基于多情感刺激和多级分类模型的抑郁评估系统

技术领域

本发明实施例涉及心理健康、生理信号分析和人工智能辅助诊断领域，具体涉及基于多情感刺激和多级分类模型的抑郁评估系统。

背景技术

抑郁症为一种常见心理疾病。抑郁症是全世界范围内致残的主要原因，并且是全球范围内疾病负担的主要因素。抑郁症严重影响个人生活质量、精神状态，但是当前环境下，误诊率高、复发率高，且缺乏足够的经过充分训练的相关医师进行诊断、治疗。

当前对抑郁症的诊断主要根据临床问卷、心理医生的询问观察和测试者主观描述，容易受到医生的偏见和临床经验的影响，而现有的一些辅助诊断工具，缺乏针对本身适用范围的判断，从而对部分容易被现有辅助诊断工具误诊的受试者进行了诊断。因此需要一种新的客观的临床诊断技术。

发明内容

本发明的发明人经过大量创造性的研究发现，抑郁症患者在大脑活动、注意力偏好以及不同情感刺激下生理反应，都与健康个体存在较大差异，这为客观评估抑郁倾向提供了理论基础。当前人工智能、机器学习的发展进步，为实现客观评估抑郁倾向提供了实现的可能性。

当前抑郁辅助诊断研究领域，一般采集单一刺激或者静息态下的生理活动，或者同等程度的多种情感刺激，这样可能会导致刺激太弱以至于部分轻度抑郁症患者无法产生足够的反应，或者刺激过强以至于健康被试被诱发了接近于抑郁症患者的情感反应。除此以外，由于不同抑郁亚型对刺激的反应不尽相同，单一刺激可能会增大辅助诊断模型的误判可能性。同时，部分已公开方案中被试完全处于被动参与状态，这会导致被试的实际心理活动和当前的刺激可能处于相互隔离的情形。尤其是静息态条件下，被试状态会受众多因素影响，例如受测试前的经历，这些会干扰辅助诊断。因此需要将多种刺激有机地结合起来，并且提高被试主动的参与度，从而提高抑郁辅助诊断系统的稳定性和可靠性。

一些基于机器学习的抑郁辅助诊断模型，往往仅利用已有数据和算法训练评估模型，却不考虑当前测试范式的局限性和被试数量的有限性，不加考虑地默认基于当前的抑郁测试范式可以评估所有的被试和所有可能的抑郁亚型。同时，鉴于健康人群和抑郁群体间存在差异，而不同抑郁亚型之间也存在差异，因此能够区分抑郁亚型的特征在区分健康和抑郁群体之间不一定足够有效，反之亦然。针对现有的抑郁辅助诊断模型的局限性，需要将抑郁评估和抑郁亚型评估分开进行，同时也需要对这些评估模型本身性能进行评估——即需要评估这些模型是否具有足够可信度评估当前被试的抑郁状态和抑郁亚型。

基于以上认识，本发明实施例的目的在于提供基于多情感刺激和多级分类模型的抑郁评估系统，用以解决现有抑郁症的诊断不客观的问题。

为实现上述目的，本发明实施例主要提供如下技术方案：

本发明实施例还提供一种基于多情感刺激和多级分类模型的抑郁评估系统，包括：

刺激模块，用于对受试者进行外源性刺激和内源性刺激；

生理信号采集模块，用于采集所述受试者的目标生理信息；

生理信号分析模块，用于对所述目标生理信息进行清洗和特征提取，得到所述受试者的目标特征信息；

抑郁评估模块，用于根据所述目标特征信息得到所述受试者的抑郁评估结果。

根据本发明的一个实施例，所述刺激模块包括：

放松组件，用于对所述受试者提供平复心情和稳定心情的第一作品；

内源性刺激组件，用于对所述受试者进行内源性刺激；

外源性刺激组件，用于通过图片和视频的方式对所述受试者进行中性情感刺激、负面情感刺激和正面情感刺激中的至少一种方式进行刺激，或对所述受试者进行中性情感刺激、负面情感刺激和正面情感刺激相组合的方式进行刺激。

根据本发明的一个实施例，所述生理信号采集模块包括：

脑电信息采集组件，用于采集所述受试者的脑电信号并存储；

皮电信息采集组件，用于采集所述受试者的非利手的食指和中指第二节处的电阻变化信息；

眼电信息采集组件，用于采集所述受试者的眼动信息。

根据本发明的一个实施例，所述眼电信息采集组件还用于在采集所述受试者的眼动信息之前进行位置校准。

根据本发明的一个实施例，所述生理信号分析模块用于对所述脑电信号去除工频干扰和噪音干扰，然后计算目标波段在每个刺激下的功能连接矩阵和所述目标波段的时频信息，进而根据所述功能连接矩阵和所述目标波段的时频信息得到左右大脑对应导连对应特征的差异值，以及不同程度不同情感刺激下，脑电信号变异特征。

根据本发明的一个实施例，所述生理信号分析模块还用于根据所述电阻变化信息提取每个情感刺激下皮电信号的去趋势分析dfa、熵、均值、标准差和分型维度特征，进而对所述去趋势分析信息、所述熵、所述均值和所述标准差在每个情感维度进行比较得到每个情感刺激的第一差异性特征信息。

根据本发明的一个实施例，所述生理信号分析模块还用于根据所述受试者的眼动信息提取所述受试者在每个情感刺激下的关注点分布信息、被试最长注视时长、注视点转移速度，进而根据所述受试者在每个情感刺激下的关注点分布信息、被试最长注视时长、注视点转移速度得到所述受试者在每个情感刺激下的第二差异性特征信息。

根据本发明的一个实施例，所述抑郁评估模块包括：

抑郁评估组件，用于根据预训练的确定性评估模型和抑郁评估模型对所述生理信号分析模块输入的所述受试者的目标特征信息进行评估，得到所述受试者的抑郁评估第一单元结果；

抑郁亚型评估组件，用于根据预训练的确定性评估模型和亚型分析模型对所述生理信号分析模块输入的所述受试者的目标特征信息进行评估，得到所述受试者的抑郁评估第二单元结果。

根据本发明的一个实施例，所述抑郁评估模型的使用特征为健康人群和抑郁症人群的显著性差异的特征。

根据本发明的一个实施例，所述亚型分析模型的使用特征为各抑郁亚型之间具有显著性差异的特征。

本发明实施例提供的技术方案至少具有如下优点：

本发明实施例提供的基于多情感刺激和多级分类模型的抑郁评估系统，通过外源性和内源性的由浅到深的多种不同程度不同类型的情感刺激，被试由被动参与、半主动参与和主动参与三种过程接受刺激，诱发不同程度和类型的心理-生理反应。通过全方位采集被试生理信号，能够更加准确、精细地评估被试者。本发明提供了一种多级分类模型架构，并基于此架构构建了一套流水线式抑郁辅助诊断模型。在该架构中，每一级评判被试的一个方面，同时每一级自身也会评估该级别是否具有足够的置信度；级别之间低耦合，下一级仅依赖于上一级的评估结果，为日后针对某个级别的更新换代提供了便利性。

附图说明

图1为本发明实施例的基于多情感刺激和多级分类模型的抑郁评估系统的结构框图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

在本发明的描述中，需要理解的是，术语“第一”和“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”和“连接”应做广义理解，例如可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1为本发明实施例的基于多情感刺激和多级分类模型的抑郁评估系统的结构框图。如图1所示，本发明实施例的基于多情感刺激和多级分类模型的抑郁评估系统，包括刺激模块100、生理信号采集模块200、生理信号分析模块300和抑郁评估模块400。

刺激模块100用于采集受试者的目标生理信息。

在本发明的一个实施例中，刺激模块100包括放松组件、内源性刺激组件和外源性刺激组件。

具体地，放松组件提供轻松的视频和背景声音，用于平复和稳定受试者心情，以便受试者能够更好的进入测试状态，以及测试结束时舒缓因为不同情感刺激导致的情绪波动。

外源性刺激组件包括图片刺激和视频刺激，包括中性、负性和正性三种情感维度的刺激。

受试者首先接受图片情感刺激，为轻度刺激，被动参与，每次以2×2的方式展示四张图片，为三种情感图片同时存在(两张负性图片)或只有中性图片，三种情感图片同时存在时，随机摆放每种情感图片的位置，以消除习惯性观看位置的影响。任意两次图片展现之间停顿若干秒，用于平复上次图片刺激的影响。图片为从已有图片库中随机选取，重复20轮后，进入视频刺激。

相较于图片刺激，视频刺激更加鲜明、有代入感，刺激程度也更深。视频刺激阶段，除受试者被动观看外，也需要其主动参与，每次观看完负性、正性或中性视频后，需要对视频内容进行回忆，进一步加强受试者心理反应。

内源性刺激组件可以通过语音的方式与受试者进行交互，为要求受试者回忆过往经历，例如内源性刺激组件通过语音“请闭上眼睛，回忆童年最让你难过的事/最让你开心的事”。因为具有切身体验，相较于外源性刺激，受试者将产生更大的心理波动，要求回忆的经历为悲伤的体验和快乐的体验两种。

在本发明的一个实施例中，基于多情感刺激和多级分类模型的抑郁评估系统还包括调节模块，用于调节受试者的座椅高度和显示装置的高度。受试者位于刺激显示装置前，调整坐姿，尽量保证受试者位于舒服的姿态，同时调整显示装置和座椅高度，保证受试者和刺激显示装置总体处于大致相同的相对位置。受试者依次接受刺激模块中的放松组件、外源性刺激组件、内源性刺激组件和放松组件传递的刺激。

生理信号采集模块200用于采集受试者的目标生理信息。

在本发明的一个实施例中，生理信号采集模块200包括脑电信息采集组件、皮电信息采集组件和眼电信息采集组件。

脑电信息采集组件用于采集受试者的脑电信号并存储。在本实施例中，脑电信息采集组件包括脑电帽，受试者佩戴脑电帽，电极采用湿电极，然后接入脑电采集设备，采集脑电并存储。

皮电信息采集组件用于采集受试者的非利手的食指和中指第二节处的电阻变化信息。

眼电信息采集组件用于采集受试者的眼动信息。在本实施例中，眼电信息采集组件包括眼动采集器。眼动采集器位于刺激显示装置前，用于采集眼动信息。眼动采集之前，需先进行校准，确保能准确采集到视线位置。

需要注意的是，生理信号采集模块200中所有进行采集信号的设备，需要和刺激模块100同步时间，确保后续分析时，能将生理信号和不同刺激对应起来。

生理信号分析模块300用于对目标生理信息进行清洗和特征提取，得到受试者的目标特征信息。其中，目标特征信息包括受试者的脑电信号、皮电信号和眼动信息。

具体地，对于脑电信号，生理信号分析模块300首先进行进行陷波处理，去除工频干扰(国内为50Hz)，然后根据眼电参考电极，去除眼电噪音等噪音干扰。不同导连脑电质量评估，对差的脑电信号进行插值处理；计算delta、theta、alpha、beta、gamma和Hgamma波段在每个刺激下的功能连接矩阵，以及各波段的时频信息。由于抑郁症患者在脑功能连接存在差异、大脑功能偏侧化以及对不同情感刺激的反应异于常人，因此提取各刺激阶段功能连接矩阵的小世界属性、rich-club属性等，以及不同刺激下各导连脑电的功率特征，不同刺激条件下不同波段脑电和其功率随时间变化的标准差、均值、熵、dfa(去趋势分析)和分形维度特征，并计算左右大脑对应导连对应特征的差异值，以及不同程度不同情感刺激下，脑电信号变异特征。

在情感状态发生改变的情况下，个体的皮肤导电性也会发生改变，由于抑郁症患者对情感刺激的反应会有异常，同时在不同程度情感刺激条件下，变化程度也会和常人不同，因此可以根据皮肤电信号，分析受试者的情感变化，从而判断受试者是否具有抑郁症倾向。对于皮电信号，生理信号分析模块300提取不同程度不同情感刺激下，皮电的dfa、熵、均值、标准差和分型维度等特征，然后将这些特征在各情感维度进行比较，得到不同程度不同情感刺激的第一差异性特征信息。

对于眼动信息，生理信号分析模块300分析受试者重点关注场景信息，基于已有研究，认为抑郁症患者会更加关注于负性场景特征，因此提取不同程度的各情感刺激条件下，被试主要关注点分布信息、被试最长注视时长、注视点转移速度等，在此基础上，求得不同程度各情感刺激下的第二差异性特征信息。

生理信号分析模块300对脑电信号、皮电信号和眼动信息分析得到的特征进行筛选，将在健康人群和抑郁症患者之间具有显著性差异的特征，以及各抑郁亚型间具有显著性差异的特征传入抑郁评估模块400进行分析。

抑郁评估模块400用于根据目标特征信息得到受试者的抑郁评估结果。

具体地，抑郁评估模块400为分级分类模型架构，每一级只依赖于生理信号分析模块300输入的数据和特征，而是否执行该级别只依赖于相邻的上一级的结果，即如果上一级执行且返回结果要求下一级执行，则低级别模块才执行。以二级抑郁评估为例，第一级判断被试是否为抑郁症，第二级评估被试的抑郁症亚型。抑郁症和抑郁亚型在模型构建过程中，均由多个医师共同判断完成。

在本发明的一个实施例中，抑郁评估模块400包括抑郁评估组件和抑郁亚型评估组件。

抑郁评估组件用于根据预训练的确定性评估模型和抑郁评估模型对生理信号分析模块输入的受试者的目标特征信息进行评估，得到受试者的抑郁评估第一单元结果。抑郁评估模型的使用特征为健康人群和抑郁症人群的显著性差异的特征。

具体地，使用lightgbm模型，随机抽取80％的训练数据进行模型训练，总共进行100轮。利用此100个模型，得到每个数据的多个预测结果，平均分类错误的标记为难以分类数据，剩下的标记为可分类数据。

对新的标签数据，随机抽取80％的数据放入lightgbm中进行训练，随机100次，得到100个模型，将此100个模型作为确定性评估模型，其预测得分的平均值作为对抑郁评估模型评可正确评估数据的置信度，大于指定阈值的，才进行抑郁评估，否则输出此数据无足够信心进行抑郁辅助诊断。

将正确分类的模型，作为训练集，训练抑郁评估模型。每次随机抽取80％的数据，放入lightgbm进行训练，重复100次，得到100个模型，将这100个模型联合作为最终的抑郁评估模型，在进行抑郁评估时，将这些模型评估得分得平均值作为最终得抑郁倾向得分，即抑郁评估第一单元结果。

抑郁亚型评估组件用于根据预训练的确定性评估模型和亚型分析模型对生理信号分析模块输入的受试者的目标特征信息进行评估，得到受试者的抑郁评估第二单元结果。

具体地，对标记为可分类的数据，随机抽取80％，抽取过程中保持各亚型间数据量均衡，然后将数据放入lightgbm中进行训练，以抑郁亚型作为标签，此过程共进行100轮；综合评估每个模型预测得分，将得分低于阈值的数据标记为不可区分亚型，得分不低于阈值的数据标记为可区分亚型。

将数据以可区分亚型和不可区分亚型为标签，训练确定性评估模型。每次随机抽取80％的数据，放入lightgbm中进行训练，重复100次，得到的100个模型共同组成确定性评估模型。评估时，取被试数据在这一百个模型评估得分的均值，作为确定性模型的评估得分。

对可分析亚型的数据，随机抽取80％，抽取过程中保持亚型间数据均衡，然后将抽取的数据放入lightgbm模型进行训练，以各亚型为标签，如此重复100次，共得到100个模型，将这100个模型综合起来作为抑郁亚型评估模型。使用时，取这100个模型的平均得分作为被试的亚型得分，高于指定的阈值的亚型，为被试的抑郁症亚型。

需要说明的是，抑郁评估模块400进行线上辅助诊断时，被试数据首先进入抑郁评估组件中的确定性评估模型，如果得分低于阈值，则输出当前抑郁评估模型无足够置信度诊断该被试抑郁倾向，否则进入第一级的抑郁评估模型，评判是否为抑郁症，如果判断为健康，则直接输出，否则进入第二级评估抑郁亚型。在第二级中，首先进入确定性评估模型，如果得分低于阈值，则输出当前模型无足够置信度评估该被试抑郁亚型，否则进入亚型评估模型，得到被试的抑郁亚型。

另外，本发明实施例的基于多情感刺激和多级分类模型的抑郁评估系统的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。