基于深度学习的心理健康及康复评定方法、装置及介质

技术领域

本发明涉及计算机领域，具体涉及了一种基于深度学习的心理健康及康复评定方法、装置及介质。

背景技术

近年来，人工智能技术的引入，为心理康复及精神疾病治疗带来了全新的变革。从计算机视觉到医疗保健，诸多领域的研究报告表明，深度学习算法具有由于其他方法的性能。与依赖实验室测试和测量的其他慢性病的诊断不同，精神疾病的诊断通常是通过对特定问题的自我报告来诊断的，这些问题是为检测特定的情感或社会互动而设计的。基于深度学习的人工智能技术通过对患者医疗记录、行为数据、社会媒体等相关历史数据的挖掘与处理，能够有效的帮助精神病学家和心理学家在内的心理及精神健康医护从业者进行康复计划决策。不仅如此，多个研究表明，深度学习作为人工智能和机器学习的最新进展之一，通过多层非线性计算处理单元对个人心理健康状况有关的数据进行转换，提供了一种新的范式，可以有效地从复杂的数据中获取有用信息，该技术将有效的提高患者和医护人员对心理健康状况的理解，帮助心理康复医护人员更好的做出康复决策。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于深度学习的心理健康及康复评定方法、装置及介质，通过分布式大数据采集相关数据，创建基于深度学习的心理健康及康复评定数据库，建立心理健康评定模型、心理健康评定时间序列预测模型、心理健康影响因素评定模型、心理康复评定时间序列预测模型，实现心理健康及康复的评定。

本发明的技术方案包括一种基于深度学习的心理健康及康复评定方法，其特征在于，该方法包括：S100，构建大数据环境；S200，通过所述大数据环境采集用于心理健康及康复评定的多维度数据，通过数据库进行存储；S300，根据所述维度数据计算心理康复评定指标及影响因素；S400，对所述维度数据进行量化并构建面板数据；S500，根据所述面板数据构建多个用于评定心理健康及康复评定的模型；S600，根据所述用于评定基于深度学习的心理健康及康复评定的模型对对应用户的维度数据进行预测，并生成描述性报告。

根据所述的基于深度学习的心理健康及康复评定方法，其中该方法还包括：S700，对所述用于评定基于深度学习的心理健康及康复评定的模型进行优化，根据所述描述性报告调整所述用于评定心理健康及康复评定的模型。

根据所述的基于深度学习的心理健康及康复评定方法，其中S100包括：通过若干计算机设备对指定人群的多维度数据进行采集，所述计算机设备包括采集设备及存储设备，所述采集设备基于Hadoop、Spark及Pyspark的分布式框架的组合，所述存储设备为Hive分布式存储设备。

根据所述的基于深度学习的心理健康及康复评定方法，其中S200包括：存储于数据库的多维度数据包括训练数据和验证数据，其中训练数据和验证数据按照设定比例随机在数据库分配，训练数据和验证数据的设定比例为随机动态变更。

根据所述的基于深度学习的心理健康及康复评定方法，其中计算心理康复评定指标及影响因素包括对心理健康评定数据、环境影响因素数据、心理康复条件数据及心理康复理论研究数据的一项或多项进行计算。

根据所述的基于深度学习的心理健康及康复评定方法，其中S400包括：所述量化包括对维度数据划分至[0,1]范围内，其中0表示不存在分类的维度行为，大于0且小于等于1表示样本分类的维度行为的程度低高；构建面板数据，所述面板以时间为X轴，进行量化后的维度数据为Y轴，评价指标数为Z轴的构建三维面板数据，其中量化后的维度数据设置为社会媒体数据，其中评价指标数为社会媒体数据的心理健康评定数据、自评量表数据及他人对目标人员的自评量表数据，指标包括焦虑、抑郁、酒精使用障碍及精神健康程度的。

根据所述的基于深度学习的心理健康及康复评定方法，其中S500包括：对社会媒体数据的心理健康评定数据、自评量表数据、他人对目标人员的自评量表数据进行指标评定；通过文本分类及结构式分类相结合的模型，通过编码器-解码器长短期存储器网络分类模型，建立心理健康相关模型；心理健康相关模型的输入节点为面板数据的Y轴数据，输出节点为面板数据Z轴数据。

根据所述的基于深度学习的心理健康及康复评定方法，其中S500包括：社会媒体数据的心理健康评定数据包括，基于贝克焦虑量表、Beck抑郁量表、酒精使用障碍识别测试和沃里克·爱丁堡精神健康量表，采用自然语言处理相关算法对社会媒体文本数据进行去停用词、降维、关键词提取、词语识别、分类及情感分析方法，对文本数据针对焦虑、抑郁、酒精使用障碍、精神健康程度进行标记，焦虑、抑郁、酒精使用障碍、精神健康程度进行评定；自评量表数据及他人对目标人员的自评量表数据包括：采用量表为贝克焦虑量表、Beck抑郁量表、酒精使用障碍识别测试和沃里克·爱丁堡精神健康量表，对目标人员的焦虑、抑郁、酒精使用障碍、精神健康程度进行评定。

根据所述的基于深度学习的心理健康及康复评定方法，其中方法还包括：通过远程医疗终端对用户涉及心理健康及康复的多维度数据进行采集，并通过用于评定心理健康及康复评定的模型进行评测和交互。

本发明的技术方案还包括一种基于深度学习的心理健康及康复评定装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一所述的方法步骤。

本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。

本发明的有益效果为：采取基于社会媒体网络的分布式采集与存储技术，便于深度学习的定期自我优化，减少模型读取和存储结果的时间，方便开发者及使用者远程读取数据；基于大量数据基础上的深度学习模型，采用自然语言处理相关算法，建立基于深度学习的心理健康及康复评定模型训练数据集，保证数据集准确率高；模型分析预测结果将生成描述性可读报告，具有较高的临床价值，为心理健康医护人员提供可读的数据支持。

附图说明

下面结合附图和实施例对本发明进一步地说明；

图1所示为根据本发明实施方式的总体流程图；

图2所示为根据本发明实施方式的心理康复评定数据库构成示意图；

图3所示为根据本发明实施方式的个人心理康复数据构成示意图；

图4所示为根据本发明实施方式的编码器-解码器长短期存储器网络分类模型图；

图5所示为根据本发明实施方式的基于深度学习的心理健康及康复评定流程图；

图6所示为根据本发明实施方式的装置及介质图。

图7所示为根据本发明实施方式的数据库示意图。

图8所示为根据本发明实施方式的评定结果界面图。

图9所示为根据本发明实施方式的初始样本进行训练指标图。

图10所示为根据本发明实施方式的编码器-解码器预测性能指标图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。

在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。

本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

术语解释：

CNN，卷积神经网络；

LSTM，长短期记忆网络。

图1所示为根据本发明实施方式的总体流程图，该流程包括：S100，构建大数据环境；S200，通过大数据环境采集用于基于深度学习的心理健康及康复评定的多维度数据，通过数据库进行存储；S300，根据维度数据计算心理康复评定指标及影响因素；S400，对维度数据进行量化并构建面板数据，量化包括对维度数据划分至[0,1]范围内，其中0表示不存在分类的维度行为，大于0且小于等于 1表示样本分类的维度行为的程度低高；面板以时间为X轴，进行量化后的维度数据为Y轴，评价指标数为Z轴的构建三维面板数据；S500，根据面板数据构建多个用于评定基于深度学习的心理健康及康复评定的模型；S600，根据用于评定基于深度学习的心理健康及康复评定的模型对对应用户的维度数据进行预测，并生成描述性报告；S700，对用于评定基于深度学习的心理健康及康复评定的模型进行优化，根据描述性报告调整用于评定基于深度学习的心理健康及康复评定的模型。面板数据参考如下表1。

通过数据库进行存储的数据包括训练数据集和验证数据集：

训练数据及和验证数据集按照一定比重随机在数据库分配，并且在系统自动升级的时候，要重新随机分配

训练数据库和验证数据库(面板数据)包括如下数据：

表1训练数据库和验证数据库(面板数据)

图2所示为根据本发明实施方式的心理康复评定数据库构成示意图，基于深度学习的心理健康及康复评定数据库的创建主要包括：基于高算力的设备，采用基于Hadoop、Spark及Pyspark的分布式框架组合的分布式采集设备及Hive 分布式存储设备，实现大数据环境搭建。数据库收集数据类型如下：康复评定数据库收集数据共分为四类(如图2)。

图3所示为根据本发明实施方式的个人心理康复数据构成示意图，包括：

心理健康评定数据：主要包括个人基本信息数据、学校基本信息数据、疫间、后社会媒体数据、自评量表数据和亲戚朋友对该的自评量表数据(如图2 所示)。

环境影响因素数据：主要包括自然环境数据(如心理康复服务对象所在地区室内外温度)；家庭环境数据(如家人对心理康复服务对象的康复支持程度)；社区环境数据(如社区精神疾病走访人员数量)；社会环境数据(如当地精神疾病补贴金额)，等相关环境影响因素；

心理康复条件数据：个人心理康复条件数据；心理康复机构条件数据(如心理康复服务对象所在康复机构团队人数)；若心理康复服务对象存在就医，另有医疗条件数据(如心理康复服务对象所在就医机构的级别)，等相关康复条件因素；

心理康复理论研究数据：心理疾病理论患病情况；心理疾病理论治愈百分比(如某省心理疾病治愈百分比)；心理疾病理论治愈时间(如某省心理疾病理论治愈时长)；等其他心理康复理论研究数据。

图4所示为根据本发明实施方式的编码器-解码器长短期存储器网络分类模型图，该部分主要包括：社会媒体数据的心理健康评定方法：基于贝克焦虑量表 (BAI)、Beck抑郁量表(BDI)、酒精使用障碍识别测试(AUDIT)和沃里克·爱丁堡精神健康量表(WEMWBS)，采用自然语言处理相关算法对社会媒体文本数据进行去停用词、降维、关键词提取、词语识别、分类、情感分析等方法，实现对文本数据针对焦虑、抑郁、酒精使用障碍、精神健康程度进行标记，焦虑、抑郁、酒精使用障碍、精神健康程度等额分为3等——轻度，重度，重度.

自评量表数据采用量表为贝克焦虑量表(BAI)、Beck抑郁量表(BDI)、酒精使用障碍识别测试(AUDIT)和沃里克·爱丁堡精神健康量表(WEMWBS)，焦虑、抑郁、酒精使用障碍、精神健康程度等额分为3等——轻度，重度，重度.

亲戚朋友对目标人员的自评量表数据采用量表为贝克焦虑量表(BAI)、 Beck抑郁量表(BDI)、酒精使用障碍识别测试(AUDIT)和沃里克·爱丁堡精神健康量表(WEMWBS)，焦虑、抑郁、酒精使用障碍、精神健康程度等额分为3等——轻度，重度，重度。

深度学习算法采用文本分类+结构式(数字)分类相结合的模型，基于但不仅限于编码器-解码器长短期存储器网络分类模型，输入节点为面板数据的Y 轴数据，若选用的模型不允许输入节点存在缺失值，则采用平均值补充的方法；输出节点为面板数据Z轴数据，节点个数≥4。(如图5所示)。

图5所示为根据本发明实施方式的基于深度学习的心理健康及康复评定流程图。基于该流程图，本发明的技术方案包括：

本发明采用springboot+freemark+jpa+mybatis+mysql开发模式，实现前端开发，搭建医护、智能交互诊疗系统平台，实现以下功能：

(1)智能诊疗终端：支持自行上传心理健康问卷自评结果；支持自评结果数据分析及远程传输以获得心理健康专家支持；支持接收系统推送的专家治疗方案和建议。

(2)远程专家支持服务系统：支持远程数据读取，支持在线专家推送建议，治疗方案及评估等。

(3)基于深度学习的心理健康及康复评定AI系统：基于搭建的数据库及分析预测模型，通过深度学习和数据挖掘，生成描述性报告。

(4)远程培训教育系统：支持远程的视讯培训教育。

图6所示为根据本发明实施方式的装置及介质图。图6所示为根据本发明实施方式的装置示意图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：构建大数据环境；通过大数据环境采集用于基于深度学习的心理健康及康复评定的多维度数据，通过数据库进行存储；根据维度数据计算心理康复评定指标及影响因素；对维度数据进行量化并构建面板数据；根据面板数据构建多个用于评定基于深度学习的心理健康及康复评定的模型；根据用于评定基于深度学习的心理健康及康复评定的模型对对应用户的维度数据进行预测，并生成描述性报告。其中，存储器100用于存储数据。

图7所示为根据本发明实施方式的数据库示意图。如图7所示的心理健康评定数据库，该数据库为多个sql文件，项目启动后，将以hive形式分布式存储于服务器。如图7所示，心理健康评定数据库共包含288个指标，7万余条数据。

图8所示为根据本发明实施方式的评定结果界面图。该图医护、学生智能交互诊疗系统，该图表示初步完成医护、学生智能交互诊疗系统UI界面及诊断报告。

图9所示为根据本发明实施方式的初始样本进行训练指标图。本项目已初步完成CNN-LSTM Encoder-Decoder(编码器-解码器)模型的建立，并应用心理健康初始样本进行训练，图9显示了训练预测Loss值和效果的指标。

图10所示为根据本发明实施方式的编码器-解码器预测性能指标图。下图通过CNN-LSTM Encoder-Decoder对心理健康初始样本数据的训练预测性能，包括准确率、特异性、敏感性等指标值。其中accuracy及val_accuracy表示准确性、 spec_avgs表示特异性，sens_avgs及sens_spec_avgs表示敏感性。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。