基于深度学习诊断患者精神疾病严重程度的方法及系统与流程

本发明涉及计算机，具体涉及一种基于深度学习诊断患者精神疾病严重程度的方法、系统、电子设备及存储介质。

背景技术：

1、功能磁共振成像和ct都可以测量大脑活动，但是功能磁共振成像设备昂贵且笨重，需要患者保持静止，限制了其在某些人群中的应用，如儿童和患有运动障碍的患者。此外，功能磁共振成像的时间分辨率较低，无法捕捉到脑活动的快速变化。

2、ct设备昂贵且复杂，需要注射放射性示踪剂，对患者有一定的风险。此外，ct扫描的时间分辨率较低，无法捕捉到快速的神经活动。

3、与功能磁共振成像和ct等其他技术相比，近红外光谱具有多种优势，因为它更便携、无创且价格低廉。近红外光谱仪器可以提供血红蛋白浓度的变化；

4、精神分裂症等常见的精神病多采用阳性和阴性综合征量表进行评估，焦虑多采用广泛性焦虑障碍作为标准，抑郁多采用患者健康问卷进行评估。这些评定量表长期以来被认为是评估疾病严重程度的重要标准。然而，它们具有主观性，难以通过科学方法进行量化。因此，在评估疾病时，评级量表与近红外光谱仪器结合卷积神经网络能够产生量化的结果。

5、但是，神经元之间的相关性仅通过血红蛋白浓度映射来完全理解是非常繁琐的，因此，亟需一种基于深度学习诊断患者精神疾病严重程度的方法。

技术实现思路

1、本发明实施例的目的在于提供一种基于深度学习诊断患者精神疾病严重程度的方法、系统、电子设备及存储介质，用以解决现有技术中无法基于深度学习诊断患者精神疾病严重程度的问题。

2、为实现上述目的，本发明实施例提供一种基于深度学习诊断患者精神疾病严重程度的方法，所述方法具体包括：

3、对患者进行神经心理学测试，并使用近红外光谱仪器获取患者测试期间的血红蛋白浓度变化数据；

4、对所述血红蛋白浓度变化数据转化为血红蛋白浓度变化图；

5、基于所述血红蛋白浓度变化图构建训练集；

6、构建卷积神经网络模型；

7、将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

8、将待分类的血红蛋白浓度变化图输入训练好的卷积神经网络模型进行分类，得到分类结果；

9、对所述分类结果进行评估，得到患者精神疾病严重程度。

10、在上述技术方案的基础上，本发明还可以做如下改进：

11、进一步地，所述神经心理学测试包括字母流畅性测试和类别流畅性测试；

12、所述神经心理学测试的任务阶段包括任务前阶段、任务中阶段和任务后阶段。

13、进一步地，所述对所述血红蛋白浓度变化数据转化为血红蛋白浓度变化图，包括：

14、将所述血红蛋白浓度变化数据的数值转换为色条；

15、基于所述色条构建按脑区分布的所述血红蛋白浓度变化图；

16、对所述血红蛋白浓度变化图进行标记，得到第一标签和第二标签，其中，第一标签表示所述神经心理学测试的任务阶段，第二标签表示任务的时间段。

17、进一步地，所述卷积神经网络模型包括卷积层、池化层和密集层；

18、将所述血红蛋白浓度变化图输入所述卷积神经网络模型，经过两个卷积层和一个池化层，再经过五个卷积层，在输出之前再经过三个密集层。

19、进一步地，所述将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，包括：

20、将所述血红蛋白浓度变化图划分为训练集和测试集；

21、基于所述训练集训练所述卷积神经网络模型；

22、基于所述测试集评估满足性能条件的所述卷积神经网络模型的分类结果，得到所述卷积神经网络模型所对应的评价指数。

23、进一步地，所述将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，还包括：

24、通过混淆矩阵表示类别流畅性测试和字母流畅性测试的数据结果；

25、通过混淆矩阵得到训练好的所述卷积神经网络模型在每个相关阶段或相关任务上预测的准确性。

26、进一步地，所述将待分类的血红蛋白浓度变化图输入训练好的卷积神经网络模型进行分类，得到分类结果，包括：

27、通过t分布随机邻域嵌入使用高维空间中样本之间的相似性计算一个相似性矩阵；

28、通过定义一个低维空间中的相似性分布计算相应的相似性矩阵，使高维和低维相似性矩阵之间的差异最小化；

29、使用t分布随机邻域嵌入来验证训练好的所述卷积神经网络模型的分类结果。

30、一种基于深度学习诊断患者精神疾病严重程度的系统，包括：

31、数据获取模块，用于对患者进行神经心理学测试，并使用近红外光谱仪器获取患者测试期间的血红蛋白浓度变化数据；

32、变化图获取模块，用于对所述血红蛋白浓度变化数据转化为血红蛋白浓度变化图；

33、第一构建模块，用于基于所述血红蛋白浓度变化图构建训练集；

34、第二构建模块，用于构建卷积神经网络模型；

35、训练模块，用于将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

36、分类结果获取模块，用于将待分类的血红蛋白浓度变化图输入训练好的卷积神经网络模型进行分类，得到分类结果；

37、评估模块，用于对所述分类结果进行评估，得到患者精神疾病严重程度。

38、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。

39、一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。

40、本发明实施例具有如下优点：

41、本发明中基于深度学习诊断患者精神疾病严重程度的方法，对患者进行神经心理学测试，并使用近红外光谱仪器获取患者测试期间的血红蛋白浓度变化数据；对所述血红蛋白浓度变化数据转化为血红蛋白浓度变化图；基于所述血红蛋白浓度变化图构建训练集；构建卷积神经网络模型；将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；将待分类的血红蛋白浓度变化图输入训练好的卷积神经网络模型进行分类，得到分类结果；对所述分类结果进行评估，得到患者精神疾病严重程度，解决了现有技术中无法基于深度学习诊断患者精神疾病严重程度的问题。

技术特征：

1.一种基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述方法具体包括：

2.根据权利要求1所述基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述神经心理学测试包括字母流畅性测试和类别流畅性测试；

3.根据权利要求1所述基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述对所述血红蛋白浓度变化数据转化为血红蛋白浓度变化图，包括：

4.根据权利要求1所述基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述卷积神经网络模型包括卷积层、池化层和密集层；

5.根据权利要求1所述基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，包括：

6.根据权利要求5所述基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，还包括：

7.根据权利要求1所述基于深度学习诊断患者精神疾病严重程度的方法，其特征在于，所述将待分类的血红蛋白浓度变化图输入训练好的卷积神经网络模型进行分类，得到分类结果，包括：

8.一种基于深度学习诊断患者精神疾病严重程度的系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中的任一项所述的方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述的方法的步骤。

技术总结
本发明实施例公开了一种基于深度学习诊断患者精神疾病严重程度的方法及系统，对患者进行神经心理学测试，并使用近红外光谱仪器获取患者测试期间的血红蛋白浓度变化数据；对所述血红蛋白浓度变化数据转化为血红蛋白浓度变化图；基于所述血红蛋白浓度变化图构建训练集；构建卷积神经网络模型；将所述训练集输入所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；将待分类的血红蛋白浓度变化图输入训练好的卷积神经网络模型进行分类，得到分类结果；对所述分类结果进行评估，得到患者精神疾病严重程度。该基于深度学习诊断患者精神疾病严重程度的方法解决现有技术中无法基于深度学习诊断患者精神疾病严重程度的问题。

技术研发人员：刘伟奇,马学升,陈金钢,彭思源,龚喆晰
受保护的技术使用者：浙江学时医疗科技有限公司
技术研发日：
技术公布日：2024/1/15