[发明专利]一种基于文本和图像社交网络抑郁检测方法

权利要求书

1.一种基于文本和图像社交网络抑郁检测方法，其特征在于，包含：

S1、获取用户文本和图像数据集，将其分为训练集和测试集；

S2、对训练集数据进行数据预处理；

S3、对经预处理后的数据进行特征提取；

S4、对步骤S3所得的数据进行特征权重分配；

S5、采用集成网络对步骤S4所得的数据进行分类检测，输出用户是否有抑郁症及其程度，以完善形成抑郁检测系统；

S6、采用测试集对所述抑郁检测系统进行测试，当测试合格时将所述抑郁检测系统投入使用，当测试不合格时，采用训练集重新对所述抑郁检测系统进行训练，直至测试合格；

S7、定期从网络上采集新数据对所述抑郁检测系统进行更新训练，当训练测试结果优于现有测试结果时，更新所述抑郁检测系统的模型参数。

2.如权利要求1所述的基于文本和图像社交网络抑郁检测方法，其特征在于，所述步骤S2具体包含：

在Python中使用jieba分词对训练集中的文本数据进行分词，去停止词；

对训练集中的图像进行随机旋转、裁剪、变形、缩放以扩充数据。

3.如权利要求1所述的基于文本和图像社交网络抑郁检测方法，其特征在于，

所述步骤S3中，经预处理后的数据汇聚于数据集中，提取的特征包含：文本特征、网络指标、人格特征、图像特征和好友对用户的影响指标。

4.如权利要求3所述的基于文本和图像社交网络抑郁检测方法，其特征在于，获取文本特征的方法包含：

基于情感词典对数据集中的文本数据进行词性标注，使用文本分析算法LICW得到文本数据中反映情感状态及各种词类的词频。

5.如权利要求3所述的基于文本和图像社交网络抑郁检测方法，其特征在于，获取网络指标的方法包含：

使用Python中的统计函数提取社交网络指标，所述网络指标为辅助特征以便对用户状态进行判断，所述网络指标包含：状态总数、平均字符数、夜间活动指数、社交规模、动态频率变化，所述状态总数为数据集中每个用户的状态更新总数，所述平均字符数为用户在所有状态更新中使用的平均字符数，所述夜间活动指数为用户在夜间发布状态的活动情况，所述社交规模为用户在社交网络中的连接好友数，所述动态频率变化为用户相邻两次发布动态的时间间隔。

6.如权利要求3或4所述的基于文本和图像社交网络抑郁检测方法，其特征在于，获取人格特征的方法包含：

将用户的文本特征作为特征输入到MLP进行分类预测，并以神经质、外倾性、经验开放性、宜人性、认真性五种人格的所占百分比作为输出。

7.如权利要求3所述的基于文本和图像社交网络抑郁检测方法，其特征在于，获取图像特征的方法包含：

构建残差网络，获取用户所发动态的图片作为特征，将其送入所述残差网络中，经残差网络中的多层网络的训练输出积极图片、消极图片或其他无感情色彩的图片。

8.如权利要求3所述的基于文本和图像社交网络抑郁检测方法，其特征在于，获取好友对用户的影响指标的方法包含：

由数据集得到用户之间的互动次数和用户互动的日期，由日期可以获取用户之间互动的天数，再计算得到用户之间的影响指数。

9.如权利要求1所述的基于文本和图像社交网络抑郁检测方法，其特征在于，所述步骤S4具体包含：

将获得的各个特征进行融合，进行归一化处理，将归一化处理的结果送入权重分配网络中，给不同的特征赋予不同的权重。

10.如权利要求1所述的基于文本和图像社交网络抑郁检测方法，其特征在于，

所述步骤S5中集成网络中包含随机森林、神经网络和SVM模型；

和/或，所述步骤S5中，输出用户是否有抑郁症及其程度，当结果显示用户没有抑郁倾向，不进行任何操作；当结果显示有抑郁倾向，所述抑郁检测系统私发消息给用户，询问是否参加问卷调查以便进一步确认状态信息，并策划方案为用户进行心理疏导。