一种基于多维度因素的抑郁情绪评测方法

本发明涉及抑郁情绪评测，尤其涉及一种基于多维度因素的抑郁情绪评测方法。

背景技术：

1、抑郁症是一种常见的心理障碍，其症状包括情绪低落、失去兴趣、疲劳、睡眠障碍、食欲改变等。准确评测抑郁情绪对于抑郁症的诊断和治疗至关重要。传统的抑郁评测方法主要基于自我报告的量表，如汉密尔顿抑郁量表（hamd）。然而，这些量表只能从单一维度评估抑郁症状，无法全面反映患者的心理状态。因此，开发一种基于多维度因素的抑郁情绪评测方法，以提高抑郁情绪评估的准确性和可靠性，是当前亟待解决的问题。

2、随着心理测量学和人工智能技术的发展，多维度、多模态的数据采集和分析成为可能，为解决上述问题提供了新的思路。例如，通过采集生理指标（如心率、血压、体温等）、行为指标（如面部表情、肢体语言等）和认知指标（如注意力、记忆力等），可以更全面地评估抑郁情绪。然而，如何将这些多维度的数据有效地整合在一起，以准确评测抑郁情绪，仍然是一个技术挑战。

3、本发明提出了一种基于多维度因素的抑郁情绪评测方法，旨在解决上述问题。该方法结合生理指标、行为指标和认知指标等多维度数据，利用人工智能技术进行数据分析和处理，从而更准确地评估抑郁情绪。与传统的单一维度评测方法相比，本方法能够更全面地反映患者的心理状态，提高抑郁情绪评估的准确性和可靠性。

技术实现思路

1、本发明的目的在于提供一种基于多维度因素的抑郁情绪评测方法，能够从生理、行为、认知三方面综合分析用户的抑郁情绪等级，提高了抑郁情绪评测的准确度。

2、本发明的目的采用以下技术方案实现：

3、本发明提供一种基于多维度因素的抑郁情绪评测方法，包括以下步骤：

4、获取待测用户的评测样本，所述评测样本包括自我报告量表集、行为参数集、认知参数集、生理参数集；

5、基于循环神经网络对评测样本进行预处理，获得样本特征矩阵，并对所述样本特征矩阵进行深度特征的提取，所述样本特征矩阵包括自我报告矩阵、行为矩阵、认知矩阵、生理矩阵；基于循环网络以及所述样本特征矩阵的深度特征，确定所述待测用户的抑郁情绪程度。

6、进一步的，所述自我报告量表集包括连续一段时间内的月度汉密尔顿抑郁量表；

7、所述生理参数集包括连续一段时间内每日的生理指标，生理指标包括：心率、血压、呼吸频率、皮肤点反应、血清素和/或多巴胺；

8、所述行为参数集包括连续一段时间内每日的行为指标，行为指标包括：食欲、情感、自责、睡眠和/或运动；

9、所述认知参数集包括连续一段时间内每日的认知指标，认知指标包括：注意力、记忆力、定向力和/或思维障碍；

10、其中，所述连续一段时间为1年或多年。

11、进一步的，所述预处理评测样本，获得样本特征矩阵包括：

12、根据每个自我报告量表的总分，预测每个月的抑郁可能性，并将每个月的抑郁可能性依次写入自我报告矩阵；

13、进一步的，基于k-means聚类算法，对行为参数集降噪，根据降噪后的行为参数集确定各行为指标每月的行为特征值，并将行为特征值相应写入行为矩阵；

14、进一步的，基于k-means聚类算法，对认知参数集降噪，根据降噪后的认知参数集确定各认知指标每月的认知特征值，并将认知特征值相应写入认知矩阵；

15、进一步的，基于k-means聚类算法，对生理参数集降噪，根据降噪后的生理参数集确定各生理指标每月的生理特征值，并将生理特征值相应写入生理矩阵。

16、进一步的，所述基于循环神经网络，根据所述样本特征矩阵确定所述待测用户的抑郁情绪程度包括：

17、根据自我报告矩阵、行为矩阵、认知矩阵、生理矩阵分析待测用户每月的月度抑郁特征值；

18、根据月度抑郁特征值分析待测用户每季的季度抑郁特征值；

19、根据季度抑郁特征值分析待测用户每年的年度抑郁特征值；

20、根据用户每年的年度抑郁特征值确定抑郁情绪参量，并根据抑郁情绪参量确定待测用户的抑郁情绪程度。

21、进一步的，所述月度抑郁特征值包括：

22、

23、式中，为月度抑郁特征值，z为所有指标种类的总数，z=m+n+i，m为生理指标种类的总数，n为认知指标种类的总数，i为行为指标种类的总数，为第年第 j个月的抑郁可能性， j为月份， j为[1,12]的整数，为年度，为正整数，为第 i个行为指标第年第 j个月的行为特征值，为第 n个认知指标第年第 j个月的认知特征值，为第 m个生理指标第年第 j个月的生理特征值，e表示数学期望值，d表示方差。

24、进一步的，所述根据月度抑郁特征值分析待测用户每季的季度抑郁特征值包括：

25、根据每个季度对应的三个月的月度抑郁特征值确定每个季度的月度抑郁特征值的斜率：

26、响应于，发出立即就医告警信号，退出抑郁情绪评测方法的过程；

27、响应于，根据下式确定季度抑郁特征值：

28、

29、式中，为第年第 q个季度的季度抑郁特征值， q为季度， q为1、2、3或4，为年度，为正整数，为第年第 q个季度的月度抑郁特征值的斜率，为月度抑郁特征值。

30、进一步的，所述根据季度抑郁特征值分析待测用户每年的年度抑郁特征值包括：

31、根据每个年度对应的四个季度抑郁特征值确定每个年度的季度抑郁特征值的斜率：

32、响应于，发出立即就医告警信号，退出抑郁情绪评测方法的过程；

33、响应于，根据下式确定年度抑郁特征值：

34、

35、式中，为第年的年度抑郁特征值， 为第年的年度抑郁特征值的斜率，为第年第 q个季度的季度抑郁特征值，为年度，为正整数。

36、进一步的，所述抑郁情绪参量包括：

37、

38、式中,为抑郁情绪参量，为预设变化阈值，，为最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差，为第年的年度抑郁特征值，为评测样本的采集总年数，为年度，为正整数，为非零正数。

39、进一步的，所述根据抑郁情绪参量确定待测用户的抑郁情绪程度包括：

40、比较最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差的绝对值与阈值的大小：

41、响应于，发出立即就医提示告警，退出抑郁情绪评测方法的过程；

42、响应于，且0＜h≤第一阈值时，确定抑郁情绪程度为严重抑郁；

43、响应于，且第一阈值＜h≤第二阈值时，确定抑郁情绪程度为已经抑郁；

44、响应于，且第二阈值＜h≤第三阈值时，确定抑郁情绪程度为可能抑郁；

45、响应于，且第三阈值＜h≤第四阈值时，确定抑郁情绪程度为非抑郁；

46、其中，为抑郁情绪参量，为预设变化阈值，最后1年的年度抑郁特征值与第1年的年度抑郁特征值的差。

47、进一步的，所述循环神经网络的准确率包括下式：

48、accuracy=（tp+tn）/（tp+fn+fp+tn），

49、式中，accuracy 为准确率，tp为真正例，tn为真负例，fp为假正例，fn为假负例。

50、与现有技术相比，本发明的有益效果至少包括：

51、本发明综合考虑了自我报告量表、行为参数、认知参数和生理参数等多个维度的数据，能够更全面地评估用户的抑郁情绪状况。这些多维度的数据来源可以相互补充，提供更准确的评估结果。

52、本发明通过使用循环神经网络（rnn）能够有效地处理具有时序依赖性的多维度数据，并捕捉数据中的长期依赖关系，这有助于提高对抑郁情绪的预测准确性和可靠性。