[发明专利]一种基于情景感知的多模态抑郁症检测系统有效

专利信息
申请号: 201911198356.X 申请日: 2019-11-29
公开(公告)号: CN110728997B 公开(公告)日: 2022-03-22
发明(设计)人: 苏荣锋;王岚;燕楠 申请(专利权)人: 中国科学院深圳先进技术研究院
主分类号: G10L25/63 分类号: G10L25/63;G10L25/66;G10L25/03;G10L25/30;G06N3/04;G06N3/08
代理公司: 北京市诚辉律师事务所 11430 代理人: 耿慧敏
地址: 518055 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 情景 感知 多模态 抑郁症 检测 系统
【权利要求书】:

1.一种基于情景感知的多模态抑郁症检测系统,包括:

训练样本构建单元:用于构建训练样本集,所述训练样本集包括话题信息、语谱图和对应的文本信息;

声学特征提取单元:用于使用卷积神经网络,结合多任务学习,对所述训练样本集的语谱图进行声学特征提取,获得具备情景感知的声学特征,其中卷积神经网络的输出层包含两个任务,第一个任务是抑郁症的分类,第二个任务是不同话题的标签;

文本特征提取单元:用于利用所述训练样本集,使用Transformer模型对词嵌入进行处理,提取具备情景感知的文本特征;

分类子系统建立单元:用于对于所述情景感知的声学特征建立进行抑郁症检测的声学通道子系统,对于所述情景感知的文本特征建立进行抑郁症检测的文本通道子系统;

分类融合单元:用于对所述声学通道子系统和所述文本通道子系统的输出进行融合,获得抑郁症分类信息;

其中,所述分类融合单元用于执行以下步骤:

采用强化学习机制,调整所述声学通道子系统的权重和所述文本通道子系统的权重,使得最终抑郁症分类预测结果和反馈信息之间的差异最小化;

融合所述声学通道子系统和所述文本通道子系统的输出,获得抑郁症的分类打分。

2.根据权利要求1所述的系统,其特征在于,所述声学特征提取单元根据以下步骤获得所述情景感知的声学特征:

构建卷积神经网络,该卷积神经网络包括输入层、多个卷积层、多个全连接层、输出层、以及位于最后一层全连接层和输出层之间的瓶颈层,该瓶颈层相对于卷积层和全连接层具有较少的节点;

将所述训练样本集中的语谱图输入到卷积神经网络,输出层包含抑郁症分类任务和话题的标签任务;

从卷积神经网络的瓶颈层提取得到所述情景感知的声学特征。

3.根据权利要求1所述的系统,其特征在于,所述文本特征提取单元根据以下步骤提取所述情景感知的文本特征:

构建Transformer模型,以词嵌入加上话题标识作为Transformer模型的输入,该Transformer模型包括多个含有自注意力的编码器和解码器以及位于最后一层的softmax层;

利用已有的文本语料,使用无监督训练方法预训练Transformer模型参数,然后采用迁移学习,在采集得到的抑郁症文本数据进行自适应训练;

在训练完成之后,将softmax层去除,以Transformer模型的输出作为所述情景感知的文本特征。

4.根据权利要求1所述的系统,其特征在于,所述抑郁症的分类打分表示为:

其中,权重wi=[λ12,…,λc],c为抑郁症的分类个数。

5.根据权利要求1所述的系统,其特征在于,所述声学通道子系统和所述文本通道子系统基于BLSTM网络建立,所述声学通道子系统的网络输入为连续多帧的感知线性预测系数和所述情景感知的声学特征,输出为抑郁症分类标签,所述文本通道子系统的网络输入是文本信息,输出为抑郁症分类标签。

6.根据权利要求1所述的系统,其特征在于,所述训练样本集中的话题信息包括基于医生与抑郁症患者交谈的内容所划分的多种类型标识。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院深圳先进技术研究院,未经中国科学院深圳先进技术研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911198356.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top