本發(fā)明屬于醫(yī)療設(shè)備，具體涉及一種情緒預(yù)測調(diào)控系統(tǒng)和存儲介質(zhì)。

背景技術(shù)：

1、抑郁癥作為一種常見的精神障礙，是當(dāng)今世界上最常見的精神健康疾病之一，患者的主要特征是情緒低落、興趣減退以及精力疲乏等。抑郁癥已經(jīng)成為全世界主要的致殘性疾病。2017年世界衛(wèi)生組織的報(bào)告顯示，抑郁癥已成為人類致殘的首要且獨(dú)立因素。

2、目前，眾多研究者對抑郁癥的發(fā)病機(jī)制進(jìn)行了大量的理論和實(shí)踐研究,探索出抑郁癥患者的病理特征為：①連續(xù)且長期的心情低落/情緒記憶調(diào)控失衡；②負(fù)性記憶增強(qiáng)且正性記憶減弱；③睡眠障礙。

3、抑郁癥的治療方法主要包括藥物治療、心理治療和物理治療等。然而，這些治療方法對于不同抑郁癥患者個(gè)體的治療效果差異較大。這使得龐大的患者群體和逐年遞增的患病率與完備治療方案及措施的缺失之間的矛盾日漸明顯，急需研發(fā)具有特異性和針對性，應(yīng)用廣泛，可操作性強(qiáng)，有助于實(shí)現(xiàn)抑郁癥患者個(gè)體化精準(zhǔn)治療的裝置和方法。

4、臨床上，70％的抑郁癥患者有睡眠問題，而有睡眠問題的群體患抑郁癥或焦慮癥的風(fēng)險(xiǎn)亦顯著高于睡眠正常群體。因此，通過對抑郁癥患者的睡眠進(jìn)行干預(yù)，是一種新的治療抑郁癥的思路。雖然目前已有一些對抑郁癥與睡眠之間的關(guān)系的研究，然而，如何決策對抑郁癥患者的睡眠進(jìn)行干預(yù)的手段和參數(shù)，這仍然是亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的問題，本發(fā)明提供一種情緒預(yù)測調(diào)控系統(tǒng)和存儲介質(zhì)。

2、一種情緒預(yù)測調(diào)控系統(tǒng)，包括：

3、信息接收端口，被配置為：實(shí)時(shí)接收受試者的睡眠體征數(shù)據(jù)；

4、中央計(jì)算機(jī)處理系統(tǒng)，被配置為：將所述睡眠體征數(shù)據(jù)輸入機(jī)器學(xué)習(xí)模型，通過機(jī)器學(xué)習(xí)模型得到受試者睡眠情緒的判斷結(jié)果，所述機(jī)器學(xué)習(xí)模型為混合深度神經(jīng)網(wǎng)絡(luò)模型；

5、信息發(fā)送端口，被配置為：輸出受試者睡眠情緒的判斷結(jié)果。

6、優(yōu)選的，所述中央計(jì)算機(jī)處理系統(tǒng)還通過機(jī)器學(xué)習(xí)模型得到對受試者睡眠進(jìn)行調(diào)控的刺激模式和參數(shù)。

7、優(yōu)選的，所述睡眠體征數(shù)據(jù)包括如下指標(biāo)中的至少一種：腦電圖、心電圖、心率、血壓、fvc、fev1、fev1/fvc、肌電圖、體溫；其中，各fvc、fev1、fev1/fvc的含義為：用力肺活量(fvc)、第一秒用力呼吸容積(fev1)、一秒率(fev1/fvc)。

8、和/或，所述中央計(jì)算機(jī)處理系統(tǒng)中，還將患者的基本信息輸入所述機(jī)器學(xué)習(xí)模型，所述基本信息包括如下指標(biāo)中的至少一種：年齡、性別、身高、體重、腰圍、吸煙史、飲酒史、患病史/住院史/意外事故、手術(shù)史、輸血史、過敏史、長期用藥情況、家族遺傳病；

9、和/或，所述刺激模式包括如下刺激方式中的至少一種：觸覺刺激、溫度覺刺激、聽覺刺激、嗅覺刺激、空氣濕度、經(jīng)顱直流電刺激。

10、優(yōu)選的，所述混合深度神經(jīng)網(wǎng)絡(luò)模型包括：

11、原始數(shù)據(jù)提取層，用于對輸入的原始數(shù)據(jù)進(jìn)行解碼、反編譯以及反匯編操作，轉(zhuǎn)換成可讀性更強(qiáng)且更容易理解的數(shù)據(jù)類型；

12、特征提取層，用于從原始數(shù)據(jù)提取層的處理結(jié)果中提取特征；

13、特征向量生成層，用于針對存在型特征和離散型特征分別使用不同的算法生成若干特征向量，其中部分特征進(jìn)行拼接共同生成特征向量；

14、多模態(tài)睡眠情緒檢測層，用于根據(jù)所述特征向量得到受試者睡眠情緒的判斷結(jié)果，以及對受試者睡眠進(jìn)行調(diào)控的刺激模式和參數(shù)；

15、其中，所述多模態(tài)睡眠情緒檢測層包括初始網(wǎng)絡(luò)層和最終網(wǎng)絡(luò)層，所述初始網(wǎng)絡(luò)層包括若干互不相連的dnn網(wǎng)絡(luò)，所述特征向量相互獨(dú)立地被送入初始網(wǎng)絡(luò)層；所述最終網(wǎng)絡(luò)層包括一個(gè)dnn網(wǎng)絡(luò)結(jié)構(gòu)；所述初始網(wǎng)絡(luò)層中每一個(gè)dnn網(wǎng)絡(luò)的最后一層均與最終網(wǎng)絡(luò)層中dnn網(wǎng)絡(luò)的第一層進(jìn)行全連接；所述多模態(tài)睡眠情緒檢測層采用前融合的方式進(jìn)行深層特征之間的融合，所述最終網(wǎng)絡(luò)層的dnn網(wǎng)絡(luò)結(jié)構(gòu)輸出受試者睡眠情緒的判斷結(jié)果，以及對受試者睡眠進(jìn)行調(diào)控的刺激模式和參數(shù)。

16、優(yōu)選的，所述初始網(wǎng)絡(luò)層中，每個(gè)獨(dú)立的dnn網(wǎng)絡(luò)都由一個(gè)輸入層和若干個(gè)隱藏層組成，所述dnn網(wǎng)絡(luò)中，每一層中間的神經(jīng)元互不相連，每層神經(jīng)元都只與相鄰的前后層進(jìn)行連接，并且層與層之間是全連接的結(jié)構(gòu)；

17、所述最終網(wǎng)絡(luò)層中，dnn網(wǎng)絡(luò)結(jié)構(gòu)由一個(gè)融合層、若干個(gè)隱藏層和一個(gè)輸出層組成，輸出層只有一個(gè)神經(jīng)元，負(fù)責(zé)輸出分析結(jié)果。

18、優(yōu)選的，特征向量生成層中，通過模糊算法進(jìn)行部分特征的拼接。

19、優(yōu)選的，所述特征向量生成層中，存在型特征向量生成方法為：

20、將特征提取層提取出的所有存在型特征組成存在型特征數(shù)據(jù)庫；依次查詢每個(gè)樣本的對應(yīng)特征是否出現(xiàn)在所述特征數(shù)據(jù)庫中，如果存在，則該項(xiàng)特征被賦值為1，否則為0。

21、優(yōu)選的，所述特征向量生成層中，離散型特征向量生成方法為：

22、進(jìn)行特征數(shù)據(jù)的歸一化；對歸一化后的數(shù)據(jù)進(jìn)行k-means聚類，得到每一種特征數(shù)據(jù)的一組質(zhì)心；從樣本中提取出的這些特征數(shù)據(jù)，將被分別計(jì)算其到對應(yīng)類型的不同質(zhì)心間的距離；選擇距離最短的質(zhì)心，由該質(zhì)心指向當(dāng)前特征點(diǎn)的向量在不同維度上投影的長度，表示該數(shù)據(jù)與質(zhì)心在不同維度上特征的相似性；將投影長度0.4作為閾值，投影長度超過0.4的維度上的特征對應(yīng)的特征向量中的元素置為0，否則置為1。

23、優(yōu)選的，所述特征向量生成層對每一個(gè)離散型特征提取得到一個(gè)特征向量，將所有的存在型特征拼接生成一個(gè)特征向量。

24、優(yōu)選的，所述特征向量生成層中，對于提取不完整的特征，使用0向量進(jìn)行補(bǔ)全。

25、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有：用于實(shí)現(xiàn)上述情緒預(yù)測調(diào)控系統(tǒng)的計(jì)算機(jī)程序。

26、本發(fā)明的系統(tǒng)利用深度學(xué)習(xí)能夠?qū)崿F(xiàn)“監(jiān)測-處理-反饋-再監(jiān)測-處理-更優(yōu)反饋”的實(shí)時(shí)睡眠調(diào)控，能夠?qū)κ茉囌叩乃哌M(jìn)行個(gè)體化、可調(diào)節(jié)、精準(zhǔn)刺激效果的調(diào)節(jié)。

27、根據(jù)該目的，本發(fā)明提供了一種優(yōu)化的混合深度神經(jīng)網(wǎng)絡(luò)模型，相比于現(xiàn)有的同類模型，本發(fā)明的混合深度神經(jīng)網(wǎng)絡(luò)模型針對不確定性、準(zhǔn)確性、個(gè)性化進(jìn)行了優(yōu)化，是一種基于choquet模糊積分的多模態(tài)融合情緒識別模型，這是迄今為止報(bào)道的最魯棒、最準(zhǔn)確、完全的數(shù)據(jù)學(xué)習(xí)和預(yù)測的方法。

28、現(xiàn)有技術(shù)中，混合深度神經(jīng)網(wǎng)絡(luò)模型曾被提出用于藥物-藥物相互作用(ddi)的預(yù)測。本發(fā)明首次將其應(yīng)用于情緒記憶調(diào)控，并針對該目的進(jìn)行了模型的優(yōu)化，進(jìn)一步在準(zhǔn)確性和個(gè)性化上有所提高。

29、上述優(yōu)勢具體體現(xiàn)在：

30、1.處理不確定性，增強(qiáng)模型的泛化能力：本發(fā)明的混合深度神經(jīng)網(wǎng)絡(luò)模型通過整合來自不同數(shù)據(jù)源的信息(如呼吸、心電、體溫等)，能夠提供更全面的數(shù)據(jù)分析。模糊積分可以幫助處理臨床數(shù)據(jù)中的不確定性和模糊性，使得模型能夠更加魯棒地從這些數(shù)據(jù)中學(xué)習(xí)和做出預(yù)測。

31、2.提高診斷準(zhǔn)確性：通過結(jié)合模糊積分，本發(fā)明的混合深度神經(jīng)網(wǎng)絡(luò)模型能夠更準(zhǔn)確地診斷疾病或預(yù)測治療結(jié)果，尤其是在數(shù)據(jù)不完整或存在變異性的情況下。

32、3.個(gè)性化治療計(jì)劃：模糊積分可以幫助本發(fā)明的混合深度神經(jīng)網(wǎng)絡(luò)模型更好地理解和預(yù)測個(gè)體患者對治療的反應(yīng)，從而幫助相關(guān)睡眠輔助設(shè)備制定更加個(gè)性化的治療方案。

33、4.優(yōu)化決策支持：在臨床決策支持系統(tǒng)中，模糊積分可以幫助權(quán)衡不同因素的重要性，為睡眠情緒調(diào)控制定更加全面和平衡的治療方案。

34、5.支持可解釋的人工智能(xai)：模糊積分提供了一種自然的方式來解釋模型是如何綜合不同因素做出決策的，可以增強(qiáng)模型的可解釋性，這對于醫(yī)療領(lǐng)域的應(yīng)用尤為重要，因?yàn)樗梢蕴峁└该鞯臎Q策過程，這對于提高醫(yī)生對ai系統(tǒng)的信任和接受度至關(guān)重要。抑郁癥患者病理特征為連續(xù)且長期的心情低落，負(fù)性記憶增強(qiáng)且正性記憶減弱，以及睡眠障礙，對其調(diào)控是根治抑郁癥的核心。通過本發(fā)明的情緒預(yù)測調(diào)控系統(tǒng)，能夠?qū)σ钟舭Y患者(也可用于普通人群以及存在睡眠障礙的人群)進(jìn)行睡眠中情緒記憶睡眠調(diào)控，消退負(fù)性記憶、增強(qiáng)正性記憶；改善睡眠；調(diào)整情緒；緩解抑郁癥狀、提升生活質(zhì)量。因此，本發(fā)明具有很好的應(yīng)用前景。

35、顯然，根據(jù)本發(fā)明的上述內(nèi)容，按照本領(lǐng)域的普通技術(shù)知識和慣用手段，在不脫離本發(fā)明上述基本技術(shù)思想前提下，還可以做出其它多種形式的修改、替換或變更。

36、以下通過實(shí)施例形式的具體實(shí)施方式，對本發(fā)明的上述內(nèi)容再作進(jìn)一步的詳細(xì)說明。但不應(yīng)將此理解為本發(fā)明上述主題的范圍僅限于以下的實(shí)例。凡基于本發(fā)明上述內(nèi)容所實(shí)現(xiàn)的技術(shù)均屬于本發(fā)明的范圍。