基于深度學習情感分類模型的個性化抑郁癥護理策略

袁麗潔，武卓，李敏，雷濤，祝婷

早期抑郁癥的診斷主要依靠醫生經驗性的主觀評測結果，由于抑郁癥患者可能存在認知障礙甚至思維遲緩，所以醫生很難評測患者內心的真實情感，甚至無法準確評估抑郁癥患者的腦部活動、分析當前的病情，因而易被患者的表象特征蒙蔽而誤診，同時，也無法及時地制訂針對性的治療方案、對護理工作提出有效的指導。針對該問題，近年來學者開始探索研究基于功能性核磁共振圖像[1](Functional Magnetic Resonance Imaging, FMRI)和腦電圖像(Electroencephalograph, EEG)[2]的診斷方案，并且均已取得階段性成果。由于EEG信號可呈現大腦組織的功能狀態，相比FMRI的時域精度更高，所以在抑郁癥情感診斷中更具優勢。醫護人員可根據基于EEG信號的情感識別結果，準確判斷患者當前的精神狀態，腦部真實活動情況并推測其病情程度，從而實現精準護理。個性化護理更注重患者的自身特性，依據患者病情、年齡、文化程度等量身定制合理的護理方案[3-4]，實行全方位的深度護理，提升患者的康復速度。本研究探討基于深度學習情感訓練模型分類的個性化護理，首先利用深度學習算法挖掘抑郁癥患者EEG信號中隱藏的節律分布和腦電波變化，通過EEG信號判斷抑郁癥患者現階段的情感類別[5-7]，根據患者所處的情感類別、抑郁程度，給予患者相應的個性化護理，取得較好效果，報告如下。

1 資料與方法

1.1一般資料 選擇本院2017年1～10月收治的30例更年期抑郁癥患者和30例產后抑郁癥患者，納入標準：符合《中國精神障礙分類與診斷標準》CCMD-3[8]中抑郁癥診斷標準，具備基本的交流溝通能力，無嚴重的身體疾病和精神病史，均對本研究知情同意，能完成全程干預。按照病種和病情輕度、中度、重度[根據漢密爾頓抑郁量表(HAMD)[9]和自評抑郁量表(SDS)[9]評分確定，HAMD評分7～分輕度抑郁、17～分中度抑郁、≥24分重度抑郁，SDS評分53～分輕度抑郁、63～分中度抑郁、≥72分重度抑郁；2個量表取評分高者判斷]分層隨機分成兩組各30例。兩組各病種各15例，輕度、中度、重度各10例，兩組一般資料比較見表1。研究中途沒有脫落病例。

表1 兩 組 一 般 資 料 比 較

1.2干預方法

兩組遵醫囑進行抗抑郁藥物治療，治療用藥以舍曲林為主，治療方案無差異，根據HAMD和SDS的評分標準，HAMD評分低于24分可以出院繼續服藥治療，17分以下根據自身情況可酌情停藥；SDS評分低于72分可出院繼續服藥治療，62分以下根據自身情況可酌情停藥。護理措施方面對照組采用常規護理干預，即給予遵循醫囑用藥、心理疏導及安全護理指導。觀察組干預方法如下。

1.2.1基于深度學習的情感分類模型 ①EEG圖像信號的采集。通過采集100名志愿者的腦電圖波形數據構建EEG情感訓練庫，基于情感進化價值屬性，首先記錄每位自愿者的五種情感腦電波曲線，包括快樂、接受、安靜、悲傷、憤怒，然后將其轉換為對應的10張腦電信號圖像，由此構建100×5×10=5000個數據。將數據按照7∶3的比例劃分為訓練數據和驗證數據。EEG數據雖然可呈現海量的腦電神經信號，但如果處理不當，就會形成數據沼澤。由于單路EEG是一維信號，而當前的EEG采集設備大多數是多路采集設備，采集到的信號是高維EEG信號，將采集到的EEG信號結合人腦位置進行空間投影，由此可以獲得帶有空間信息的多路EEG信號，進而利用插值原理可以獲得EEG信號。根據這些獲取到的圖像，可以利用深度學習中的卷積神經網絡實現對情感的分類。②EEG分類。針對構建好的訓練集和驗證集，結合基于深度學習的圖像分類原理，本研究采用VGG16模型(見圖1)構建網絡框架。在本框架中，整個網絡由特征提取模塊、特征分類模塊構成，其中特征提取模塊主要由卷積層和池化層構成，用于學習圖像的低層和高層語義特征，而分類模塊由全連接層構成，用于實現EEG分類。整個網絡包含13個卷積層，3個全連接層，涉及到5次池化。根據這一網絡框架，可以將大量訓練數據輸入網絡，根據反向傳播和梯度下降學習策略，網絡經過多次迭代可以不斷修改網絡中的參數，從而逐漸收斂達到穩定，此時模型就訓練好了。最后利用訓練好的模型識別抑郁癥患者的情感類別(通過驗證集測試本模型的精度為91.53%)，由此可以建立個性化護理措施，實現精準護理，提高醫護人員的工作效率。整個深度學習框架已完成軟件開發，參與干預的護理人員經過簡單操作培訓，即可完成患者的信號采集、結果分析。

圖1 VGG16模型結構圖

1.2.2實施方法 由接受培訓的醫護人員通過深度學習軟件分析EEG信號，識別分析情感類別，采取相應的個性化護理措施。每次干預時間及護理方法需依據情感測試結果給予動態調整。其中，快樂、接受和安靜所對應的干預時間約為5 min、15 min及30 min，當患者情感類別判斷為悲傷或憤怒時，均需24 h監護，具體措施見表2。

表2 觀察組不同情感類別患者的個性化護理

1.3評價方法 于干預前和干預4周后收集兩組HAMD和SDS評分，以反映患者抑郁程度變化情況[10-11]。于干預8周時統計兩組康復率，HAMD評分<7分且SDS<53分視為康復。

1.4統計學方法 應用Matlab2018b軟件行t檢驗及χ2檢驗，檢驗水準α=0.05。

2 結果

2.1兩組干預前后HAMD和SDS評分比較 見表3。

表3 兩組干預前后HAMD和SDS評分比較

2.2兩組干預8周時的康復率比較 干預8周后，對照組陸續康復12例(40.0%)，觀察組17例(56.7%)，兩組比較，χ2=1.669，P=0.196。

3 討論

抑郁癥主要是由遺傳、心理及社會等諸多因素綜合引發的并發癥，臨床主要表現為情緒低落、思維遲緩甚至具有一定的認知障礙和自殘行為，嚴重影響了患者的正常工作及社交。目前我國的抑郁癥群體正在逐年增加，抑郁癥已成為人類第四大疾病，因此，采取有效的預防及護理措施已刻不容緩。個性化護理本著以人為本的護理方式，為患者提供最佳的醫療服務，不僅可促進患者康復，而且能節約醫療成本，具有良好的社會效益。

本研究結果表明，基于EEG信號情感類別的個性化護理策略在更年期抑郁癥患者和產后抑郁癥患者均獲得較好的治療效果，相比傳統的護理方案，通過個性化護理策略，能有效提高治療效果。EEG信號能夠反映患者的真實心理及腦部活動，而腦部多路EEG信號可以依據空間映射的方法將多路EEG信號轉換為圖像信息，從而可以將這些圖像信息作為訓練和測試數據，結合深度學習中的卷積神經網絡，實現對圖像的準確分類，從而完成基于腦電信號的抑郁癥患者病情分類。個性化護理是常規護理的升華，根據患者的情感類別、抑郁程度，給予患者相應的個性化護理，不僅可以調動護理人員的積極性，而且對建立醫患關系具有重要意義，是常規護理走向精準個性化護理的具體表現。個性化護理需根據患者的個體差異，制定合理的護理方案，充分考慮患者的病情變化、護理需求等因素，確保為患者提供全方位的護理措施。這樣不僅可以加快患者的康復速度，而且可有效節約醫療成本，推進精準醫療進程[12]。從表2可以看出，根據患者不同的情感類別采取對應的護理方法，不僅可節約護理成本，而且有助于患者調整自我心態，了解治療動態。個性化護理方法的推進為醫患之間建立了一個良好的互動機制，保證了醫護人員能及時掌握患者的病情變化、選擇得當的治療策略，患者也能及時了解治療進度，配合相關治療。表3結果顯示，干預后觀察組更年期抑郁癥和產后抑郁癥患者的HAMD和SDS評分顯著低于對照組(均P<0.01)。因此，基于深度學習情感訓練模型分類的抑郁癥個性護理舉措為智能化精準醫療探明了方向。

本研究結果進一步證明了基于深度學習情感訓練分類模型的個性化護理可以參考的患者信息更多，也更為準確。由于深度學習實現了對抑郁癥患者情緒的準確識別，因此護理人員可以明確了解抑郁癥患者真實的心理及腦部活動，區別于傳統的僅僅根據患者的表情去猜測其心理活動所形成的醫護方案，更具針對性，有效避免了由于誤判而導致的護理操作。本研究為深度學習在個性化護理方面的探索提供了一個全新的思路，對后續的護理發展及改進具有重要意義。