[发明专利]基于情绪刺激任务的便携式多通道抑郁倾向评估系统

说明书

本发明提供一种基于情绪刺激任务的便携式多通道抑郁倾向评估系统。在情绪刺激任务下，以便携式设备收集脑电、皮肤电、心电、眼动、语音和影像信息，利用多种监督学习和非监督学习算法对多通道生理信号和行为数据进行特征提取、特征筛选、模型训练和模型验证，整合多通道分析结果，计算抑郁倾向指数，对抑郁倾向进行评估。

技术领域

本发明属于人工智能领域，基于脑电、皮肤电、心电、眼动、语音和影像信息等综合信息，利用机器学习算法评估抑郁倾向，具体涉及一种基于情绪刺激任务的便携式多通道抑郁倾向评估系统。

背景技术

重性抑郁障碍(Major Depression)是抑郁障碍中的典型疾病。其特征性地表现为明确的至少2周的发作，涉及情感、认知和植物神经功能的明显变化。研究显示，重性抑郁障碍12个月的患病率约为7％，是最为常见的精神疾病之一(DSM-5,2013)。

重性抑郁障碍早已成为精神卫生领域关注的热点问题，大量研究围绕重性抑郁障碍的病因、治疗和预后而展开。在这些研究中，对抑郁倾向的早期甄别被认为对疾病的防治有着非常重要的作用。但是由于重性抑郁常与其他生理和心理疾病共病，对抑郁的早期甄别往往是很困难的(Culpepper,2014)。通常，对重性抑郁障碍的诊断基于精神障碍诊断与统计手册(DSM-5)上对该疾病标准的描述。但在诊断过程中，由于人为因素的干扰，很难完全避免主观性的影响。如在收集病史时可能产生遗漏，或对某些症状的严重程度无意地夸大等(Mumtaz,Ali,Yasin,Malik,2017)。近些年，随着机器学习算法的成熟，越来越多的研究者开始尝试使用生理和行为数据对重性抑郁障碍进行早期甄别，以降低主观性的影响，为精神科医生的诊断提供辅助。机器学习是利用计算机算法自动挖掘复杂数据更深层次的信息的一种方法，已经被广泛应用在图像识别(Simonyan,Zisserman,2014)，语音识别(LeCun,Bengio,Hinton,2015),疾病诊断(Hilbert,Lueken,Muehlhan,Beesdo-Baum,2017)等诸多领域。

生理和行为数据，如脑电(EEG)、脑成像(fMRI)、眼动、语音等蕴含了更丰富全面的个体信息，但同时也比较难分析和处理。机器学习可以自动地对这些信息进行深层次挖掘。同时，需要指出的是，经查阅，现有抑郁症临床诊断规范模式和诊断筛查量表中均未涉及与生理和行为数据相关的质量报告。而上述生理和行为数据作为考察人体综合健康状况的一项重要指标，在临床医学中多个领域均有普遍考察，但仍未将其纳入抑郁症的诊断依据范围当中，此为现有抑郁症临床诊断的一大缺陷。本发明的创新要点之一就是依据患者的生理和行为数据结果获得报告，从而对患者的抑郁症诊断起到重要的辅助作用。此外，将机器学习应用于个体的疾病诊断，不仅可以用于预测，还能够为制定个性化的治疗方案提供支持。目前已有一些研究利用机器学习算法对重性抑郁障碍的评估进行了探索，但大多研究都基于单一通道信息、依靠监督学习算法处理生理信号，且测量往往需要借助较为复杂的设备。本发明将生理信号和行为数据相结合、同时利用监督学习算法和非监督学习算法、在使用便携式测量设备的基础上，对抑郁倾向进行评估并建立分类模型。

发明内容

本发明提供一种便携式的、基于多通道生理信号和行为数据的抑郁倾向评估系统。在情绪刺激任务下，以便携式设备收集脑电、皮肤电、心电、眼动、语音和影像信息，利用多种监督学习算法和非监督学习算法对多通道生理信号和行为数据进行特征提取、特征筛选、模型训练和模型验证，整合多通道分析结果，计算抑郁倾向指数，对抑郁倾向进行评估。

本发明的技术方案是：一种基于情绪刺激任务的便携式多通道抑郁倾向评估方法，其特征包括：

(1)标准化情绪刺激步骤：向受试者呈现标准化的情绪刺激，包括静态情绪刺激和动态情绪刺激；

(2)生理信号采集步骤：采集受试者在完成情绪刺激任务时的多通道生物电信号，包括脑电、皮肤电、心电；

(3)行为数据采集步骤：采集受试者在完成情绪刺激任务时的多通道行为数据，包括眼动信息、语音信息、二维影像信息和三维深度影像信息；