[发明专利]基于文本的抑郁判定网络模型的训练方法

说明书

本申请公开一种基于文本的抑郁判定网络模型的训练方法，所述抑郁判定网络模型包括双向LSTM网络单元和与所述双向LSTM网络单元的输出端连接的attention池化层，该方法包括：从样本库中获取患者针对医生提问的样本回答文本内容并输入至预先训练的BERT网络模型，以得到相应的样本向量序列；将所述样本向量序列作为输入，并采用多任务学习方式训练所述抑郁判定网络模型；所述attention池化层输出对所述患者抑郁的判定结果。简化了用于训练抑郁判定网络模型的方法，降低了抑郁判断成本，并且由于采用了BERT网络模型保证了抑郁判定的准确度。极大的降低了在抑郁检测领域推广计算机辅助医疗技术的成本与难度。

技术领域

本申请涉及计算机辅助医疗技术领域，尤其涉及一种基于文本的抑郁判定网络模型的训练方法、基于文本的抑郁判定方法及系统、电子设备以及存储介质。

背景技术

自动抑郁检测技术的最新进展主要来自多模态融合和深度学习两个方面。然而，多模态方法在数据采集阶段引入了很大的困难(音频数据和视频数据的采集，其依赖的信号如面部特征、声音特征暴露抑郁患者个人身份，因此较为敏感而难以采集)，并且数据标注以及网络训练等等异常复杂，成本高昂；而深度学习方法的不透明性会降低其可信度。

发明内容

本申请实施例提供一种基于文本的抑郁判定网络模型的训练方法、基于文本的抑郁判定方法及系统、电子设备以及存储介质，用于至少解决上述技术问题之一。

第一方面，本申请实施例提供一种基于文本的抑郁判定网络模型的训练方法，所述抑郁判定网络模型包括双向LSTM网络单元和与所述双向LSTM网络单元的输出端连接的attention池化层，所述方法包括：

从样本库中获取患者针对医生提问的样本回答文本内容并输入至预先训练的BERT网络模型，以得到相应的样本向量序列；

将所述样本向量序列作为输入，并采用多任务学习方式训练所述抑郁判定网络模型；所述attention池化层输出对所述患者抑郁的判定结果。

第二方面，本申请实施例提供一种基于文本的抑郁判定方法，包括：

获取患者针对医生提问的回答文本内容；

将所述回答文本内容输入至预先训练的BERT网络模型，以得到相应的向量序列；

将所述相应的向量序列输入至预先训练的抑郁判定网络模型，以得到基于所述回答文本内容的抑郁判定结果。

第三方面，本申请实施例提供一种基于文本的抑郁判定系统，包括：

BERT网络模型，配置将获取的患者针对医生提问的回答文本内容转化为相应的向量序列；

抑郁判定网络模型，采用权利要求1-3中任一项所述的方法训练得到；

所述双向LSTM网络单元被配置为对所述相应的向量序列进行处理；

所述attention池化层被配置为根据所述LSTM网络单元所输出的处理结果确定对所述患者抑郁的判定结果。

第四方面，本申请实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本申请上述任一项方法。

第五方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请上述任一项方法。

第六方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项方法。