基于深度学习情感分类模型的个性化抑郁症护理策略

袁丽洁，武卓，李敏，雷涛，祝婷

早期抑郁症的诊断主要依靠医生经验性的主观评测结果，由于抑郁症患者可能存在认知障碍甚至思维迟缓，所以医生很难评测患者内心的真实情感，甚至无法准确评估抑郁症患者的脑部活动、分析当前的病情，因而易被患者的表象特征蒙蔽而误诊，同时，也无法及时地制订针对性的治疗方案、对护理工作提出有效的指导。针对该问题，近年来学者开始探索研究基于功能性核磁共振图像[1](Functional Magnetic Resonance Imaging, FMRI)和脑电图像(Electroencephalograph, EEG)[2]的诊断方案，并且均已取得阶段性成果。由于EEG信号可呈现大脑组织的功能状态，相比FMRI的时域精度更高，所以在抑郁症情感诊断中更具优势。医护人员可根据基于EEG信号的情感识别结果，准确判断患者当前的精神状态，脑部真实活动情况并推测其病情程度，从而实现精准护理。个性化护理更注重患者的自身特性，依据患者病情、年龄、文化程度等量身定制合理的护理方案[3-4]，实行全方位的深度护理，提升患者的康复速度。本研究探讨基于深度学习情感训练模型分类的个性化护理，首先利用深度学习算法挖掘抑郁症患者EEG信号中隐藏的节律分布和脑电波变化，通过EEG信号判断抑郁症患者现阶段的情感类别[5-7]，根据患者所处的情感类别、抑郁程度，给予患者相应的个性化护理，取得较好效果，报告如下。

1 资料与方法

1.1一般资料 选择本院2017年1～10月收治的30例更年期抑郁症患者和30例产后抑郁症患者，纳入标准：符合《中国精神障碍分类与诊断标准》CCMD-3[8]中抑郁症诊断标准，具备基本的交流沟通能力，无严重的身体疾病和精神病史，均对本研究知情同意，能完成全程干预。按照病种和病情轻度、中度、重度[根据汉密尔顿抑郁量表(HAMD)[9]和自评抑郁量表(SDS)[9]评分确定，HAMD评分7～分轻度抑郁、17～分中度抑郁、≥24分重度抑郁，SDS评分53～分轻度抑郁、63～分中度抑郁、≥72分重度抑郁；2个量表取评分高者判断]分层随机分成两组各30例。两组各病种各15例，轻度、中度、重度各10例，两组一般资料比较见表1。研究中途没有脱落病例。

表1 两 组 一 般 资 料 比 较

1.2干预方法

两组遵医嘱进行抗抑郁药物治疗，治疗用药以舍曲林为主，治疗方案无差异，根据HAMD和SDS的评分标准，HAMD评分低于24分可以出院继续服药治疗，17分以下根据自身情况可酌情停药；SDS评分低于72分可出院继续服药治疗，62分以下根据自身情况可酌情停药。护理措施方面对照组采用常规护理干预，即给予遵循医嘱用药、心理疏导及安全护理指导。观察组干预方法如下。

1.2.1基于深度学习的情感分类模型 ①EEG图像信号的采集。通过采集100名志愿者的脑电图波形数据构建EEG情感训练库，基于情感进化价值属性，首先记录每位自愿者的五种情感脑电波曲线，包括快乐、接受、安静、悲伤、愤怒，然后将其转换为对应的10张脑电信号图像，由此构建100×5×10=5000个数据。将数据按照7∶3的比例划分为训练数据和验证数据。EEG数据虽然可呈现海量的脑电神经信号，但如果处理不当，就会形成数据沼泽。由于单路EEG是一维信号，而当前的EEG采集设备大多数是多路采集设备，采集到的信号是高维EEG信号，将采集到的EEG信号结合人脑位置进行空间投影，由此可以获得带有空间信息的多路EEG信号，进而利用插值原理可以获得EEG信号。根据这些获取到的图像，可以利用深度学习中的卷积神经网络实现对情感的分类。②EEG分类。针对构建好的训练集和验证集，结合基于深度学习的图像分类原理，本研究采用VGG16模型(见图1)构建网络框架。在本框架中，整个网络由特征提取模块、特征分类模块构成，其中特征提取模块主要由卷积层和池化层构成，用于学习图像的低层和高层语义特征，而分类模块由全连接层构成，用于实现EEG分类。整个网络包含13个卷积层，3个全连接层，涉及到5次池化。根据这一网络框架，可以将大量训练数据输入网络，根据反向传播和梯度下降学习策略，网络经过多次迭代可以不断修改网络中的参数，从而逐渐收敛达到稳定，此时模型就训练好了。最后利用训练好的模型识别抑郁症患者的情感类别(通过验证集测试本模型的精度为91.53%)，由此可以建立个性化护理措施，实现精准护理，提高医护人员的工作效率。整个深度学习框架已完成软件开发，参与干预的护理人员经过简单操作培训，即可完成患者的信号采集、结果分析。

图1 VGG16模型结构图

1.2.2实施方法 由接受培训的医护人员通过深度学习软件分析EEG信号，识别分析情感类别，采取相应的个性化护理措施。每次干预时间及护理方法需依据情感测试结果给予动态调整。其中，快乐、接受和安静所对应的干预时间约为5 min、15 min及30 min，当患者情感类别判断为悲伤或愤怒时，均需24 h监护，具体措施见表2。

表2 观察组不同情感类别患者的个性化护理

1.3评价方法 于干预前和干预4周后收集两组HAMD和SDS评分，以反映患者抑郁程度变化情况[10-11]。于干预8周时统计两组康复率，HAMD评分<7分且SDS<53分视为康复。

1.4统计学方法 应用Matlab2018b软件行t检验及χ2检验，检验水准α=0.05。

2 结果

2.1两组干预前后HAMD和SDS评分比较 见表3。

表3 两组干预前后HAMD和SDS评分比较

2.2两组干预8周时的康复率比较 干预8周后，对照组陆续康复12例(40.0%)，观察组17例(56.7%)，两组比较，χ2=1.669，P=0.196。

3 讨论

抑郁症主要是由遗传、心理及社会等诸多因素综合引发的并发症，临床主要表现为情绪低落、思维迟缓甚至具有一定的认知障碍和自残行为，严重影响了患者的正常工作及社交。目前我国的抑郁症群体正在逐年增加，抑郁症已成为人类第四大疾病，因此，采取有效的预防及护理措施已刻不容缓。个性化护理本着以人为本的护理方式，为患者提供最佳的医疗服务，不仅可促进患者康复，而且能节约医疗成本，具有良好的社会效益。

本研究结果表明，基于EEG信号情感类别的个性化护理策略在更年期抑郁症患者和产后抑郁症患者均获得较好的治疗效果，相比传统的护理方案，通过个性化护理策略，能有效提高治疗效果。EEG信号能够反映患者的真实心理及脑部活动，而脑部多路EEG信号可以依据空间映射的方法将多路EEG信号转换为图像信息，从而可以将这些图像信息作为训练和测试数据，结合深度学习中的卷积神经网络，实现对图像的准确分类，从而完成基于脑电信号的抑郁症患者病情分类。个性化护理是常规护理的升华，根据患者的情感类别、抑郁程度，给予患者相应的个性化护理，不仅可以调动护理人员的积极性，而且对建立医患关系具有重要意义，是常规护理走向精准个性化护理的具体表现。个性化护理需根据患者的个体差异，制定合理的护理方案，充分考虑患者的病情变化、护理需求等因素，确保为患者提供全方位的护理措施。这样不仅可以加快患者的康复速度，而且可有效节约医疗成本，推进精准医疗进程[12]。从表2可以看出，根据患者不同的情感类别采取对应的护理方法，不仅可节约护理成本，而且有助于患者调整自我心态，了解治疗动态。个性化护理方法的推进为医患之间建立了一个良好的互动机制，保证了医护人员能及时掌握患者的病情变化、选择得当的治疗策略，患者也能及时了解治疗进度，配合相关治疗。表3结果显示，干预后观察组更年期抑郁症和产后抑郁症患者的HAMD和SDS评分显著低于对照组(均P<0.01)。因此，基于深度学习情感训练模型分类的抑郁症个性护理举措为智能化精准医疗探明了方向。

本研究结果进一步证明了基于深度学习情感训练分类模型的个性化护理可以参考的患者信息更多，也更为准确。由于深度学习实现了对抑郁症患者情绪的准确识别，因此护理人员可以明确了解抑郁症患者真实的心理及脑部活动，区别于传统的仅仅根据患者的表情去猜测其心理活动所形成的医护方案，更具针对性，有效避免了由于误判而导致的护理操作。本研究为深度学习在个性化护理方面的探索提供了一个全新的思路，对后续的护理发展及改进具有重要意义。