[发明专利]一种基于多特征的健康状态预测系统

说明书

本发明公开了一种基于多特征的健康状态预测系统，涉及健康预测技术领域，包括：情绪刺激模块，用于提供情绪刺激，包括静态情绪刺激和动态情绪刺激；信号采集模块，用于在情绪刺激时采集生物数据和行为数据；模型构建模块，用于对生物数据和行为数据进行处理，利用机器学习算法构建预测模型；评估模块，用于利用预测模型输出的预测结果，生成评价内容；本发明通过多特征相互配合，修正预测结果，提高预测效果，同时在特征提取过程中，增加各个特征提取的精确度，保证了预测模型的精确度，同时也提高了预测结果的精确度。

技术领域

本发明涉及健康预测技术领域，更具体的说是涉及一种基于多特征的健康状态预测系统。

背景技术

重性抑郁障碍(Major Depression)是抑郁障碍中的典型疾病。其特征性地表现为明确的至少2周的发作，涉及情感、认知和神经功能的明显变化。研究显示，重性抑郁障碍12个月的患病率约为7％，是最为常见的精神疾病之一。

重性抑郁障碍早已成为精神卫生领域关注的热点问题，大量研究围绕重性抑郁障碍的病因、治疗和预防而展开。在这些研究中，对抑郁倾向的早期甄别被认为对疾病的防治有着非常重要的作用。但是由于重性抑郁常与其他生理和心理疾病共病，对抑郁的早期甄别往往是很困难的。通常，对重性抑郁障碍的诊断基于精神障碍诊断与统计手册上对该疾病标准的描述。但在诊断过程中，由于人为因素的干扰，很难完全避免主观性的影响。如在收集病史时可能产生遗漏，或对某些症状的严重程度无意地夸大等。

机器学习(ML)是计算机系统为了有效地执行特定任务，不使用明确的指令，而依赖模式和推理使用的算法和统计模型的科学研究。机器学习算法构建一个基于样本数据的数学模型，称为“训练数据”，以便在没有明确编程来执行任务的情况下进行预测或决策。

因此，随着机器学习算法的成熟，越来越多的研究者开始尝试将机器学习引入重性抑郁障碍的识别中，经过不断研究，取得了不错的进展，但是其也存在着现有的预测系统依靠单一信息获得的预测结果不够准确的问题，因此，如何解决这一问题是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于多特征的健康状态预测系统，克服上述缺陷，通过多特征的提取，避免了单特征预测系统准确性低的问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于多特征的健康状态预测系统，包括：

情绪刺激模块，用于提供情绪刺激，包括静态情绪刺激和动态情绪刺激；

信号采集模块，用于在情绪刺激时采集生物数据和行为数据；

模型构建模块，用于对生物数据和行为数据进行处理，利用机器学习算法构建预测模型；

评估模块，用于利用预测模型输出的预测结果，生成评价内容。

其优点在于，利用生物数据和行为数据相结合，避免单一特征的片面性造成的预测结果不够准确的问题。

可选的，所述静态情绪刺激包括不同愉悦等级的图片。

可选的，所述动态情绪刺激包括相同时长、不同愉悦等级的音频或视频。

可选的，所述生物数据包括脑电信号、皮肤电信号、心电信号、肌电信号。

可选的，所述行为数据包括眼动数据、语音数据、面部特征数据。

可选的，所述模型构建模块包括预处理子模块、特征提取子模块、模型训练子模块和模型输出子模块；

所述预处理子模块，用于分别对生物数据和行为数据进行预处理，去除干扰数据；

所述特征提取子模块，用于对预处理后的生物数据和行为数据进行分段提取特征；