本發(fā)明涉及醫(yī)學(xué)信息處理，尤其是涉及一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法。
背景技術(shù)：
1、《柳葉刀》發(fā)表的《世界精神病學(xué)協(xié)會抑郁癥重大報告》指出，抑郁癥已成為全球健康危機，尤其在青少年和中年人群中，患病率顯著上升。由中國最新精神疾病流行病學(xué)調(diào)查結(jié)果，估算每年至少3000萬人受抑郁障礙困擾。
2、日常生活中，壓力和情緒波動常見，但與抑郁癥患者的持續(xù)情緒低落和愉悅感缺失有本質(zhì)區(qū)別。抑郁癥癥狀包括持續(xù)悲傷、興趣減退、疲勞、睡眠問題、食欲變化和注意力不集中等，嚴重時可能導(dǎo)致自殺。全球范圍內(nèi)，抑郁癥患病率和致死率高，高收入國家約一半患者未獲診斷或治療，中低收入國家這一比例高達80％至90％。在中國，青少年因抑郁癥休學(xué)、甚至自殺的情況增多，凸顯抑郁癥形勢嚴峻。然而，我國心理健康投入不足衛(wèi)生預(yù)算2％，反映社會對抑郁癥重視不足。
3、隨著人工智能技術(shù)發(fā)展，深度學(xué)習(xí)等新興技術(shù)逐漸應(yīng)用于醫(yī)療領(lǐng)域，包括抑郁癥檢測。傳統(tǒng)診斷依賴量表或問答，但患者可能因記憶偏差或擔心歧視而隱瞞真實狀態(tài)，影響早期診斷。因此，自動抑郁癥檢測系統(tǒng)應(yīng)運而生，研究者通過分析文本、語音、面部表情和生理信號等多模態(tài)數(shù)據(jù)，取得顯著成果。
4、基于此，提出一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法。
技術(shù)實現(xiàn)思路
1、本發(fā)明的目的是提供一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，以解決背景技術(shù)中的問題。
2、為實現(xiàn)上述目的，本發(fā)明提供了一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，包括以下步驟：
3、s1、采集抑郁癥受試者的量表文本數(shù)據(jù)和心率變異性數(shù)據(jù)；
4、s2、依據(jù)量表文本數(shù)據(jù)的轉(zhuǎn)化分和心率變異性數(shù)據(jù)的特征，采用標簽對s1收集的數(shù)據(jù)進行標注，獲得標簽數(shù)據(jù)集；
5、所述標簽包含抑郁和非抑郁兩類；
6、s3、對標簽數(shù)據(jù)集進行預(yù)處理；
7、s4、構(gòu)建dbgnet多模態(tài)抑郁癥檢測模型對預(yù)處理后的標簽數(shù)據(jù)集進行檢測，輸出抑郁癥檢測結(jié)果。
8、優(yōu)選的，所述s1中，量表文本數(shù)據(jù)通過問卷、社交媒體數(shù)據(jù)或訪談內(nèi)容采集；心率變異性數(shù)據(jù)通過可穿戴設(shè)備實時采集。
9、優(yōu)選的，所述s2中的轉(zhuǎn)化分表示為：
10、
11、式中，c為轉(zhuǎn)化分，m為原始分，min(m)為原始分的最小值，max(m)為原始分的最大值。
12、優(yōu)選的，所述原始分表示為：
13、
14、式中，pi為第i個問題的評分，j為問題總數(shù)。
15、優(yōu)選的，所述s3中的預(yù)處理包括：
16、1)量表文本數(shù)據(jù)的分詞、去除停用詞、文本向量化處理；
17、2)心率變異性數(shù)據(jù)的去噪、標準化處理。
18、優(yōu)選的，所述s4中，dbgnet多模態(tài)抑郁癥檢測模型的具體檢測過程為：
19、s41、針對s3中的量表文本數(shù)據(jù)和心率變異性數(shù)據(jù)分別構(gòu)建bmgnet和dirnet模型進行特征提取，獲得文本特征和心率變異性特征；
20、s42、將文本特征和心率變異性特征輸入到基于交叉注意力機制的多模態(tài)交互模塊進行特征交互，將交互后的兩個特征進行拼接，然后通過softmax層進行分類，得出抑郁癥檢測結(jié)果。
21、優(yōu)選的，所述s41中，采用bmgnet模型提取文本特征的具體過程為：針對s3中的量表文本數(shù)據(jù)，采用引入全詞掩碼技術(shù)的bert預(yù)訓(xùn)練模型生成詞向量，然后采用bi-mgru提取出文本特征。
22、優(yōu)選的，所述s41中，dirnet模型包括：卷積層、深度可分離卷積層、block殘差堆疊模塊、mish激活函數(shù)、eca注意力機制；所述block殘差堆疊模塊為非對稱卷積和分組卷積的組合。
23、優(yōu)選的，所述卷積層為三個3×3的卷積；
24、所述mish激活函數(shù)表示為：
25、mish(x)＝x×tanh(softplus(x))；
26、式中，mish(x)表示mish激活函數(shù)，x為輸入，tanh(·)表示雙曲正切函數(shù)，softplus(·)表示softplus函數(shù)。
27、因此，本發(fā)明一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，具有以下有益效果：
28、(1)通過結(jié)合量表文本數(shù)據(jù)與心率變異性數(shù)據(jù)，構(gòu)建dbgnet多模態(tài)抑郁癥檢測模型，實現(xiàn)了多模態(tài)特征的深度交互；dbgnet模型中，文本數(shù)據(jù)采用bert預(yù)訓(xùn)練模型與bi-mgru提取語義特征，心率變異性數(shù)據(jù)通過dirnet模型提取生理特征，結(jié)合交叉注意力機制進行特征融合，實現(xiàn)互補，增強模型對復(fù)雜抑郁特征的泛化能力，有效克服了傳統(tǒng)單模態(tài)方法(如僅依賴主觀量表或單一生理指標)的信息局限性，顯著提高了抑郁癥檢測的準確率。
29、(2)dirnet模型中通過采用深度可分離卷積、非對稱卷積及殘差堆疊模塊，通過減少冗余殘差層堆疊，大幅降低模型參數(shù)量，提升訓(xùn)練速度和推理效率，避免過擬合問題；同時，dirnet模型采用多尺度卷積設(shè)計，結(jié)合分組卷積與殘差結(jié)構(gòu)，能夠有效捕捉心率變異性數(shù)據(jù)的空間多尺度特征。
30、(3)通過引入mish激活函數(shù)，增強網(wǎng)絡(luò)非線性表達能力，提高特征的利用率；在block殘差堆疊模塊后嵌入輕量級eca注意力機制，通過局部跨通道交互策略，在不增加網(wǎng)絡(luò)復(fù)雜度的情況下，強化關(guān)鍵特征通道的權(quán)重，顯著提高模型準確率。
31、(4)通過可穿戴設(shè)備與量表采集數(shù)據(jù)，結(jié)合dbgnet多模態(tài)抑郁癥檢測模型，構(gòu)建了一套高效、客觀的抑郁癥輔助診斷系統(tǒng)，降低了對專業(yè)醫(yī)師主觀經(jīng)驗的依賴，為患者自我篩查與臨床精準診斷提供了技術(shù)支持，具有重要的社會應(yīng)用價值。
32、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。
1.一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于：所述s1中，量表文本數(shù)據(jù)通過問卷、社交媒體數(shù)據(jù)或訪談內(nèi)容采集；心率變異性數(shù)據(jù)通過可穿戴設(shè)備實時采集。
3.根據(jù)權(quán)利要求1所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，所述s2中的轉(zhuǎn)化分表示為：
4.根據(jù)權(quán)利要求3所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，所述原始分表示為：
5.根據(jù)權(quán)利要求1所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，所述s3中的預(yù)處理包括：
6.根據(jù)權(quán)利要求1所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，所述s4中，dbgnet多模態(tài)抑郁癥檢測模型的具體檢測過程為：
7.根據(jù)權(quán)利要求6所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，所述s41中，采用bmgnet模型提取文本特征的具體過程為：針對s3中的量表文本數(shù)據(jù)，采用引入全詞掩碼技術(shù)的bert預(yù)訓(xùn)練模型生成詞向量，然后采用bi-mgru提取出文本特征。
8.根據(jù)權(quán)利要求6所述的一種融合多模態(tài)數(shù)據(jù)的抑郁癥檢測方法，其特征在于，所述s41中，dirnet模型包括：卷積層、深度可分離卷積層、block殘差堆疊模塊、mish激活函數(shù)、eca注意力機制；所述block殘差堆疊模塊為非對稱卷積和分組卷積的組合。