本发明涉及用户行为管理领域，尤其涉及一种抑郁症情绪监测方法、装置及可读存储介质。
背景技术：
抑郁症是一种常见的精神疾病，全球范围内估计有3.5亿患者。抑郁症不同于通常的情绪波动和对日常生活中挑战产生的短暂情绪反应，患者可能会受到极大影响，最严重时可引致自杀，每年自杀死亡人数估计高达100万人。当前抑郁症的诊断方式主要以医生问诊，患者回忆既往情绪状态的方式进行，有时会出现患者记忆有偏差、模糊不清的情况。抑郁症治疗病程通常较长，医生通常需要通过了解患者长期的精神状态对其治疗方案进行调整。
当前相关研究主要分为两个方向，一是使用单一模型由于手机使用习惯存在较大个体差异，二是针对患者个体开发个人定制化模型。
使用单一模型对全部患者的情绪状态进行预测存在较大困难，需要大量数据支撑，而抑郁症患者实验入组条件较为复杂，当前大多数研究的数据集患者人数都较为有限，很难去除个体差异性的影响。
技术实现要素：
本发明实施例提供一种抑郁症情绪监测方法、装置及可读存储介质，用以降低个体差异性的影响，提高抑郁症检测效果。
第一方面，本发明实施例提供一种抑郁症情绪监测方法，包括：
监测用户的行为数据；
按照预设规则从所述行为数据中计算目标数据特征；
通过预设预测模型基于所述目标数据特征进行预测，以获得预测结果。
可选的，监测用户的行为数据，包括：
监测用户使用终端的使用行为数据以及获取用户反馈的量表数据；
其中所述量表数据包括：用户反馈的phq-9自评量表。
可选的，按照预设规则从所述行为数据中计算目标数据特征，包括：
对所述行为数据进行数据处理，剔除不完整数据及脏数据；
合并处理在先指定次数与当前量表数据，按照预设分类标准对合并处理后的所述量表数据进行分类，并对分类后的所述量表数据设置对应的数据标签。
可选的，按照预设规则从所述行为数据中计算目标数据特征，还包括：
根据所述行为数据确定用户在各个预设时段内的终端使用信息，以及睡眠与运动特征。
可选的，确定用户在各个预设时段内的睡眠与运动特征，包括：
将睡眠心率进行余弦拟合后提取对应的睡眠曲线特征；
确定所述睡眠曲线特征的特征值；
所述特征值至少包括如下之一：平均值、中位数及标准差。
可选的，按照预设规则从所述行为数据中计算目标数据特征，还包括：
利用预设特征选择模型从所述使用行为数据和所述量表数据中选取对应的目标数据特征；
其中所述预设特征选择模型至少包括如下之一：基于树的特征选择、l1范式特征选择。
可选的，通过预设预测模型基于所述目标数据特征进行预测之前，还包括：
通过历史目标数据特征以及对应的标签对不同的机器学习模型进行训练，以确定使用不同目标数据特征情况下预测能力最佳的预测模型。
可选的，通过预设预测模型基于所述目标数据特征进行预测之后，所述方法还包括：将所述预测结果反馈给用户。
第二方面，本发明实施例提供一种抑郁症情绪监测装置，包括：
数据采集模块，用于监测用户的行为数据；
数据处理模块，用于按照预设规则从所述行为数据中计算目标数据特征；
预测模块，用于通过预设预测模型基于所述目标数据特征进行预测，以获得预测结果。
第三方面，本发明实施例一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现前述的抑郁症情绪监测方法的步骤。
本发明实施例通过按照预设规则从所述行为数据中选取目标数据特征；通过预设预测模型基于所述目标数据特征进行预测，降低了个体差异性的影响，达到对抑郁症患者情绪变化的监测和预警效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明第一实施例基本流程图；
图2为本发明第一实施例总流程图；
图3为本发明第一实施例模型训练流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
本发明第一实施例提供一种抑郁症情绪监测方法，如图1所示，包括以下具体步骤：
s101、监测用户的行为数据；
s102、按照预设规则从所述行为数据中计算目标数据特征；
s103、通过预设预测模型基于所述目标数据特征进行预测，以获得预测结果。
在本实施例中监测用户的行为数据可以通过佩戴手环，智能手表等智能穿戴设备，配合手机进行数据采集。以手机和手环为例，本实例中，可以在手机中安装对应的app，通过app监测用户的终端使用数据，还可以通过手机与手环进行配对，通过手环监测用户的生理特征数据，例如心率，睡眠数据，步数等。上述数据组合起来则形成了对应的用户的行为数据。
然后在所述用户行为数据计算目标数据特征并选取具有显著性的目标数据特征，根据选取的目标数据特征通过预设预测模型进行预测，即可获得对应用户的预测结果。
本发明实施例通过按照预设规则从所述行为数据中选取目标数据特征；通过预设预测模型基于所述目标数据特征进行预测，降低个体差异性的影响，达到对抑郁症患者情绪变化的监测和预警效果。
可选的，监测用户的行为数据，包括：
监测用户使用终端的使用行为数据以及获取用户反馈的量表数据；
其中所述量表数据包括：用户反馈的phq-9自评量表。
在一些实施方式中，可以通过监测用户使用终端的使用行为数据，其中用户使用终端的使用行为数据可以包括手机通话：呼入、呼出、拒接电话的次数、通话时长、通话人数等，手机使用时长：手机屏幕亮屏总时长、亮屏次数、每次亮屏时长等。量表数据可以是患者定时主动填写抑郁症自评量表phq-9。该量表可以被设定为回溯过去一周情绪状态，患者在入组后第2、4、8、12周固定填写量表，其余时间由患者自行决定填写。最终可以根据所述使用行为数据和所述量表数据确定用户的行为数据。
按照预设规则从所述行为数据中计算目标数据特征，包括：
对所述行为数据进行数据处理，剔除不完整数据及脏数据；
合并处理在先指定次数与当前量表数据，按照预设分类标准对合并处理后的所述量表数据进行分类，并对分类后的所述量表数据设置对应的数据标签。
在一些实施方式中，对所述行为数据进行数据处理，包括根据数据采集情况对数据进行清洗及预处理，剔除不完整数据及脏数据。其中预处理可以是依据手机屏幕亮屏总时长、亮屏次数、每次亮屏时长等计算通话人数熵等。手机屏幕亮屏总时长、亮屏次数、每次亮屏时长，由此确认不同时段的手机使用次数、亮屏时长、平均亮屏时长。本实施例中不同的时间段可以是例如早(6:00-12:00)、中(12:00-18:00)、晚(18:00-24:00)三个时段。
如图2所示，本实施例中，数据清洗过程可以分别对手机采集的用户使用终端的使用行为数据和手环采集的生理数据均进行数据清洗，剔除不完整数据及脏数据。其中使用行为数据包括手机屏幕亮屏总时长、亮屏次数、每次亮屏时长等，生理数据可以包括手环采集的心率，睡眠数据，步数等。数据清洗之后可获得干净的用户行为数据。
对于用户填写的自评量表phq-9，本实施例中可以合并在先指定次数与当前量表数据，例如将当前用户填写的自评量表phq-9与在先两次的自评量表phq-9合并为一条数据记录，然后根据预设的分类标准对该条数据记录打上标签。具体的分类标准如下表1所示：
表1
在根据合并处理后的量表数据分类后设置对应的数据标签。
可选的，按照预设规则从所述行为数据中计算目标数据特征，还包括：
根据所述行为数据确定用户在各个预设时段内的终端使用信息，以及睡眠与运动特征。
在一些实施方式中，如图2所示，在获得清洗后的使用行为数据和生理数据后，按照预设的规则进行特征计算，本实施例中将手机app根据功能分为8类：
-通讯：微信、qq等
-社交：微博、知乎、小红书等
-购物：淘宝、京东、拼多多等
-娱乐：抖音、哔哩哔哩、优酷等
-音乐：网易云音乐、qq音乐、虾米音乐等
-外卖：美团、饿了么等
-其他：百度、有道
然后根据行为数据确定用户在各个预设时段内的终端使用信息。
例如计算各类app的平均使用时长、标准差、熵，及以下各时段的app使用时长、使用次数(0:00-3:00am,3:00-6:00am,6:00-9:00am,9:00-12:00pm,12:00-3:00pm,3:00-6:00pm,6:00-9:00pm,9:00-12:00am)。
运动与睡眠：计算睡眠时长、睡眠时长变化标准差、深睡眠浅睡眠时长、标准差，深睡眠浅睡眠占总睡眠时长比例。计算平均步数、步数标准差、以下各时段步数(0:00-3:00am，3:00-6:00am，6:00-9:00am，9:00-12:00pm，12:00-3:00pm，3:00-6:00pm，6:00-9:00pm，9:00-12:00am)。
可选的，确定用户在各个预设时段内的睡眠与运动特征，包括：
将睡眠心率进行余弦拟合后提取对应的睡眠曲线特征；
确定所述睡眠曲线特征的特征值；
所述特征值至少包括如下之一：平均值、中位数及标准差。
在另外一种实施方式中例如在通过手环确定的睡眠心率之后，进一步进行数据处理，将睡眠心率进行余弦拟合后提取曲线特征，计算其平均值、中位数及标准差。本实施例中的目标数据特征包含睡眠心率进行余弦拟合后计算的特征，由此标识睡眠心率前后的变化量。
在一些可选的实施方式中，如图2所示，本发明方法分别根据使用行为数据和生理数据进行特征计算，由此获得目标数据特征。由于不同的人使用手机或睡眠情况各有不同，但是对应的行为数据随着抑郁情况变化的趋势可能存在一定的规律，因此本实施例方法通过计算各种行为数据的变化情况作为特征值来进行预测，以此来降低个体差异性，同时也能够避免单一数据的片面性，提高了对抑郁症患者情绪变化的监测和预警效果。
可选的，按照预设规则从所述行为数据中计算目标数据特征，还包括：
利用预设特征选择模型从所述使用行为数据和所述量表数据中选取对应的目标数据特征；
其中所述预设特征选择模型至少包括如下之一：基于树的特征选择、l1范式特征选择。
在另外一种实施方式中可以使用基于树的特征选择、l1范式特征选择等特征选择模型选取具有显著性的目标数据特征，不同的模型所选出来的目标数据特征可以是不同的。
可选的，如图3所示，通过预设预测模型基于所述目标数据特征进行预测之前，还包括：
通过历史目标数据特征以及对应的标签对不同的机器学习模型进行训练，以确定使用不同目标数据特征情况下预测能力最佳的预测模型。
可选的，通过预设预测模型基于所述目标数据特征进行预测之后，所述方法还包括：将所述预测结果反馈给用户。
在一种可选的实施方式中，可以将预测结果通过app反馈给患者、患者家属及医生，如有显著情绪变化则推送预警信息。
综上所述，本发明实施例建立了对情绪变化量的预测模型，使得在使用单一模型的情况下尽可能降低手机使用行为个体差异性的影响。通过本实施例方法可以弥补患者在复诊间隔期间缺乏情绪数据记录的情况，使得医生对患者的情绪变化有更好的了解。同时也可在患者出现较大情绪波动时向患者、患者家属及医生进行预警。
实施例二
本发明第二实施例一种抑郁症情绪监测装置，包括：
数据采集模块，用于监测用户的行为数据；
数据处理模块，用于按照预设规则从所述行为数据中计算目标数据特征；
预测模块，用于通过预设预测模型基于所述目标数据特征进行预测，以获得预测结果。
本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现第一实施例的抑郁症情绪监测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
1.一种抑郁症情绪监测方法，其特征在于，包括：
监测用户的行为数据；
按照预设规则从所述行为数据中计算目标数据特征；
通过预设预测模型基于所述目标数据特征进行预测，以获得预测结果。
2.如权利要求1所述的抑郁症情绪监测方法，其特征在于，监测用户的行为数据，包括：
监测用户使用终端的使用行为数据以及获取用户反馈的量表数据；
其中所述量表数据包括：用户反馈的phq-9自评量表。
3.如权利要求2所述的抑郁症情绪监测方法，其特征在于，按照预设规则从所述行为数据中计算目标数据特征，包括：
对所述行为数据进行数据处理，剔除不完整数据及脏数据；
合并处理在先指定次数与当前量表数据，按照预设分类标准对合并处理后的所述量表数据进行分类，并对分类后的所述量表数据设置对应的数据标签。
4.如权利要求2所述的抑郁症情绪监测方法，其特征在于，按照预设规则从所述行为数据中计算目标数据特征，还包括：
根据所述行为数据确定用户在各个预设时段内的终端使用信息，以及睡眠与运动特征。
5.如权利要求4所述的抑郁症情绪监测方法，其特征在于，确定用户在各个预设时段内的睡眠与运动特征，包括：
将睡眠心率进行余弦拟合后提取对应的睡眠曲线特征；
确定所述睡眠曲线特征的特征值；
所述特征值至少包括如下之一：平均值、中位数及标准差。
6.如权利要求2-5任一项所述的抑郁症情绪监测方法，其特征在于，按照预设规则从所述行为数据中计算目标数据特征，还包括：
利用预设特征选择模型从所述使用行为数据和所述量表数据中选取对应的目标数据特征；
其中所述预设特征选择模型至少包括如下之一：基于树的特征选择、l1范式特征选择。
7.如权利要求3所述的抑郁症情绪监测方法，其特征在于，通过预设预测模型基于所述目标数据特征进行预测之前，还包括：
通过历史目标数据特征以及对应的标签对不同的机器学习模型进行训练，以确定使用不同目标数据特征情况下预测能力最佳的预测模型。
8.如权利要求1-5任一项所述的抑郁症情绪监测方法，其特征在于，通过预设预测模型基于所述目标数据特征进行预测之后，所述方法还包括：将所述预测结果反馈给用户。
9.一种抑郁症情绪监测装置，其特征在于，包括：
数据采集模块，用于监测用户的行为数据；
数据处理模块，用于按照预设规则从所述行为数据中计算目标数据特征；
预测模块，用于通过预设预测模型基于所述目标数据特征进行预测，以获得预测结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现如权利要求1至8中任一项所述的抑郁症情绪监测方法的步骤。
技术总结