基于时间序列的多路图像化抑郁症识别方法及系统

本发明涉及信号处理，特别涉及基于时间序列的多路图像化抑郁症识别方法及系统。

背景技术：

1、精神健康障碍(mhds)是一种能改变一个人的思想、行为、感情从而导致一系列严重后果的疾病，而抑郁症是精神健康障碍中最常见的疾病之一。

2、目前的抑郁症检测方法主要依赖于量表评估和精神医生的经验判断。通常地，医生会询问一些关于受访者情绪、思想和行为的问题，或者他们会要求受访者完成一些表格或问卷，然后根据患者的描述来诊断抑郁症。然而，当前医生在量表和诊断标准的选取上受其从业经验的影响，且量表内的问题涉及到个人隐私，一些就诊人员在回答问题时会对实际情况有所隐瞒，从而导致医生诊断上的偏差。受这些因素的影响，传统的抑郁症检测方法对抑郁症患者的识别率和敏感性较低。

3、除了上述方式，还可以通过传统的通过医疗设备采集生理指标和行为数据，医生通过指标和数据完成抑郁症的诊断、然而，通过设备来进行抑郁症检测的方式也不具备普适性，因为医疗设备通常较为庞大、笨重且昂贵，使用地点和时间的条件较高，无法随时随地对抑郁症进行长期监测。因此，如何客观、准确地诊断抑郁症是当前领域研究中的一个热点。

4、随着机器学习的发展，有学者利用传统的通过机器学习分类算法将传感器数据与医学上的诊断报告联系起来，通过算法对抑郁症状进行检测与识别，算法得出的检测结果起到了辅助医生诊断的作用。然而，此方法仍旧存在局限性，因为这些方法都是直接对一维的数据进行处理，难以充分挖掘数据的内部特征和更多的细节，导致抑郁症的检测结果的准确率较低，无法为医生的诊断提供更加客观、准确的辅助建议。

技术实现思路

1、本发明的目的是提供基于时间序列的多路图像化抑郁症识别方法及系统，以降低模型对一维数据的依赖性，提高识别的精准度，为医生提供有效的、客观的辅助诊断建议。

2、本发明解决其技术问题的解决方案是：第一方面，本申请提供基于时间序列的多路图像化抑郁症识别方法，包括如下步骤：

3、采集待测活动量数据，所述待测活动量数据为一维时间序列数据，并对所述待测活动量数据进行数据预处理；

4、对数据预处理后的所述待测活动量数据进行图像化处理，生成待测活动量图像，所述待测活动量图像为二维图像数据；

5、利用efficientnet-b0网络从所述待测活动量图像中提取出第一特征向量；

6、利用resnet50v2网络从所述待测活动量图像中提取出第二特征向量；

7、对所述第一特征向量和所述第二特征向量进行特征融合，再利用多层感知机对特征融合结果进行抑郁症的识别，得到抑郁症的识别结果。

8、第二方面，本申请提供基于时间序列的多路图像化抑郁症识别系统，包括：

9、数据采集模块，用于采集待测活动量数据，所述待测活动量数据为一维时间序列数据；

10、数据处理模块，用于对所述待测活动量数据进行数据预处理；

11、图像化处理模块，用于对数据预处理后的所述待测活动量数据进行图像化处理，生成待测活动量图像，所述待测活动量图像为二维图像数据；

12、第一特征提取模块，用于利用efficientnet-b0网络从所述待测活动量图像中提取出第一特征向量；

13、第二特征提取模块，用于利用resnet50v2网络从所述待测活动量图像中提取出第二特征向量；

14、特征融合模块，用于对所述第一特征向量和所述第二特征向量进行特征融合；

15、多层感知机模块，用于对特征融合结果进行抑郁症的识别，得到抑郁症的识别结果。

16、本发明的有益效果是：提供一种基于时间序列的多路图像化抑郁症识别方法及系统，创新性地提出了通过马尔科夫转移场、格拉姆角场和递归图重构活动量数据，使其从一维时序数据转化为二维图像数据，能够在保留时序数据特征的同时，发挥卷积神经网络在图像处理上的优势；并且，本申请通过多网络特征融合的方法来弥补不同网络模型的固有缺陷，通过特征互补的方式从图像中提取出更全面的特征，且在多层感知机中加入了注意力机制，使得多层感知机能够更合理地分配权重给更重要的特征，进一步地提高了抑郁症检测的精准度，克服了传统的抑郁症诊断过程中过度依赖医生经验和患者主观回答的问题，实现自动且低成本的抑郁症检测，所得到的检测结果提供给医生作为有效、客观的诊断参考，辅助医生完成准确的诊断。

17、本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

技术特征：

1.基于时间序列的多路图像化抑郁症识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述采集待测活动量数据，包括：

3.根据权利要求1所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述对所述待测活动量数据进行数据预处理，包括：

4.根据权利要求3所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述对数据预处理后的所述待测活动量数据进行图像化处理，生成待测活动量图像，包括：

5.根据权利要求4所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述根据所述待测活动量数据构建马尔科夫转移场矩阵，通过所述马尔科夫转移场矩阵生成第一单通道图，包括：

6.根据权利要求4所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述根据所述降噪活动量数据构建格拉姆求和角场矩阵，并通过所述格拉姆求和角场矩阵生成第二单通道图，包括：

7.根据权利要求4所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述根据所述待测绝对值数据和所述降噪绝对值数据构建递归图矩阵，并通过所述递归图矩阵生成第三单通道图，包括：

8.根据权利要求1所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述对所述第一特征向量和所述第二特征向量进行特征融合，包括：

9.根据权利要求1所述的基于时间序列的多路图像化抑郁症识别方法，其特征在于，所述多层感知机包括：顺次连接的第三全连接层、注意力层、乘法器、第四全连接层和激活函数层；其中，所述特征融合结果经所述第三全连接层输入至所述注意力层，所述注意力层用于根据所述特征融合结果中的元素，计算得到每个元素对应的分配权重；所述乘法器用于依次所述所述特征融合结果中的元素与其对应的所述分配权重做乘法运算，得到注意力特征；所述注意力特征通过所述第四全连接层输入至所述激活函数层，所述激活函数层用于通过softmax激活函数输出抑郁症的识别结果。

10.基于时间序列的多路图像化抑郁症识别系统，其特征在于，包括：

技术总结
本发明公开了基于时间序列的多路图像化抑郁症识别方法及系统，包括：采集待测活动量数据；通过图像化处理将待测活动量数据转化为待测活动量图像；分别通过Efficientnet‑B0和Resnet50v2对待测活动量图像进行特征提取，之后进行特征融合；最后，通过多层感知机对融合后的结果进行抑郁症识别。本申请通过改变活动量数据的维度，不仅保留了时序数据特征，还发挥了卷积神经网络在图像处理上的优势，并通过多特征融合来弥补不同网络的缺陷和实现特征互补，进而从图像中提取出更全面的特征，进一步地提高了抑郁症检测的精准度，所得到的检测结果提供给医生作为有效、客观的诊断参考，以辅助医生完成准确的诊断。

技术研发人员：蔡浩,李楠,许建龙,熊智,朱长盛,汪飞
受保护的技术使用者：汕头大学
技术研发日：
技术公布日：2024/1/14