本公开提供了一种基于静息态脑功能图像的情绪状态展示方法、装置及系统，该方法包括：获取被测者的静息态脑功能图像；将静息态脑功能图像输入第一网络模型得到情绪指数；对静息态脑功能图像进行特征提取得到初始特征图像；根据情绪指数对初始特征图像中感兴趣的区域进行增强得到目标特征图像；在静息态脑功能图像上叠加目标特征图像得到用于展示情绪状态的脑模式图像。该方法通过第一网络模型得到情绪指数能够初步确认被测者情绪状态的异常风险，通过对静息态脑功能图像进行特征提取和部分增强能够进一步获取与情绪状态相关的图像信息，通过在静息态脑功能图像上叠加目标特征图像得到的脑模式图像能够直观地展示被测者的情绪状态。
1.一种基于静息态脑功能图像的情绪状态展示方法，其中，包括：获取被测者的静息态脑功能图像；
将所述静息态脑功能图像输入第一网络模型得到情绪指数；
对所述静息态脑功能图像进行特征提取得到初始特征图像；
根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像；
在所述静息态脑功能图像上叠加所述目标特征图像得到用于展示情绪状态的脑模式图像；
对所述静息态脑功能图像进行特征提取得到初始特征图像包括：将所述静息态脑功能图像输入包括多个卷积核的第四网络模型得到与所述卷积核一一对应的子特征图；
根据情绪在静息态脑功能图像中的分布生成与所述卷积核一一对应的权重向量；
根据与所述子特征图对应的权重向量对所述子特征图进行加权融合得到所述初始特征图像。
2.根据权利要求1所述的基于静息态脑功能图像的情绪状态展示方法，根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像包括：根据所述情绪指数计算所述初始特征图像的权重系数；
将所述初始特征图像中的每个像素点与所述权重系数相乘得到所述目标特征图像；
3.根据权利要求2所述的基于静息态脑功能图像的情绪状态展示方法，根据所述情绪指数计算所述初始特征图像的权重系数包括：判断所述情绪指数是否大于设定值；
若是，则将所述静息态脑功能图像输入第二网络模型得到第一预测向量，根据所述第一预测向量获取所述初始特征图像的第一梯度图，计算所述第一梯度图的平均梯度值作为所述初始特征图像的权重系数；
若否，则将所述静息态脑功能图像输入第三网络模型得到第二预测向量，根据所述第二预测向量获取所述初始特征图像的第二梯度图，计算所述第二梯度图的平均梯度值作为所述初始特征图像的权重系数。
4.根据权利要求1所述的基于静息态脑功能图像的情绪状态展示方法，将所述静息态脑功能图像输入第一网络模型得到情绪指数之前，还包括：对所述静息态脑功能图像进行下采样处理；
5.根据权利要求1所述的基于静息态脑功能图像的情绪状态展示方法，所述静息态脑功能图像为多个；
在所述静息态脑功能图像上叠加与所述静息态脑功能图像对应的多个目标特征图像得到用于展示情绪状态的脑模式图像。
6.根据权利要求1‑5任一项所述的基于静息态脑功能图像的情绪状态展示方法，所述第一网络模型的训练方法包括：获取多个个体对应的样本数据，所述样本数据包括静息态脑功能图像和情绪指数；
将样本数据按照6:2:2的比例划分为训练集、验证集和测试集；
使用训练集对深度学习模型进行训练，使用验证集对深度学习模型进行验证，使用测试集对深度学习模型进行测试；
7.一种基于静息态脑功能图像的情绪状态展示装置，其中，包括：获取模块，用于获取被测者的静息态脑功能图像；
数据处理模块，用于将所述静息态脑功能图像输入第一网络模型得到情绪指数；
特征提取模块，用于对所述静息态脑功能图像进行特征提取得到初始特征图像；对所述静息态脑功能图像进行特征提取得到初始特征图像包括：将所述静息态脑功能图像输入包括多个卷积核的第四网络模型得到与所述卷积核一一对应的子特征图；
根据情绪在静息态脑功能图像中的分布生成与所述卷积核一一对应的权重向量；
根据与所述子特征图对应的权重向量对所述子特征图进行加权融合得到所述初始特征图像；
增强模块，用于根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像；
叠加模块，用于在所述静息态脑功能图像上叠加所述目标特征图像得到用于展示情绪状态的脑模式图像。
8.一种基于静息态脑功能图像的情绪状态展示系统，包括：数据获取模块，用于获取待分析的静息态脑功能图像；
脑抑郁分析模块，用于根据预训练的深度学习模型分析待分析的静息态脑功能图像，得到情绪指数；
抑郁脑图像模式生成模块，用于根据情绪指数、待分析的静息态脑功能图像和特征提取模型生成用于展示基于静息态脑功能图像的情绪状态的脑模式图像；抑郁脑图像模式生成模块，用于对所述静息态脑功能图像进行特征提取得到初始特征图像；
根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像；
在所述静息态脑功能图像上叠加所述目标特征图像得到用于展示情绪状态的脑模式图像；
对所述静息态脑功能图像进行特征提取得到初始特征图像包括：将所述静息态脑功能图像输入包括多个卷积核的第四网络模型得到与所述卷积核一一对应的子特征图；
根据情绪在静息态脑功能图像中的分布生成与所述卷积核一一对应的权重向量；
根据与所述子特征图对应的权重向量对所述子特征图进行加权融合得到所述初始特征图像。
9.根据权利要求8所述的基于静息态脑功能图像的情绪状态展示系统，还包括反馈模块；所述反馈模块包括情绪异常判别模块和显示模块；
所述情绪异常判别模块用于根据所述情绪指数生成情绪异常风险等级，并将所述风险等级发送给所述显示模块；
所述显示模块用于显示所述脑模式图像，并根据所述情绪异常风险等级显示预警图像。
基于静息态脑功能图像的情绪状态展示方法、装置及系统
技术领域
[0001] 本公开涉及人工智能技术领域，尤其涉及一种基于静息态脑功能图像的情绪状态展示方法、装置及系统。
背景技术
[0002] 无论心理压力还是焦虑、抑郁，都会表现出异常的情绪状态，如果不能及时准确地检查和评估其严重程度，及时地进行心理干预，将会导致这些异常情绪状态发展成焦虑症
或抑郁症的可能。
[0003] 相关技术中，通常根据功能磁共振脑影像来分析被测者的情绪状态。现有的功能磁共振脑影像不能像脑肿瘤影像那样给出与情绪状态相关的特异性的脑图像，不利于精神
科医生对于被测者的情绪状态进行准确诊断。对功能磁共振脑影像的分析需要专业知识，
被测者不能根据功能磁共振脑影像直观地了解自己的情绪状态。
发明内容
[0004] 本公开实施例提供了一种基于静息态脑功能图像的情绪状态展示方法、装置及系统，能够直观地展示情绪状态。
[0005] 为此，本公开实施例提供了如下技术方案：
[0006] 第一方面，本公开实施例提供了一种基于静息态脑功能图像的情绪状态展示方法，包括：
[0007] 获取被测者的静息态脑功能图像；
[0008] 将所述静息态脑功能图像输入第一网络模型得到情绪指数；
[0009] 对所述静息态脑功能图像进行特征提取得到初始特征图像；
[0010] 根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像；
[0011] 在所述静息态脑功能图像上叠加所述目标特征图像得到用于展示情绪状态的脑模式图像。
[0012] 可选地，根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像包括：
[0013] 根据所述情绪指数计算所述初始特征图像的权重系数；
[0014] 将所述初始特征图像中的每个像素点与所述权重系数相乘得到所述目标特征图像；
[0015] 其中，所述情绪指数越高所述权重系数越大。
[0016] 可选地，根据所述情绪指数计算所述初始特征图像的权重系数包括：
[0017] 判断所述情绪指数是否大于设定值；
[0018] 若是，则将所述静息态脑功能图像输入第二网络模型得到第一预测向量，根据所述第一预测向量获取所述初始特征图像的第一梯度图，计算所述第一梯度图的平均梯度值
作为所述初始特征图像的权重系数；
[0019] 若否，则将所述静息态脑功能图像输入第三网络模型得到第二预测向量，根据所述第二预测向量获取所述初始特征图像的第二梯度图，计算所述第二梯度图的平均梯度值
作为所述初始特征图像的权重系数。
[0020] 可选地，对所述静息态脑功能图像进行特征提取得到初始特征图像包括：
[0021] 将所述静息态脑功能图像输入包括多个卷积核的第四网络模型得到与所述卷积核一一对应的子特征图；
[0022] 根据情绪在静息态脑功能图像中的分布生成与所述卷积核一一对应的权重向量；
[0023] 根据与所述子特征图对应的权重向量对所述子特征图进行加权融合得到所述初始特征图像。
[0024] 可选地，将所述静息态脑功能图像输入第一网络模型得到情绪指数之前，还包括：
[0025] 对所述静息态脑功能图像进行下采样处理；
[0026] 对下采样处理后的静息态脑功能图像进行降噪处理。
[0027] 可选地，所述静息态脑功能图像为多个；
[0028] 在所述静息态脑功能图像上叠加与所述静息态脑功能图像对应的多个目标特征图像得到用于展示情绪状态的脑模式图像。
[0029] 可选地，所述第一网络模型的训练方法包括：
[0030] 获取多个个体对应的样本数据，所述样本数据包括静息态脑功能图像；
[0031] 将样本数据按照6:2:2的比例划分为训练集、验证集和测试集；
[0032] 使用训练集对深度学习模型进行训练，使用验证集对深度学习模型进行验证，使用测试集对深度学习模型进行测试；
[0033] 将训练好的深度学习模型作为第一网络模型。
[0034] 第二方面，本公开实施例提供了一种基于静息态脑功能图像的情绪状态展示装置，包括：
[0035] 获取模块，用于获取被测者的静息态脑功能图像；
[0036] 数据处理模块，用于将所述静息态脑功能图像输入第一网络模型得到情绪指数；
[0037] 特征提取模块，用于对所述静息态脑功能图像进行特征提取得到初始特征图像；
[0038] 增强模块，用于根据所述情绪指数对所述初始特征图像中感兴趣的区域进行增强得到目标特征图像；
[0039] 叠加模块，用于在所述静息态脑功能图像上叠加所述目标特征图像得到用于展示情绪状态的脑模式图像。
[0040] 第三方面，本公开实施例提供了一种基于静息态脑功能图像情绪状态展示系统，包括：
[0041] 数据获取模块，用于获取待分析的静息态脑功能图像；
[0042] 脑抑郁分析模块，用于根据预训练的深度学习模型分析待分析的静息态脑功能图像，得到情绪指数；
[0043] 抑郁脑图像模式生成模块，用于根据情绪指数、待分析的静息态脑功能图像和特征提取模型生成用于展示情绪状态的脑模式图像。
[0044] 可选地，还包括反馈模块；
[0045] 所述反馈模块包括情绪异常判别模块和显示模块；
[0046] 所述情绪异常判别模块用于根据所述情绪指数生成情绪异常风险等级，并将所述风险等级发送给所述显示模块；
[0047] 所述显示模块用于显示所述脑模式图像，并根据所述情绪异常风险等级显示预警图像。
[0048] 本公开实施例中提供的一个或多个技术方案，具有如下优点：
[0049] 本公开实施例提供的基于静息态脑功能图像的情绪状态展示方法通过第一网络模型得到情绪指数能够初步确认被测者情绪状态的异常风险，通过对静息态脑功能图像进
行特征提取和部分增强能够进一步获取与情绪状态相关的图像信息，通过在静息态脑功能
图像上叠加目标特征图像得到的脑模式图像能够直观地展示被测者的情绪状态。
附图说明
[0050] 图1是根据本公开一实施方式的基于静息态脑功能图像的情绪状态展示方法的流程图；
[0051] 图2是根据本公开一实施方式的基于静息态脑功能图像的情绪状态展示装置的结构框图；
[0052] 图3是根据本公开一实施方式的基于静息态脑功能图像的情绪状态展示系统。
[0053] 附图标记：
[0054] 21：获取模块；22：数据处理模块；23：特征提取模块；24：增强模块；25：叠加模块；
[0055] 31：数据获取模块；32：脑抑郁分析模块；33：抑郁脑图像模式生成模块；34：反馈模块。
具体实施方式
[0056] 为使本公开的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本公开进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本公
开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本
公开的概念。
[0057] 本公开所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本公开保护的范围。
[0058] 在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0059] 此外，下面所描述的本公开不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0060] 图1是根据本公开一实施方式的基于静息态脑功能图像的情绪状态展示方法的流程图。如图1所示，本公开实施例提供了一种基于静息态脑功能图像的情绪状态展示方法，
包括如下步骤：
[0061] S101：获取被测者的静息态脑功能图像。静息态脑功能图像通过功能磁共振扫描获取。
[0062] S102：将静息态脑功能图像输入第一网络模型得到情绪指数。第一网络模型包括一个输入层，十三个卷积层，六个池化层，三个全连接层和一个输出层；通过二维卷积神经
网络模型对静息态脑功能图像进行特征提取和类型识别，最终得到情绪指数。情绪指数可
选为抑郁情绪指数、焦虑情绪指数或压力情绪指数。将静息态脑功能图像输入第一网络模
型前，可选先对静息态脑功能图像进行下采样处理，再对下采样处理后的静息态脑功能图
像进行降噪处理，最后对降噪处理后的静息态脑功能图像进行裁剪，降低噪声对后续数据
处理过程的影响。在一些实施例中，情绪指数越高，情绪状态的异常风险越大。在一些实施
例中，第一网络模型的训练过程包括，获取多个个体对应的样本数据，样本数据包括静息态
脑功能图像；将样本数据按照6:2:2的比例划分为训练集、验证集和测试集；使用训练集对
深度学习模型进行训练，使用验证集对深度学习模型进行验证，使用测试集对深度学习模
型进行测试；将训练好的深度学习模型作为第一网络模型。第一网络模型可选为深度学习
模型。
[0063] S103：使用第一网络模型对静息态脑功能图像进行特征提取得到初始特征图像和情绪指数。初始特征图像包括静息态脑功能图像中与情绪状态相关的特征和情绪指数。
[0064] S104：根据情绪指数对初始特征图像中感兴趣的区域进行增强得到目标特征图像。感兴趣的区域可选为受到情绪影响最大的区域。
[0065] S105：在静息态脑功能图像上叠加目标特征图像得到用于展示情绪状态的脑模式图像。脑模式图像能够突出显示与情绪状态相关的脑部特征。
[0066] 本公开实施例提供的基于静息态脑功能图像的情绪状态展示方法通过第一网络模型得到情绪指数能够初步确认被测者情绪状态的异常风险，通过对静息态脑功能图像进
行特征提取和部分增强能够进一步获取与情绪状态相关的图像信息，通过在静息态脑功能
图像上叠加目标特征图像得到的脑模式图像能够直观地展示被测者的情绪状态。
[0067] 在一些实施例中，判断情绪指数是否大于设定值；若是，则将静息态脑功能图像输入第二网络模型得到第一预测向量；第二网络模型为深度学习网络结构，其网络结构包括
卷积层、池化层、激活层和全连接层，卷积层、池化层和激活层顺序连接成组件。将静息态脑
功能图像输入第二网络模型得到第一预测向量。根据第一预测向量获取初始特征图像的第
一梯度图；计算第一梯度图的平均梯度值作为初始特征图像的权重系数；若否，则将静息态
脑功能图像输入第三网络模型得到第二预测向量；第三网络模型为深度学习网络结构，其
网络结构包括卷积层、池化层、激活层和全连接层，卷积层、池化层和激活层顺序连接成组
件。将静息态脑功能图像输入第三网络模型得到第二预测向量。根据第二预测向量获取初
始特征图像的第二梯度图；计算第二梯度图的平均梯度值作为初始特征图像的权重系数。
第二网络模型和第三网络模型为深度学习网络模型。
[0068] 将静息态脑功能图像输入包括多个卷积核的第四网络模型得到与卷积核一一对应的子特征图；根据情绪在静息态脑功能图像中的分布生成与卷积核一一对应的权重向
量；根据与子特征图对应的权重向量对子特征图进行加权融合得到初始特征图像。
[0069] 将初始特征图像中的每个像素点与权重系数相乘得到目标特征图像。
[0070] 在一些实施例中，基于静息状态(闭目、放松、什么也不想)获取被测者的静息态脑功能图像。在静息态脑功能图像上叠加与静息态脑功能图像对应的多个目标特征图像得到
用于展示情绪状态的脑模式图像。
[0071] 图2是根据本公开一实施方式的基于静息态脑功能图像的情绪状态展示装置的结构框图。如图2所示，本公开实施例提供了一种基于静息态脑功能图像的情绪状态展示装
置，包括：
[0072] 获取模块21，用于获取被测者的静息态脑功能图像；
[0073] 数据处理模块22，用于将静息态脑功能图像输入第一网络模型得到情绪指数；
[0074] 特征提取模块23，用于对静息态脑功能图像进行特征提取得到初始特征图像；
[0075] 增强模块24，用于根据情绪指数对初始特征图像中感兴趣的区域进行增强得到目标特征图像；
[0076] 叠加模块25，用于在静息态脑功能图像上叠加目标特征图像得到用于展示情绪状态的脑模式图像。
[0077] 本公开实施例提供的基于静息态脑功能图像的情绪状态展示装置通过第一网络模型得到情绪指数能够初步确认被测者情绪状态的异常风险，通过对静息态脑功能图像进
行特征提取和部分增强能够进一步获取与情绪状态相关的图像信息，通过在静息态脑功能
图像上叠加目标特征图像得到的脑模式图像能够直观地展示被测者的情绪状态。
[0078] 图3是根据本公开一实施方式的基于静息态脑功能图像的情绪状态展示系统。如图3所示，本公开实施例提供了一种基于静息态脑功能图像的情绪状态展示系统，包括：
[0079] 数据获取模块31，用于获取待分析的静息态脑功能图像。
[0080] 脑抑郁分析模块32，用于根据预训练的深度学习模型分析待分析的静息态脑功能图像，得到情绪指数。
[0081] 抑郁脑图像模式生成模块33，用于根据情绪指数、待分析的静息态脑功能图像和特征提取模型生成用于展示情绪状态的脑模式图像。
[0082] 反馈模块34，包括情绪异常判别模块和显示模块；情绪异常判别模块用于根据情绪指数生成情绪异常风险等级，并将风险等级发送给显示模块；显示模块用于显示脑模式
图像，并根据情绪异常风险等级显示预警图像。
[0083] 情绪异常风险等级可选按照情绪指数的阈值区间由小到大分为一级、二级、三级和四级。一级的情绪状态为正常，一级对应的的预警图像可选为白色条块，二级的情绪状态
为轻度异常，二级对应的预警图像可选为绿色条块，三级的情绪状态为中度异常，三级对应
的预警图像可选为蓝色条块，四级的情绪状态为重度异常，四级对应的预警图像可选为红
色条块。
[0084] 本公开实施例提供的系统能够判定情绪状态是否异常以及异常严重程度并直观地展示给被测试者，图像的展示形式更易于理解。本发明可以更客观地测量和评估被测试
者的情绪状态，因此本发明对于实现自我健康管理，提高生活质量具有重要价值。
[0085] 应当理解的是，本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理，而不构成对本公开的限制。因此，在不偏离本公开的精神和范围的情况下所做的任何
修改、等同替换、改进等，均应包含在本公开的保护范围之内。此外，本公开所附权利要求旨
在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修
改例。
