[發(fā)明專利]一種毒癮程度檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010822415.2
• 申請(qǐng)日: 2020-08-17
• 公開（公告）號(hào): CN112089398A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設(shè)計(jì)）人: 楊幫華;李杜;谷雪林;高守瑋;夏新星
• 申請(qǐng)（專利權(quán)）人: 上海大學(xué)
• 主分類號(hào): A61B5/00
• 分類號(hào): A61B5/00
• 代理公司: 上海上大專利事務(wù)所(普通合伙) 31205
• 代理人: 何文欣

本發(fā)明公開了一種毒癮程度檢測(cè)方法，利用計(jì)算機(jī)系統(tǒng)進(jìn)行毒癮程度檢測(cè)，采用的檢測(cè)系統(tǒng)由行為學(xué)模塊、毒癮刺激模塊、數(shù)據(jù)采集模塊、CNN模型建立模塊、CNN分類模塊和結(jié)果評(píng)估模塊組成。本發(fā)明方法的操作步驟為：1)行為學(xué)指標(biāo)采集，2)刺激吸毒人員對(duì)毒品的反應(yīng)，3)采集近紅外數(shù)據(jù)，4)建立CNN模型。5)進(jìn)行CNN分類，6)對(duì)結(jié)果進(jìn)行評(píng)估。本發(fā)明方法解決了吸毒人員成癮程度僅能依據(jù)人為主觀因素界定的問題，本發(fā)明方法將人工智能方法用于輕度、中度、重度三類吸毒人員生理數(shù)據(jù)分類得到平均正確率在75％。本發(fā)明方法使吸毒成癮程度界定更客觀和標(biāo)準(zhǔn)化，使戒毒康復(fù)走向更科學(xué)性、合理化、人性化的道路。

技術(shù)領(lǐng)域

本發(fā)明涉及一種毒癮程度檢測(cè)方法，應(yīng)用于社會(huì)治安穩(wěn)定與醫(yī)工結(jié)合應(yīng)用方面。

背景技術(shù)

目前毒癮領(lǐng)域研究集中在毒癮病理學(xué)分析和治療方法研究。在毒癮程度檢測(cè)方面，主要以度量表評(píng)估。這種主觀的評(píng)判標(biāo)準(zhǔn)不具有統(tǒng)一性，難以體現(xiàn)吸毒人員是否真正脫毒。這一現(xiàn)象導(dǎo)致了吸毒戒斷成功率低，脫毒之后容易產(chǎn)生復(fù)吸的問題。這也是毒品屢禁不止的重要原因。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供了一種毒癮程度檢測(cè)方法，能夠通過吸毒人員受到毒品圖片刺激時(shí)的前額近紅外數(shù)據(jù)分析，客觀評(píng)估毒癮程度。本發(fā)明通過吸毒人員毒癮程度界定，方便后續(xù)開展針對(duì)性的干預(yù)方法訓(xùn)練方案，進(jìn)而提高吸毒人員戒斷成功率，使吸毒成癮程度界定更客觀和標(biāo)準(zhǔn)化，使戒毒康復(fù)走向更科學(xué)性、合理化、人性化的道路。

為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

本發(fā)明公開了一種毒癮程度檢測(cè)方法，采用的檢測(cè)系統(tǒng)包括行為學(xué)模塊、毒癮刺激模塊、數(shù)據(jù)采集模塊、CNN(ConvolutionalNeuralNetworks，卷積神經(jīng)網(wǎng)絡(luò))模型建立模塊、CNN 分類模塊、結(jié)果評(píng)估模塊；利用計(jì)算機(jī)進(jìn)行毒癮程度檢測(cè)方法的步驟如下：

1)行為學(xué)指標(biāo)采集：

采用行為學(xué)模塊包括行為學(xué)量表、患者口述、醫(yī)院專家意見，其中行為學(xué)量表由抑郁自評(píng)表(SDS)、焦慮自評(píng)量表(SAS)、癥狀自評(píng)表(SCL-90)、人格特征量表(16PF)組成；對(duì)建立模型所需要數(shù)據(jù)的行為學(xué)指標(biāo)進(jìn)行采集，并確定行為學(xué)上的毒癮程度分類；

2)刺激吸毒人員對(duì)毒品的反應(yīng)：

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(fā)范式，根據(jù)吸毒相關(guān)圖片還原真實(shí)吸毒場(chǎng)景，刺激吸毒人員對(duì)毒品的反應(yīng)；

3)采集近紅外數(shù)據(jù)：

當(dāng)吸毒人員被刺激出對(duì)毒品的反應(yīng)后，使用數(shù)據(jù)采集模塊采集近紅外數(shù)據(jù)，包括近紅外數(shù)據(jù)采集，使用便攜式NIRSIT設(shè)備采集吸毒人員的前額近紅外數(shù)據(jù)，作為下一個(gè)模塊的輸入數(shù)據(jù)；

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(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)，建立卷積神經(jīng)網(wǎng)絡(luò)的模型并保存；

5)進(jìn)行CNN分類：

生成神經(jīng)網(wǎng)絡(luò)模型后，即可使用CNN分類模塊對(duì)未分類人員進(jìn)行分類。該模塊包括近紅外數(shù)據(jù)，讀取卷積神經(jīng)網(wǎng)絡(luò)CNN模型以及分類三部分，近紅外數(shù)據(jù)為未分類吸毒人員的數(shù)據(jù)，通過已建立的模型對(duì)其分類；

6)對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)評(píng)估：

獲取分類結(jié)果之后，需要對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)評(píng)估；結(jié)果評(píng)估模塊包括統(tǒng)計(jì)結(jié)果與評(píng)估等級(jí)，通過對(duì)分類結(jié)果的統(tǒng)計(jì)，獲得未分類吸毒人員毒癮程度評(píng)估結(jié)果。