CN117497141A - 一种针对患者的心理干预智能交互系统以及方法 - Google Patents

一种针对患者的心理干预智能交互系统以及方法 Download PDF

Info

Publication number
CN117497141A
CN117497141A CN202311590904.XA CN202311590904A CN117497141A CN 117497141 A CN117497141 A CN 117497141A CN 202311590904 A CN202311590904 A CN 202311590904A CN 117497141 A CN117497141 A CN 117497141A
Authority
CN
China
Prior art keywords
patient
psychological
data
basic
module
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
Application number
CN202311590904.XA
Other languages
English (en)
Inventor
刘畅
刘帅
王效影
端慧敏
尚斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Medical District Pla General Hospital
Original Assignee
Jingdong Medical District Pla General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingdong Medical District Pla General Hospital filed Critical Jingdong Medical District Pla General Hospital
Priority to CN202311590904.XA priority Critical patent/CN117497141A/zh
Publication of CN117497141A publication Critical patent/CN117497141A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开一种针对患者的心理干预智能交互系统以及方法，用于解决大型语义模型无法针对存在心理问题的用户进行情感判别，并针对使用者的情感状态确定干预策略，没有可以全天候针对患者交互的系统；无法自动针对肿瘤患者的个体化差异，进行个性化的交互，从而对患者的心理进行干预的问题。包括：基础数据采集模块、基本问题库、待预测数据获取模块以及患者心理状态预测模型，并且，在语义分析的大型模型中加入并行的情感判别模块，生成的答案后面引入一个用于心理干预的模块，更改文字表述，缓解用户心理问题。提高对患者心理干预效果，实现全天候自动与患者进行心理干预智能交互，为不同患者进行个性化解答，实现个性化交互。

Description

一种针对患者的心理干预智能交互系统以及方法
技术领域
本发明涉及神经网络技术领域，尤其涉及一种针对患者的心理干预智能交互系统以及方法。
背景技术
肿瘤是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物，因为这种新生物多呈占位性块状突起，也称赘生物。肿瘤患者常见的症状大概有疲劳、失眠、疼痛、厌食、呼吸困难、认知问题、焦虑、恶心、抑郁等。对于肿瘤患者来说，除了进行身体的治疗，心理干预也很重要。肿瘤患者及其家属易于出现心理问题，常伴有抑郁、焦虑、猜疑、失眠、绝望和强迫等症状。严重者拒绝交流和治疗，甚至出现自杀倾向。因此，临床应对肿瘤患者的情绪状况需给予充分的重视，并在早期进行干预。
对于肿瘤患者和家属，临床医生的情感干预不仅可缓解患者焦虑和抑郁的情绪，消除恐惧感，同时还可以减轻患者因接受化疗或放疗而出现的生理性反应，从而提高提高肿瘤晚期患者的生存质量。因此，对于肿瘤晚期患者及其家属，临床人员应给予全程的、及时的情感干预，与患者保持紧密的交流，从而及时地对患者及其家属的心理问题进行疏导。但肿瘤患者个人情况、患病情况、知识背景不尽相同，如何构建与肿瘤患者交流的数据库是目前临床亟需解决的问题之一。
目前尚无可以7*24小时全天候针对晚期肿瘤患者交互的系统；或者在肿瘤患者的自动交流引导中，未与心理学的干预策略结合，对肿瘤患者心理干预效果有限，现有技术中并没有一种能够自动针对肿瘤患者的个体化差异，进行个性化的交互，从而对患者的心理进行干预的方案。
现有技术中，目前大型语义模型的模型主要有语言模型、对话管理模型、知识库等构成。其中对话管理模型实现与用户的对话，并理解用户的问题，语言模型则是根据知识库预训练出问题的答案。
然而，目前大型语义模型无法针对存在心理问题的用户进行情感判别，并针对使用者的情感状态确定干预策略。
因此，亟需提供一种针对患者的心理干预智能交互系统以及方法。
发明内容
本发明的目的在于提供一种针对患者的心理干预智能交互系统以及方法，用于解决现有技术中大型语义模型无法针对存在心理问题的用户进行情感判别，并针对使用者的情感状态确定干预策略，没有可以全天候针对晚期肿瘤患者交互的系统；在肿瘤患者的自动交流引导中，未与心理学的干预策略结合，对肿瘤患者心理干预效果有限，无法自动针对肿瘤患者的个体化差异，进行个性化的交互，从而对患者的心理进行干预的问题。
为了实现上述目的，本发明提供如下技术方案：
一种针对患者的心理干预智能交互系统，包括：
基础数据采集模块、基本问题库、待预测数据获取模块以及患者心理状态预测模型；
所述基础数据采集模块用于采集多个患者的基础数据；所述基础数据至少包括多个患者的身份数据以及心理相关数据；所述心理相关数据至少包括针对不同患者的历史问答数据、患者的历史心理病例数据以及专家经验数据；
基于所述基础数据模块采集的所述基础数据构建形成所述基本问题库；所述基本问题库中至少包括多个问题、多个所述问题对应的答案以及回答内容的语言风格；所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义；
所述待预测数据获取模块用于获取患者的待预测问题数据；构建形成的所述基本问题库基于所述待预测问题数据为患者匹配目标答案并根据所述患者的情绪数据确定所述目标答案的目标回答风格；
所述患者心理状态预测模型用于基于所述待预测问题数据自动预测患者的心理状态。
优选的，所述系统还包括：
反馈分析模块，当所述患者接收到到目标回答风格的目标答案之后，继续获取所述患者的反馈信息；
采用所述反馈分析模块对所述反馈信息进行分析，确定所述目标风格的目标回答是否满足患者的需求；
若所述目标风格的目标回答不满足患者的需求，基于针对该患者的问答情况对所述基本问题数据库进行修正更新。
优选的，所述系统还包括：
患者心理状态预测模型训练模块；所述患者心理状态预测模型训练模块的训练过程包括：
获取患者的历史问答数据，将所述历史问答数据分为训练样本以及测试样本；
利用所述训练样本对患者心理状态预测模型进行训练，得到患者初始心理状态预测模型；
采用测试样本对所述患者初始心理状态预测模型进行测试，确定所述患者初始心理状态预测模型的误差；
基于所述误差对所述患者初始心理状态预测模型进行迭代训练，直至所述误差满足预设阈值，得到训练完成的患者心理状态预测模型。
优选的，所述回答内容的语言风格至少包括：严肃专业型、温柔体贴型、幽默型及睿智型；所述基本问题库提取所述待预测问题数据中的问题内容中的关键词，基基于关键词匹配技术为患者匹配得到对应的目标答案，并且所述基本问题库提取所述待预测问题数据中的患者情绪信息，根据所述患者情绪信息为患者选择对应的语言风格。
优选的，所述语言风格生成模型基于自然语言处理技术，通过改变语言风格生成模型的输入参数，将输入的原始文本根据预设要求进行渲染，以形成不同风格的语言文本；所述语言风格生成模型中包括情感判别模块以及心理干预模块；所述情感判别模块与语音分析并行，用于判别用户当前精神状态；所述心理干预模块用于更改文字表述。
优选的，所述语言风格生成模型至少包括：
输入层，编码层，调整层以及解码层；
所述基础数据通过所述输入层输入所述语言风格生成模型，得到包含词意与词性的表示矩阵；
所述编码层通过两个双向门控循环单元对输入的所述基础数据进行编码，分别抽取句子的内容与风格信息；
所述调整层抽取修改内容与风格信息；由解码层将调整层抽取修改的内容与风格信息转换为目标风格的文本。
优选的，所述患者的身份数据至少包括患者的姓名、性别、籍贯、生活环境以及工作环境信息；所述基本问题库中针对不同的患者，存储有不同患者的问题对应答案内容以及语言风格；所述语言风格还包括语言类型；所述语言类型与不同患者的地方性语言匹配。
优选的，所述患者心理状态预测模型为深度学习网络模型；所述心理状态至少包括健康状态以及抑郁状态；所述患者心理状态预测模型包括词嵌入层、特征提取层以及概率预测输出层；
所述待预测问题数据输入所述患者心理状态预测模型中，通过所述词嵌入层完成嵌入，通过所述特征提取层提取所述待预测问题数据中的特征信息；所述概率预测层基于所述特征信息完成患者心理状态的概率预测并输出预测概率值，基于输出的概率预测值判断患者的心理状态以及抑郁程度。
优选的，所述患者心理状态预测模型融合了LSTM、Transformer词嵌入模块以及卷积结构，所述患者心理状态预测模型通过Transformer词嵌入模块对输入的文本信息实现编码，通过独热编码将文本映射到数值向量空间，同时训练一个可学习的权重矩阵同数值向量相乘实现数据降维；随后将经过编码的数据输入LSTM以及卷积融合结构中进行特征提取；最后由全连接层对提取的语义特征进行评估，对输入文本进行评分，通过Sigmoid层将评分映射到0-1之间，实现抑郁概率的预测。
本发明还提供一种针对患者的心理干预智能交互方法，包括：
获取患者的待预测问题数据；
确定所述待预测问题数据中的问题内容以及患者情绪信息；
提取所述问题内容中的关键词；
基于所述关键词从基本问题库中匹配得到所述待预测问题数据对应的目标答案，并基于所述患者情绪信息从基本问题库中匹配得到所述待预测问题数据对应的目标回答风格；所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义；
采用训练完成的患者心理状态预测模型根据所述患者情绪信息自动预测患者的心理状态；
基于所述目标回答风格、所述目标答案以及所述心理状态生成提示信息并反馈给所述患者。
与现有技术相比，本发明提供的针对患者的心理干预智能交互系统，通过构建基础数据采集模块、基本问题库、待预测数据获取模块以及患者心理状态预测模型，采集多个患者的基础数据，基于基础数据模块采集的所述基础数据构建形成基本问题库；基本问题库基于所述待预测问题数据为患者匹配目标答案并根据所述患者的情绪数据确定所述目标答案的目标回答风格；患者心理状态预测模型用于基于所述待预测问题数据自动预测患者的心理状态。利用神经网络技术实现与患者的自动交流引导，与心理学的干预策略结合，提高对患者心理干预效果，实现全天候自动与患者进行心理干预智能交互，根据患者的个体情况以及不同问题类型，为不同患者进行个性化解答，实现个性化交互。并且，在语义分析的大型模型中加入并行的情感判别模块，在生成问题部分，在生成的答案后面引入一个用于心理干预的模块，更改文字表述，缓解用户的心理问题。在用户输入文本后，通过两个多头注意力模块，一个模块用于情感分析，判别用户当前的精神状态；一个用于语义分析，理解文本含义。在语义生成部分，则是先生成需进行回答的文本，随后通过一个神经网络模块进行调整，以针对当前用户的情感状态进行引导，缓解用户存在的焦虑、抑郁等心理问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明提供的针对患者的心理干预智能交互系统结构示意图；
图2为本发明提供的针对患者的心理干预智能交互方法流程图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。
接下来，结合附图对本说明书实施例提供的方案进行说明：
如图1所示，该系统可以包括基础数据采集模块、基本问题库、待预测数据获取模块以及患者心理状态预测模型；
所述基础数据采集模块用于采集多个患者的基础数据；所述基础数据至少包括多个患者的身份数据以及心理相关数据；所述心理相关数据至少包括针对不同患者的历史问答数据、患者的历史心理病例数据以及专家经验数据；
基础数据采集模块可以采集海量数据，数据来源可以是医院系统的病例数据，还可以是患者或患者家属自动录入系统的基础数据；基础数据可以包含患者的基本信息、病情信息、看诊记录以及用药记录等等，例如：患者个人身份信息、患者工作信息、患者所患病症以及患者个人喜好。还可以包含患者的历史心理病例数据，例如：抑郁症病史或者其他心理问题历史数据。还可以包含专家经验数据，专家经验数据主要是专业心理医生根据经验总结得到的数据。通过基础数据的统计形成问题基本库，可以通过输入患者个人信息，能够获取患者的人物形象、性格、患病情况及所处生活环境等，从而有利于后续的治疗，为患者提出的问题匹配更为准确的答案。
基于所述基础数据模块采集的所述基础数据构建形成所述基本问题库；所述基本问题库中至少包括多个问题、多个所述问题对应的答案以及回答内容的语言风格；
基本问题库形成，可以是由专业医生心理根据经验列写出问题及对应的回答。也可以是利用数据库统计技术结合神经网络形成的数据库，例如：利用知识图谱形成的数据库。然后利用深度学习网络将回答内容改写为不同的语言风格，形成带有语言风格的语料库。语料库可以借助chatGPT等工具形成。所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义；
所述待预测数据获取模块用于获取患者的待预测问题数据；构建形成的所述基本问题库基于所述待预测问题数据为患者匹配目标答案并根据所述患者的情绪数据确定所述目标答案的目标回答风格；
问题的回答风格可以与患者提出的问题内容以及患者的提问语气有关，根据存储在基本问题库内的个人特征库对患者分析，得到该患者的压力或焦虑强度，基于该压力或焦虑强度得到该患者喜欢的声音种类。
所述患者心理状态预测模型用于基于所述待预测问题数据自动预测患者的心理状态。
除了针对不同患者匹配不同语言风格的答案之外，本方案还可以提前自动预测患者的心理状态，以便及时为患者进行心理干预。本方案提供的交互系统为了能够更为准确地与患者进行交互，达到对患者进行心理干预的效果，可以搜集的信息涵盖患者生理、心理、生活方式、自然环境等维度信息，如患者基本信息、疾病状况、用药、饮食、运动、睡眠、情绪、气温、湿度等数据。
图1中的方案，通过构建基础数据采集模块、基本问题库、待预测数据获取模块以及患者心理状态预测模型，采集多个患者的基础数据，基于基础数据模块采集的所述基础数据构建形成基本问题库；基本问题库基于所述待预测问题数据为患者匹配目标答案并根据所述患者的情绪数据确定所述目标答案的目标回答风格；患者心理状态预测模型用于基于所述待预测问题数据自动预测患者的心理状态。利用神经网络技术实现与患者的自动交流引导，与心理学的干预策略结合，提高对患者心理干预效果，实现全天候自动与患者进行心理干预智能交互，根据患者的个体情况以及不同问题类型，为不同患者进行个性化解答，实现个性化交互。并且，在语义分析的大型模型中加入并行的情感判别模块，在生成问题部分，在生成的答案后面引入一个用于心理干预的模块，更改文字表述，缓解用户的心理问题。在用户输入文本后，通过两个多头注意力模块，一个模块用于情感分析，判别用户当前的精神状态；一个用于语义分析，理解文本含义。在语义生成部分，则是先生成需进行回答的文本，随后通过一个神经网络模块进行调整，以针对当前用户的情感状态进行引导，缓解用户存在的焦虑、抑郁等心理问题。
基于图1的方案，本说明书实施例还提供了该方案的一些具体实施方式，下面进行说明。
所述系统还可以包括：
反馈分析模块，当所述患者接收到到目标回答风格的目标答案之后，继续获取所述患者的反馈信息；
采用所述反馈分析模块对所述反馈信息进行分析，确定所述目标风格的目标回答是否满足患者的需求；
若所述目标风格的目标回答不满足患者的需求，基于针对该患者的问答情况对所述基本问题数据库进行修正更新。
本发明提供的系统可以实时根据与患者之间的交互情况对系统进行实时更新，以帮助系统不断进行自学习，从而不断提高智能交互系统的个性化交互准确性。
所述系统还包括：
患者心理状态预测模型训练模块；所述患者心理状态预测模型训练模块的训练过程包括：
获取患者的历史问答数据，将所述历史问答数据分为训练样本以及测试样本；
利用所述训练样本对患者心理状态预测模型进行训练，得到患者初始心理状态预测模型；
采用测试样本对所述患者初始心理状态预测模型进行测试，确定所述患者初始心理状态预测模型的误差；
基于所述误差对所述患者初始心理状态预测模型进行迭代训练，直至所述误差满足预设阈值，得到训练完成的患者心理状态预测模型。
患者心理状态预测模型为深度学习模型，在训练时，首先创建数据集，加载数据集，然后创建初始神经网络模型，设置损失函数、优化器以及训练网络的超参数，基于设置的参数以及数据集开始训练并记录训练结果，保存训练后的模型，以用于后续的预测识别。
患者心理状态预测模型可以由VAE构成的降维网络、全连接层组成的分类器(Classifier)组成，首先通过VAE的编码器将输入数据的维度降低到合适的维度，然后将对应维度为的数据送入分类器进行训练，完成手写数字的识别任务。其中VAE的解码器的作用是配合编码器进行训练，以便使得降维后的数据可以较好的表征输入数据。
所述回答内容的语言风格至少包括：严肃专业型、温柔体贴型、幽默型及睿智型；所述基本问题库提取所述待预测问题数据中的问题内容中的关键词，基基于关键词匹配技术为患者匹配得到对应的目标答案，并且所述基本问题库提取所述待预测问题数据中的患者情绪信息，根据所述患者情绪信息为患者选择对应的语言风格。
提问者情绪识别，训练网络通过提问者的提问，实时判断提问者情绪，并给出警示。提取提问者提问的关键词，与语料问题库的问题匹配，根据情绪选择不同风格的回答回复提问者。语言风格可以包括语言的表现形式，例如：语音、文字，还包括语言的种类，例如：母语、方言、患者说话的习惯等等。根据提问者的情绪反馈，实时调整回答问题的风格。所述患者的身份数据至少包括患者的姓名、性别、籍贯、生活环境以及工作环境信息；所述基本问题库中针对不同的患者，存储有不同患者的问题对应答案内容以及语言风格；所述语言风格还包括语言类型；所述语言类型与不同患者的地方性语言匹配。
所述基本问题库是基于语言风格生成模型生成的；
所述语言风格生成模型基于自然语言处理技术，通过改变语言风格生成模型的输入参数，将输入的原始文本根据预设要求进行渲染，以形成不同风格的语言文本；所述语言风格生成模型中包括情感判别模块以及心理干预模块；所述情感判别模块与语音分析并行，用于判别用户当前精神状态；所述心理干预模块用于更改文字表述。
所述语言风格生成模型至少可以包括：
输入层，编码层，调整层以及解码层；
所述基础数据通过所述输入层输入所述语言风格生成模型，得到包含词意与词性的表示矩阵；
所述编码层通过两个双向门控循环单元对输入的所述基础数据进行编码，分别抽取句子的内容与风格信息；
所述调整层抽取修改内容与风格信息；由解码层将调整层抽取修改的内容与风格信息转换为目标风格的文本。
语言风格转换(Style Transfer)是一种自然语言处理技术，旨在将一个文本的风格转换为另一个风格，改变文本的表达风格，而不改变文本的内容。基于语言模型的方法，通过改变语言模型的输入和参数，将输入的原始文本根据要求进行渲染，以形成不同风格的文本。基本网络结构可以采用Transformer等语义分析网络。该模型包括输入层，编码层，调整层以及解码层。对于输入文本，首先通过嵌入(Embedding)得到包含词意与词性的表示矩阵，然后通过两个双向门控循环单元(Bidirectional-Gated RecurrentUnit,Bi-GRU)分别抽取句子的内容与风格信息，之后依据需要，经过调整层抽取修改风格信息，最终由解码层转换为目标风格的文本。
所述患者心理状态预测模型为深度学习网络模型；所述心理状态至少包括健康状态以及抑郁状态；所述患者心理状态预测模型包括词嵌入层、特征提取层以及概率预测输出层；
所述待预测问题数据输入所述患者心理状态预测模型中，通过所述词嵌入层完成嵌入，通过所述特征提取层提取所述待预测问题数据中的特征信息；所述概率预测层基于所述特征信息完成患者心理状态的概率预测并输出预测概率值，基于输出的概率预测值判断患者的心理状态以及抑郁程度。
更为具体地，患者的情绪可以包含兴、惊奇、厌恶、悲伤、愤怒、恐惧等等，文本情绪识别是自然语言处理研究中的一项重要任务，可以从文本中提取所表达的情绪。近年来深度学习网络已经广泛应用于自然语言处理领域中，如长短期神经网络(Long short-termmemory,LSTM)以及Transformer在内的一些网络模型因其可以捕捉序列数据的前后关系，在该领域取得了优越的效果。本方案的神经网络融合了LSTM、Transformer以及卷积结构，以文本作为输入，对文本所表现出的抑郁程度进行预测，输出抑郁概率结果。该深度学习网络首先通过Transformer词嵌入模块，也即Embedding模块对输入的文本信息实现编码，该部分首先通过独热编码将文本映射到数值向量空间，同时训练一个可学习的权重矩阵同数值向量相乘实现数据降维；随后将经过编码的数据输入LSTM以及卷积融合结构中进行特征提取。由于卷积层无法保留输入数据的序列信息，而单一的LSTM层对文本特征的提取能力欠佳，因此使用融合结构来结合LSTM对长序列数据处理的优势以及卷积模块特征提取方面的优势，实现更为准确的语义分析，并引入Dropout层避免网络过拟合，使模型更易于收敛；最后由全连接层对提取的语义特征进行评估，对输入文本进行评分，通过Sigmoid层将评分映射到0-1之间从而实现抑郁概率的预测。
更为具体地，所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义；
所谓自注意力机制就是通过某种运算来直接计算得到句子在编码过程中每个位置上的注意力权重；然后再以权重和的形式来计算得到整个句子的隐含向量表示。自注意力机制的缺陷就是：模型在对当前位置的信息进行编码时，会过度的将注意力集中于自身的位置，因此作者提出了通过多头注意力机制来解决这一问题。
当给定相同的查询、键和值的集合时，模型可以基于相同的注意力机制学习到不同的行为，然后将不同的行为作为知识组合起来，例如捕获序列内各种范围的依赖关系(例如，短距离依赖和长距离依赖)。因此，允许注意力机制组合使用查询、键和值的不同的子空间表示(representation subspaces)。与使用单独的一个注意力池化不同，可以独立学习得到h组不同的线性投影(linear projections)来变换查询、键和值。然后，这h组变换后的查询、键和值将并行地进行注意力池化。最后，将这h个注意力池化的输出拼接在一起，并且通过另一个可以学习的线性投影进行变换，以产生最终输出。这种设计被称为多头注意力。本方案中，在语义分析的大型模型中加了一个并行的情感判别模块，在生成问题部分，在生成的答案后面引入了一个用于心理干预的模块，更改文字表述，缓解用户的心理问题。两个模块中，一个模块用于情感分析，进一步判断分析用户当前的精神状态；另一个用于语义分析，理解文本含义。在语义生成部分，则是先生成需进行回答的文本，随后通过一个神经网络模块进行调整，以针对当前用户的情感状态进行引导，缓解用户存在的焦虑、抑郁等心理问题。
基于同样的思路，本发明还提供一种针对患者的心理干预智能交互方法，如图2所示，所述方法可以包括：
步骤201：获取患者的待预测问题数据。
步骤202：确定所述待预测问题数据中的问题内容以及患者情绪信息。
患者情绪信息可以借助外来设备，比如：脉搏监测设备、面部表情监测设备等等来识别患者情绪。问题内容可以基于自然语言处理技术来进行关键词提取以及识别。“喜、怒、忧、思、悲、恐、惊”是最基本的情绪反应，适度的情绪表达能让患者适应生存、维持正常的人际交流以及促进身心的健康。反之，情绪(尤其是负面情绪)如果长期压抑得不到表达，对于病情恢复极其不利。所以，平衡心性就显的格外重要。对于患者来说，经常体验到焦虑、抑郁、恐惧、愤怒、孤单等负面情绪，如果不及时调整，让负面情绪长期存在，会降低免疫力，影响疾病的康复，使复发和转移的风险增加。提供心理支持，能很好的倾听和共情，帮助患者面对疾病，增强战胜疾病的信心和勇气；通过专业的心理技术和相关药物帮助患者改善情绪，缓解失眠、疼痛、疲乏等身心症状；可以帮助调整患病后家庭关系的变化，助力家庭成员间的情感沟通，让家人更好的渡过心理应激以及后续的家庭照护阶段；帮助患者面对死亡焦虑，给予晚期患者临终关怀，处理家属在患者离世后的哀伤等。
步骤203：提取所述问题内容中的关键词。
步骤204：基于所述关键词从基本问题库中匹配得到所述待预测问题数据对应的目标答案，并基于所述患者情绪信息从基本问题库中匹配得到所述待预测问题数据对应的目标回答风格。所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义。
基本问题库中用到的深度神经网络为生成对抗网络，用来进行文本训练，确定回答内容。
步骤205：采用训练完成的患者心理状态预测模型根据所述患者情绪信息自动预测患者的心理状态。患者心理状态预测模型在传统的语义神经网络中进行改动，引入心理干预策略，提高对患者心理干预的效果。
步骤206：基于所述目标回答风格、所述目标答案以及所述心理状态生成提示信息并反馈给所述患者。
图2中的方法就是图1中的系统在进行患者心理干预时所采用的的方法，其技术效果与图1中的系统技术效果相同。本方案根据各类肿瘤患者的患病情况、个人家庭情况和知识背景进行晚期肿瘤患者及家属交流内容的收集和整理，并完成数据库的构建。心理医生通过现有数据库，根据患者的交流方式和交流内容制定出有效的、合理的、个性化的晚期肿瘤情感干预策略。可以7*24小时全天候与晚期肿瘤患者进行交互；在肿瘤患者的自动交流引导中，与心理学的干预策略结合，提高对肿瘤患者心理干预效果，最终提高患者的生存治疗；针对肿瘤患者的个体情况，进行个性化的交互，例如：口音、文化背景、表述方式等。并且，在语义分析的大型模型中加入并行的情感判别模块，在生成问题部分，在生成的答案后面引入一个用于心理干预的模块，更改文字表述，缓解用户的心理问题。在用户输入文本后，通过两个多头注意力模块，一个模块用于情感分析，判别用户当前的精神状态；一个用于语义分析，理解文本含义。在语义生成部分，则是先生成需进行回答的文本，随后通过一个神经网络模块进行调整，以针对当前用户的情感状态进行引导，缓解用户存在的焦虑、抑郁等心理问题。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动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，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种针对患者的心理干预智能交互系统，其特征在于，包括：
基础数据采集模块、基本问题库、待预测数据获取模块以及患者心理状态预测模型；
所述基础数据采集模块用于采集多个患者的基础数据；所述基础数据至少包括多个患者的身份数据以及心理相关数据；所述心理相关数据至少包括针对不同患者的历史问答数据、患者的历史心理病例数据以及专家经验数据；
基于所述基础数据模块采集的所述基础数据构建形成所述基本问题库；所述基本问题库中至少包括多个问题、多个所述问题对应的答案以及回答内容的语言风格；所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义；
所述待预测数据获取模块用于获取患者的待预测问题数据；构建形成的所述基本问题库基于所述待预测问题数据为患者匹配目标答案并根据所述患者的情绪数据确定所述目标答案的目标回答风格；
所述患者心理状态预测模型用于基于所述待预测问题数据自动预测患者的心理状态。
2.根据权利要求1所述的针对患者的心理干预智能交互系统，其特征在于，所述系统还包括：
反馈分析模块，当所述患者接收到到目标回答风格的目标答案之后，继续获取所述患者的反馈信息；
采用所述反馈分析模块对所述反馈信息进行分析，确定所述目标风格的目标回答是否满足患者的需求；
若所述目标风格的目标回答不满足患者的需求，基于针对该患者的问答情况对所述基本问题数据库进行修正更新。
3.根据权利要求2所述的针对患者的心理干预智能交互系统，其特征在于，所述系统还包括：
患者心理状态预测模型训练模块；所述患者心理状态预测模型训练模块的训练过程包括：
获取患者的历史问答数据，将所述历史问答数据分为训练样本以及测试样本；
利用所述训练样本对患者心理状态预测模型进行训练，得到患者初始心理状态预测模型；
采用测试样本对所述患者初始心理状态预测模型进行测试，确定所述患者初始心理状态预测模型的误差；
基于所述误差对所述患者初始心理状态预测模型进行迭代训练，直至所述误差满足预设阈值，得到训练完成的患者心理状态预测模型。
4.根据权利要求1所述的针对患者的心理干预智能交互系统，其特征在于，所述回答内容的语言风格至少包括：严肃专业型、温柔体贴型、幽默型及睿智型；所述基本问题库提取所述待预测问题数据中的问题内容中的关键词，基基于关键词匹配技术为患者匹配得到对应的目标答案，并且所述基本问题库提取所述待预测问题数据中的患者情绪信息，根据所述患者情绪信息为患者选择对应的语言风格。
5.根据权利要求4所述的针对患者的心理干预智能交互系统，其特征在于，所述语言风格生成模型基于自然语言处理技术，通过改变语言风格生成模型的输入参数，将输入的原始文本根据预设要求进行渲染，以形成不同风格的语言文本；所述语言风格生成模型中包括情感判别模块以及心理干预模块；所述情感判别模块与语音分析并行，用于判别用户当前精神状态；所述心理干预模块用于更改文字表述。
6.根据权利要求5所述的针对患者的心理干预智能交互系统，其特征在于，所述语言风格生成模型至少包括：
输入层，编码层，调整层以及解码层；
所述基础数据通过所述输入层输入所述语言风格生成模型，得到包含词意与词性的表示矩阵；
所述编码层通过两个双向门控循环单元对输入的所述基础数据进行编码，分别抽取句子的内容与风格信息；
所述调整层抽取修改内容与风格信息；由解码层将调整层抽取修改的内容与风格信息转换为目标风格的文本。
7.根据权利要求1所述的针对患者的心理干预智能交互系统，其特征在于，所述患者的身份数据至少包括患者的姓名、性别、籍贯、生活环境以及工作环境信息；所述基本问题库中针对不同的患者，存储有不同患者的问题对应答案内容以及语言风格；所述语言风格还包括语言类型；所述语言类型与不同患者的地方性语言匹配。
8.根据权利要求3所述的针对患者的心理干预智能交互系统，其特征在于，所述患者心理状态预测模型为深度学习网络模型；所述心理状态至少包括健康状态以及抑郁状态；所述患者心理状态预测模型包括词嵌入层、特征提取层以及概率预测输出层；
所述待预测问题数据输入所述患者心理状态预测模型中，通过所述词嵌入层完成嵌入，通过所述特征提取层提取所述待预测问题数据中的特征信息；所述概率预测层基于所述特征信息完成患者心理状态的概率预测并输出预测概率值，基于输出的概率预测值判断患者的心理状态以及抑郁程度。
9.根据权利要求8所述的针对患者的心理干预智能交互系统，其特征在于，所述患者心理状态预测模型融合了LSTM、Transformer词嵌入模块以及卷积结构，所述患者心理状态预测模型通过Transformer词嵌入模块对输入的文本信息实现编码，通过独热编码将文本映射到数值向量空间，同时训练一个可学习的权重矩阵同数值向量相乘实现数据降维；随后将经过编码的数据输入LSTM以及卷积融合结构中进行特征提取；最后由全连接层对提取的语义特征进行评估，对输入文本进行评分，通过Sigmoid层将评分映射到0-1之间，实现抑郁概率的预测。
10.一种针对患者的心理干预智能交互方法，其特征在于，包括：
获取患者的待预测问题数据；
确定所述待预测问题数据中的问题内容以及患者情绪信息；
提取所述问题内容中的关键词；
基于所述关键词从基本问题库中匹配得到所述待预测问题数据对应的目标答案，并基于所述患者情绪信息从基本问题库中匹配得到所述待预测问题数据对应的目标回答风格；所述基本问题库是基于语言风格生成模型生成的；所述语言风格生成模型的基本网络结构为Transformer语义分析网络；所述语言风格生成模型包括第一多头注意力模块以及第二多头注意力模块，所述第一多头注意力模块用于情感分析，判别用户当前的精神状态；所述第二多头注意力模块用于语义分析，理解文本含义；
采用训练完成的患者心理状态预测模型根据所述患者情绪信息自动预测患者的心理状态；
基于所述目标回答风格、所述目标答案以及所述心理状态生成提示信息并反馈给所述患者。
CN202311590904.XA 2023-11-27 2023-11-27 一种针对患者的心理干预智能交互系统以及方法 Pending CN117497141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311590904.XA CN117497141A (zh) 2023-11-27 2023-11-27 一种针对患者的心理干预智能交互系统以及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311590904.XA CN117497141A (zh) 2023-11-27 2023-11-27 一种针对患者的心理干预智能交互系统以及方法

Publications (1)

Publication Number Publication Date
CN117497141A true CN117497141A (zh) 2024-02-02

Family

ID=89679985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311590904.XA Pending CN117497141A (zh) 2023-11-27 2023-11-27 一种针对患者的心理干预智能交互系统以及方法

Country Status (1)

Country Link
CN (1) CN117497141A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117954053A (zh) * 2024-02-05 2024-04-30 深圳华思软件有限公司 未成年人心理干预方案的生成方法及系统
CN118412007A (zh) * 2024-07-01 2024-07-30 山东大学 基于语音作答量表的心理分析系统、方法、介质及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117954053A (zh) * 2024-02-05 2024-04-30 深圳华思软件有限公司 未成年人心理干预方案的生成方法及系统
CN118412007A (zh) * 2024-07-01 2024-07-30 山东大学 基于语音作答量表的心理分析系统、方法、介质及设备

Similar Documents

Publication Publication Date Title
Ding et al. A depression recognition method for college students using deep integrated support vector algorithm
CN117497141A (zh) 一种针对患者的心理干预智能交互系统以及方法
Sethu et al. The ambiguous world of emotion representation
CN108305690A (zh) 神经系统疾病分诊方法及神经系统疾病的分诊系统
US12020818B1 (en) Cross care matrix based care giving intelligence
WO2022174161A1 (en) Systems and methods for psychotherapy using artificial intelligence
KR102528953B1 (ko) 원격재가훈련이 가능한 치매예방 인지기능 훈련 서비스 제공 방법
CN116910172B (zh) 基于人工智能的随访量表生成方法及系统
CN112164477A (zh) 基于知识图谱的高血压患者智能问答系统及其建立方法
CN116992002A (zh) 一种智能护理方案应答方法及系统
CN117056536B (zh) 一种基于知识图谱驱动的虚拟医生系统及其操作方法
CN113268582A (zh) 面向社交媒体文本抑郁倾向性分析的基于排序学习模型的特征加权方法
CN115171870A (zh) 一种基于m-BERT预训练模型的就诊引导提示方法及系统
CN116881413A (zh) 基于中文医学知识的智能医疗问答方法
Salvatore et al. Dynamic Mapping of the Structures of Content in Clinical Settings (DMSC). A new coding system for analysing the patient's narratives
CN117412702A (zh) 利用人工智能进行心理治疗的系统和方法
CN114283912A (zh) 基于rthd、人工智能的医学病历建档方法及云平台系统
Das et al. Application of neural network and machine learning in mental health diagnosis
CN112380231A (zh) 一种具有抑郁障碍特征的训练用机器人系统和方法
Griol et al. Towards emotionally sensitive conversational interfaces for e-therapy
CN111986820A (zh) 健康咨询信息的处理方法、装置和电子设备
US20050033608A1 (en) Homoeopathic analysis and synthesis software
Singh et al. Analyzing machine learning algorithms for speech impairment related issues
CN112086168B (zh) 基于心理疏导模型实现的心理数据标签化系统
Deschamps-Berger Social Emotion Recognition with multimodal deep learning architecture in emergency call centers

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