[发明专利]一种通过对话文本分析识别抑郁症的系统

说明书

一种通过对话文本分析识别抑郁症的系统，包括依次连接的精神疾病专家问诊录音数据预处理模块、抑郁症对话文本分析识别模型训练模块、用户抑郁症情况识别模块。本发明通过抑郁症对话识别模型，在传统文本分类的基础上使用RoBERTa预训练模型复合Bi‑LSTM模型和注意力机制，让模型以更灵活的方式对文本分块，模型可以确定在任意方向处理的下一个分块，应用循环机制，允许块之间传输信息，从而达到长文本阅读的目的。同时在模型的输出端增加Attention注意力机制，通过区分不同特征的重要程度，忽略不重要的特征，将注意力放在重要的特征上，能更准确地在超长文本中抽取关键词，提高分类准确率，高准确率地识别用户是否患有抑郁症。

技术领域

本发明涉及识别抑郁症患者的系统。

背景技术

近年来，基于深度学习的模型成为了文本分类模型的主流，其中主要的模型包括RNN，CNN等。在这些基础深度模型的基础之上，一些工作着眼于将不同角度的信息融入到文本分类任务当中，并取得了成功。此外，随着最近工作对自注意力机制的探索与利用，以及自然语言处理领域预训练模型的发展，Bert模型成为了目前最流行且效果最好的预训练文本分类模型，其在文本情感分类领域也有非常优秀的性能。语言和对话是医生诊断和治疗精神疾病的主要数据来源，将人工智能技术应用于患者的语音语义分析，可以帮助精神疾病的预警。目前国外已有研究对病人的临床访谈记录进行自动语音语义分析，预测具有精神疾病高危因素的青年人群在基线评估后2.5年内的精神疾病发作情况。以及Facebook基于深度学习自然语言理解的心理机器人评估用户负面情绪，甚至严重的心理疾病倾向，从而达到抑郁症早期识别和预警。

目前国内尚没有利用人工智能技术基于开放性问答进行智能精神疾病筛查的相关研究。有待设计高效的深度学习模型，以专家医生与患者的问答数据为样本，对所设计的深度学习模型进行训练和测试，以设计出能达到高评估准确率的深度学习模型。

发明内容

本发明要克服现有技术的上述缺点，提供一种对话文本分析识别抑郁症的方法。

本发明解决技术问题采用如下技术方案：

一种通过对话文本分析识别抑郁症的系统，包括依次连接的精神疾病专家问诊录音数据预处理模块、抑郁症对话文本分析识别模型训练模块、用户抑郁症情况识别模块；其中

疾病专家问诊录音数据预处理模块具体包括：整理精神疾病专家问诊录音，根据个人截取问诊核心片段；使用市面上的中文语音转文本工具，将问诊语音片段转换为文本；手动检查修正语音识别结果的错误内容。

抑郁症对话文本分析识别模型训练模块具体包括：

1)提取疾病专家问诊录音数据预处理模块获得的文本数据集，提取文本所属者的诊断结果作为标签，将文本与标签对应起来，完成训练集，验证集和测试集的制作。

2)搭建Bi-LSTM+Attention+RoBERTa-wwm-ext-large文本分类模型，Bi-LSTM隐藏层的神经元个数设置为256，输出结果为0和1(是否有抑郁症)。

3)构建二元交叉熵损失函数。损失函数公式如(1-1)所示。

4)将训练集长对话文本、标签作为输入信号，输入搭建的抑郁症识别模型，采用RoBERTa-wwm-ext-large中文预训练模型进行训练，将对话文本变为一个768维的词向量。词向量输入Bi-LSTM层中，将每一个时序的输出向量输入到Attention层。Attention层先计算每个时序的权重，将所有时序的向量进行加权，并将结果作为特征向量，再选择Softmax函数进行分类，得到输出信号，即是否有抑郁症。

用户抑郁症情况识别模块选择要诊断的对话音频，转化为对话文本；加载抑郁症对话文本分析识别模型训练模块中保存的抑郁症识别模型，输入对话长文本信息，得到判断结果。

本发明具有如下有益效果：