[发明专利]一种基于血常规检验数据的抑郁症识别方法

说明书

本发明提出了一种基于血常规检验数据的抑郁症识别方法。通过对大量血常规检验数据样本的预处理，在传统有监督算法之前引入无监督的特征学习，增强输入信息的数据特征，通过对数据的提前理解和判断，从而标准化参数的初始量。基于诊断标签通过深度学习的半监督预测特性，构建仅使用血常规检验数据判定被检验者是否患有抑郁症的模型，解决现有的针对抑郁症的诊断方法疾病识别效率和准确率低，经验依赖较高的问题。

技术领域

本发明涉及检验医学领域，具体涉及一种基于血常规检验数据的抑郁症识别方法。

背景技术

抑郁症，也称抑郁障碍，是以心境持久低落为主要特征的情绪障碍疾病，其发病率高且病情易反复，是严重危害人类健康的精神障碍性疾病之一。作为一种常见疾病，抑郁症现已成为人类第二大“杀手”，且患者逐渐出现低龄化趋势，尤其学生的患病率持续上升。由于抑郁症发病机理的复杂性，现阶段我国对抑郁症的医疗防治还处在识别率低的局面，相关的发病机制仍然处于探索阶段。目前, 临床上对抑郁症的识别诊断主要基于传统的精神科访谈，其本身的主观性使得早期诊断依然具有挑战性。通过医生和患者之间的沟通交流以及填写相关的问卷量表，此类方法缺乏客观性，依赖医生的从业经验与相应的专业背景知识且耗时费力。

如今，随着生物信息技术的不断进步，监测抑郁症的方式也在不断丰富。已有个别研究通过脑电（EEG）等数据对抑郁症患者进行识别。早期发现抑郁倾向、轻度抑郁症有助于及时积极干预，可以避免抑郁症进一步加重。因此，寻找一种快速、准确的抑郁症识别诊断方法具有重大意义。

发明内容

本发明的目的是提出了一种基于血常规检验数据的抑郁症识别方法。通过深度学习算法，仅使用血常规检验数据构建用于判定被检验者是否患有抑郁症的模型。血常规做为一项目基本的体检项目，一般在高校入学、员工入职等体检中都会涉及。经过对血常规数据和抑郁症的关联分析，可解决现有的针对抑郁症的诊断方法疾病识别效率和准确率低，经验依赖较高的问题。

为了达到上述目的，本发明提供一种基于血常规检验数据的抑郁症识别方法，采用了如下技术方案。

设计一种基于血常规检验数据的抑郁症识别的方法，包括如下步骤。

S1：从体检医院、精神疾病医院获取血常规检验样本数据并进行数据预处理，其中，所述检验样本数据根据血常规检测项目进行合并；对检验样本数据维度缺失值进行填补。通过对样本的筛选，针对诊断结果中的关键字划分数据类别做为训练数据。

S2：基于检验样本数据通过逐层学习策略，将神经网络层级之间的参数初始化用受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）的自编码学习方式替代，即将RBM中的（隐层）乘性偏置和权值连接矩阵直接赋值给相应层级的权值矩阵和偏置，强化输入信息的数据特征。

S3：利用已有样本的诊断标签做为输出网络神经元的反馈学习，完成末端有监督分类器的设计阶段，训练出一个能分类血常规检验数据特征的模型，最终得到一个诊断结果网络模型，实现对抑郁症倾向的分类。

优选的，在S1中，血常规检验数据预处理的具体步骤如下。

所述的检验样本数据为血常规的实验室各检验指标数据，所述检验样本的数据预处理过程包括数据的标准化、合并、区域转置和变量筛选。

进一步的，在样本数据体现患者接受药物干预时，在筛选样本数据过程中，阳性样本集中排除掉这部分样本。

进一步的，所述阳性数据组和阴性数据组进行配对，并对数据集根据80％、10％和10％的比例随机分为训练集、验证集和测试集。

优选的，在S2中，样本信息通过逐层学习策略训练RBM，其网络结构分为两层：显示层v用于表示输入与输出的数据，隐藏层h被理解为变量的内在表达。