[發明專利]一種毒癮程度檢測方法

在審

• 申請號: 202010822415.2
• 申請日: 2020-08-17
• 公開（公告）號: CN112089398A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 楊幫華;李杜;谷雪林;高守瑋;夏新星
• 申請（專利權）人: 上海大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 何文欣

1.一種毒癮程度檢測方法，其特征在于：采用的檢測系統包括行為學模塊、毒癮刺激模塊、數據采集模塊、CNN模型建立模塊、CNN分類模塊、結果評估模塊；利用計算機進行毒癮程度檢測方法的步驟如下：

1)行為學指標采集：

采用行為學模塊包括行為學量表、患者口述、醫院專家意見，其中行為學量表由抑郁自評表(SDS)、焦慮自評量表(SAS)、癥狀自評表(SCL-90)、人格特征量表(16PF)組成；對建立模型所需要數據的行為學指標進行采集，并確定行為學上的毒癮程度分類；

2) 刺激吸毒人員對毒品的反應：

獲取已分類吸毒人群后，使用毒癮刺激模塊，包括毒品渴求度的刺激觸發范式，根據吸毒相關圖片還原真實吸毒場景，刺激吸毒人員對毒品的反應；

3)采集近紅外數據：

當吸毒人員被刺激出對毒品的反應后，使用數據采集模塊采集近紅外數據，包括近紅外數據采集，使用便攜式NIRSIT設備采集吸毒人員的前額近紅外數據，作為下一個模塊的輸入數據；

4)建立CNN模型：

CNN模型建立模塊包括模型建立所需要的近紅外數據，卷積神經網絡CNN-BN以及保存模型三部分，通過已確定的輕度、中度、重度三類吸毒人員的數據，建立卷積神經網絡的模型并保存；

5)進行CNN分類：

生成神經網絡模型后，即可使用CNN分類模塊對未分類人員進行分類；CNN分類模塊包括近紅外數據，讀取卷積神經網絡CNN模型以及分類三部分，近紅外數據為未分類吸毒人員的數據，通過已建立的模型對其分類；

6)對結果進行統計評估：

獲取分類結果之后，需要對結果進行統計評估；結果評估模塊包括統計結果與評估等級，通過對分類結果的統計，獲得未分類吸毒人員毒癮程度輕度、中度、重度評估結果。

2.根據權利要求1所述毒癮程度檢測方法，其特征在于：所述步驟1)中的行為學模塊包括行為學量表、患者口述、醫院專家意見；通過采集訓練建模人員的行為學量表、患者口述、醫院專家意見對其進行毒癮程度分類。

3.根據權利要求1所述毒癮程度檢測方法，其特征在于：所述步驟2)中的毒品渴求度的刺激觸發范式中每一張圖片設定編號，并設定任務態階段時間6min，該階圖片分為毒品刺激圖、中立圖兩類圖片，其中設定每一個block為10s，共向被試對象顯示16張圖片，每張圖片顯示時間都為0.6s，開始時前4張圖片為一組隨機顯示，這其中會含有兩張毒品刺激圖，之后使被試對象看到的剩余12張圖片全為中立圖隨機顯示；一個block結束之后，設有一個4s的間隔圖顯示，間隔圖為白色背景，黑色十字；在第二階段任務為當被試對象看到毒品刺激圖閃出時，需同步在紙上做標記；毒癮刺激模塊通過吸食毒品相關圖片還原真實吸毒場景，使吸毒人員產生對毒品的渴求感和興奮感。

4.根據權利要求1所述毒癮程度檢測方法，其特征在于：所述步驟3)中的數據采集模塊使用NIRSIT便攜式近紅外數據采集設備，測量來自多個SD分離的信號，同時測量被試對象頭部的不同深度的血液動力學反應變化信息，保存吸毒人員受到毒品渴求刺激時的前額近紅外信號。

5.根據權利要求4所述毒癮程度檢測方法，其特征在于：所述步驟3)中的數據采集模塊使用NIRSIT便攜式近紅外數據采集設備，測量來自四個SD分離的信號：15mm、21.2mm、30mm和33.5mm，同時允許的測量被試對象頭部不同深度的血液動力學反應變化。

6.根據權利要求1所述毒癮程度檢測方法，其特征在于：所述步驟4)中的CNN模型建立模塊由多個卷積層與全連接層組成的CNN-BN卷積神經網絡，網絡層之間加入了批歸一化層來減小過擬合的現象；CNN-BN卷積神經網絡使用已分類建模人員數據對卷積神經網絡CNN訓練，并保存其模型以供后續分類使用。

7.根據權利要求1所述毒癮程度檢測方法，其特征在于：所述步驟5)中的CNN分類模塊讀取已保存的卷積神經網絡CNN模型，對未分類人員在刺激觸發范式中的近紅外數據實時分類。

8.根據權利要求1所述毒癮程度檢測方法，其特征在于：所述步驟6)中的結果評估模塊匯總未分類人員的分類結果，統計后依照各分類結果占比確定未分類人員毒癮程度。