[发明专利]一种基于多维度内感知特征的焦虑特质量化方法

说明书

本发明涉及生物指标的电子信息化技术领域，具体的讲是一种基于多维度内感知特征的焦虑特质量化方法，获取被试行为学、脑电生理和核磁共振影像多维度数据；进行行为学心跳感知敏感性、心跳知觉电位、脑结构和任务态数据预处理；构建多维度的深度学习网络，建立自动量化系统，本发明联合内感知范式下的行为学、脑电生理和核磁共振影像多维度特征，通过深度网络学习，借助其自动学习和非线性层级体系优势进行特征学习，提取特征值建模，获得个体化的焦虑特质水平评分结果，为定量、客观评估焦虑特质水平提供工具，实现对焦虑水平的精准量化，对焦虑障碍超早期有效识别，以及生物学客观诊断作用巨大，可以辅助焦虑障碍的诊断和治疗。

技术领域

本发明涉及生物指标的电子信息化技术领域，具体的讲是一种基于多维度内感知特征的焦虑特质量化方法。

背景技术

焦虑障碍(anxiety disorder,AD)在精神障碍中患病率最高，12月患病率达到5.0％，终生患病率高达7.6％。焦虑障碍不仅最为常见，影响者众，且具有相当功能损害程度，直接影响患者的工作能力和社会功能。

高焦虑特质人群发展成焦虑障碍风险增高，并且多项研究表明精神障碍共病焦虑的预后结局更差。现有技术都是依靠主观问题的回答来判断人是否存在焦虑，这种判断方法主观性很强，而且无法精准客观的判断焦虑是否存在以及焦虑特质存在的程度。

为此设计一种可以精准可观的量化评定焦虑特质的方法十分有必要。

发明内容

本发明突破了现有技术的难题，设计了一种基于多维度内感知特征的焦虑特质量化方法，可以通过信息化人工智能的手段对焦虑特质进行精准客观的量化评定，达到对焦虑障碍的超早期识别，为后续的精准与个性化治疗提供基础。

为了达到上述目的，本发明设计了一种基于多维度内感知特征的焦虑特质量化方法，其特征在于：包括如下步骤：

S1获取被试行为学、脑电生理和核磁共振影像多维度数据；

S2进行行为学心跳感知敏感性、心跳知觉电位和脑结构和任务态数据预处理；

S3构建多维度的深度学习网络，建立自动量化系统。

进一步的，S3构建多维度的深度学习网络，建立自动量化系统的具体方法为：

S31训练一个单一任务模型的独立的学习显著性对象的区域和边缘特征；

S32利用检测到的边缘生成大量候选区域，利用条件随机场进行优化、再结合；

S33提取显著性区域检测的结果对候选区域进行排序和计算权值；

S34根据权值生成焦虑特质评分。

进一步的，S2进行行为学心跳感知敏感性、心跳知觉电位、脑结构和任务态数据预处理的具体方法为：

S21根据被试行为学感受到的心跳和实际心跳个数，计算被试的心跳感知分数，具体计算公式为：其中，P代表评价心跳感知能力强弱的分值，满值为1；O_i表示实际记录到的心跳次数，G_i表示被试感受到的心跳次数；k值表示被试测试的总数；

S22使用EEGLAB工具箱对脑电生理学数据进行离线预处理；

S23使用SPM8软件对脑影像学数据进行预处理，保留体素体积信息；

S24使用AFNI软件对心跳感知任务态影像进行数据预处理和统计分析。