CN117198503A - 一种闭环式抑郁症诊疗系统及设备 - Google Patents
一种闭环式抑郁症诊疗系统及设备 Download PDFInfo
- Publication number
- CN117198503A CN117198503A CN202310993729.2A CN202310993729A CN117198503A CN 117198503 A CN117198503 A CN 117198503A CN 202310993729 A CN202310993729 A CN 202310993729A CN 117198503 A CN117198503 A CN 117198503A
- Authority
- CN
- China
- Prior art keywords
- user
- depression
- algorithm
- vital sign
- data
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 65
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 208000020401 Depressive disease Diseases 0.000 title claims abstract description 27
- 230000000638 stimulation Effects 0.000 claims abstract description 170
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 91
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000000994 depressogenic effect Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 208000024714 major depressive disease Diseases 0.000 claims description 14
- 230000003925 brain function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 5
- 238000006062 fragmentation reaction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000013542 behavioral therapy Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000008451 emotion Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004007 neuromodulation Effects 0.000 description 3
- 108091026922 FnrS RNA Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 208000007848 Alcoholism Diseases 0.000 description 1
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010057852 Nicotine dependence Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 208000025569 Tobacco Use disease Diseases 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009225 cognitive behavioral therapy Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Electrotherapy Devices (AREA)
Abstract
本申请实施例公开了一种闭环式抑郁症诊疗系统及设备,通过用户端实时获取用户的生命体征数据,云端利用生命体征数据和预设的算法,如传统算法和深度学习算法等获得用户的抑郁状态,实现对用户的抑郁症客观评价;利用医生端对生命体征数据进行修正,修正后的生命体征数据进行再次分析,如利用训练好的多分支神经网络模型或用个性化的算法来精准评估用户抑郁状态;在医生端制定并下发与抑郁状态匹配的经颅电刺激治疗方案,用户端执行或终止经颅电刺激方案,实现对用户的个性化治疗,还可以根据用户治疗后的状态调整经颅电刺激治疗方案,直到用户健康或是疗程终止。
Description
【技术领域】
本发明涉及抑郁症诊断治疗领域,尤其涉及一种闭环式抑郁症诊疗系统及设备。
【背景技术】
抑郁症的诊断筛查评估的主流方法仍然是填表和填写问卷的形式,这种方法主观性强,诊断评估结果依赖于专家的专业性、用户的配合度和表达能力,目前缺乏客观性的抑郁症诊断评估指标和系统。对于治疗方面,电刺激模式选用最多的经颅直流电刺激或是经颅交流电刺激,且治疗参数对于任何用户都是固定的,没有做到个性化治疗。
【发明内容】
有鉴于此,本发明提供了一种闭环式抑郁症诊疗系统及设备,以使用户及时得到对应的治疗。
本发明第一实施例的具体技术方案为:一种闭环式抑郁症诊疗系统,所述系统包括:用户端、云端和医生端,所述用户端、所述云端和所述医生端均双向交互;所述医生端用于预设第一电刺激参数并发送至所述云端,所述云端用于将所述第一电刺激参数发至所述用户端;所述用户端用于利用所述第一电刺激参数对用户进行经颅电刺激,同时还用于实时获取用户的生命体征数据,将所述生命体征数据发送至所述云端,及发送所述用户的就诊请求至医生端;所述云端还用于对所述生命体征数据进行预处理,利用预处理后的生命体征数据和预设的算法获得用户的第一抑郁状态,并将所述第一抑郁状态发送至用户端和医生端;所述预设的算法至少包括传统算法、人工智能算法或深度学习算法中任意一种算法;所述抑郁状态至少包括健康、轻度抑郁、中度抑郁和重度抑郁;所述预处理至少包括对所述生命体征数据进行滤波去噪、数据片段化操作和数据标签对齐;所述传统算法包括EMD算法、FFT算法、PSD算法、AR算法和HHT算法中任意一种算法;所述用户端还用于显示所述第一抑郁状态,并当所述第一抑郁状态为轻度抑郁、中度抑郁或重度抑郁时进行报警;所述医生端还用于显示所述第一抑郁状态,并当所述第一抑郁状态为重度抑郁时发送第一提示信号至所述用户端,还用于获取所述预处理后的生命体征数据,对所述预处理后的生命体征数据进行标注与修正,将所述标注与修正后的生命体征数据发送至云端,及获取用户端的所述就诊请求为所述用户进行就诊预约;所述云端还用于根据所述修正后的生命体征数据、及预设的神经网络模型或预设的算法获得用户的第二抑郁状态,并将所述第二抑郁状态作为所述第一抑郁状态发送至用户端和医生端;所述预设的模型或包括多分支神经网络模型或基于迁移学习的个性化模型中任意一种模型;所述预设的算法包括基于EEG的脑功能连接网络算法;所述用户端还用于显示所述第一提示信号以提示所述用户需进行就医。
优选的,所述用户端包括脑电信号采集模块和功能性近红外光采集模块;所述脑电信号采集模块用于采集所述用户的脑电信号;所述功能性近红外光采集模块用于采集所述用户的近红外光成像数据;所述生命体征数据包括所述脑电信号和所述近红外光成像数据,及所述用户的临床数据、脑功能成像数据、所述用户进行或不进行预设的情绪刺激任务时的面部视频数据、面部图像数据、语音数据和语料数据。
优选的,所述系统还包括亲友端,所述亲友端连接所述用户端和所述云端;所述亲友端用于获取所述用户的生命体征数据和第一抑郁状态,以监控所述用户的症状变化情况;所述亲友端还用于获取所述用户端已执行的第一电刺激参数,以监控所述用户的治疗过程。
优选的,所述亲友端还连接所述医生端;当所述第一抑郁状态为重度抑郁时,所述医生端还用于发送第二提示信号至所述亲友端,以提醒所述用户的亲友关注所述用户的症状。
优选的,所述用户端还用于根据预设的电刺激参数获取模型或预设的电刺激参数获取算法获得与所述第一抑郁状态对应的第二电刺激参数;所述预设的电刺激参数获取模型包括基于迁移学习的个性化模型;所述预设的电刺激参数获取算法包括基于EEG的脑功能连接算法;所述个性化模型为通过大群体数据构建的通用模型,并基于通用模型利用所述用户的部分生命体征数据进行模型微调获得个性化模型,或基于用户的多通道EEG数据构建基于EEG的功能连接网络;所述用户端还用于根据所述第一电刺激参数或所述第二电刺激参数对所述用户进行经颅电刺激治疗。
优选的,所述第一电刺激参数和所述第二电刺激参数包括电刺激位点、刺激模式、刺激频率和刺激时长;所述用户端还用于根据所述第一电刺激参数或第二电刺激参数,并结合认知行为疗法、冥想、音乐调节、睡眠调节、聊天机器人中任意一种或多种干预行为对所述用户进行治疗。
优选的,所述经颅电刺激包括经颅直流电刺激、经颅交流电刺激、经颅随机噪声电刺激、经颅脉冲电刺激、伪刺激和自定义波形刺激中任意一种刺激模式。
优选的,所述深度学习算法包括:利用预设的多分支神经网络模型获得用户的第一抑郁状态;所述预设的多分支神经网络模型至少包含多个通道、通道注意力模块、多个分支网络和全连接层,每个通道用于输入一种生命体征数据;每个通道同时经过一个通道注意力模块为所述通道进行加权处理,加权后的通道经过与所述通道对应的分支网络对所述生命体征数据进行特征提取,提取的特征进行融合,再经过多分支神经网络模型中的全连接层得到所述用户的第一抑郁状态。
优选的,所述实时获取用户的生命体征数据,包括:在施加经颅电刺激的间隔时间采集所述用户的生命体征数据;或在施加经颅电刺激前与施加经颅电刺激时采集所述用户的生命体征数据;或在施加经颅电刺激后采集所述用户的生命体征数据。
本发明第二实施例的具体技术方案为:一种闭环式抑郁症诊疗设备,包括如本申请第一实施例中任一项所述的闭环式抑郁症诊疗系统。
实施本发明实施例,将具有如下有益效果:
本发明医生端预设第一电刺激参数并发送至云端,云端将所述第一电刺激参数发至所述用户端;用户端利用第一电刺激参数对用户进行经颅电刺激,并实时获取用户的生命体征数据,并将生命体征数据发送给云端,及发送用户的就诊请求至医生端;云端对生命体征数据进行预处理后,经过预设的算法获得用户的第一抑郁状态,并将第一抑郁状态发送至用户端和医生端;用户端显示第一抑郁状态,以提示用户当前的症状;医生端显示第一抑郁状态,并当第一抑郁状态为重度抑郁时发送第一提示信号至用户端,还获取预处理后的生命体征数据,对预处理后的生命体征数据进行标注与修正,将标注与修正后的生命体征数据发送至云端,及获取用户端的就诊请求为用户进行就诊预约,云端还用于根据修正后的生命体征数据、及预设的神经网络模型或预设的算法获得用户的第二抑郁状态,并第二抑郁状态作为第一抑郁状态发送至用户端和医生端,用户端还用于显示第一提示信号以提示用户需进行就医。
通过用户端实时获取用户的生命体征数据,云端根据生命体征数据进行处理获得用户的抑郁状态,实现对用户的抑郁症客观评价;利用医生端对生命体征数据进行修正,将修正后的生命体征数据输入至云端获得更为精准的抑郁状态;同时医生端对抑郁状态进行评判,并下发与抑郁状态对应的提示信号,实现对用户的生命健康进行完善的保障。
【附图说明】
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为闭环式抑郁症诊疗系统的结构图;
图2为亲友端结构示意图;
图3为闭环式抑郁症诊疗系统使用流程图;
其中,101、用户端;102、云端;103、医生端;201、亲友端。
【具体实施方式】
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,为本申请第一实施例中一种闭环式抑郁症诊疗系统的结构图,实现对用户的个性化治疗,系统包括:用户端101、云端102和医生端103,医生端用于预设第一电刺激参数并发送至云端,云端用于将所述第一电刺激参数发至所述用户端;用户端利用第一电刺激参数对用户进行经颅电刺激,其中第一电刺激参数为用户首诊后医生设定的电刺激参数;同时还用于实时获取用户的生命体征数据,将生命体征数据发送至云端,及发送用户的就诊请求至医生端;云端用于对生命体征数据进行预处理,利用预处理后的生命体征数据和预设的算法获得用户的第一抑郁状态,并将第一抑郁状态发送至用户端和医生端;预设的算法至少包括传统算法、人工智能算法或深度学习算法中任意一种算法;抑郁状态至少包括健康、轻度抑郁、中度抑郁和重度抑郁;预处理至少包括对生命体征数据进行滤波去噪、数据片段化操作和数据标签对齐;传统算法包括EMD算法、FFT算法、PSD算法、AR算法和HHT算法中任意一种算法;用户端还用于显示第一抑郁状态,并当第一抑郁状态为轻度抑郁、中度抑郁或重度抑郁时进行报警;医生端用于显示第一抑郁状态,并当第一抑郁状态为重度抑郁时发送第一提示信号至用户端,还用于获取预处理后的生命体征数据,对预处理后的生命体征数据进行标注与修正,将标注与修正后的生命体征数据发送至云端,及获取用户端的就诊请求为用户进行就诊预约;云端还用于根据修正后的生命体征数据、及预设的神经网络模型或预设的算法获得用户的第二抑郁状态,并将第二抑郁状态作为第一抑郁状态发送至用户端和医生端;预设的模型包括多分支神经网络模型或基于迁移学习的个性化模型中任意一种模型;预设的算法包括基于EEG(Electroencephalogram,脑电波)的脑功能连接网络算法;用户端还用于显示所述第一提示信号以提示所述用户需进行就医,如进行复查。
具体的,医生端用于预设第一电刺激参数,经云端下发至用户端,用户端利用所述第一电刺激参数对用户进行经颅电刺激,及发送所述用户的就诊请求(如挂号、缴费、互联网医院就诊等)至医生端;用户端还可以实时获取用户的生命体征数据,用于监控用户的身体健康状态,并将生命体征数据无线发送至云端;云端对生命体征数据进行滤波去噪、数据片段化操作和数据标签对齐,其中滤波采用滤波器,可对滤波器根据实际情况进行设置,如一般采用带通滤波器和陷波滤波器来去除高频噪音和工频噪音;利用滤波去噪、数据片段化操作和数据标签对齐后的生命体征数据和预设的算法获得用户的第一抑郁状态,并将第一抑郁状态发送至用户端和医生端;抑郁状态至少包括健康、轻度抑郁、中度抑郁和重度抑郁;用户端还用于显示第一抑郁状态,并当第一抑郁状态为轻度抑郁、中度抑郁或重度抑郁时进行报警,保证用户的安全性;当第一抑郁状态为健康时,不进行报警;所述预设的算法至少包括传统算法、人工智能算法或深度学习算法中任意一种算法,传统算法包括EMD(Empirical Mode Decomposition,经验模态分解)算法、FFT(FastFourierTransformation,快速傅立叶变换)算法、PSD(Power Spectral Density,功率谱密度)算法、AR(Auto-Regressive,自回归)算法和HHT(Hilbert-Huang Transform,网络希尔伯特黄变换)算法中任意一种算法;医生端显示第一抑郁状态,并当第一抑郁状态为重度抑郁时发送第一提示信号至用户端,医生端还用于获取预处理后的生命体征数据,对预处理后的生命体征数据进行标注与修正,将标注与修正后的生命体征数据发送至云端,及获取用户端的就诊请求为用户进行就诊预约;其中,医生端还可以根据第一抑郁状态对用户进行多种干预,如心理医生介入等有效干预方式;云端还用于根据修正后的生命体征数据、及预设的神经网络模型或预设的算法获得用户的第二抑郁状态,并将第二抑郁状态作为第一抑郁状态发送至用户端和医生端;第二抑郁状态是通过个性化模型或个性化算法计算后得到的抑郁症状态,比通过通用模型通用算法得到的第一抑郁状态更为精准;预设的个性化模型包括多分支神经网络模型或基于迁移学习的个性化模型中任意一种模型;预设的个性化算法包括基于EEG的脑功能连接网络算法;用户端还用于显示第一提示信号以提示用户需进行就医。
在具体实施例中,医生端还可以显示所述用户端对治疗方案的依从性(包括用户在哪天什么时间段进行经颅电刺激,每次持续多长时间,持续几天等)。
具体的,云端包括数据安全模块,数据处理模块,数据计算模块,资源调度模块。其中数据处理模块用于对生命体征数据(以下简称数据)进行数据脱敏,数据备份等数据安全操作,及数据存储和数据预处理。数据预处理主要是对各个维度数据进行数据清洗,噪音去除等操作以得到干净无噪声影响的数据,用于后续的计算,此外,数据预处理也可以包括特征提取。
数据计算模块主要是分为两个子模块:基于群体数据的统计量计算和通用模型构建和基于待测数据的结果计算。基于群体数据的统计量计算的结果,训练好的模型或算法存储于算法仓库中,用于后续的使用。资源调度系统会通过设定逻辑根据条件进行数据,算力,算法等资源的调度,最终实现对于待测人员数据的结果计算和输出。本实施例通过医生端预设第一电刺激参数,经云端下发到用户端,用户端利用第一电刺激参数对用户进行经颅电刺激,并实时获取用户的生命体征数据,并将生命体征数据发送给云端,及发送用户的就诊请求至医生端;云端对生命体征数据进行预处理后,经过预设的算法获得用户的第一抑郁状态,并将第一抑郁状态发送至用户端和医生端;用户端显示第一抑郁状态,以提示用户当前的症状;医生端显示第一抑郁状态,并当第一抑郁状态为重度抑郁时发送第一提示信号至用户端,还获取预处理后的生命体征数据,对预处理后的生命体征数据进行标注与修正,将标注与修正后的生命体征数据发送至云端,及获取用户端的就诊请求为用户进行就诊预约,云端还用于根据修正后的生命体征数据、及预设的神经网络模型或预设的算法获得用户的第二抑郁状态,并第二抑郁状态作为第一抑郁状态发送至用户端和医生端,用户端还用于显示第一提示信号以提示用户需进行就医。
通过用户端实时获取用户的生命体征数据,云端根据生命体征数据进行处理获得用户的抑郁状态,实现对用户的抑郁症客观评价;利用医生端对生命体征数据进行修正,将修正后的生命体征数据输入至云端获得第二抑郁状态;同时医生端对第二抑郁状态进行评判,并下发与第二抑郁状态对应的提示信号,实现对用户的生命健康进行完善的保障。
在具体实施例中,用户端包括脑电信号采集模块和功能性近红外光采集模块;脑电信号采集模块用于采集用户的脑电信号;功能性近红外光采集模块用于采集用户的近红外光成像数据;生命体征数据包括脑电信号和近红外光成像数据,及用户的临床数据、脑功能成像数据、用户进行或不进行预设的情绪刺激任务时的面部视频数据、面部图像数据、语音数据和语料数据等。
在具体实施例中,本申请中的用户端还可以包括脑电信号采集模块和经颅电刺激模块,脑电信号采集模块和经颅电刺激模块共用一套电极,通过电路切换来实现脑电信号的采集。
具体的,功能性近红外光(functional near-infrared spectroscopy,fNIRS)采集模块具备fNIRS数据采集的功能。fNIRS波长在650~950nm之间,fNIRS采集模块通过光源模块和探测器模块实现,光源与探测器组件两者相隔2-5cm,fNIRS光源和探测器根据需求可灵活置于混合电极(脑电采集电极和电刺激电极)之间或是周围。通过增加fNIRS采集模块,在电刺激期间,电刺激位点会影响临近位点的脑电信号采集质量,fNIRS采集模块能够有效的提高脑电信号的采集质量,进而准确反应电刺激位点周围脑区的状态。
在具体实施例中,请参阅图2,系统还包括亲友端201,亲友端连接用户端和云端;亲友端用于获取用户的生命体征数据和第一抑郁状态,以监控用户的症状变化情况;亲友端还用于获取用户端已执行的第一电刺激参数,以监控用户的治疗过程,及用户的依从性。
具体的,亲友端可以用于用户的亲属、朋友等,通过亲友端可随时查看用户的生命体征数据和第一抑郁状态,进而时刻监控用户的生命体征及精神状态,当用户发生异常时,亲友端能够随时发现异常情况从而对用户实施具体的管控以保证用户的安全;亲友端还可以获得用户端已执行的第一电刺激参数,以监控用户每天的治疗过程,保证用户每天都能得到有效的治疗。
在具体实施例中,亲友端还连接医生端;当第一抑郁状态为重度抑郁时,医生端还用于发送提示信号至亲友端,以提醒用户的亲友关注用户的症状,当用户的第一抑郁状态为重度抑郁时,医生或心理师等介入对用户的治疗。
具体的,可以根据需求细分为面向用户的用户端和面向用户亲友等监督人员的亲友端,其中面向用户的用户端主要显示评估诊断结果和控制预设治疗方案的执行和停止,异常情况的预警,记录用户执行经颅电刺激的依从性并返回给医生端,这个是必选的。面向亲友等监护人员的亲友端用于显示用户的状态和异常情况的预警,这个根据用户及其家庭成员的接受度和需求进行自主选择。这样在发生异常情况比如病情加重的情况时,除了对用户本人做出预警提示外,对监护人员也能做同样的状态预警,能引起家人的注意和关爱,减少恶性事件的发生。
本实施例中的系统通过自带算法诊断出的结果如果是正常、轻度抑郁或中度抑郁症,可以直接向用户显示结果,此外,随着治疗进程的进行,如果用户的抑郁状态好转或是平稳,继续进行治疗,如果用户的抑郁状态有加重的趋势但还没到重度抑郁状态,则停止治疗进程,并通过用户端提醒用户去医院复查,如果到达重度抑郁状态,结果需要通过医生审核确认后再返回给用户端显示,同时需要在医生端和用户端上进行预警。在医生端主要是引起医生、心理师的介入等。
在具体实施例中,用户端还用于根据预设的电刺激参数获取模型或预设的电刺激参数获取算法获得与第一抑郁状态对应的第二电刺激参数;预设的电刺激参数获取模型包括基于迁移学习的个性化模型;预设的电刺激参数获取算法包括基于EEG的脑功能连接算法;用户端还用于根据第一电刺激参数或第二电刺激参数对用户进行经颅电刺激治疗。其中,个性化模型为通过大群体数据构建通用模型,并基于通用模型利用个人的部分数据进行模型微调获得个性化模型,或基于个人多通道EEG数据构建基于EEG的功能连接网络,由此指导个性化经颅电刺激方案的制定。
在具体实施例中,第一电刺激参数和第二电刺激参数包括电刺激位点、刺激模式、刺激频率和刺激时长。具体的,不同的第一抑郁状态所对应的电刺激电位、刺激模式、刺激频率和刺激时长是不同的,本实施例中的闭环式抑郁诊疗系统可以对用户实现个性化治疗,保证用户的治疗效果达到最好。
在具体实施例中,第一电刺激参数和第二电刺激参数的电刺激模式包括经颅直流电刺激、经颅交流电刺激、经颅随机噪声电刺激、经颅脉冲电刺激、伪刺激和自定义波形刺激中任意一种刺激模式。
在具体实施例中,用户端还用于根据第一电刺激参数或第二电刺激参数,并结合认知行为疗法、冥想、音乐调节、睡眠调节、聊天机器人中任意一种或多种干预行为对用户进行治疗。
具体的,所述深度学习算法包括:利用预设的多分支神经网络模型获得用户的第一抑郁状态;预设的多分支神经网络模型至少包含多个通道、通道注意力模块、多个分支网络和全连接层,每个通道用于输入一种生命体征数据;每个通道同时经过一个通道注意力模块为通道进行加权处理,加权后的通道经过与通道对应的分支网络对生命体征数据进行特征提取,提取的特征进行融合,再经过多分支神经网络模型中的全连接层得到用户的第一抑郁状态。这种网络结构的拓展性和灵活性较高,首先,通道注意力模块可以放在特征提取之后,用于加权每个通道经过特征提取器后的通道特征,再进行分类器分类;其次,特征提取器不仅仅是固定的卷积模块和全连接模块,也可以是时序网络模块例如LSTM或是GRU等,每个分支不必要求是同样的结构;这种多分支神经网络结构可以用于多模态模型的开发,此时输入层中,多个通道输入不同的生命体征数据,用于构建训练适用于多模态数据的模型。最后,模型的输出不一定是健康,轻度抑郁,中度抑郁和重度抑郁这四类,也可以根据场景和需求是其他的分类或拟合结果。模型训练过程中涉及到多个损失函数同时训练,每个分支会设定一个损失函数分别为loss1,loss2,loss3等,整个多分支神经网络的损失函数为loss_c,在模型训练过程中总的损失函数为loss=loss_c+a*loss1+b*loss2+c*loss3,其中,a、b和c用来平衡分支的重要性,可以手动设定,也可以作为超参数进行训练得到。
在具体实施例中,对于单一模态多通道数据而言,每个通道用于输入一个通道数据;对于多模态数据而言,每个通道用于输入一种生命体征数据。
在具体实施例中,多分支神经网络模型会按照一定比例将生命体征数据划分为训练集,验证集和测试集,训练集用于模型训练、更新模型参数,逐渐提高模型性能;验证集用于调参和最优模型的选择;测试集用于模型的最终评估。模型评估参数包括但不限于准确率,精度,召回率,特异性,f1值等。最终将最优模型保存用于后续调用。
在具体实施例中,用户端除了能够进行经颅电刺激调控方案的执行和终止,依从性记录和显示,还可以结合其他数字疗法、物理疗法进行治疗,包括但不限于针对抑郁症的认知行为疗法,冥想,音乐调节,睡眠调节,聊天机器人chatbot等。
在具体实施例中,用户端用于实时获取用户的生命体征数据,包括:在施加经颅电刺激的间隔时间采集用户的生命体征数据;或在施加经颅电刺激前与施加经颅电刺激时采集用户的生命体征数据;或在施加经颅电刺激前采集用户的生命体征数据。
具体的,本实施例中的闭环式抑郁症诊疗系统具备3种数据采集-经颅电刺激同步化方案:
(1)持续性监测神经调控方案:1.数据采集:包括采集的数据的种类、采集时间和经颅电刺激之间的间隔时间等选择和执行,主要用于刺激前状态的评估;2.经颅电刺激:包括电刺激位点、刺激模式、刺激频率、刺激时长、刺激后数据采集的间隔时间等的选择和执行,这是神经调控的主要实施步骤;3.刺激后数据采集:包括采集的数据的种类,采集时间和经颅电刺激刺激和刺激后数据采集之间的间隔时间等选择和执行,主要用于刺激后状态的评估。
(2)同步性监测神经调控方案:1.经颅电刺激前数据采集;2.经颅电刺激的同时进行数据采集:包括经颅电刺激位点、同步脑电信号采集位点和fNIRS采集位点等重要参数的选择和执行;3.经颅电刺激后数据采集。
(3)智能化监测神经调控方案:1.经颅电刺激前数据采集;2.数据驱动的个性化电刺激方案的自动设定和执行,即根据上一步采集的数据得到的状态评估结果,自动选择调节电刺激的各个参数,实现个性化神经调控方案;3.经颅电刺激后数据采集。
不同的用户实行不同的数据采集-经颅电刺激同步化方案,实现对用户的针对性治疗,提升治疗的有效性。
在具体实施例中,本实施例中的诊断系统还可用于治疗癫痫、孤独症、尼古丁依赖、酒精依赖、帕金森、睡眠障碍,疼痛,认知障碍,卒中后运动康复和言语康复等神经系统疾病和精神疾病。
在具体实施例中,本实施例中的一环是抑郁症诊疗系统具备个性化算法,个性化算法体现在两个方面,第一是状态评估的个性化,个性化的精准评估在于充分利用用户的数据,另一方面,基于多导联脑电信号的脑功能连接可以分析出在某些特定脑区的功能连接是减弱或是增强的,那可以对弱功能连接的区域进行阳极刺激,以提高这些脑区的兴奋性和增强功能连接。此外,也可以通过构建基于通用模型的个性化模型来实现个人状态的精准评估。根据状态匹配相应的经颅电刺激参数包括但不限于刺激模式,刺激位点,刺激强度,刺激时长等。
在具体实施例中,在抑郁症场景下,医生端主要用于显示采集的原始数据(即生命体征数据)以及根据原始数据的评估诊断结果,医生可以通过交互式应用软件进行关键事件的标注和数据校正,同时也通过医生端预设好的经颅电刺激调控治疗方案,再发送到用户端。数据采集-刺激同步化方案中的持续性和同步性监测方案可以通过医生端进行预设,然后把整体方案发送到用户端,由用户通过用户端进行执行或停止治疗方案的操作。如果选择实行智能化的同步化方案,可以根据用户状态,自动的制定治疗方案,治疗后评估用户状态,重复监测-经颅电刺激调控-监测步骤,直到疗程结束,或是稳定达到正常心境状态。根据用户状态决定继续治疗还是终止治疗。如果出现异常状态则需要对医生端和用户端进行预警,以便采取进一步的措施。
在具体实施例中,本申请中的闭环式抑郁症诊疗系统是便携式的,针对抑郁症场景,既可以满足住院病人在医院中的应用,又可以作为居家监护设备允许病人带回家中使用,免去多次来回往返医院的麻烦,增加用户对治疗方案的依从性。在医院场景下,可以辅助医生对用户进行抑郁状态诊断和疗效评估,并减轻医生的照护负担。在居家监护场景下,通常是在医院由专业医生进行首诊,确定用户抑郁症状态以及相匹配的治疗方案,治疗方案包括经颅电刺激模式,刺激强度,刺激时间等,由用户将设备带回家中自行进行监护治疗,增加用户对治疗方案的依从性,同时减少恶性事件发生。基于上述逻辑实现的闭环式抑郁症诊疗系统如图3所示,其中,用户需进行首次诊断评估,并根据固定的治疗方案或个性化治疗方案进行不同方案的治疗,获得用户的状态评估结果,结果包括健康、轻度抑郁、中度抑郁获得重度抑郁等,用户端、亲友端和医生端根据用户的不同状态评估结果进行不同方案的应对,以保证用户的安全。此外,同样的目的,居家监护设备的功能也同样可以用于医院端。
在具体实施例中,本发明第二实施例提供一种闭环式抑郁症诊疗设备,包括如本申请第一实施例中任一项所述的闭环式抑郁症诊疗系统。通过使用本设备,实现对用户的抑郁症客观评价,同时医生端对抑郁状态进行评判,并下发与抑郁状态对应的电刺激参数,实现对用户的个性化治疗。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种闭环式抑郁症诊疗系统,其特征在于,所述系统包括:用户端、云端和医生端,所述用户端、所述云端和所述医生端均双向交互;
所述医生端用于预设第一电刺激参数并发送至所述云端,所述云端用于将所述第一电刺激参数发至所述用户端;
所述用户端用于利用所述第一电刺激参数对用户进行经颅电刺激,同时还用于实时获取用户的生命体征数据,将所述生命体征数据发送至所述云端,及发送所述用户的就诊请求至医生端;
所述云端还用于对所述生命体征数据进行预处理,利用预处理后的生命体征数据和预设的算法获得用户的第一抑郁状态,并将所述第一抑郁状态发送至用户端和医生端;所述预设的算法至少包括传统算法、人工智能算法或深度学习算法中任意一种算法;所述抑郁状态至少包括健康、轻度抑郁、中度抑郁和重度抑郁;所述预处理至少包括对所述生命体征数据进行滤波去噪、数据片段化操作和数据标签对齐;所述传统算法包括EMD算法、FFT算法、PSD算法、AR算法和HHT算法中任意一种算法;
所述用户端还用于显示所述第一抑郁状态,并当所述第一抑郁状态为轻度抑郁、中度抑郁或重度抑郁时进行报警;
所述医生端还用于显示所述第一抑郁状态,并当所述第一抑郁状态为重度抑郁时发送第一提示信号至所述用户端,还用于获取所述预处理后的生命体征数据,对所述预处理后的生命体征数据进行标注与修正,将所述标注与修正后的生命体征数据发送至云端,及获取用户端的所述就诊请求为所述用户进行就诊预约;
所述云端还用于根据所述修正后的生命体征数据、及预设的神经网络模型或预设的算法获得用户的第二抑郁状态,并将所述第二抑郁状态作为所述第一抑郁状态发送至用户端和医生端;所述预设的模型或包括多分支神经网络模型或基于迁移学习的个性化模型中任意一种模型;所述预设的算法包括基于EEG的脑功能连接网络算法;
所述用户端还用于显示所述第一提示信号以提示所述用户需进行就医。
2.如权利要求1所述的闭环式抑郁症诊疗系统,其特征在于:所述用户端包括脑电信号采集模块和功能性近红外光采集模块;
所述脑电信号采集模块用于采集所述用户的脑电信号;
所述功能性近红外光采集模块用于采集所述用户的近红外光成像数据;
所述生命体征数据包括所述脑电信号和所述近红外光成像数据,及所述用户的临床数据、脑功能成像数据、所述用户进行或不进行预设的情绪刺激任务时的面部视频数据、面部图像数据、语音数据和语料数据。
3.如权利要求1所述的闭环式抑郁症诊疗系统,其特征在于:所述系统还包括亲友端,所述亲友端连接所述用户端和所述云端;
所述亲友端用于获取所述用户的生命体征数据和第一抑郁状态,以监控所述用户的症状变化情况;
所述亲友端还用于获取所述用户端已执行的第一电刺激参数,以监控所述用户的治疗过程。
4.如权利要求3所述的闭环式抑郁症诊疗系统,其特征在于:所述亲友端还连接所述医生端;
当所述第一抑郁状态为重度抑郁时,所述医生端还用于发送第二提示信号至所述亲友端,以提醒所述用户的亲友关注所述用户的症状。
5.如权利要求1所述的闭环式抑郁症诊疗系统,其特征在于:所述用户端还用于根据预设的电刺激参数获取模型或预设的电刺激参数获取算法获得与所述第一抑郁状态对应的第二电刺激参数;所述预设的电刺激参数获取模型包括基于迁移学习的个性化模型;所述预设的电刺激参数获取算法包括基于EEG的脑功能连接算法;所述个性化模型为通过大群体数据构建的通用模型,并基于通用模型利用所述用户的部分生命体征数据进行模型微调获得个性化模型,或基于用户的多通道EEG数据构建基于EEG的功能连接网络;
所述用户端还用于根据所述第一电刺激参数或所述第二电刺激参数对所述用户进行经颅电刺激治疗。
6.如权利要求5所述的闭环式抑郁症诊疗系统,其特征在于:所述第一电刺激参数和所述第二电刺激参数包括电刺激位点、刺激模式、刺激频率和刺激时长;
所述用户端还用于根据所述第一电刺激参数或第二电刺激参数,并结合认知行为疗法、冥想、音乐调节、睡眠调节、聊天机器人中任意一种或多种干预行为对所述用户进行治疗。
7.如权利要求6所述的闭环式抑郁症诊疗系统,其特征在于:所述经颅电刺激包括经颅直流电刺激、经颅交流电刺激、经颅随机噪声电刺激、经颅脉冲电刺激、伪刺激和自定义波形刺激中任意一种刺激模式。
8.如权利要求2所述的闭环式抑郁症诊疗系统,其特征在于,所述深度学习算法包括:利用预设的多分支神经网络模型获得用户的第一抑郁状态;
所述预设的多分支神经网络模型至少包含多个通道、通道注意力模块、多个分支网络和全连接层,每个通道用于输入一种生命体征数据;
每个通道同时经过一个通道注意力模块为所述通道进行加权处理,加权后的通道经过与所述通道对应的分支网络对所述生命体征数据进行特征提取,提取的特征进行融合,再经过多分支神经网络模型中的全连接层得到所述用户的第一抑郁状态。
9.如权利要求1所述的闭环式抑郁症诊疗系统,其特征在于:所述实时获取用户的生命体征数据,包括:
在施加经颅电刺激的间隔时间采集所述用户的生命体征数据;
或在施加经颅电刺激前与施加经颅电刺激时采集所述用户的生命体征数据;
或在施加经颅电刺激后采集所述用户的生命体征数据。
10.一种闭环式抑郁症诊疗设备,其特征在于:包括如权利要求1-9中任一项所述的闭环式抑郁症诊疗系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993729.2A CN117198503A (zh) | 2023-08-08 | 2023-08-08 | 一种闭环式抑郁症诊疗系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993729.2A CN117198503A (zh) | 2023-08-08 | 2023-08-08 | 一种闭环式抑郁症诊疗系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117198503A true CN117198503A (zh) | 2023-12-08 |
Family
ID=88995179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310993729.2A Pending CN117198503A (zh) | 2023-08-08 | 2023-08-08 | 一种闭环式抑郁症诊疗系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198503A (zh) |
-
2023
- 2023-08-08 CN CN202310993729.2A patent/CN117198503A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN111477299B (zh) | 结合脑电检测分析控制的声电刺激神经调控方法及装置 | |
US11400289B2 (en) | Apparatus and methods for predicting therapy outcome | |
Blinowska et al. | Electroencephalography (eeg) | |
Ren et al. | Off-line and on-line stress detection through processing of the pupil diameter signal | |
Petrantonakis et al. | Emotion recognition from brain signals using hybrid adaptive filtering and higher order crossings analysis | |
JP6124140B2 (ja) | 患者の認知機能の評価 | |
Wolpawa et al. | Brain-computer interfaces for communication and control | |
US7460903B2 (en) | Method and system for a real time adaptive system for effecting changes in cognitive-emotive profiles | |
Kim et al. | Epileptic seizure detection and experimental treatment: A review | |
WO2019009420A1 (ja) | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 | |
US20060111644A1 (en) | Patient-specific seizure onset detection system | |
US20040267152A1 (en) | Method and system for predicting and preventing seizures | |
US20090099474A1 (en) | System and method for combined bioelectric sensing and biosensory feedback based adaptive therapy for medical disorders | |
Kar et al. | Effect of sleep deprivation on functional connectivity of EEG channels | |
CA3102455A1 (en) | Systems and methods for cognitive health assessment | |
Hosseini et al. | Classification of emotional stress using brain activity | |
Baghdadi et al. | Dasps: a database for anxious states based on a psychological stimulation | |
CN112951449A (zh) | 针对神经功能障碍疾病的云端ai调控诊疗系统及其方法 | |
Panachakel et al. | Automated classification of EEG into meditation and non-meditation epochs using common spatial pattern, linear discriminant analysis, and LSTM | |
CN117198503A (zh) | 一种闭环式抑郁症诊疗系统及设备 | |
Hadoush et al. | Modulation of resting-state brain complexity after bilateral cerebellar anodal transcranial direct current stimulation in children with autism Spectrum disorders: a randomized controlled trial study | |
Adochiei et al. | Human behavior, recognition, and interpretation system using physiological signals | |
CN117138231A (zh) | 一种协同式神经调控系统及设备 | |
Feng et al. | Application of Brain-Computer-Interface in awareness detection using machine learning methods |
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 |