基于多模态动作分析的临床患者情绪识别干预方法及系统

摘要: 本发明涉及人工智能与临床医疗,特别涉及基于多模态动作分析的临床患者情绪识别干预方法及系统。背景技术:1、在临床心理与精神健康护理领域,尤其是针对失语症、自闭症、...
基于多模态动作分析的临床患者情绪识别干预方法及系统

本发明涉及人工智能与临床医疗,特别涉及基于多模态动作分析的临床患者情绪识别干预方法及系统。

背景技术:

1、在临床心理与精神健康护理领域,尤其是针对失语症、自闭症、重度抑郁等语言表达障碍患者,对其情绪状态进行客观、无创的识别与及时有效的干预,是提升诊疗质量与患者福祉的核心需求。目前,该领域的主流技术依赖于两类路径:一是基于视觉或可穿戴传感器的动作模式分析,试图将特定姿态、手势与情绪标签(如焦虑、平静)进行静态关联;二是结合生理信号(如心率、皮电)进行多模态情绪识别。这些方法虽取得一定进展,但本质上仍是对患者外在行为表现的分类或评分。

2、现有技术的根本性缺陷在于,其将情绪视为一种可由离散特征定义的状态,而未能触及情绪作为复杂心理生理过程的动态本质。这导致两大临床痛点:首先,无法揭示患者情绪异常的内在发生机制,即无法回答是哪几种生理与行为系统的协同关系出现了个体化的紊乱这一根本问题;其次,由此衍生的干预手段缺乏机理针对性,往往是根据情绪标签施加通用方案,而非针对紊乱的协同关系进行精准调节,致使干预效果不稳定、个性化程度低,难以形成从识别到干预的闭环临床价值。

3、因此,本发明提出基于多模态动作分析的临床患者情绪识别干预方法及系统。

技术实现思路

1、本发明提供基于多模态动作分析的临床患者情绪识别干预方法及系统,通过构建个人耦合基线谱、实时诊断异常特征耦合对、并匹配执行旨在解耦此特定紊乱的靶向干预策略,形成机理驱动的闭环调控,有效解决现有方法无法量化并应对临床患者情绪表达中个体化的多模态协同紊乱模式的技术缺陷。

2、本发明提供一种基于多模态动作分析的临床患者情绪识别干预方法,包括:

3、采集目标患者在基准情绪状态下的动作数据与生理数据,计算至少一组预设情绪特征对的基准耦合强度,结合情绪状态空间映射数据形成个性化情绪耦合基线谱;其中情绪状态空间映射数据包含基准状态点及拟合的个性化情绪动力学模型;

4、实时采集目标患者的动作数据与生理数据,提取相同的预设情绪特征对并计算实时耦合强度,将实时耦合强度与基准耦合强度对比,结合个性化情绪动力学模型预测演化趋势,识别异常特征耦合对;

5、根据识别出的异常特征耦合对的类型,从预构建的解耦策略映射表中匹配靶向解耦干预策略并执行;其中靶向解耦干预策略用于降低目标异常特征耦合对的耦合强度;

6、执行靶向解耦干预策略后,再次采集患者的动作数据与生理数据,计算目标异常特征耦合对的干预后耦合强度,基于干预后耦合强度相对于实时耦合强度的下降程度,评估解耦效能;

7、当解耦效能超过预设阈值时,判定目标异常特征耦合对对应的情绪状态得到有效干预,并输出情绪干预完成信号。

8、优选的,预设情绪特征对,包括:

9、动作节律紊乱度特征与呼吸波形异常度特征构成的节律-呼吸耦合对;

10、特定肌群表面肌电幅值特征与皮肤电导反应水平特征构成的肌电-皮电耦合对;

11、视线扫视路径熵值特征与心率变异性低频功率特征构成的视觉-心搏耦合对;

12、步态稳定性参数特征与血氧饱和度波动特征构成的步态-血氧耦合对;

13、躯干姿态倾斜角特征与皮质醇浓度变化率特征构成的姿态-内分泌耦合对。

14、优选的,计算预设情绪特征对的实时耦合强度或基准耦合强度,采用用于量化时间序列同步性的方法或用于量化信息流向的因果分析方法;

15、其中,用于量化时间序列同步性的方法包括锁相值方法或窗口化时滞互信息方法;

16、用于量化信息流向的因果分析方法包括格兰杰因果分析方法或传递熵方法。

17、优选的,识别异常特征耦合对采用动态阈值法,并结合个性化情绪动力学模型修正判定逻辑:

18、以基准耦合强度与基准标准差的倍乘值作为初始判定阈值;

19、将实时耦合强度及用于计算实时耦合强度的特征序列输入到个性化情绪动力学模型,获得耦合强度的短期预测值;

20、当短期预测值呈持续上升趋势时,动态调降初始判定阈值。

21、优选的,解耦策略映射表通过以下方式预构建:

22、定义包含多种基础干预动作单元的基础单元库;其中基础干预动作单元包括呼吸引导单元、渐进式肌肉放松引导单元、象征性手势模仿单元、缓慢肢体延展舞蹈单元;

23、通过受控实验,测量每个基础干预动作单元对每类预设情绪特征对的耦合强度影响系数,同步记录侵入性成本与患者接受度评分;

24、基于因果分析,为每类异常特征耦合对筛选出候选的基础干预动作单元集合;

25、基于候选单元集合,生成多个候选的单元组合策略;

26、根据每个候选单元组合策略包含的所有基础干预动作单元的耦合强度影响系数、侵入性成本、患者接受度评分,计算对应候选单元组合策略的综合耦合强度影响系数、综合侵入性成本与综合患者接受度评分;

27、从所有候选单元组合策略中,选择耦合强度影响系数为负且绝对值最大、侵入性成本最低、患者接受度评分最高的基础干预动作单元组合构成靶向解耦干预策略;

28、为靶向解耦干预策略标注临床效用值;其中临床效用值等于影响系数绝对值乘以患者接受度评分再除以侵入性成本;

29、基于每个异常特征耦合对的类型、对应的靶向解耦干预策略及对应的临床效用值,建立映射关系并存储,形成解耦策略映射表。

30、优选的,通过受控实验,测量每个基础干预动作单元对每类预设情绪特征对的耦合强度影响系数,包括:

31、将实验对象按临床特征分层,并为每层设置执行靶向基础干预动作单元的干预组与执行模拟动作的对照组;

32、在实验过程中,同步采集预设情绪特征对的实时耦合强度数据;

33、基于干预组数据,计算干预后耦合强度均值与干预前耦合强度基线值的静态差值,以及通过对实时耦合强度数据进行曲线拟合获得耦合强度衰减速率;

34、将静态差值与耦合强度衰减速率进行加权融合,获得对应基础干预动作单元对对应类预设情绪特征对的耦合强度影响系数。

35、优选的,综合患者接受度评分的确定过程,包括:

36、为每个基础干预动作单元定义多维属性特征;其中多维属性特征包括单元执行时长、感官刺激强度、所需人际互动等级及历史执行记录;

37、根据目标患者的实时生理与动作数据,预测目标患者对具有不同多维属性特征的干预动作的即时接受倾向;

38、将基于历史记录的静态患者接受度评分与即时接受倾向进行融合,生成对应基础干预动作单元的动态接受度评分;

39、基于每个候选单元组合策略包含的所有基础干预动作单元的动态接受度评分进行加权平均计算,获得对应候选单元组合策略的综合患者接受度评分。

40、优选的,选择耦合强度影响系数为负且绝对值最大、侵入性成本最低、患者接受度评分最高的基础干预动作单元组合构成靶向解耦干预策略,包括:

41、根据个性化情绪动力学模型对当前异常特征耦合强度未来变化趋势的预测,判定干预的紧急程度;

42、基于干预紧急程度,动态配置临床效用决策函数中耦合强度影响系数、侵入性成本、患者接受度评分三者的权重系数;

43、当紧急程度高时,提升耦合强度影响系数的权重,降低侵入性成本的权重;当紧急程度低时,则进行反向配置;

44、基于所有基础干预动作单元组合生成多个候选单元组合策略;

45、使用动态配置权重后的决策函数计算各候选单元组合策略的效用值,并根据效用值选择最终执行的靶向解耦干预策略。

46、优选的,在为靶向解耦干预策略标注临床效用值时,引入基于患者特征的个性化适配因子进行优化计算,包括:

47、根据目标患者的疾病类型、情绪基线水平及历史干预响应数据,生成个性化适配因子;其中个性化适配因子用于在计算临床效用时,动态调整耦合强度影响系数、侵入性成本及患者接受度评分三者的相对权重;

48、使用个性化适配因子对耦合强度影响系数与患者接受度评分进行修正,再结合侵入性成本,计算得到优化后的个性化临床效用值。

49、本发明提供一种基于多模态动作分析的临床患者情绪识别干预系统,包括:

50、基线谱构建模块,用于采集目标患者在基准情绪状态下的动作数据与生理数据,计算至少一组预设情绪特征对的基准耦合强度,结合情绪状态空间映射数据形成个性化情绪耦合基线谱;其中情绪状态空间映射数据包含基准状态点及拟合的个性化情绪动力学模型;

51、异常识别与预测模块,用于实时采集目标患者的动作数据与生理数据,提取相同的预设情绪特征对并计算实时耦合强度,将实时耦合强度与基准耦合强度对比,结合个性化情绪动力学模型预测演化趋势,识别异常特征耦合对;

52、策略匹配与执行模块,用于根据识别出的异常特征耦合对的类型,从预构建的解耦策略映射表中匹配靶向解耦干预策略并执行;其中靶向解耦干预策略用于降低目标异常特征耦合对的耦合强度;

53、效能评估模块,用于执行靶向解耦干预策略后,再次采集患者的动作数据与生理数据,计算目标异常特征耦合对的干预后耦合强度,基于干预后耦合强度相对于实时耦合强度的下降程度,评估解耦效能;

54、干预结果判定与输出模块,用于当解耦效能超过预设阈值时,判定目标异常特征耦合对对应的情绪状态得到有效干预,并输出情绪干预完成信号。

55、本发明相对于现有技术产生的有益效果为:克服了现有临床情绪识别干预技术只能进行表面化情绪标签分类而无法洞察情绪内在生理-行为协同紊乱机制的根本缺陷。通过建立包含个人化耦合基线与动力学模型的情绪系统数字孪生,本方法实现了三大技术效果:1)从识别是什么情绪升级为诊断哪些系统协同关系出现紊乱;2)干预目标从笼统的缓解症状精准定位为解耦特定异常协同对;3)形成了监测-诊断-靶向干预-量化验证的完整智能闭环,使临床情绪干预首次具备了可量化、可解释、可预测的工程化特征。

56、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在本技术文件中所特别指出的结构来实现和获得。

57、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。