專利 | 一種具有抑鬱障礙特徵的訓練用機器人系統和方法

我們將從背景技術、發明內容、具體實施方式三個方面來解讀,一起來學習吧~


Hello,大家好,這裡是壹腦雲,我是Ting Zhang~
今天和大家一起學習的是“一種具有抑鬱障礙特徵的訓練用機器人系統和方法”這個專利。它是由四川大學的田而慷等人申請的專利。這個發明屬於人工智慧領域。所述虛擬機器人對應“大五”人格因素模型中的5種因素:外傾性、隨和性、盡責性、神經質、開放性。該發明基於抑鬱障礙患者的樣本實例,對每種人格的患者語言樣本進行智慧自然語言處理,使用深度學習技術建立具有特定人格的語言預測模型。後採用IF‑IDF計算方法在根據用戶問題檢索得到的檢索文檔集中提取候選答案組,採用相關性相似度計算方法,在所述候選答案組中選取標準答案,並將標準答案反饋給用戶,為心理學的教學及模擬訓練提供了直接、可交互的具有特定人格的抑鬱障礙背景的虛擬機器人。我們將從背景技術、發明內容、具體實施方式三個方面來解讀,一起來學習吧~

背景技術

精神病學作為臨床醫學中的一門重要學科,涉及面廣、專業性強,有其自身的特殊性。精神障礙的診斷主要遵循“症狀-綜合徵-診斷”的思維方法,依靠對精神症狀的識別和綜合判斷,而缺乏相應的體徵或實驗室證據,也因此要求精神科醫師必須具有紮實的理論基礎和臨床技能以及豐富的實踐經驗。

其中,精神檢查技能的培養至關重要。精神檢查是由精神科醫生通過語言溝通和觀察的方式對精神障礙個體進行資訊抽樣和評估,分為自由交談和詢問兩種,其中溝通能力是關鍵。

然而國內普通醫學生及部分精神科醫師很少關注溝通技能的訓練,同時慮及患者隱私、社會影響及人身安全等方面,實踐教學存在一些困難,直接與患者溝通的機會也較少。

此外,我國智慧社交機器人起步較晚,雖然有些已具備語音和面部識別能力並擁有簡單的情緒模態,但在目前的對話功能大多局限于某一話題領域,且不具備特定場景下的擬人人格,用於臨床教學及訓練效果甚微。

“大五”人格因素模型即人格的基本結構是由“五大”因素構成的,稱謂“大五”。近10年來,五因素模型的研究取得了令人矚目的進展,其穩定性在自陳式特質調查表和他人評定、詞彙研究和問卷測量的各種樣本、以及不同文化背景和不同分析方法的大量研究中得到驗證,已被眾多心理學家認為是人格結構的最好范型。

依照McCrae&Costa等人的命名法(1985),構成人格的大五因素分別是:外傾性、隨和性、盡責性、神經質、開放性。外傾性表示熱情、自信,有活力,還具有幸福感和善社交的特性,而內向者的這些表現則不突出,但不等於自我中心和缺乏精力。隨和性表示利他、友好、富有愛心,得分高的人樂於助人、可信賴的和富同情心,注重合作而不強調競爭。盡責性表示克制和嚴謹,與成就動機和組織計劃有關,也稱其為“成就意志”或“工作”緯度。而那些經常感到憂傷、情緒容易波動的人在神經質性的測量上會得到高分,低分的人多表現為平靜自我調適良好,不易於出現極端和不良的情緒反應。研究表明,“大五”因素模型對於診斷臨床障礙和治療心理疾病是有價值的,同時對於預測和確定健康行為與問題也十分有益。

心境障礙是指由各種原因引起的、以顯著而持久的心境或情感改變為主要特徵的一組疾病,抑鬱障礙是以顯著而持久的心境低落、思維遲緩、認知功能損害、意志活動減退和軀體症狀為主要臨床特徵的一類心境障礙。13年WHO統計全球抑鬱症和惡劣心境者患病率達12.8%,並預測2020年抑鬱症將成為全球第二大疾病。抑鬱症不僅使患者健康受到損害,生活品質下降,而且給家庭、社會造成極大負擔,已經成為一個嚴重的社會和醫療問題。

以抑鬱障礙為基礎設定人格背景,在對話功能中加入與其症狀相匹配的反應元素,可以此模擬臨床晤談,達到教學或精神檢查技能訓練的目的。

發明內容

本發明的目的在於為心理學科教學提供更加準確和智慧的智慧互動式虛擬機器人。


本發明涉及一種在抑鬱障礙背景下具有特定人格的智慧問答系統,包括:

數據庫建立模組,用於建立心理學領域數據庫,所述心理學領域數據庫中存儲有的大量抑鬱障礙患者語言實例樣本;

問題獲取模組,用於獲取用戶問題;

問題處理模組,用於對所述用戶問題進行自然語言處理,獲得關於所述用戶問題的查詢表示;

候選答案提取模組,用於基於所述檢索文檔集,採用IF-IDF計算方法計算問答對相似度;

標準答案獲取模組,根據候選答案提取最相關的答案,答案反饋模組將標準答案反饋給用戶。

其中,問題處理模組包括: 分詞子模組,用於分割用戶問題,獲得用戶問題的一組術語;術語集中的每個術語經過命名實體識別、語義消歧和同義詞擴展處理後獲得術語集;根據意圖分析結果判斷用戶問題是完整的,如果是完整的,則將處理術語集中的術語合併為查詢表示,如果不是完整的,則要求用戶補充用戶問題,獲得補充後再補充用戶問題。

標準答案獲取模組可選地包括: 計算醫學領域數據庫中候選答案中每個名詞短語出現次數的候選答案相關性計算子模組,獲得候選答案集中每個名詞短語的相關性,使用查詢表示相關性計算子模組計算醫學領域數據庫中查詢表示中名詞短語出現次數,獲得查詢中表示的相關性;使用計算子模組計算候選答案相關性的相似度和查詢中表示的相關性;選擇大於第二組相似性值的候選答案並組合成用戶問題的標準答案。

具體實施方式

STEP1:接收模組接收客戶端通過HTTP請求發送過來的問題,所述問題採用文字描述;

STEP2:預處理模組將問題中的特殊符號、標點符號以及停用詞都去掉,得到處理之後的問題q;

STEP3:意圖模組通過基於BERT的問題意圖分類模型將問題q進行分類,得到輸入問題的類別Cq;

STEP4:檢索模組首先參考領域詞典將輸入問題q分隔為w1,w2…wi…wn,其中wi是分隔開的第i個詞,採用(w1∪w2∪…wi∪…wn)∩Cq的查詢公式,從知識庫中檢索相應的問題和對應的答案(知識庫負責存儲領域內問題合集和對應的答案合集,且領域內問題合集和對應的答案合集通過建立索引的方式存儲在知識庫中),得到候選問題集合以及對應的答案集合;

STEP5:排序模組採用TF-IDF統計方法對候選問題集Q和對應的答案集A進行排序,得到與Q和A對應的集合Score,這裡設定一個得分閾值Scoremin,如果Scorei>Scoremin,則保存相應的Qi和Ai,剩餘的問題集和相對應的答案集為RQ和RA;

STEP6:匹配演算法模組將剩餘的問題集RQ中的問題取出來,和輸入的問題q建立一個匹配對(RQi,q),輸入到基於BERT的問題相似度匹配模型中,得到一個匹配的概率pi,通過統計得到RQ中問題的概率最大值pmax,這裡設定一個概率閾值pmin,如果pmax>=pmin,則確定RQi是符號要求的問題,反之剩餘的問題集中沒有符合要求的問題;

STEP7:答案配置模組輸出RQi對應的RAi,或者沒有符合要求的問答Special Answer到客戶端。

根據本發明的具體實施例,本發明公開了下列技術效果:

本發明公開了一種虛擬機器人訓練方法及系統,基於心理學樣本實例,採用IF-IDF計算方法在根據用戶問題檢索得到的檢索文檔集中提取候選答案組,採用相關性相似度計算方法,在所述候選答案組中選取標準答案,並將標準答案反饋給用戶,為心理學的教學提供了直接、可交互的具有特定人格的虛擬機器人。

本次的分享就到這裡了,歡迎關注,我們一起學習人工智慧方面的其他專利吧~

參考資料:[1]田而慷, 楊帥, 衛靜雯, 王雙文, 殷莉, 李政霖, 何語涵, 余美琪, 程偉. 一種具有抑鬱障礙特徵的訓練用機器人系統和方法: 中國,CN202011273294.7. 2021-02-19.

- END -

編輯 | Ting Zhang

校對|喵君姐姐


      中國網是國務院新聞辦公室領導,中國外文出版發行事業局管理的國家重點新聞網站。本網通過10個語種11個文版,24小時對外發佈資訊,是中國進行國際傳播、資訊交流的重要窗口。

      凡本網註明“來源:中國網”的所有作品,均為中國網際網路新聞中心合法擁有版權或有權使用的作品,未經本網授權不得轉載、摘編或利用其他方式使用上述作品。

電話:0086-10-88828000

傳真:0086-10-88828231

媒體合作:0086-10-88828175

品牌活動合作:0086-10-88828063

廣告合作:0086-10-88825964