一种用于抑郁和焦虑识别的特征增强及特征重筛选方法与流程

本发明涉及医疗，具体地涉及一种用于抑郁和焦虑识别的特征增强及特征重筛选方法。

背景技术：

1、精神疾病的检测和治疗一直是医疗体系的重要组成部分。其中，抑郁症和焦虑症是困扰人们生活的主要精神疾病。抑郁症患者主要表现情绪低落、社交障碍和食欲不振等症状。而焦虑症患者主要表现为对威胁的敏感性增高，具体行为包括逃避和紧张等。这些疾病给患者的生活和工作造成了严重影响。

2、研究发现，患者在情绪敏感性和认知能力方面与常人存在差异。这种损伤会导致患者的情绪变化，进而影响情感表达。现有技术中主要采用两种方式，一种是采用观看情绪刺激视频和半结构化访谈的形式进行表情诱发，然后使用支持向量机根据面部表情变化特征进行抑郁症和焦虑症检测。另一种则结合患者完成的自评焦虑量表(sas)和自评抑郁量表(sds)时的面部表情进行抑郁症和焦虑症检测。

3、但是，上述两种方式都需要大量的样本数量才能获得较为准确的检测结果，而对于小样本数据则无法确保检测结果的准确度。

技术实现思路

1、本发明实施例的目的是提供一种用于抑郁和焦虑识别的特征增强及特征重筛选方法，用于全部或至少部分的解决上述现有技术中存在的技术缺陷。

2、为了实现上述目的，本发明实施例提供一种用于抑郁和焦虑识别的特征增强及特征重筛选方法，包括：获取基于用户面部表情构建的序列图像；

3、将所述序列图像输入至预先构建的抑郁症和焦虑症检测模型，获得识别结果，其中，所述预先构建的抑郁症和焦虑症检测模型是基于学习和模仿网络以及特征金字塔网络构建的。

4、可选的，所述预先构建的抑郁症和焦虑症检测模型包括特征提取模块、学习和模仿模块、密集连接模块以及特征金字塔网络模块，其中，所述特征金字塔网络模块包括时间特征金字塔网络模块和空间特征金字塔网络模块。

5、可选的，所述用于抑郁和焦虑识别的特征增强及特征重筛选方法还包括：

6、获取基于用户面部表情构建的序列图像中包含的多尺度特征，其中，所述多尺度特征包括时间尺度特征和空间尺度特征；

7、将所述多尺度特征依次输入至所述特征金字塔网络模块中的平均池化层和多个分类器中，得到包含多个类别概率的分类概率图谱；

8、从所述分类概率图谱中选取一类别概率作为基础类别图谱；

9、根据所述分类概率图谱和所述基础类别图谱，确定注意力图谱；

10、所述特征金字塔网络模块中设有平均池化层和多个分类器。

11、可选的，将所述序列图像输入至预先构建的抑郁症和焦虑症检测模型，获得识别结果，包括：

12、将获取到的基于用户面部表情构建的序列图像输入至所述特征提取模块中，获得各时间节点对应的基础特征；

13、将所述各时间节点对应的基础特征输入至学习和模仿模块，获得各时间节点对应的多尺度特征；

14、将所述各时间节点对应的多尺度特征输入至所述密集连接模块进行时间特征多尺度融合，获得时间多尺度特征；

15、将所述时间多尺度特征输入至所述时间特征金字塔网络模块，获得时间注意力图谱；

16、将所述各时间节点对应的多尺度特征与所述时间注意力图谱相结合，获得空间多尺度特征；

17、将所述空间多尺度特征输入至所述空间特征金字塔网络模块，获得识别结果。

18、可选的，将所述基础特征输入至学习和模仿模块，获得各时间节点对应的多尺度特征，包括：

19、在学习阶段，基于各时间节点对应的基础特征对基于用户面部表情构建的序列图像中的关注区域进行总结，获得注意力图谱；

20、在模仿阶段，利用所述注意力图谱对各时间节点对应的基础特征进行重定义，获得所述各时间节点对应的多尺度特征。

21、可选的，所述抑郁和焦虑识别方法还包括：

22、采用交叉熵损失函数对所述识别结果进行优化。

23、另一方面，本发明还提供一种用于抑郁和焦虑识别的特征增强及特征重筛选系统，包括：

24、获取单元，用于获取基于用户面部表情构建的序列图像；

25、检测单元，用于将所述序列图像输入至预先构建的抑郁症和焦虑症检测模型，获得识别结果，其中，所述预先构建的抑郁症和焦虑症检测模型是基于学习和模仿网络以及特征金字塔网络构建的。

26、另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述所述的特征增强及特征重筛选方法的步骤。

27、另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的特征增强及特征重筛选方法的步骤。

28、通过上述技术方案，基于学习和模仿网络可以使序列特征的提取不再是相互独立的状态而是相互促进从而提高对重点区域的关注程度的优势，以及结合特征金字塔网络抑制序列特征中的离群节点的优势提出了一种基于学习和模仿网络以及特征金字塔网络构建的抑郁症和焦虑症检测模型，不仅可以实现对小样本数据的检测，而且可以获得高准确度的检测结果。

29、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种用于抑郁和焦虑识别的特征增强及特征重筛选方法，其特征在于，包括：

2.根据权利要求1所述的特征增强及特征重筛选方法，其特征在于，所述预先构建的抑郁症和焦虑症检测模型包括特征提取模块、学习和模仿模块、密集连接模块以及特征金字塔网络模块，其中，所述特征金字塔网络模块包括时间特征金字塔网络模块和空间特征金字塔网络模块。

3.根据权利要求2所述的特征增强及特征重筛选方法，其特征在于，所述抑郁和焦虑识别方法还包括：

4.根据权利要求2所述的特征增强及特征重筛选方法，其特征在于，将所述序列图像输入至预先构建的抑郁症和焦虑症检测模型，获得识别结果，包括：

5.根据权利要求4所述的特征增强及特征重筛选方法，其特征在于，将所述基础特征输入至学习和模仿模块，获得各时间节点对应的多尺度特征，包括：

6.根据权利要求1所述的特征增强及特征重筛选方法，其特征在于，所述抑郁和焦虑识别方法还包括：

7.一种用于抑郁和焦虑识别的特征增强及特征重筛选系统，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任意一项所述的特征增强及特征重筛选方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的特征增强及特征重筛选方法的步骤。

技术总结
本发明实施例提供一种用于抑郁和焦虑识别的特征增强及特征重筛选方法，属于医疗领域。该方法包括：获取基于用户面部表情构建的序列图像；将所述序列图像输入至预先构建的抑郁症和焦虑症检测模型，获得识别结果，其中，所述预先构建的抑郁症和焦虑症检测模型是基于学习和模仿网络以及特征金字塔网络构建的。这样，基于学习和模仿网络可以使序列特征的提取不再是相互独立的状态而是相互促进从而提高对重点区域的关注程度的优势，以及结合特征金字塔网络抑制序列特征中的离群节点的优势提出了一种基于学习和模仿网络以及特征金字塔网络构建的抑郁症和焦虑症检测模型，不仅可以实现对小样本数据的检测，而且可以获得高准确度的检测结果。

技术研发人员：鹿麟,王庆祥,胡鑫嫄,于天贵,夏伟丽,李兴运,郑云哨,李文涛,李新
受保护的技术使用者：山东省精神卫生中心
技术研发日：
技术公布日：2024/3/17