[发明专利]一种基于机器学习的抑郁症评级系统及方法

说明书

本发明涉及一种基于机器学习的抑郁症评级系统及方法，属于机器学习技术领域。该系统包括数据采集模块、数据预处理模块、特征选择模块、机器学习模块和执行模块。数据采集模块，从全球可访问的在线调查中获取数据，包括抑郁量表中所有项目的答案、填写者的人口学统计变量和填写问卷所花费的时间信息；数据预处理模块，除开年龄和性别数据，根据答题者的分数分为高抑郁或低抑郁两个级别；对原始数据的特征进行组织处理，将所有可分类的列转换为代表每个类别的one‑hot编码；将特征和标签分开，并将数据集划分为训练数据集、测试数据集和保留数据集；本发明实现了通过缩短现有量表来开发一种更简单、更有效的抑郁风险评估方法。

技术领域

本发明属于机器学习技术领域，涉及一种基于机器学习的抑郁症评级系统及方法。

背景技术

抑郁症的特征包括“抑郁情绪(例如，悲伤、易怒、空虚)或失去愉悦感，并伴有其他显着影响个人功能的认知、行为或植物神经症状”(ICD-11,2021,Page 6A71.1)，可能导致工作或学习表现下降；严重时甚至会导致死亡。根据世界卫生组织(WHO)的数据，约有800,000人死于与抑郁症相关的自杀，它是青少年和年轻人的第二大死因(WHO，2020)。临床心理学家开发了多种用于评估和监测抑郁症的抑郁量表(Becket.al.,1961；LovibondLovibond,1995)，包括贝克抑郁量表(BDI，21项)、抑郁焦虑压力量表(DASS，21或42 项)、汉密尔顿抑郁评定量表(HDRS，17项)和明尼苏达多相人格量表(MMPI，200项目)。然而，目前尚缺乏便捷有效，适于患者自我评估并能够经常使用的抑郁评估工具。

存在的问题：

传统抑郁量表具有高信度和高效度，能够评估个体现有症状和严重程度，但是存在以下问题：

1.这些量表通常很长(20项)，不方便人们经常使用；

2.过于冗长的题目可能在重复测量过程中产生记忆效应和疲劳效应，降低所得结果的准确性；

3.许多量表需要由专业的临床心理工作者或精神科医生施测，不适用于个体自我评估；

4.个体对于现有量表的填写意愿较低，依从性较差；

5.即使个体能够使用无需专业人员施测的自评量表，仍然在计算与合理解释结果上存在困难；

6.不利于抑郁症状的实时评估和监测，提醒具有高风险测评结果的个体及时寻求帮助。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器学习的抑郁症评级系统及方法，生成的简化量表将便于个体即时准确地评估自身的抑郁水平状态，提升患者对疾病症状的自我认知和接受治疗的依从性，更快捷有效地评估公众心理健康状况。

为达到上述目的，本发明提供如下技术方案：

一种基于机器学习的抑郁症评级系统，该系统包括数据采集模块、数据预处理模块、特征选择模块、机器学习模块和执行模块；

数据采集模块，从全球可访问的在线调查中获取数据，包括DASS-42问卷所有项目的答案、填写者的人口学统计变量和填写问卷所花费的时间信息；

数据预处理模块，除开年龄和性别数据，根据答题者的分数分为高抑郁或低抑郁两个级别；对数据采集模块中筛除后得到的数据的特征进行组织处理，组织处理的内容包括将所有可分类的列转换为代表每个类别的one-hot编码；检查每个标签的行数之后，通过上采样来平衡数据集；将特征和标签分开，并将数据集划分为训练数据集、测试数据集和保留数据集；

特征选择模块，对预处理得到的数据，选用最小冗余最大相关法(Max-Relevanceand Min-Redundancy,MRMR)，根据数据集中每对变量的成对相关性或互信息选择最相关的特征，同时最小化变量之间的冗余，判断检查量表中哪些问题对预测抑郁风险的权重更大；