申请/专利权人：首都医科大学附属北京安定医院

申请日：2024-03-11

公开（公告）日：2024-05-31

公开（公告）号：CN118116528A

主分类号：G16H10/60

分类号：G16H10/60;G16H15/00;G16H50/70;G06F18/2431;G06N20/00;G06N3/0499;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.18#实质审查的生效;2024.05.31#公开

摘要：本发明涉及一种基于机器学习生成人格量表的系统，属于机器学习领域。该系统包括依次数据连接的初始数据处理模块、特征选择模块、模型训练模块和模型执行网络应用模块；所述初始数据处理模块收集原始数据集，并进行数据预处理；所述原始数据集包括用户的序列号、年龄、性别、MMPI十个子量表中每种情况的原始分数和T分数，以及用户对MMPI测试中每个问题的答案；本发明利用机器学习技术，生成简洁化、网络化、智能化的新量表不仅能够测量患者人格及筛查检测精神障碍，也可以指导用户进行全面评估。

主权项：1.基于机器学习生成人格量表的系统，其特征在于：该系统包括依次数据连接的初始数据处理模块、特征选择模块、模型训练模块和模型执行网络应用模块；所述初始数据处理模块收集原始数据集，并进行数据预处理；所述原始数据集包括用户的序列号、年龄、性别、MMPI十个子量表中每种情况的原始分数和T分数，以及用户对MMPI测试中每个问题的答案；T达到65分，则为是，否则为否；是包括高度倾向和重度倾向；65≤T≤74，为高度倾向，T≥75，为重度倾向；所述MMPI十个子量表包括疑病Hs、抑郁D、癔症Hy、病态人格Pd、男性气质女性气质MF、偏执Pa、精神衰弱Pt、精神分裂症Sc、轻躁狂Ma和社会内向Si的评分；所述特征选择模块对每个子量表通过结合拟合极端随机树分类器、SHAP值和MRMR法三个过程所得的结果来进行特征选择，首先在所有项目上拟合极端随机树分类器ETC，以每子量表所测量的状态作为目标条件，从ETC中提取每个项目的基尼重要性分数；其次从相同的ETC模型中提取SHAP值；最后对所有项目运行最小冗余最大相关MRMR方法；根据基尼重要性，SHAP分数和MRMR分数的累积值对所有特征从最重要到最不重要进行排名，然后选取最重要的特征项目进行模型训练；所述模型训练模块将得到的最重要的特征项目的最佳特征，用于训练机器学习模型，来预测不同条件下的状态；模型训练后，将下一个最重要的问题添加到训练特征中再次训练，直到用户工作特征曲线ROC的曲线下面积AUC在训练中达到90％；所述模型执行网络应用模块包含一个表单，用户输入人口统计信息并以缩短的MMPI量表回答每个项目，然后将项目的答案发送到训练好的机器学习模型，训练好的机器学习模型计算具有MMPI十个子量表中每个量表的可能结局，并将结果报告到Web应用程序。

全文数据：

权利要求：

百度查询： 首都医科大学附属北京安定医院 基于机器学习生成人格量表的系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD