[发明专利]基于机器学习的精神评估的筛查系统及其训练方法

权利要求书

1.一种基于机器学习的精神评估的筛查系统的训练方法，其特征在于，包括第一分类模型的训练和第二分类模型的训练两个步骤，

第一分类模型的训练包括以下步骤：

从多个评估对象的ADE量表样本获得第一样本数据，所述第一样本数据包括多个评估对象以及与各个评估对象对应的特征项和特征数据；

从所述第一样本数据中选取具有明确的抑郁症分类标签、签署了知情同意书且评估对象的年龄在14至70岁之间的样本数据作为可供建模的第一有效样本数据；

从所述第一有效样本数据选取对应ADE量表中来自现况部分、抑郁终身部分、狂躁终身部分、精神病性部分且相关性不小于第一预设值的多个特征项，并且从所述多个特征项中排除人口统计学特征项、与病程相关的特征项和与抑郁症分类标签相关性超过第二预设值的特征项，以形成第一特征项列表；

从所述第一特征项列表选择一个或多个特征项作为不同的子集，并基于各个子集和所述第一有效样本数据构建不同的第一特征数据集；

将各个第一特征数据集分为训练集和测试集，利用训练集对基于机器学习的第一分类模型进行训练，并利用测试集测试第一分类模型，获得测试集的抑郁症分类结果，根据该分类结果评估所述各个第一特征数据集对应的第一分类模型的性能；并且

选出性能最优的第一分类模型，将性能最优的第一分类模型对应的M个特征项作为第二特征项列表，其中M＞＝47；

第二分类模型的训练包括以下步骤：

从多个评估对象的ADE量表样本获得第二样本数据，所述第二样本数据包括多个评估对象以及与各个评估对象对应的所述第二特征项列表和特征数据，所述第二样本数据与所述第一样本数据不同；

从所述第二样本数据中选取具有明确的抑郁症分类标签、签署了知情同意书且评估对象的年龄在14至70岁之间的样本数据作为可供建模的第二有效样本数据；

从所述第二特征项列表选择一个或多个特征项作为不同的子集，并基于各个子集和所述第二有效样本数据构建不同的第二特征数据集；

将各个第二特征数据集分为训练集和测试集，利用训练集对基于机器学习的第二分类模型进行训练，并利用测试集测试第二分类模型，获得测试集的抑郁症分类结果，根据该分类结果评估所述各个第二特征数据集对应的第二分类模型的性能；并且

选出性能最优的第二分类模型作为识别抑郁症的分类模型和性能最优的第二分类模型对应的L个特征项，其中40L50，且LM。

2.根据权利要求1所述的训练方法，其特征在于：

所述第一预设值为30％-40％。

3.根据权利要求1或2所述的训练方法，其特征在于：

所述人口统计学特征项为姓名、年龄、婚姻状况，所述与病程相关的特征项为躁狂终身_终身发作次数、躁狂终身_近一年发作次数、躁狂终身_首次发作年龄、抑郁终身_终身发作次数、抑郁终身_近一年发作次数、抑郁终身_首次发作年龄、抑郁终身_终身发作总次数、抑郁终身_近12个月发作次数、抑郁终身_最多12个月发作次数，所述第二预设值为80％-90％。

4.根据权利要求1所述的训练方法，其特征在于，

基于与所述第一特征项列表对应的特征数据集，计算所述第一特征项列表中的特征项的权重并根据各个权重形成特征序列，并从所述特征序列中选择权重依次递减、数目依次递增和以权重最大的特征项为起始特征项的一个或多个特征项作为不同的子集；

基于与所述第二特征项列表对应的特征数据集，计算所述第二特征项列表中的特征项的权重并根据各个权重形成特征序列，并从所述特征序列中选择权重依次递减、数目依次递增和以权重最大的特征项为起始特征项的一个或多个特征项作为不同的子集。

5.根据权利要求4所述的训练方法，其特征在于：

基于与所述第一特征项列表对应的特征数据集，利用最小冗余最大相关性算法计算所述第一特征项列表的各个特征项的权重，并按照各个特征项的权重从大到小进行排序，以形成所述特征序列；

基于与所述第二特征项列表对应的特征数据集，利用最小冗余最大相关性算法计算所述第二特征项列表的各个特征项的权重，并按照各个特征项的权重从大到小进行排序，以形成所述特征序列。