic Acute Stress disease Diseases 0.000 description 1
- 208000026345 acute stress disease Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 231100000736 substance abuse Toxicity 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医疗诊断技术领域，尤其涉及一种基于机器学习的儿童PTSD识别系统，包括用于将问卷生成模块生成的儿童PTSD组合筛查问卷CP‑AF结合情景生成模块生成的问卷情景动画，生成CP‑AF动画问卷的问卷结合模块、用于通过CP‑AF动画问卷收集目标用户的多个特征数据样本的数据收集模块、用于将多个特征数据样本筛选出具有关键影响的多个关键特征的数据筛选模块、用于将多个关键特征输入已训练的儿童PTSD判定模型，得到已训练的儿童PTSD判定模型输出的分类信息的模型应用模块、用于根据分类信息识别目标用户是否为创伤后应激障碍的患者的识别结果的分类识别模块和用于将该识别结果反馈至目标用户的结果反馈模块。本发明能够提高儿童PTSD筛查的精准度、科学性与时效性。
Description
技术领域
本发明涉及医疗诊断技术领域，尤其涉及一种基于机器学习的儿童PTSD识别系统。
背景技术
创伤后应激障碍(post-traumatic stress disorder，PTSD)是因异乎寻常的威胁性创伤事件引发的一种延迟或持续而严重的精神疾患，其典型表现为反复的闯入性创伤体验、持续高警觉和回避症状。导致PTSD的创伤性事件主要有：重大自然灾害，如地震、泥石流等；人为伤害，如家庭虐待、性虐待等；重大事故，如交通事故、房屋倒塌等；重大疾病，如癌症、重度贫血等。儿童正处于心理成长与发展的特殊时期，心理应对机制发育尚未完善，一旦经历这些创伤事件，将对其造成严重甚至永久的心理创伤，并引起明显的社会功能损害，应予重视与关注。
近年有报道显示，无父母陪伴、身体虐待或性虐待是儿童PTSD发生的高危因素。在偏远山区或留守儿童群体，PTSD的患病风险可能更高，且更容易被忽视。而有研究表明，幼年期曾遭受躯体或性虐待的儿童约50％～80％出现PTSD症状,约30％一直延续发展至成年，约1/3的PTSD罹患者终生难愈。另外PTSD共病率也颇高，以抑郁症、焦虑症、恐惧症等情绪障碍或物质滥用为常见。因此，及时筛查和识别PTSD以进行针对性心理干预和治疗有着不言自明的重要意义。然而与成人PTSD相比，儿童的高警觉和回避症状更为突出，容易产生阻抗情绪；再加上认知与表达能力有限，儿童PTSD筛查难度更大，而方便使用且精准识别的方法又非常有限，如何客观评估儿童青少年尤其是低龄儿童PTSD至今仍属弱点。
目前儿童PTSD调查与识别的主要方法与技术包括观察法、访谈法、心理测验法、问卷调查法、生理指标检测和脑成像技术等，不同的方法各有其优缺点，主要体现在：(1)目前沙盘游戏、房树人等心理投射测验是识别低龄儿童PTSD的首选，但其准确性依赖于主试者的主观判断和经验，存在一定的误判或漏判风险；而通过心理咨询师的观察与访谈对儿童PTSD进行识别同样存在上述问题，且一般收费昂贵，对一般家庭而言无疑是极大的负担。(2)问卷调查包括他评与自评两种方式，其优点是可以量化评估。但他评式问卷调查同样受到知情者(通常是家长或老师)主观评价的影响，易产生信息偏差；填写自评问卷固然可以直接反映儿童的自身状态和感受，但目前专用于儿童群体的PTSD自评问卷一般只适用于7岁以上具一定的文字理解能力者，低龄幼儿无法使用。(3)生理指标检测和脑成像技术可直接反映PTSD儿童的生理状态和脑部活动，其优点是科学、可靠、客观；缺点是需要专业的技术和设备，成本较高，且受到环境、情绪等因素的影响，也涉及隐私或伦理等问题。此外，上述方法通常都需要主试与被试面对面进行，不仅受时空限制，也需耗费大量的人力物力；过程中均需成人的解释与引导，加上低龄儿童的语言表达有限，这些因素都一定程度影响筛查结果的准确性和实用性。
发明内容
本发明的目的在于提出一种基于机器学习的儿童PTSD识别系统，通过儿童PTSD组合筛查问卷CP-AF结合所述问卷情景动画，让儿童在沉浸于与自己喜爱的动画人物对话和游戏的情境中完成CP-AF动画问卷，再通过基于机器学习建立的儿童PTSD判定模型进行判断，达到快速识别PTSD的目的，提高儿童PTSD筛查的精准度、科学性与时效性。
为达此目的，本发明采用以下技术方案：
一种基于机器学习的儿童PTSD识别系统，包括问卷生成模块、情景生成模块、问卷结合模块、数据收集模块、数据筛选模块、模型应用模块、分类识别模块和结果反馈模块；
所述问卷生成模块用于生成儿童PTSD组合筛查问卷CP-AF；
所述情景生成模块用于生成出问卷情景动画；
所述问卷结合模块用于将所述儿童PTSD组合筛查问卷CP-AF结合所述问卷情景动画生成CP-AF动画问卷；
所述数据收集模块用于通过所述CP-AF动画问卷收集目标用户的多个特征数据样本；
所述数据筛选模块用于将所述多个特征数据样本进行筛选，筛选出具有关键影响的多个关键特征；
所述模型应用模块用于将所述多个关键特征输入已训练的儿童PTSD判定模型，得到所述已训练的儿童PTSD判定模型输出的分类信息；
所述分类识别模块用于根据所述分类信息识别所述目标用户是否为创伤后应激障碍的患者的识别结果；
所述结果反馈模块用于将该识别结果反馈至目标用户。
优选的，建立所述问卷生成模块的具体步骤为：
S11、录入中文版埃森儿童青少年创伤问卷和临床用创伤后应激障碍诊断量表儿童青少年版；
S12、根据中文版埃森儿童青少年创伤问卷和临床用创伤后应激障碍诊断量表儿童青少年版，挑选出具有儿童PTSD的诊断特征的条目并将其转换为口语化文本；
S13、对口语化文本进行合理的组合排列后形成初步的儿童PTSD组合筛查问卷CP-AF；
S14、采用德尔菲法对初步的儿童PTSD组合筛查问卷CP-AF进行不断的修改与完善，形成最终的儿童PTSD组合筛查问卷CP-AF。
优选的，建立所述情景生成模块的具体步骤为：
S21、利用Illustrator软件和Photoshop软件进行二维IP形象设计，获取IP形象；
S22、利用Maya软件和3dMax软件进行三维虚拟场景设计和制作，获取三维虚拟场景；
S23、根据IP形象和三维虚拟场景，生成多个问卷情景动画。
优选的，建立所述问卷结合模块的具体步骤为：
S31、对所述多个问卷情景动画结合儿童PTSD组合筛查问卷CP-AF进行文字排版和音乐排版，包括文字位置、字体、大小、颜色和音乐播放时间；
S32、对所述多个问卷情景动画结合儿童PTSD组合筛查问卷CP-AF设置用于录入目标用户答案的录入端口，形成最终的CP-AF动画问卷。
优选的，建立所述数据筛选模块的具体步骤为：
S41、构建随机森林，具体包括：
S411、通过所述数据收集模块获取初始数据集，其中所述初始数据集包括多个特征数据样本；
S412、有放回地随机抽取所述多个特征数据样本中的n个样本，再从中随机选择k个特征，作为构建决策树的训练数据集D；
S413、采用CART算法，获取训练数据集D的基尼系数Gini(D)：
其中基尼系数Gini(D)代表了训练数据集D的不纯度，基尼系数越小，不纯度越低，特征越好；m为关键特征数，当i取值分别为第1、2、…、m个变量时，其对应的发生概率分别为P1、P2…、Pm；
根据各个特征的各个值所对应的基尼系数，选择基尼系数最小的特征A及其对应的取值a作为最优特征和最优切分点；
根据最优特征A和最优切分点a，将训练数据集划分成左节点数据集D1和右节点数据集D2，同时生成左子节点和右子节点；
S414、对左子节点和右子节点递归调用S411，直至k个特征选择完毕；
S415、按照步骤S412-414建立t个决策树，形成随机森林；
S42、利用袋外数据错误率，即OOB错误率对特征进行重要程度排序，获取训练数据集D中重要程度最低的b个特征，其中b＝10％k；
S43、在训练数据集D中剔除掉重要程度最低的b个特征，重复构建随机森林，并结合向后剔除法，直至训练数据集D中剩下m个重要程度最高的关键特征。
优选的，建立所述模型应用模块的具体步骤为：
S51、利用向量机对m个重要程度最高的关键特征进行训练：
S511、定义自变量x为{C1,C2,C3,……,CN}，其中一个自变量x即为一个样本，定义因变量y＝-1代表没有患PTSD，y＝+1代表患PTSD，将自变量x映射到更高维度上，不设上限，形成一个超平面将因变量y的取值分为两类，得到：
y(x)＝wTφ(x)+b (2)
即使：对/>有：
3.若yi＝+1,则wTφ(xi)+b≥0；
4.若yi＝-1,则wTφ(xi)+b<0；
其中φ(x)为自变量x在更高维度的映射向量,w为确定该超平面的跟φ(x)同维的向量，b为常数，y(x)<0代表儿童不患PTSD，y(x)≥0代表儿童患PTSD；
S512、引入高斯核函数k(x,x′)：
其中参数σ控制高斯核函数k(x,x′)的作用范围；
S513、利用高斯核函数k(x,x′)替代映射向量φ(x)，得到：
其中b为待定的参数；
S52、将公式(4)转换为解优化问题以寻找一个最优的超平面：
S521、引入目标函数θ(a)以求最大化：
S522、引入约束条件，包括：
①0≤ai≤C (6)
②
其中误差惩罚参数C确定支持向量系数ai的上界；
S53、采用网格搜索法来确定差惩罚参数C和参数σ的最优取值：
S531、将C和σ分别取N个值和M个值，两两组合形成N×M个(C,σ)组合，取步长为分别训练不同的向量机，得到学习精度较高的差惩罚参数C和参数σ的取值；
S532、在学习精度较高的差惩罚参数C和参数σ的取值附近一定范围内进行一次更细致的网格搜索，以此选出误差惩罚参数C和参数σ的最优取值；
S54、将误差惩罚参数C和参数σ的最优取值代入公式(2)-(6)，得到儿童PTSD判定模型在最优情况下的向量系ai以及待定参数b的取值，
从而训练出儿童PTSD判定模型。
优选的，建立所述分类识别模块的具体步骤为：
若所述分类信息为y(x)<0，则输出目标用户不存在创伤后应激障碍；
若所述分类信息为y(x)≥0则输出目标用户存在创伤后应激障碍。
上述技术方案中的一个技术方案具有以下有益效果：先通过问卷结合模块将儿童PTSD组合筛查问卷CP-AF结合所述问卷情景动画转化成符合儿童心理特征与理解能力的、儿童所喜爱的卡通人物对话语言，并以此为基础构建动画人物模型，构思动画情景，为孩子创设一个自尊、和谐、轻松、有趣的沉浸式意境，让儿童在与卡通人物对话或游戏当中不知不觉地暴露创伤性事件的经历与感受；再使用数据收集模块通过动画化CP-AF动画问卷收集多个特征数据样本，经过数据筛选模块筛选n个PTSD关键特征条目(即最终版CP-AF动画问卷条目)，后运用模型应用模块中儿童PTSD判定模型强大的数据处理能力输出的分类信息，由此不但省去了消耗大量人力物力开展调查以及要对CP-AF动画问卷进行效信度检验的麻烦，更不需依赖于原始量表的评价方法或施测者的主观经验,也无需制定具体的评分标准。而是由模型应用模块中儿童PTSD判定模型根据前期的数据训练，总结归纳出儿童PTSD的特征与规律，从而形成新的判定标准，得到分类结果，其使分类识别模块自行判断新数据中儿童是否会患有PTSD,实现更快速、客观、有效、安全地识别儿童PTSD，再将该识别结果反馈至目标用户或者是医生。
附图说明
图1是本发明在一种基于机器学习的儿童PTSD识别系统的结构示意图；
图2是本发明在一种基于机器学习的儿童PTSD识别系统的原理示意图；
图3是本发明在一种基于机器学习的儿童PTSD识别系统的问卷生成模块的建立流程图；
图4是本发明在一种基于机器学习的儿童PTSD识别系统的数据筛选模块的建立流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示，一种基于机器学习的儿童PTSD识别系统，包括问卷生成模块、情景生成模块、问卷结合模块、数据收集模块、数据筛选模块、模型应用模块、分类识别模块和结果反馈模块；
所述问卷生成模块用于生成儿童PTSD组合筛查问卷CP-AF；
所述情景生成模块用于生成出问卷情景动画；
所述问卷结合模块用于将所述儿童PTSD组合筛查问卷CP-AF结合所述问卷情景动画生成CP-AF动画问卷；
所述数据收集模块用于通过所述CP-AF动画问卷收集目标用户的多个特征数据样本；
所述数据筛选模块用于将所述多个特征数据样本进行筛选，筛选出具有关键影响的多个关键特征；
所述模型应用模块用于将所述多个关键特征输入已训练的儿童PTSD判定模型，得到所述已训练的儿童PTSD判定模型输出的分类信息；
所述分类识别模块用于根据所述分类信息识别所述目标用户是否为创伤后应激障碍的患者的识别结果；
所述结果反馈模块用于将该识别结果反馈至目标用户。
本发明的一种基于机器学习的儿童PTSD识别系统有别于以往枯燥的文字问卷，先通过问卷结合模块将儿童PTSD组合筛查问卷CP-AF结合所述问卷情景动画转化成符合儿童心理特征与理解能力的、儿童所喜爱的卡通人物对话语言，并以此为基础构建动画人物模型，构思动画情景，为孩子创设一个自尊、和谐、轻松、有趣的沉浸式意境，让儿童在与卡通人物对话或游戏当中不知不觉地暴露创伤性事件的经历与感受；再使用数据收集模块通过动画化CP-AF动画问卷收集多个特征数据样本，经过数据筛选模块筛选n个PTSD关键特征条目(即最终版CP-AF动画问卷条目)，后运用模型应用模块中儿童PTSD判定模型强大的数据处理能力输出的分类信息，由此不但省去了消耗大量人力物力开展调查以及要对CP-AF动画问卷进行效信度检验的麻烦，更不需依赖于原始量表的评价方法或施测者的主观经验,也无需制定具体的评分标准。而是由模型应用模块中儿童PTSD判定模型根据前期的数据训练，总结归纳出儿童PTSD的特征与规律，从而形成新的判定标准，得到分类结果，其使分类识别模块自行判断新数据中儿童是否会患有PTSD,实现更快速、客观、有效、安全地识别儿童PTSD，再将该识别结果反馈至目标用户或者是医生。
综上，本发明为CP-AF动画问卷与儿童PTSD判定模型耦合而成的儿童PTSD识别系统，能实现快速、安全、精准、有效、客观的低龄儿童PTSD筛查，以突破儿童PTSD识别瓶颈，为进一步完善儿童PTSD诊断、治疗与转归预测提供坚实的基础与依据。
更进一步的说明，建立所述问卷生成模块的具体步骤为：
S11、录入中文版埃森儿童青少年创伤问卷和临床用创伤后应激障碍诊断量表儿童青少年版；
S12、根据中文版埃森儿童青少年创伤问卷和临床用创伤后应激障碍诊断量表儿童青少年版，挑选出具有儿童PTSD的诊断特征的条目并将其转换为口语化文本；
S13、对口语化文本进行合理的组合排列后形成初步的儿童PTSD组合筛查问卷CP-AF；
S14、采用德尔菲法对初步的儿童PTSD组合筛查问卷CP-AF进行不断的修改与完善，形成最终的儿童PTSD组合筛查问卷CP-AF。
需要说明的是，中文版埃森儿童青少年创伤问卷(Essen Trauma Inventory forKids and Juvenile,简称ETI-KJ)是一个自评问卷，有关心理创伤事件及其引发的心里障碍，也就是急性应激障碍(ABS)以及创伤后应激障碍(PTSD)。这个问卷在一般儿童和青少年人群中都能使用，尤其适用于有应激生活事件的儿童和青少年。
临床用创伤后应激障碍诊断量表(Clinician-Administered PTSD Scale，简称CAPS)是由美国心理学家布莱克(D.D.Blake)等1995年编制的他评式检查工具。用于评估创伤后应激障碍症状严重性和诊断。包含美国《精神障碍诊断与统计手册》关于创伤后应激障碍诊断标准的所有条目：暴露于创伤性事件、闯入、麻木和回避、过度警觉核心症状群、病程、功能损害，以及伴随症状如内疚和分离症状。评定当前的和终生的创伤后应激障碍症状状态。其中CAPS专用于儿童和青少年版本为CAPS-CA(CAPS for Children andAdolescents)。
德尔菲法，也称专家调查法，1946年由美国兰德公司创始实行，其本质上是一种反馈匿名函询法，其大致流程是在对所要预测的问题征得专家的意见之后，进行整理、归纳、统计，再匿名反馈给各专家，再次征求意见，再集中，再反馈，直至得到一致的意见。
儿童PTSD组合筛查问卷CP-AF(Children's PTSD Self-assessmentQuestionnaire in Animated Form，简称CP-AF)。
本发明的目标用户为4-6岁儿童，由于ETI-KJ在PTSD测量方面都具有优异的效度和信度，且CAPS更是被公认为是PTSD诊断的金标准之一，已经成为创伤领域应用最广泛的标准化诊断测量工具。在此基础上再增加儿童基本资料及其PTSD相关危险因素调查，即挑选出的诊断依据特征是基于分析儿童基本资料，进行PTSD特异性筛查以及相关危险因素调查而制定的。经过在儿童群体充分调研，深入了解儿童的心理特征，将涉及的所有特征表述进行简化并编成该年龄段儿童易于理解的语言，同时编排好问题呈现的顺序，使其更有逻辑性，更加符合儿童的思维习惯，形成最终的儿童PTSD组合筛查问卷CP-AF。
更进一步的说明，建立所述情景生成模块的具体步骤为：
S21、利用Illustrator软件和Photoshop软件进行二维IP形象设计，获取IP形象；
具体的，Photoshop软件中的图像处理功能可通过使用wine运行对现实中事物进行虚拟处理，再通过PS的其他功能，完成对图像的获取和合成。将图像中适用于儿童的部分进行提取，然后再与其他相似的图像进行结合，形成新的视角效果图像。对于设计过程中基本的图像将使用RGB标准对颜色进行选择和处理，提取出所需的底层图色形象，然后再提取另外的图像形象将其改造成儿童更加直观认识的形象。而绘画功能主要是在原本的图像上，绘制出基于心理的角度对儿童而言有益的图像。
应用Illustrator(AI)软件的主要原因是可以通过矢量绘画的形式使图像在Flash中保持矢量图的特性而不失真，能够清晰的勾勒出人像细节，促使儿童对任务形象认知上的更加清晰。这是对图像精度的把控，做到在图形放大缩小的情况下，其精准度都不会受到影响。同时图像所占内存相对其他软件而言，在运算的过程中也不会占用太多的时间。
S22、利用Maya软件和3dMax软件进行三维虚拟场景设计和制作，获取三维虚拟场景；
具体的，先运用Maya中的FUR模块对动画角色进行形象建模、形象塑造和细节设计，再通过Vue板块对动画制作部分进行合成渲染。目的是通过细节渲染人物和情节的氛围感，这是沉浸式体验的主要来源。而3DMax的使用价值基本相同，但3DMax是在MCL方法的支持下，实现空间更新和样品分布，进而达到三D形象的目的。例如在动作制作上，为了增强人物奔跑的连贯性，通常在3DMax中是选择曲线循环效果，使得跑步的效果更加逼真，更加贴近生活。同时3DMax还能与Photoshop联合，以AVI格式存储后，通过3DMax打开，可以实现两个软件的优势达到高水准的设计结果。
S23、根据IP形象和三维虚拟场景，生成多个问卷情景动画。
因此，为克服儿童识字和理解能力有限等问题，同时让他们在轻松、自由、有趣、安全的情境和氛围下完成调查，在儿童PTSD组合筛查问卷CP-AF的基础上，结合问卷情景动画被设计成儿童与IP人物对话的形式，同时加上相应的动画或视频，使年龄较小的儿童也能轻松使用小程序完成问卷。
更进一步的，同时我们还将沙盘和房树人游戏穿插其中，以更全面地反映儿童PTSD状况。
更进一步的说明，建立所述问卷结合模块的具体步骤为：
S31、对所述多个问卷情景动画结合儿童PTSD组合筛查问卷CP-AF进行文字排版和音乐排版，包括文字位置、字体、大小、颜色和音乐播放时间；
S32、对所述多个问卷情景动画结合儿童PTSD组合筛查问卷CP-AF设置用于录入目标用户答案的录入端口，形成最终的CP-AF动画问卷。
具体的，在CP-AF动画问卷上，当用户登录后会自动播放令人舒缓的背景音乐，用户通过录入端口选择开始答题后会开启一个演示阶段，如播放一小段的动画解说，让答题的儿童懂得如何操作和选择答案。开始后，页面全屏播放每个问题相应的动画，动画结束后里面的动画人物会形象地向儿童询问，并浮现相关选项。用户选择答案之后倒计时5秒钟给用户反映时间，再进行下一个动画问题的播放。过程中儿童可应自己的感受选择随时中止操作。页面将用户唯一标识openid以及儿童所选选项对应的数据存储在Storage中，等答题结束后再由前端将存储的数据发送到服务器，服务器调用接口将其存入MYSQL数据库里。
更进一步的，后续本儿童PTSD识别系统会运用面部表情捕捉技术和生理信息检测技术与动画量表相结合，以更全面客观地反映儿童PTSD状况，提高系统智能识别PTSD的精准度。
更进一步的说明，建立所述数据筛选模块的具体步骤为：
S41、构建随机森林，具体包括：
S411、通过所述数据收集模块获取初始数据集，其中所述初始数据集包括多个特征数据样本；
具体的，为了将重点关注留守儿童等PTSD高发的群体，计划在不同地区的幼儿园或社区使用CP-AF动画问卷对儿童及其家长进行随机抽样调查，以获得初始数据集。
在CP-AF动画问卷实践应用中，将反复验证和严格监测程序使用的安全性和准确性，避免因程序本身的问题出现误判或数据泄露等风险。
在收集数据的同时也重点关注用户体验及意见反馈，为进一步优化CP-AF程序积累经验。收集意见的焦点在于：对低龄儿童而言，CP-AF程序的操作是否简易、流畅，内容是否轻松、有趣；儿童是否喜欢程序页面、动画形象、动画场景、背景音乐等，能否理解动画语言；儿童答题时是否出现紧张、害怕、反感等不良反应。后续将根据反馈情况对相应部分进行调整，以优化程序界面、流程和质量，改善用户体验。
S412、有放回地随机抽取所述多个特征数据样本中的n个样本，再从中随机选择k个特征，作为构建决策树的训练数据集D；
S413、采用CART算法，获取训练数据集D的基尼系数Gini(D)：
其中基尼系数Gini(D)代表了训练数据集D的不纯度，基尼系数越小，不纯度越低，特征越好；m为关键特征数，当i取值分别为第1、2、…、m个变量时，其对应的发生概率分别为P1、P2…、Pm；
根据各个特征的各个值所对应的基尼系数，选择基尼系数最小的特征A及其对应的取值a作为最优特征和最优切分点；
根据最优特征A和最优切分点a，将训练数据集划分成左节点数据集D1和右节点数据集D2，同时生成左子节点和右子节点；
S414、对左子节点和右子节点递归调用S411，直至k个特征选择完毕；
S415、按照步骤S412-414建立t个决策树，形成随机森林；
S42、利用袋外数据错误率，即OOB错误率对特征进行重要程度排序，获取训练数据集D中重要程度最低的b个特征，其中b＝10％k；其中对训练数据集D进行有放回的取样，会导致有部分样本不会被取到，经过严格的数学计算，有放回大约会有37％的样本不会被取到，这部分样本称为OOB，即袋外数据，OOB样本用于测试该棵树的性能。对于随机森林中的每一棵树，都可以得到一个OOB错误率，将森林中所有树的OOB错误率取平均，即可得到随机森林的整体OOB错误率。将想要检验重要性的特征在样本上进行随机排列或重新赋值，观察平均OOB错误率的上升程度，上升程度越大，即说明该特征越重要；
S43、在训练数据集D中剔除掉重要程度最低的b个特征，重复构建随机森林，并结合向后剔除法，直至训练数据集D中剩下m个重要程度最高的关键特征。
对于特征数据样本的获取说明，计划选中不同地区的多所幼儿园或小学进行特征数据样本的获取，保证样本的多样性。计划收集大约500份样本并归纳整理出每个儿童的数据，并绘制表格分析数据，为后续工作做准备。
综上，由于儿童PTSD的诊断依据特征有许多，因此使用随机森林算法结合向后剔除法可以从具有小边际效应和复杂相互作用的特征集合中识别出主关键特征，再通过适用于小样本、有良好泛化能力的支持向量机算法对数据集进行二分类训练，可以更精准地判定儿童是否患PTSD。
更进一步的说明，建立所述模型应用模块的具体步骤为：
S51、利用向量机对m个重要程度最高的关键特征进行训练：
S511、定义自变量x为{C1,C2,C3,……,CN}，其中一个自变量x即为一个样本，定义因变量y＝-1代表没有患PTSD，y＝+1代表患PTSD，将自变量x映射到更高维度上，不设上限，形成一个超平面将因变量y的取值分为两类，得到：
y(x)＝wTφ(x)+b (2)
即使：对/>有：
5.若yi＝+1,则wTφ(xi)+b≥0；
6.若yi＝-1,则wTφ(xi)+b<0；
其中φ(x)为自变量x在更高维度的映射向量,w为确定该超平面的跟φ(x)同维的向量，b为常数，y(x)<0代表儿童不患PTSD，y(x)≥0代表儿童患PTSD；
S512、引入高斯核函数k(x,x′)：
其中参数σ控制高斯核函数k(x,x′)的作用范围，当σ取值过大时，向量机的分类效果较差；当σ取值过小时，会出现过拟合现象而降低向量机的分类效果；
S513、利用高斯核函数k(x,x′)替代映射向量φ(x)，得到：
其中b为待定的参数；
S52、将公式(4)转换为解优化问题以寻找一个最优的超平面：
S521、引入目标函数θ(a)以求最大化：
S522、引入约束条件，包括：
①0≤ai≤C (6)
②
其中误差惩罚参数C确定支持向量系数ai的上界；
S53、采用网格搜索法来确定差惩罚参数C和参数σ的最优取值：
S531、将C和σ分别取N个值和M个值，两两组合形成N×M个(C,σ)组合，取步长为分别训练不同的向量机，得到学习精度较高的差惩罚参数C和参数σ的取值；
S532、在学习精度较高的差惩罚参数C和参数σ的取值附近一定范围内进行一次更细致的网格搜索，以此选出误差惩罚参数C和参数σ的最优取值；
S54、将误差惩罚参数C和参数σ的最优取值代入公式(2)-(6)，得到儿童PTSD判定模型在最优情况下的向量系ai以及待定参数b的取值，
从而训练出儿童PTSD判定模型。
在儿童PTSD判定模型投入使用之前，将会通过测试数据集多次来检验儿童PTSD判定模型的性能，将测试数据集上的误差作为最终儿童PTSD判定模型在应对现实场景中的泛化误差，保证儿童PTSD判定模型分类准确度在90％以上。
更进一步的说明，建立所述分类识别模块的具体步骤为：
若所述分类信息为y(x)<0，则输出目标用户不存在创伤后应激障碍；
若所述分类信息为y(x)≥0则输出目标用户存在创伤后应激障碍。
综上，通过上述过程筛选出具有关键影响的儿童PTSD特征，并基于关键特征获得准确的儿童PTSD判定模型。在此基础上，进而优化和简化CP-AF动画问卷，如剔除非关键问题，简化某些操作步骤和流程。最后将CP-AF动画问卷与儿童PTSD判定模型进行耦合，最终形成儿童PTSD识别系统，即儿童只需完成CP-AF动画问卷，儿童PTSD判定模型随即判定儿童是否存在PTSD并通过分类识别模块和结果反馈模块将该识别结果反馈至目标用户。
为了使本发明的一种基于机器学习的儿童PTSD识别系统的程序优化与实践再应用，在上述步骤的基础上，进而优化CP-AF动画问卷，包括只保留PTSD关键特征条目、改善界面、简化流程等。随后在目标儿童群体进行再应用，通过进一步的数据收集、分析和处理，不断检验、修正和完善程序，提高其易用性和科学性。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于机器学习的儿童PTSD识别系统，其特征在于，包括问卷生成模块、情景生成模块、问卷结合模块、数据收集模块、数据筛选模块、模型应用模块、分类识别模块和结果反馈模块；
所述问卷生成模块用于生成儿童PTSD组合筛查问卷CP-AF；
所述情景生成模块用于生成出问卷情景动画；
所述问卷结合模块用于将所述儿童PTSD组合筛查问卷CP-AF结合所述问卷情景动画生成CP-AF动画问卷；
所述数据收集模块用于通过所述CP-AF动画问卷收集目标用户的多个特征数据样本；
所述数据筛选模块用于将所述多个特征数据样本进行筛选，筛选出具有关键影响的多个关键特征；
所述模型应用模块用于将所述多个关键特征输入已训练的儿童PTSD判定模型，得到所述已训练的儿童PTSD判定模型输出的分类信息；
所述分类识别模块用于根据所述分类信息识别所述目标用户是否为创伤后应激障碍的患者的识别结果；
所述结果反馈模块用于将该识别结果反馈至目标用户。
2.根据权利要求1所述的一种基于机器学习的儿童PTSD识别系统，其特征在于，建立所述问卷生成模块的具体步骤为：
S11、录入中文版埃森儿童青少年创伤问卷和临床用创伤后应激障碍诊断量表儿童青少年版；
S12、根据中文版埃森儿童青少年创伤问卷和临床用创伤后应激障碍诊断量表儿童青少年版，挑选出具有儿童PTSD的诊断特征的条目并将其转换为口语化文本；
S13、对口语化文本进行合理的组合排列后形成初步的儿童PTSD组合筛查问卷CP-AF；
S14、采用德尔菲法对初步的儿童PTSD组合筛查问卷CP-AF进行不断的修改与完善，形成最终的儿童PTSD组合筛查问卷CP-AF。
3.根据权利要求2所述的一种基于机器学习的儿童PTSD识别系统，其特征在于，建立所述情景生成模块的具体步骤为：
S21、利用Illustrator软件和Photoshop软件进行二维IP形象设计，获取IP形象；
S22、利用Maya软件和3dMax软件进行三维虚拟场景设计和制作，获取三维虚拟场景；
S23、根据IP形象和三维虚拟场景，生成多个问卷情景动画。
4.根据权利要求3所述的一种基于机器学习的儿童PTSD识别系统，其特征在于，建立所述问卷结合模块的具体步骤为：
S31、对所述多个问卷情景动画结合儿童PTSD组合筛查问卷CP-AF进行文字排版和音乐排版，包括文字位置、字体、大小、颜色和音乐播放时间；
S32、对所述多个问卷情景动画结合儿童PTSD组合筛查问卷CP-AF设置用于录入目标用户答案的录入端口。
5.根据权利要求3所述的一种基于机器学习的儿童PTSD识别系统，其特征在于，建立所述数据筛选模块的具体步骤为：
S41、构建随机森林，具体包括：
S411、通过所述数据收集模块获取初始数据集，其中所述初始数据集包括多个特征数据样本；
S412、有放回地随机抽取所述多个特征数据样本中的n个样本，再从中随机选择k个特征，作为构建决策树的训练数据集D；
S413、采用CART算法，获取训练数据集D的基尼系数Gini(D)：
其中基尼系数Gini(D)代表了训练数据集D的不纯度，基尼系数越小，不纯度越低，特征越好；m为关键特征数，当i取值分别为第1、2、…、m个变量时，其对应的发生概率分别为P1、P2…、Pm；
根据各个特征的各个值所对应的基尼系数，选择基尼系数最小的特征A及其对应的取值a作为最优特征和最优切分点；
根据最优特征A和最优切分点a，将训练数据集划分成左节点数据集D1和右节点数据集D2，同时生成左子节点和右子节点；
S414、对左子节点和右子节点递归调用S411，直至k个特征选择完毕；
S415、按照步骤S412-414建立t个决策树，形成随机森林；
S42、利用袋外数据错误率对特征进行重要程度排序，获取训练数据集D中重要程度最低的b个特征，其中b＝10％k；
S43、在训练数据集D中剔除掉重要程度最低的b个特征，重复构建随机森林，并结合向后剔除法，直至训练数据集D中剩下m个重要程度最高的关键特征。
6.根据权利要求5所述的一种基于机器学习的儿童PTSD识别系统，其特征在于，建立所述模型应用模块的具体步骤为：
S51、利用向量机对m个重要程度最高的关键特征进行训练：
S511、定义自变量x为{C1,C2,C3,……,CN}，其中一个自变量x即为一个样本，定义因变量y＝-1代表没有患PTSD，y＝+1代表患PTSD，将自变量x映射到更高维度上，不设上限，形成一个超平面将因变量y的取值分为两类，得到：
y(x)＝wTφ(x)+b (2)
即使：对/>有：
1.若yi＝+1,则wTφ(xi)+b≥0；
2.若yi＝-1,则wTφ(xi)+b<0；
其中φ(x)为自变量x在更高维度的映射向量,w为确定该超平面的跟φ(x)同维的向量，b为常数，y(x)<0代表儿童不患PTSD，y(x)≥0代表儿童患PTSD；
S512、引入高斯核函数k(x,x′)：
其中参数σ控制高斯核函数k(x,x′)的作用范围；
S513、利用高斯核函数k(x,x′)替代映射向量φ(x)，得到：
其中b为待定的参数；
S52、将公式(4)转换为解优化问题以寻找一个最优的超平面：
S521、引入目标函数θ(a)以求最大化：
S522、引入约束条件，包括：
①0≤ai≤C (6)
②
其中误差惩罚参数C确定支持向量系数ai的上界；
S53、采用网格搜索法来确定差惩罚参数C和参数σ的最优取值：
S531、将C和σ分别取N个值和M个值，两两组合形成N×M个(C,σ)组合，取步长为分别训练不同的向量机，得到学习精度较高的差惩罚参数C和参数σ的取值；
S532、在学习精度较高的差惩罚参数C和参数σ的取值附近一定范围内进行一次更细致的网格搜索，以此选出误差惩罚参数C和参数σ的最优取值；
S54、将误差惩罚参数C和参数σ的最优取值代入公式(2)-(6)，得到儿童PTSD判定模型在最优情况下的向量系ai以及待定参数b的取值，
从而训练出儿童PTSD判定模型。
7.根据权利要求6所述的一种基于机器学习的儿童PTSD识别系统，其特征在于，建立所述分类识别模块的具体步骤为：
若所述分类信息为y(x)<0，则输出目标用户不存在创伤后应激障碍；
若所述分类信息为y(x)≥0则输出目标用户存在创伤后应激障碍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155449.0A CN117153311A (zh) | 2023-09-06 | 2023-09-06 | 一种基于机器学习的儿童ptsd识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155449.0A CN117153311A (zh) | 2023-09-06 | 2023-09-06 | 一种基于机器学习的儿童ptsd识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117153311A true CN117153311A (zh) | 2023-12-01 |
Family
ID=88886621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311155449.0A Pending CN117153311A (zh) | 2023-09-06 | 2023-09-06 | 一种基于机器学习的儿童ptsd识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153311A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117453896A (zh) * | 2023-12-22 | 2024-01-26 | 江西拓世智能科技股份有限公司 | 针对儿童的陪伴ai数字人的管控方法、装置及存储介质 |
-
2023
- 2023-09-06 CN CN202311155449.0A patent/CN117153311A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117453896A (zh) * | 2023-12-22 | 2024-01-26 | 江西拓世智能科技股份有限公司 | 针对儿童的陪伴ai数字人的管控方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fragopanagos et al. | Emotion recognition in human–computer interaction | |
| Gomm | Social research methodology: A critical introduction | |
| Spencer et al. | Analysis: practices, principles and processes | |
| Weisberg | Bias and causation: Models and judgment for valid comparisons | |
| Shaffer | Q-squared: Combining qualitative and quantitative approaches in poverty analysis | |
| Heidler et al. | Relationship patterns in the 19th century: The friendship network in a German boys’ school class from 1880 to 1881 revisited | |
| CN112133407A (zh) | 一种基于语音与表情的快速智能情绪测评分析方法 | |
| CN117153311A (zh) | 一种基于机器学习的儿童ptsd识别系统 | |
| Teh et al. | PiSCES: Pictures with social context and emotional scenes with norms for emotional valence, intensity, and social engagement | |
| Isbilen et al. | Statistical learning of language: A meta‐analysis into 25 years of research | |
| Liu et al. | An aesthetic measurement approach for evaluating product appearance design | |
| Kavakli et al. | Towards the development of a virtual counselor to tackle students' exam stress | |
| Callear et al. | Understanding the structure of children’s emotion-regulation strategies | |
| Shinde et al. | A multi-classifier-based recommender system for early autism spectrum disorder detection using machine learning | |
| Rudra et al. | Bengali translation and characterisation of four cognitive and trait measures for autism spectrum conditions in India | |
| Lindenberg et al. | Approaches to social theory | |
| Qi et al. | Explanation strategies for image classification in humans vs. current explainable AI | |
| Dias et al. | Executive functions beyond the “Holy Trinity”: A scoping review. | |
| Govender | Jarred Martin | |
| Fletcher et al. | Skin conductance reactivity as a moderator of associations between youth perceptions of neighborhood stress and depressive symptoms | |
| Kassam | Assessment of emotional experience through facial expression | |
| Shen et al. | Intelligent recognition of portrait sketch components for child autism assessment | |
| Lavan et al. | Unimodal and cross-modal identity judgements using an audio-visual sorting task: Evidence for independent processing of faces and voices | |
| Woynowskie | Mentalization and overlapping constructs: mindfulness, empathy, emotional intelligence, psychological mindedness using exploratory factor analysis | |
| Mabokela | Coverage of the consumption of nyaope in two South African tabloids: a compartive study of the Sowetan and Daily Sun Newspapers |
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 |