卒中后抑郁視頻數(shù)據(jù)分析.pdf

1、抑郁癥是嚴(yán)重危害人類身心健康的精神疾病，具有高發(fā)病、高復(fù)發(fā)、高自殺率、高致殘率和社會負(fù)擔(dān)沉重等特點，然而大多數(shù)抑郁癥狀并未引起患者、家庭、醫(yī)生的重視。一方面由于抑郁癥狀復(fù)雜，除了精神癥狀，往往同時存在生物性或軀體形式的癥狀;另一方面醫(yī)生缺乏系統(tǒng)的抑郁障礙診療技術(shù)的訓(xùn)練，通常只是治療患者的軀體癥狀和與此相關(guān)疾病，導(dǎo)致病情的延誤。面部表情、眼睛注視和頭部運(yùn)動是估計抑郁程度的重要視覺信息，本文目的在于利用患者的視頻信息預(yù)測其抑郁程度。本文制定

2、了抑郁視頻錄制方案并采集患者視頻，通過對卒中后抑郁視頻數(shù)據(jù)進(jìn)行分析，研究患者表情特征與抑郁程度的相關(guān)性，發(fā)掘典型的抑郁表情，并建立抑郁程度預(yù)測模型。本文工作主要包括單幀AU運(yùn)動檢測及概率估計，視頻特征提取及視頻序列分析，抑郁視頻特征挖掘和抑郁程度預(yù)測四個部分。
　　在單幀AU檢測部分，本文訓(xùn)練出13種AU分類器，相比于以往的研究，擴(kuò)大了AU的覆蓋面，能夠?qū)σ钟舭Y的面部運(yùn)動模式進(jìn)行更全面和深入的研究;此外，應(yīng)用多分類概率估計方法估計

3、AU出現(xiàn)的概率，相比于簡單的二分類檢測，提高了AU運(yùn)動描述的精細(xì)度。
　　在特征提取部分，本文引入HMM模型對視頻序列進(jìn)行分析，提取視頻表情特征，相比于傳統(tǒng)的單幀表情特征增加了時間維度。通過EM學(xué)習(xí)算法得到各AU的HMM模型參數(shù)，然后利用Viterbi算法估計AU的隱藏狀態(tài)。由于考慮了視頻前后幀之間的關(guān)系，提高了AU檢測的精確度。
　　在抑郁特征挖掘部分，本文不僅研究了單個AU特征與抑郁程度的相關(guān)性，得到與情感失調(diào)假說一致的

4、結(jié)論，隨著抑郁程度的加重，負(fù)愉悅度的行為會增加，而正愉悅度的行為會減少;而且增加了對多個AU同時出現(xiàn)時的一種典型表情笑容抑制與抑郁程度的關(guān)系研究，發(fā)現(xiàn)隨著抑郁程度的增加，笑容抑制動作出現(xiàn)的頻率會增加，表明抑郁患者有抑制自己愉悅情緒表達(dá)的傾向。
　　在抑郁程度預(yù)測部分，在訓(xùn)練數(shù)據(jù)太少，回歸模型性能很差的情況下，本文應(yīng)用KNN分類的思想，對抑郁程度的五個等級進(jìn)行預(yù)測，并在51段新的抑郁癥視頻上對比二者的預(yù)測性能，結(jié)果表明KNN模型更適