-
公开(公告)号：CN119405314A
公开(公告)日：2025-02-11
申请号：CN202411509174.0
申请日：2024-10-28
Applicant: 东南大学
IPC: A61B5/16 , G16H50/20 , G16H50/70 , G06N3/045 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/08 , G06N20/00 , G10L25/66
Abstract: 本发明公开了一种基于语音信号的抑郁症辅助诊断系统及诊断方法，包括：语音采集模块、特征提取模块、诊断模型训练模块和诊断结果输出模块；语音采集模块用于采集受试者语音信号，构建抑郁语音对照扩展集；特征提取模块用于对所收集的语音信号进行特征提取，分析eGeMAPS和VGGish两种声学特征；诊断模型训练模块用于对eGeMAPS和VGGish特征进行处理并融合，基于Transformer架构的编码器，构建EGV‑AttNet模型；诊断结果输出模块训练并保存EGV‑AttNet模型，对新的语音信号进行诊断，输出诊断结果。本发明能够有效提高抑郁症诊断的准确性和效率。
-
公开(公告)号：CN111899869A
公开(公告)日：2020-11-06
申请号：CN202010767954.0
申请日：2020-08-03
Applicant: 东南大学
Abstract: 本发明公开了一种抑郁症患者识别系统及其识别方法，包括以下步骤：收集和整理数据，构建原始数据集；对原始数据集进行数据预处理得到输入数据集；将输入数据集按照一定比例划分训练数据集和测试数据集；创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。通过本发明可以高效便捷实现对抑郁症精神障碍的早期识别，提高抑郁症治疗的精准度。
-
公开(公告)号：CN117373694A
公开(公告)日：2024-01-09
申请号：CN202311373249.2
申请日：2023-10-23
Applicant: 东南大学
Abstract: 本发明公开了一种抗抑郁药效辅助预测方法，包括以下步骤：(1)收集和整理数据，构建原始数据集；(2)对实验数据集进行预处理；(3)对预处理之后得到的实验数据集中的候选基因的SNP数据进行特征选择，筛选出与结局变量有关的SNPs，并构建输入数据集；(4)构建预测抑郁症患者抗抑郁药效的机器学习模型，利用训练数据集对构建的机器学习模型进行训练；(5)利用测试数据集对训练好的模型进行性能评估，并进行不断优化，得到最优模型，采用streamlit搭建可视化web交互平台输出特定患者抗抑郁药物反应及预测概率；本发明利用机器学习的方法整合临床、心理、遗传多维度数据构建抗抑郁药效预测模型，可以辅助医生对患者抗抑郁药反应进行评估。
-
公开(公告)号：CN111899894A
公开(公告)日：2020-11-06
申请号：CN202010767283.8
申请日：2020-08-03
Applicant: 东南大学
IPC: G16H70/40 , G16H50/70 , G06F16/2458 , G06F16/25 , G06N3/04
Abstract: 本发明公开了一种抑郁症患者预后药效评估系统及其评估方法，包括以下步骤：收集和整理数据，构建原始数据集；对原始数据集进行数据预处理得到实验数据集；对实验数据集进行数据挖掘，筛选差异特征，建立输入数据集；将输入据集按照一定比例划分为训练数据集和测试数据集；创建抑郁症患者预后药效评估的深度学习模型，利用训练数据集对创建的深度学习模型进行训练；利用测试数据集对训练好的深度学习模型进行性能评估，并在评估过程中对模型进行不断优化，得到最优模型。本发明基于患者治疗前特征进行药效预测，辅助指导医护人员做出精准治疗,提高治疗效果。
-
公开(公告)号：CN102634450A
公开(公告)日：2012-08-15
申请号：CN201210051345.0
申请日：2012-03-01
Applicant: 东南大学
Abstract: 本发明涉及生物芯片，特别涉及基于生物芯片的抗抑郁药物疗效风险评估系统；基于生物芯片的抗抑郁药物疗效风险评估系统，其特征在于由生物芯片，学习优化模块，疗效评估模块，数据库管理模块和病例管理模块构成。具有不断学习和优化的能力，它的应用和推广将为抑郁症的临床治疗效应预测提供一个明确便利的手段，并产生深远的社会影响。
-
Patent Agency Ranking
公开(公告)号：CN102071254A
公开(公告)日：2011-05-25
申请号：CN201010581089.7
申请日：2010-12-10
Applicant: 东南大学
IPC: C12Q1/68
Abstract: 本发明涉及生物芯片，特别涉及一种用于预测抗抑郁剂治疗效应的生物芯片及应用。一种用于预测抗抑郁剂治疗效应的生物芯片，由载体与生物探针构成，其特征在于所述的生物探针含有序列为SeqNO：1-20任意一种或多种，所述的序列末端经荧光标记修饰。本发明通过生物芯片技术，可以根据患者的遗传基因的特征（单核苷酸多态性），从选用药物的种类、接受治疗患者的性别、药物发挥疗效的推定时间点，以及可能产生的不良反应等方面，早期预测抗抑郁剂对于患者的治疗效应，从而指导临床医生制定和实施个体化的治疗方案。
-
公开(公告)号：CN115631861A
公开(公告)日：2023-01-20
申请号：CN202211303048.0
申请日：2022-10-24
Applicant: 东南大学
Abstract: 本发明公开了行为仿真的人群抑郁情绪干预评价方法、设备及存储介质，涉及抑郁症人群干预策略评价技术领域，通过构建反映现实的社区虚拟环境模型，然后构建仿真社区人群交互模型，再构建人群抑郁情绪出现人群影响交互模型，再构建不同干预措施对抑郁情绪影响的模型，并根据不同干预措施对抑郁情绪影响的模型所产生的结果数据进行效果评价，从而能够优化干预措施，改善因一些负面因素导致的人群抑郁情绪，提高社区人群的心理健康水平及生活质量水平，实现了对于抑郁情绪的干预措施进行选择优化的功能。
-
公开(公告)号：CN113517066A
公开(公告)日：2021-10-19
申请号：CN202110855040.4
申请日：2021-07-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统，所述方法包括：构建原始数据集，并进行数据预处理得到实验数据集；对实验数据集进行特征选择，筛选出抑郁症患者和健康对照的差异特征，构建输入数据集；将输入数据集按照一定比例划分训练数据集和测试数据集；创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。本发明可以对潜在抑郁症患者进行快速初步评估，避免临床医生在访谈测评以及患者在自我测评时引入主观因素，对结果产生影响，提高抑郁症诊断的精准度。
-
公开(公告)号：CN111899894B
公开(公告)日：2021-06-25
申请号：CN202010767283.8
申请日：2020-08-03
Applicant: 东南大学
IPC: G16H70/40 , G16H50/70 , G06F16/2458 , G06F16/25 , G06N3/04
Abstract: 本发明公开了一种抑郁症患者预后药效评估系统及其评估方法，包括以下步骤：收集和整理数据，构建原始数据集；对原始数据集进行数据预处理得到实验数据集；对实验数据集进行数据挖掘，筛选差异特征，建立输入数据集；将输入据集按照一定比例划分为训练数据集和测试数据集；创建抑郁症患者预后药效评估的深度学习模型，利用训练数据集对创建的深度学习模型进行训练；利用测试数据集对训练好的深度学习模型进行性能评估，并在评估过程中对模型进行不断优化，得到最优模型。本发明基于患者治疗前特征进行药效预测，辅助指导医护人员做出精准治疗,提高治疗效果。
-
公开(公告)号：CN113517066B
公开(公告)日：2022-05-10
申请号：CN202110855040.4
申请日：2021-07-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统，所述方法包括：构建原始数据集，并进行数据预处理得到实验数据集；对实验数据集进行特征选择，筛选出抑郁症患者和健康对照的差异特征，构建输入数据集；将输入数据集按照一定比例划分训练数据集和测试数据集；创建识别抑郁症患者与健康人群的深度学习模型，利用训练数据集对构建的深度学习模型进行训练；利用测试集对训练好的深度学习模型进行性能评估，并在验证评估过程中对模型进行不断优化，得到最优模型。本发明可以对潜在抑郁症患者进行快速初步评估，避免临床医生在访谈测评以及患者在自我测评时引入主观因素，对结果产生影响，提高抑郁症诊断的精准度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
