[发明专利]一种基于开放性问答文本的抑郁症辅助检测方法

说明书

本发明公开一种基于开放性问答文本的抑郁症辅助检测方法，其主要特点是适用于抑郁症患者和医生对话的文本分析方法，随着对话数据的增加，模型重新训练，达到自学习提升的效果，具体包括：文本采集，使用语音识别技术提取对话文本；文本预处理，根据数据特征和模型设计，进行文本预处理；文本语义模型训练，对预处理的文本进行语义挖掘；文本模型预测，将语义挖掘模型输出的特征进行分类；模型自学习，随着见识的样本量增加，模型会自我迭代更新。

技术领域

本发明涉及计算机辅助医疗诊断技术领域，特别是涉及一种基于开放性问答文本的抑郁症辅助检测方法

背景技术

由于患有抑郁症的人数稳步增加，准确诊断的难度也是如此。世界卫生组织(WTO)预测到2020年，抑郁症将成为全球第二大主要病因，而抑郁症症状的自动检测正在打破这一传统，无需临床检测也可以潜在地提高诊断准确性和有效性，从而带来更快速的干预治疗，辅助医生做出准确性评定。

抑郁症严重会导致神经生理和神经认知的变化，影响面部表情，语音和认知功能以及表达。抑郁症的表现会反映在患者的一些行为中。临床医生评估抑郁症症状的语言和非语言指标：包括音高单调、语速降低、音量降低、手势较少和总向下看、交流内容、面部微表情等特征。目前国内外已经提出了多模态的抑郁症自动评估方法，麻省理工李飞飞团队在DAIC-WOZ数据集上已经取得了82.6％的成绩。

而在国内西北工业大学为代表的早期研究者在基于DAIC-WOZ数据集的AVEC 数据集上提出了多模态抑郁自动评估方法。

目前人工智能应用于抑郁症评估已经取得了一些成果，然而由于抑郁症的复杂性和个体差异性，仍面临如下挑战：

1)国内数据集缺乏，大多数依靠在DAIC-WOZ数据集上做的研究，缺乏本土适用性。

2)一段时间的和患者交流视频。充斥着大量音频、视频、文本信息，研究时往往通过采样，这将丢弃大量有用信息，所以需要音频、视频、文本各个领域都专业的团队进行研究挖掘可忍受的信息丢失率。

3)目前各领域技术都有不同程度的飞速发展，有待技术更新，更好的挖掘信息。

发明内容

为了解决上述技术或资源问题，本发明依托于华西医院给予的医生与患者的真实数据，以及现有的各方面可行的先进技术，本发明设计了一种基于开放性问答文本的抑郁症辅助检测方法。

一种基于开放性问答文本的抑郁症辅助检测方法，包括：文本采集：使用语音识别技术提取对话文本；文本预处理：根据数据特征和模型设计，进行文本预处理；文本语义模型训练：对预处理的文本进行语义挖掘；文本模型预测：将语义挖掘模型输出的特征进行分类；模型自学习：随着见识的样本量增加，模型会自我迭代更新。

进一步的，在所述文本采集过程中，需要根据具体医生和患者对话长短，来选择合适的现有的语音识别技术，更具对数据统计分析，对于开放性较长文本、环境较为复杂的情况下，选择云知声进行语音初步识别。

进一步的，在所述的文本预处理过程中，将开放性问答分成提问者文本和回答者回答文本，并将语音识别中的不足进行修复。

进一步的，在所述的文本预处理，经过上一步处理后，将开放性问答提取的问者文本和回答者回答文本进行分词、制作词汇表、词汇表索引映射，获取问题编码和模型输入特征的融合。

进一步的，在所述的文本语义模型训练过程中，分文本语义挖掘部分和文本语义特征抑郁性分类部分。

进一步的，在所述的文本语义挖掘过程中，使用BERT进行文本特征表示，输出具有语义的特征。

进一步的，在所述的文本语义特征抑郁性分类过程中，利用全连接层进行和抑郁症量表的分数进行拟合。