患者的负性情绪监测系统及方法

本技术涉及情绪监测领域，且更为具体的涉及一种患者的负性情绪监测系统及方法。

背景技术：

1、负性情绪是指人们体验到的不良情绪，如焦虑、愤怒、悲伤、压力等。这些情绪通常被视为负面的，因为它们可以对个体的心理和生理健康产生负面影响。对于病人来说，负性情绪可能对治疗和康复产生多方面的影响，例如心理健康情况下降、治疗依从性下降、身体产生应激反应等。因此，对于病人的治疗来说，管理和减轻负性情绪非常重要。在医疗的过程中，往往需要对患者进行负性情绪监测。传统的监测负性情绪的方法往往是通过定期或者不定期填写情绪量表或问卷调查来进行的。然而，这种填写情绪量表是一种主观的评估方法，依赖于病人的自我报告。病人的主观感受可能受到个人偏见、记忆偏差和情绪波动的影响，从而导致评估结果的不准确性。同时，患者可能会忘记或过于强调某些情绪体验，从而影响结果的准确性。传统的情绪量表通常只能提供对特定时间段内情绪状态的评估，无法提供实时的情绪监测。

2、因此，期待一种优化的患者的负性情绪监测方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。

2、根据本技术的一个方面，提供了一种患者的负性情绪监测系统，其包括：

3、病人数据获取模块，用于获取预定时间段病人的脑电信号、所述预定时间段病人的人脸监控视频和所述预定时间段病人的生理指标信息；

4、病人脑电信号特征提取模块，用于对所述预定时间段病人的脑电信号进行特征提取与编码以得到病人脑电关联特征矩阵；

5、病人人脸监控特征提取模块，用于将所述预定时间段病人的人脸监控视频通过具有三维卷积核的人脸特征提取模块以得到病人人脸情绪特征矩阵；

6、病人人脸情绪-脑电关联模块，用于将所述病人人脸情绪特征矩阵和所述病人脑电关联特征矩阵融合以得到病人人脸情绪-脑电关联融合特征矩阵；

7、病人生理特征提取模块，用于将所述预定时间段病人的生理指标信息通过基于转换器的病人生理指标特征提取器以得到病人生理特征矩阵；

8、病人情绪特征融合模块，用于将所述病人人脸情绪-脑电关联融合特征矩阵和所述病人生理特征矩阵进行融合以得到病人负性情绪特征矩阵；

9、矩阵展开模块，用于将所述病人负性情绪特征矩阵展开为病人负性情绪特征向量；

10、优化模块，用于对所述病人负性情绪特征向量进行基于类概率的等效模型参数空间表达以得到优化病人负性情绪特征向量；

11、病人负性情绪判别模块，用于分析所述优化病人负性情绪特征向量，得到病人的负性情绪等级的结果。

12、可选的，所述病人脑电信号特征提取模块，包括：

13、脑电采样窗提取单元，用于以预设采样窗从所述预定时间段病人的脑电信号中沿时序截取多个脑电采样窗；

14、脑电时频特征提取单元，用于分别从各个所述脑电采样窗中提取脑电时域特征和脑电频域特征；

15、脑电时频特征向量化单元，用于将各个所述脑电采样窗的脑电时域特征和脑电频域特征分别排列为脑电时域输入向量和脑电频域输入向量；

16、脑电时-频域关联单元，用于计算所述脑电时域输入向量的转置和所述脑电频域输入向量之间的向量相乘以获得各个所述脑电采样窗的脑电时-频域关联矩阵；

17、脑电时频关联特征提取单元，用于将所述各个所述脑电采样窗的脑电时-频域关联矩阵构造为三维的脑电时-频域关联三维张量后通过具有三维卷积核的脑电时频特征提取模块以得到病人脑电关联特征矩阵。

18、可选的，所述脑电时频特征提取单元，用于：

19、分别从各个所述脑电采样窗中提取x1，x2....xn作为所述脑电时域特征以及y1，y2...yn作为所述脑电频域特征。

20、可选的，所述脑电时频特征提取模块为具有三维卷积核的卷积神经网络模型。

21、可选的，所述病人人脸监控特征提取模块，包括：

22、病人人脸监控关键帧提取单元，用于以预定的采样频率从所述预定时间段病人的人脸监控视频中提取出多个病人人脸监控关键帧；

23、病人人脸情绪特征提取单元，用于将所述多个病人人脸监控关键帧通过所述具有三维卷积核的人脸特征提取模块以得到病人人脸情绪特征矩阵。

24、可选的，所述病人生理指标特征提取器是包含嵌入层的基于转换器的上下文编码器模型。

25、可选的，所述病人情绪特征融合模块，用于：

26、以如下级联公式将所述病人人脸情绪-脑电关联融合特征矩阵和所述病人生理特征矩阵进行融合以得到病人负性情绪特征矩阵；

27、其中，所述级联公式为：

28、；

29、其中，表示所述病人人脸情绪-脑电关联融合特征矩阵，表示所述病人生理特征矩阵，表示所述病人负性情绪特征矩阵，表示级联函数。

30、可选的，所述优化模块，包括：

31、类别概率激活单元，用于将所述病人负性情绪特征向量通过softmax激活函数以得到类别概率向量；

32、联合概率分布计算单元，用于计算所述病人负性情绪特征向量相对于所述类别概率向量的联合概率分布以得到类概率引导病人负性情绪特征向量；

33、模型参数隐空间映射单元，用于将所述类概率引导病人负性情绪特征向量通过基于全连接层的模型参数隐空间映射器以得到等效模型参数空间下病人负性情绪特征向量；

34、优化单元，用于以如下优化公式对所述等效模型参数空间下病人负性情绪特征向量和所述病人负性情绪特征向量进行特征交互以得到所述优化病人负性情绪特征向量，其中，所述优化公式为：

35、；

36、其中，表示所述等效模型参数空间下病人负性情绪特征向量，表示所述病人负性情绪特征向量，是变换矩阵，是偏置参数；表示激活函数，表示连接特征，是一个门限值，表示所述优化病人负性情绪特征向量。

37、可选的，所述病人负性情绪判别模块，用于：

38、将所述优化病人负性情绪特征向量通过分类器以得到分类结果，所述分类结果用于表示病人的负性情绪等级。

39、根据本技术的另一方面，还提供了一种患者的负性情绪监测方法，其包括：

40、获取预定时间段病人的脑电信号、所述预定时间段病人的人脸监控视频和所述预定时间段病人的生理指标信息；

41、对所述预定时间段病人的脑电信号进行特征提取与编码以得到病人脑电关联特征矩阵；

42、将所述预定时间段病人的人脸监控视频通过具有三维卷积核的人脸特征提取模块以得到病人人脸情绪特征矩阵；

43、将所述病人人脸情绪特征矩阵和所述病人脑电关联特征矩阵融合以得到病人人脸情绪-脑电关联融合特征矩阵；

44、将所述预定时间段病人的生理指标信息通过基于转换器的病人生理指标特征提取器以得到病人生理特征矩阵；

45、将所述病人人脸情绪-脑电关联融合特征矩阵和所述病人生理特征矩阵进行融合以得到病人负性情绪特征矩阵；

46、将所述病人负性情绪特征矩阵展开为病人负性情绪特征向量；

47、对所述病人负性情绪特征向量进行基于类概率的等效模型参数空间表达以得到优化病人负性情绪特征向量；

48、分析所述优化病人负性情绪特征向量，得到病人的负性情绪等级的结果。

49、综上所述，本技术提供的患者的负性情绪监测系统及方法，其使用基于深度学习领域的人工智能技术来对获取预定时间段病人的脑电信号、所述预定时间段病人的人脸监控视频和所述预定时间段病人的生理指标信息进行特征提取与编码，以得到病人的负性情绪等级的分类结果。这样，通过智能监测病人的负性情绪，提高了对患者情绪监测的准确性和实时性。