基于深度学习的面部视频抑郁检测系统、设备及介质的制作方法

本发明涉及图像处理，特别是涉及基于深度学习的面部视频抑郁检测系统、设备及介质。

背景技术：

1、抑郁症是一种会对患者身心带来负面影响的心理疾病，患者越早治疗则恢复得越迅速。然而传统抑郁症的筛查技术多是基于访谈，此类检测方式过于复杂、耗时长、主观性强。因此，研究出快捷、客观的抑郁症早期筛查技术，能够预防抑郁症病情的加剧，降低病情对患者身心带来的负面影响。

2、为解决此问题，部分研究尝试通过面部视频数据来识别抑郁情绪，这是因为抑郁症患者的面部反应往往与正常人群不同。但是在研究过程中往往存在数据不平衡的问题，即患有抑郁症的被试数据远远少于正常被试数据，这会使得训练出的分类模型偏向于将被试分类为正常类别，导致抑郁症检测结果准确率不高，无法实现对抑郁症早期筛查目标。

技术实现思路

1、为了解决现有技术的不足，本发明提供了基于深度学习的面部视频抑郁检测系统、设备及介质；具体是通过采集被试回答量表时的面部视频数据，将视频数据经过帧采集、帧图像归一化、生成动态图像等预处理操作后，根据量表得分情况作为标签，将不平衡的被试数据输入抑郁检测模型，并利用生成损失作为训练标准，学习抑郁被试的视频空间。该方法有效的解决了数据不平衡导致模型准确率不高的问题。

2、一方面，提供了基于深度学习的面部视频抑郁检测系统；

3、基于深度学习的面部视频抑郁检测系统，包括：

4、获取模块，其被配置为：获取面部视频数据以及抑郁检测标签；

5、预处理模块，其被配置为：对面部视频数据进行预处理，得到动态图像，基于动态图像和所述抑郁检测标签，构建数据集；将数据集划分为训练集和测试集；

6、训练模块，其被配置为：将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型；

7、测试模块，其被配置为：将测试集输入到训练后的抑郁检测模型，当测试指标准确率高于设定阈值时，表示当前训练后的抑郁检测模型为最终训练后的抑郁检测模型；

8、检测模块，其被配置为：获取待检测面部视频数据，将待检测面部视频数据进行预处理，得到待检测动态图像；将待检测动态图像输入到最终训练后的抑郁检测模型，得到抑郁检测结果。

9、再一方面，还提供了一种电子设备，包括：

10、存储器，用于非暂时性存储计算机可读指令；以及

11、处理器，用于运行所述计算机可读指令，

12、其中，所述计算机可读指令被所述处理器运行时，执行以下过程：

13、获取面部视频数据以及抑郁检测标签；

14、对面部视频数据进行预处理，得到动态图像，基于动态图像和所述抑郁检测标签，构建数据集；将数据集划分为训练集和测试集；

15、将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型；

16、将测试集输入到训练后的抑郁检测模型，当测试指标准确率高于设定阈值时，表示当前训练后的抑郁检测模型为最终训练后的抑郁检测模型；

17、获取待检测面部视频数据，将待检测面部视频数据进行预处理，得到待检测动态图像；将待检测动态图像输入到最终训练后的抑郁检测模型，得到抑郁检测结果。

18、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行以下过程：

19、获取面部视频数据以及抑郁检测标签；

20、对面部视频数据进行预处理，得到动态图像，基于动态图像和所述抑郁检测标签，构建数据集；将数据集划分为训练集和测试集；

21、将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型；

22、将测试集输入到训练后的抑郁检测模型，当测试指标准确率高于设定阈值时，表示当前训练后的抑郁检测模型为最终训练后的抑郁检测模型；

23、获取待检测面部视频数据，将待检测面部视频数据进行预处理，得到待检测动态图像；将待检测动态图像输入到最终训练后的抑郁检测模型，得到抑郁检测结果。

24、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于执行以下过程：

25、获取面部视频数据以及抑郁检测标签；

26、对面部视频数据进行预处理，得到动态图像，基于动态图像和所述抑郁检测标签，构建数据集；将数据集划分为训练集和测试集；

27、将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型；

28、将测试集输入到训练后的抑郁检测模型，当测试指标准确率高于设定阈值时，表示当前训练后的抑郁检测模型为最终训练后的抑郁检测模型；

29、获取待检测面部视频数据，将待检测面部视频数据进行预处理，得到待检测动态图像；将待检测动态图像输入到最终训练后的抑郁检测模型，得到抑郁检测结果。

30、上述技术方案具有如下优点或有益效果：

31、本发明的动态图像、抑郁检测模型，具有时序性，因此采集的特征具有时间信息；本发明通过获得抑郁图像的生成图像被误判为正常类别时的生成损失作为训练标准，可以获得抑郁图像的空间，解决了数据不平衡导致模型准确率不高的问题。

技术特征：

1.基于深度学习的面部视频抑郁检测系统，其特征是，包括：

2.如权利要求1所述的基于深度学习的面部视频抑郁检测系统，其特征是，所述获取面部视频数据以及抑郁检测标签，具体包括：

3.如权利要求1所述的基于深度学习的面部视频抑郁检测系统，其特征是，对面部视频数据进行预处理，得到动态图像，具体包括：

4.如权利要求3所述的基于深度学习的面部视频抑郁检测系统，其特征是，所述将设定时长内的帧图像用向量进行表示，将向量视为当前时长对应的动态图像，具体包括：

5.如权利要求1所述的基于深度学习的面部视频抑郁检测系统，其特征是，所述将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型，包括：

6.如权利要求1所述的基于深度学习的面部视频抑郁检测系统，其特征是，所述将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型，包括：

7.如权利要求1所述的基于深度学习的面部视频抑郁检测系统，其特征是，所述将测试集输入到训练后的抑郁检测模型，当测试指标准确率高于设定阈值时，表示当前训练后的抑郁检测模型为最终训练后的抑郁检测模型，所述测试指标，包括：

8.一种电子设备，其特征是，包括：

9.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行以下过程：

10.一种计算机程序产品，其特征是，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于执行以下过程：

技术总结本发明公开了基于深度学习的面部视频抑郁检测系统、设备及介质，所述系统用于获取面部视频数据以及抑郁检测标签；对面部视频数据进行预处理，得到动态图像，基于动态图像和所述抑郁检测标签，构建数据集；将数据集划分为训练集和测试集；将训练集输入到抑郁检测模型中，对模型进行训练，得到训练后的抑郁检测模型；将测试集输入到训练后的抑郁检测模型，当测试指标准确率高于设定阈值时，表示当前训练后的抑郁检测模型为最终训练后的抑郁检测模型；获取待检测面部视频数据，将待检测面部视频数据进行预处理，得到待检测动态图像；将待检测动态图像输入到最终训练后的抑郁检测模型，得到抑郁检测结果。技术研发人员：刘治,吴静林,陈丹阳,任朝霞,李鸿娟,李玉军,赵坤受保护的技术使用者：山东海量信息技术研究院技术研发日：技术公布日：2024/8/1