基于混合Hopfield递归神经网络的心理疾病智能预测系统

智能系统与应用18（2023）200208基于混合Hopfield递归神经网络方法的心理疾病智能预测系统Vikas Kamraa，*，Praveen Kumarb，Masoud Mohammadian c印度北方邦诺伊达125区爱德大学研究学者，邮编：201313b印度诺伊达北方邦爱德大学CSE系c澳大利亚堪培拉大学科技学院，ACT 2601A R T I C L EI N FO关键词：心理障碍智能系统自然语言处理决策支持系统Hopfield网络递归神经网络A B S T R A C T基于机器学习的疾病自动预测方法是医疗信息学的一个新的研究领域。医疗环境中的电子健康记录改善了早期疾病诊断。然而，当标准的基于规则的方法，如医生的处方或实验室测试报告用于疾病诊断时，EHR的优点没有充分实现。因此，需要基于技术的解决方案，以更有效的方式帮助预测心理疾病。提出了一种混合Hopfield递归神经网络（H2RN2）方法，利用Kaggle数据库中的无定形临床EHR预测心理疾病。所提出的模型自动学习固有的语义特征，从现有的临床数据项。它在一个递归神经网络中使用五重交叉验证技术，从而减少了模型的过度拟合。除了在模型训练期间进行有效学习外，混合方法还有助于以更高的准确性准确预测疾病。该模型使用三个测量参数，准确率，召回率和F1分数进行评估，并在实验评估中产生97.53%的准确率，这是优于现有的几种心理疾病预测方法。结果表明，该模型在预测精神疾病的风险方面优于其他几种技术。将来，类似的方法可能被用来预测基于性别的心理疾病或预测各种生理疾病的风险。1. 介绍世界卫生组织最近关于心理疾病的报告指出，这些疾病影响全球超过3亿人。这一数字在不断上升，尤其是在老年人中。心理障碍，通常被称为精神病性障碍或精神障碍，是影响一个人生活的许多方面的一系列行为或心理症状（Rejaibi等人，2019年）。正在经历这些症状的人对这些疾病感到痛苦。智能疾病预测提供了许多优势，包括早期疾病检测，减轻危害和减少死亡。许多疾病预测的先前研究依赖于原理方法，这需要明确的特征工程进行诊断。一些另一方面，研究人员采用了不需要人类特征工程的生物智能方法（Cummins等人，2020年）。如今，人工智能使能技术自主地从医疗记录中学习特征，并为各种疾病预测任务产生卓越的结果。《心理疾病诊断与统计手册》（DSM）确定了重要的心理障碍类型。这些疾病大致分为15种不同的类型，其中每种类型都有自己的精神障碍类别。以下是对这些疾病的简要解释（V'azquez-Romero&Gallardo-Antolín，2020）。主要在青少年年龄诊断的神经发育疾病包括智力残疾、沟通障碍和自闭症谱系障碍。情绪波动以及活动水平的变化* 本声明是为了证明作者名单是正确的，所有作者都已经看到并批准了提交的手稿，并同意将其提交给智能系统与应用。**作者还确认，这项研究以前没有发表过，也没有考虑在其他地方发表通讯作者应代表所有合作作者对提交的材料承担全部责任* 通讯作者：研究学者，CSE系，ASET，Amity大学北方邦。电子邮件地址：kamra1984@gmail.com（V.Kamra）。https://doi.org/10.1016/j.iswa.2023.200208接收日期：2022年7月24日;接收日期：2022年12月27日;接受日期：2023年2月24日2023年3月1日上线2667-3053/© 2023作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsV. Kamra等人智能系统与应用18（2023）2002082都是双相情感障碍的症状它包括躁狂和抑郁发作。严重和持续的恐惧，关注，焦虑和伴随的行为问题都是焦虑症的症状。它包括社交焦虑、惊恐发作和分离焦虑（Usama等人，2020年）。应激相关的心理疾病包括急性应激和导致创伤的创伤后残疾（Greenberg等人，2021年）。分离性疾病是一种精神疾病，其中意识的某些部分，如个性和记忆，被分离或中断。它通常包括人格解体和非现实化（Scherer等人，2016年）。躯体症状是一组精神疾病，其特征是可能或可能不是由医学诊断的健康状态引起的实质性身体症状。它主要包括疾病焦虑（Pampou-chidouetal.， 2019年）。强迫性的体重担忧和饮食习惯紊乱，对健康和幸福的有害影响属于进食障碍（Low等人，2011年）。睡眠障碍的特征是睡眠习惯的中断，导致痛苦并影响日常功能。它包括嗜睡症、失眠症、呼吸相关问题和不宁腿症状（Tas等人，2015年）。分离综合征的特征是不能控制自己的情绪和活动，这可能导致对自己或他人的伤害。它包括盗窃癖、行为和对立违抗性残疾（Chen等人，2018年）。悲伤、空虚或烦躁的情绪以及神经认知症状的流行是抑郁或情绪相关异常的特征。它包括心境恶劣、重度抑郁症和经前烦躁问题（Jin etal.，2019年）。使用和滥用不同的药物，如可卡因，安非他明，阿片类药物和酒精都是实质性精神障碍的例子。它包括饮酒、吸烟等。赌博也属于这一类心理疾病（Chen等人，2018年）。认知功能的持续性缺陷是神经认知障碍的特征。它不包括出生时或甚至在儿童早期阶段就存在智力低下的情况（Chen等人，2017年）。精神分裂症是一种持续时间长的精神疾病，它会损害一个人它的特征是妄想，言语困难和幻觉（Zheng等人， 2017年）。痴迷，com-脉冲，或两者都预期在强迫症。强迫症是一种令人痛苦或焦虑的想法，冲动和渴望，定期发生（Du等人， 2019年）。强迫行为是一个人感到被迫定期从事的强迫行为（Chen等人，2015年）。与身份相关的疾病与反复出现的功能失调的想法、情绪和行为模式有关，这些模式可能会损害一个人它主要包括不同类型的反社会或依赖性人格（Shi等人，2016年）。本文提出的模型有助于预测三种主要的心理疾病，即强迫症（OCD），双相情感障碍（BPD）和精神分裂症。传统的心理疾病诊断方法很少。患者健康问卷（PHQ）是诊断精神疾病尤其是抑郁症最常用的方法之一。它提供了一份由9个问题组成的问卷，患者必须根据自己的理解回答这些问题（Bach-mann，2018）。抑郁严重程度由PHQ评分描述，从0到27。PHQ评分的结果可以测量，如果它从0到4运行，那么患者具有非常少或没有抑郁症状。如果它从5到9运行，那么患者有轻度症状，如果PHQ评分从10到14运行，那么患者有中度抑郁症状。现阶段不能忽视这一点。如果评分为15至19，则患者的疾病可以被视为中度严重，如果评分为20至27，则患者处于严重精神障碍类别下（Cummins等人，2018年）。只有一半的时间，临床医生准确地诊断疾病时，患者自我尝试根据他们的症状这个问卷。这是由于抑郁症和其他疾病，如双相情感障碍，强迫症，甚至来自繁忙的日常日程的正常压力（Zhu等人， 2018年）。诊断各种疾病的传统临床处方方法是非常古老的，并且其中具有许多缺陷（Braga等人，2019年）。 由于许多患者对同一种疾病有不同的症状，因此根据他们的症状，给他们开不同的药物。同一种疾病的所有这些不同症状和药物都写在处方单上，这可能导致结果不明确。医生写的处方单由医院的不同部门更新（Fang等人，2019年）。处方单上存在一些不相关的文字可能会降低疾病预测的准确性。并不是所有写在处方单上的单词都有助于准确预测疾病，因此在创建字典时删除这些单词是一个巨大的挑战（Lopez-de-Ipina等人，2017年）。情绪障碍问卷（MDQ）主要用于识别双相谱精神障碍，可以由医生或个人自己完成。完成MDQ大约需要5分钟，其中包括15个问题。对前13个关于可能症状的问题回答“是”或“否”（Cummins et al.，2015年）。最后两个问题测量研究的症状和疾病严重程度。如果前13个问题中有7个或更多问题为它是该疾病的指征（Galatzer-Levy等， 2021年）。贝克抑郁量表（BDI）是另一种通过21个自我评分问题来识别抑郁症的方法。它根据个人获得的分数来评定抑郁程度。1 - 10分表示正常，没有抑郁症状或任何精神障碍。得分在11和16之间意味着平静的脾气变化，得分在17和20之间意味着需要医疗评估的平均情况（Belouali等人，2020年）。得分在21 - 30之间表示温和的沮丧，得分在31 - 40之间表示无情的沮丧程度。如果抑郁相关评分达到41分及以上，则是一个巨大的抑郁水平，需要紧急关注和治疗。这种方法具有非常低的准确性，因为它具有40，000种可能的输出组合，这使得难以得出结论（Lee等人， 2019年）。正如我们已经研究过的，已经存在的方法，如PHQ，MDQ或BDI预测心理疾病的效率和准确性都不高。这些技术非常古老，有很多缺陷。许多患者对同一种心理疾病有不同的症状，这使得准确预测疾病变得非常困难。心理疾病的严重程度在不同的患者中也是不同的，所以类似的诊断程序不能适用于所有的患者。为了解决这些困难，本文介绍了一种基于混合Hopfield递归神经网络（H2RN2）方法的系统，该系统与其他现有技术相匹配时，预测心理疾病的准确性大大提高该模型克服了传统手工制作的基于特征的方法来预测心理疾病的所有缺点，并实现了最新的机器学习技术。所提出的模型进行了评估，从Kaggle存储库包含758名患者的电子病历（EMR）的二级数据集训练和测试数据集已经从可用的数据集创建，并且建议的模型在相同的数据集上进行训练和测试。提出的模型是一个组装的三个ML为基础的组成部分，即。e.一个LSTM模型，一个Hopfield网络和一个双向递归神经网络。所提出的模型中使用的每个组件已被用来逐步预测任何心理疾病的发生，这有助于提高所提出的模型的准确性。本文将在下文中介绍拟议模型中每个组件的主要贡献：为了根据系统的当前状态预测未来的行为，有两种类型的基于时间序列的模型a）LSTM模型b）GRU模型。LSTM模型用于从可用数据集中提取高级见解并预测未来事件。选择LSTM模型而不是GRU·V. Kamra等人智能系统与应用18（2023）2002083该模型具有三种门，即输入门、输出门和遗忘门，从而对网络之间的信息流进行高度控制。它将更多的相关信息保留在内部，并将不相关的信息抛出网络。它也有很高的训练率为所提出的模型。在GRU模型中，有两个门，即重置门和更新门。然后，从LSTM模型中提取的知识被归一化，并创建一个字典，将其输入Hopfield网络。Hopfield网络接收LSTM模型的逐步预测输出作为输入，并对其进行进一步处理。它是一个由四个相互连接的神经元组成的离散Hopfield网络，有助于更准确地预测心理疾病。它还与递归神经网络连接，后者接收Hopfield网络的输出作为其输入，并对其进行处理以进行疾病预测。该双向递归神经网络的输出值被提供到求和函数中，以从所提出的模型中获得优化的知识。最后，利用该混合Hopfield递归神经网络（H2RN2）方法建立了一个智能疾病预测模型，用于更准确地预测心理疾病。各种测量参数，如准确性，召回率和F1分数用于检查所提出的模型的效率。建议的模型与其他现有的模型进行了比较， 参数 为 更好 预测 的 心理疾病。预测脑梗死疾病风险的技术（Usama例如，2020年）。在过去的十年中，在美国调查了患有严重抑郁症的个体的财务后果（Greenberg等人，2021年）。为了分析受试者的音节范围，研究了一种基于自动无监督ML的技术。实验是根据253人的记录进行的。常见的自我评估和相关的截止分数用于测量抑郁症状（Scherer等人， 2016年）。对基于视觉信号的自动抑郁症评估的综合研究结果进行了回顾和对比（Pam-pouchidou等人，2019年）。在超过100名青少年的大样本中检查了压力的听觉指标，以预测严重的抑郁症。在青少年和他们的父母之间的现实互动中，后来进行了音频记录以研究它（Low等人，2011年）。在完整的后前肢神经网络中缺乏时间组织可能是双极和单极疾病之间的区别特征（Tas等人，2015年）。SPHA评分测量技术被开发用于评估用户的整体健康状况。已经实现了用于确认所提出的模型的可行性和性能的基准（Chen等人，2018年）。建立了一个基于神经网络的二维特征预测系统。来自呼吸部门的数据与来自环境空气维度、气候维度和时间维度的数据混合用于进行研究（Jin等人，2019年）。第五代糖尿病系统，实验结果表明，所提出的模型可以包括智能可穿戴2.0设备、人工智能、提高心理疾病的诊断和预测的准确性。以下是这篇研究论文的提纲。第一部分为绪论部分，阐述了15种不同类型的精神障碍和诊断这些精神疾病的传统方法。它还涵盖了所提出的H2RN2模型中每个组件的主要贡献。在第2节中，详细的文献综述 阐述了现有的诊断心理疾病的技术以及他们的研究差距。第3节描述了所提出的H2RN2模型，该模型基于混合Hopfield递归神经网络方法。它解释了建议的方法框架和体系结构框架的功能管道 H2RN2方法。最后给出了心理疾病预测系统的总体设计。在第4节中讨论了所提出的模型的实验结果。本节还解释了为拟议模型与基线的比较分析而选择的基本验证过程和指标。以图形形式的图示表示用于将所提出的模型的结果与其他现有模型进行比较。第五部分总结了本文，并对利用现代技术进行心理疾病预测的未来工作提出了结论和建议。2. 相关作品过去曾进行过几项有关心理障碍预后的研究。以下是在相关领域发现提出了一种递归深度神经网络模型，用于从音频中检测抑郁症并预测其严重程度。分析语音记录文件的较高和较低级别音频属性（Rejaibi等人，2019年）。对用于检测抑郁症状的各种人工智能算法进行了全面的学习，并且已经发表了最新的发现（Cummins等人，2020年）。对于自动抑郁症分类，开发了一种基于卷积神经网络监督学习的独白技术（Va'zquez-Romero &Gallardo-Antolín，2020）。将RCNN与自我注意技术相结合，建立了一个自我注意驱动的结果表明，该模型优于目前的几个社会智能和深度学习，为糖尿病患者提供持续监测和评估（Chen etal.， 2018年）。结合来自多个主要来源的数据，开发了一种新的人工智能驱动的疾病风险预测系统（Chenet al.，2017年）。为了提前预测结果，设计了门控注意神经网络框架（Zheng等人，2017年）。开发了基于卷积注意力模型的神经网络，其将RNN与多个分类模型堆叠以导出用于预测疾病的结果（Du等人，2019年）。为了预测病理性大脑中动脉缺血性中风，开发了使用随机森林分类器的预测技术（Chen等人，2015年）。 为了消除发展疾病特征的限制，开发了通用疾病风险评估模型，其使用临床医学文本的结果，进行独立调查，并从可考虑的历史数据中获得疾病特征（Shi等人，2016年）。对自杀想法的人口统计学进行了研究，还检查了精神分析方面（Bachmann，2018）。最近的机器学习技术的适当研究已经完成了monolog健康评估，重点是神经网络在这一领域的影响（Cummins等人， 2018年）。当与先前的上下文敏感技术相比时，利用深度网络对面部外观和运动进行编码的自动抑郁症诊断系统显著提高了抑郁症预测能力（Zhu et al.，2018年）。已经开发了一种方法来检测帕金森病的早期迹象控制环境条件。结果表明，采用决策树或支持向量机方法具有潜力（Braga等人，2019年）。该调查评估了基于深度学习的异常语音检测策略与以前的自主分类系统相比的有效性和实用性。所提出的方法可以完全利用声学特性，并通过堆叠具有最佳权重的大量单元来有效地区分健康和不健康的语音样本（Fang等人，2019年）。该研究提出了一种基于自动语言建模的半微技术。研究了三个具有不同语言难度的任务，得出了令人鼓舞的结果，值得进一步研究（Lopez-de-Ipina等人，2017年）。诊断压力和确定自杀想法都是艰难而耗时的过程。一个基本的，经济的，计算机化的诊断工具是迫切需要在临床护理和卫生中心。在患者监测和提供有价值的输入方面，这样的小工具非常··V. Kamra等人智能系统与应用18（2023）2002084=重要作用（Cummins等人，2015年）。在三分之二的有自杀想法的患者中，视频被用来量化与脾气、焦虑和运动相关的视觉、语言和运动指标。为了检测面部关节，头部运动和语音特征与开源机器学习技术一起使用（Galatzer-Levy等人，2021年）。为了监测自杀想法，使用统计学显著性和整体分类技术来评估听觉和语言特征（Belouali等人，2020年）。提供了用于音频结构化的几种创新技术，具有深度神经网络的集合和同时训练的卷积神经网络的集合，以尝试适应日常生活场景中的各种共振（Lee例如，2019年）。情感分析任务使用监督学习来执行从各种角度生成语音信号中的一般情感特征的模型（Zheng等人，2020年）。在三维卷积神经网络方法上使用十倍交叉验证技术，提出了一种专 注 于 语 音 大 脑 信 号 的 情 感 识 别 系 统 （ Hajarolasvadi Demirel ，2019&）。使用各种多层深度学习架构的集合来创建用于对医学图像进行分类的新颖方法（Kumar等人，2017年）。 为了从视频材料中捕获患者的反应和感受，引入了异质主观预测分析方法。基于核的训练特别用于合并视觉、听觉和文本模态（Kernelet al.，2017年）。对于基于定量模型的语音活动识别，使用听觉环境分类方法来研究深度学习模型的集合（Hwang等人，2016年）。在12周的时间里，50名患有情绪障碍疾病的人每天使用手机提供自我监测的行为数据。采用Hamilton设计的抑郁量表和青少年躁狂量表测量抑郁症状。使用随机森林方法评估数据（Faurholt-Jepsen等人，2016年）。研究了153篇论文，这些论文使用零假设评估或预后深度学习算法来评估声音的声学特征，以从正常人中识别双相情感障碍（Low et al.， 2020年）。过程中在12天的时间内，一种新的可穿戴技术被用来客观地在具有健康对照的个体的现实环境中识别语音（Little等人，2021年）。对于自动语音合成的许多领域，如非言语或临床语音处理，提供了基本的标准听觉参数集。这里提出了一组基本的语音特征，而不是巨大的常规战争参数（Eyben等人，2016年）。使用来自手机的谨慎传感器读数，研究人员测试了自主评估为社交节律设计的指标的可能性，社交节律是双相情感疾病稳定的常见内分泌指标（Abdullah et al.，2016年）。来自自愿参与者的Facebook帖子的文本用于预测电子健康记录中的痛苦（Eich-staedt等人，2018年）。讨论了最近使用数字平台检测精神障碍的研究。筛查问卷、在社交媒体网站上公开发布诊断结果以及参与互联网社区都被用来识别精神不适的人（Guntuku等人，2017年）。从远程医疗的角度来看，解决了重要的大规模数据挑战，并检查了数据分析协调问题（Istepanian Al-Anzi，2018&）。针对多维抑郁识别问题，提出了一种递归神经变换学习方法.它使用深度递归神经网络来执行一系列类比语言线索，以预测转换为主要特质空间的实际输入特征，这捕获了绝望数据的非线性谱，与大多数现有的忧郁检测算法不同（Kang et al.，2017年）。这项研究抑郁症 临床精神障碍的发现是这种研究的最重要的组成部分（Koo等人，2017年）。进行以下研究的主要原因是调查机器学习技术在双相情感障碍患者诊断中的应用现状。它主要着眼于预后预测和无监督机器学习，试图为双相情感障碍创造更统一的脑病（Librenza-Garciaet al.，2017年）。从个人和团体节律治疗中建立的个性方面，并结合来自智能手机传感器应用的新信息（Matthews等人，2016年）。已经在人工神经网络的帮助下对不同系统的连续使用和学习进行了详细的回顾（Parisi等人，2019年）。提供了关于精神疾病、神经成像和人工神经网络的框架，并解释了以前研究的方法（Patel et al.，2016年）。对双相情感障碍与正常参与者的中心指标进行比较的研究进行了综合评价（Rowland等人，2018年）。进行了一项全面的研究，以了解在执行高要求工作时改变姿势是否可以减轻具有中度或高度抑郁症状的人的有害影响和疲劳（Wilkes等人，2017年）。关于胚乳、忧郁和自 杀 企 图 之 间 的 关 系 ， 进 行 了Meta 分 析 ， 并 创 建 了 叙 述 性 综 合（Sarchiapone等人，2018年）。有心理疾病的囚犯并没有完全从他们的结果中受益，尽管时间很长，扩大临床和临床前研究的努力的现实精神疾病在社区健康指标中一直被评为低水平反映了这种可怕的情况（Yahata等人， 2017年）。3. 拟议方法本文提出的基于深度学习的方法主要集中在检测三种心理疾病，即强迫症（OCD），双相情感障碍（BPD）和精神分裂症。如果没有任何疾病的症状，那么所提出的模型将输出为正常。拟议方法框架的功能管道有三个不同阶段。图1详细说明了拟议方法框架的功能管道。3.1. 数据分析和预处理最初，从Kaggle数据库获得无定形临床数据项。对这些数据项进行预处理，以使用默认值填充数据集中的缺失值。重复和不完整的数据项将从数据集中删除。数据集中不必要的可用属性也会被删除。通过使用python内置库，对预处理数据集进行特征提取和归一化，以创建字典。经过预处理后，数据集被转换为逗号分隔值（CSV）格式，以馈送到开发的拟议模型。首先，准备训练数据集，用于评估开发的模型。标准化过程的主要目的是扩大数据，以便开发模型的性能不会有任何损失。在k折交叉验证过程中，对预处理的数据集执行随机拆分操作。测试和训练数据项被分成k（5）个折叠。为了建立一个有效的疾病预测模型，所提出的算法实现与此k-折叠数据。3.2. 模型开发和评估从管道的第一阶段接收的训练数据集被馈送到管道的第二阶段，用于模型开发及其评估。对训练数据集进行优化操作，并将其输出传输到模型选择部分。然后调整权矩阵、模型总隐层数、滤波器大小、网络规模、损失函数以及学习率超参数，并进行模型评估。它有助于降低模型训练过程中的错误率，并提高所提出的模型的准确性。根据Adadelta方法（Zheng等人，2020），隐藏层的数量设置为100。过滤器大小为5，网络大小为50，损耗V. Kamra等人智能系统与应用18（2023）2002085函数为0.25，学习率为0.10。3.3. 部署和疾病预测在第三阶段，在部署模型和疾病预测过程中使用测试数据集迁移学习技术有助于提取优化的知识，然后生成输出。输出层给出以下四种输出之一：正常、强迫症（OCD）、双相情感障碍（BPD）和精神分裂症。所开发的模型经过优化过程，以获得各种超参数的调整的最佳值。采用Adadelta修正技术对模型的权值进行修正。采用随机搜索法设置超参数值。由于Scikit Learn包在科学机构中的广泛使用，因此选择了Scikit Learn包（v 0.20）。在评估模型后，利用测试数据集进行心理疾病预测。通过迁移学习技术从模型中提取优化知识，准确预测心理疾病。在这项研究工作中，混合Hopfield递归神经网络（H2RN2）的方法为基础的系统得到训练和测试无定形的临床数据项。该模型不依赖于手工制作的方法，而是基于机器学习的方法。该模型是通过使用循环神经网络内的五重交叉验证开发的。所开发的模型自动从临床数据项中学习固有的语义特征，以正确预测疾病。如图2所示，所提出的模型由六个部分Fig. 1. 拟议方法框架的职能管道。在数据分析和预处理部分，提取重要特征后，对给定数据集进行归一化处理，生成字典。在随机分割数据集以准备训练数据之前完成重要特征的选择。 在模型开发和评估过程中，对训练数据进行了优化，并将其转发到开发的模型中。超参数调整是为了评估所开发的模型和准备测试数据。在模型部署过程中，通过测试数据，利用迁移学习方法提取优化的知识，预测心理疾病。递归神经网络、求和函数和输出层。一旦完成了对可用输入数据集的预处理，就会使用python库创建CSV矩阵X，并将其作为LSTM层的输入。LSTM网络是RNN的一种形式，可以在各种预测相关的应用中学习顺序依赖性。LSTM的网络模型与递归神经网络的网络模型相当。它分析数据并在移动过程中传递信息。LSTM的不同细胞内的过程各不相同。LSTM使用这些过程来记住或忘记知识。LSTM模型中的隐藏层计数被设置为100，丢弃率被设置为0.25。主要依靠对每个样本的训练集进行五重交叉验证，调整必要的超参数以获得最佳性能。LSTM模型的计算部分将借助后续方程进行解释：a （ x ） =s （ W （ i ） z （ x ） +U （ a ） h （ x-1 ） ）（1） 表示用于输入门a（X）的求和函数，LSTM模型b （ x ） =s （ W （ i ） z （ x ） +U （ b ） h （ x-1 ） ）（2）(2)表示用于遗忘门b（x）的求和函数，LSTM模型c （ x ） =s （ W （ o ） z （ x ） +U （ c ） h （ x-1 ） ）（3） 表示用于输出门c（X）的求和函数在LSTM模型中。d （ x ） = tanh （ W （ c ） z （ x ） + U （ c ） h （ x- 1 ） ）（ 4）当量(4)表示LSTM模型中创建新存储单元的正切函数。即， 输入 层 CSV 矩阵X， LSTM 层， Hopfield网络，图二. 提出的基于混合Hopfield递归神经网络（H2RN2）方法的系统的架构框架。该模型中的六个不同层包括输入层、LSTM层、Hopfield网络、递归神经网络、求和函数和输出层。V. Kamra等人智能系统与应用18（2023）2002086∑=∑p1e（ x）= c（ x）<$d（x- 1）+ a（x）<$d（ x）（5）当量(5)表示LSTM模型中使用的最终存储单元创建函数。n（ x）= c（x） tanh（ e（ x））（6）当量（6）表示LSTM模型的输出方程。这里s符号化sigmoid函数，a（X）符号化LSTM输入门，b（X）符号化LSTM遗忘门，c（X）符号化LSTM输出门，d（X）符号化建议的单元值，e（X）符号化真实的单元值，n（X）是新的隐藏状态。3.4. 我们的贡献在所提出的模型的开头包含的LSTM模型消除了梯度爆炸的问题。由于LSTM模型是通过使用双曲正切激活函数激活的，并且已经设置了0.25%的dropout，因此模型中没有过度拟合。当量(7)表示计算所提出的模型的隐藏状态n（x）所需的评估度量。n（x）= tanh（W. n（x-1）+V. z（x- 1））（7）其中历史信息由隐藏状态n（X）概括。权重参数由O、V、W表示 当量（8）计算个人是正常的，没有受到任何心理疾病的影响。第二个输出值象征着个体患有强迫症（OCD）。第三个输出值象征着个体患有双相情感障碍（BPD）。第四个输出值表示该个体患有精神分裂症。在模型的最终输出中，0代表正常，1代表强迫症，2代表BPD，3代表精神分裂症。图3示出了所提出的基于混合Hopfield递归神经网络（H2RN2）方法的疾病预测系统的高级设计。以听觉陈述形式的心理数据已经作为患者的输入提供给精神病根据他的观察，医生医院中可用的电子病历也用于建议模型收集的非结构化数据的预处理在数据仓库中完成，并创建数据集的结构化形式结构化数据集分为两部分，即训练和测试数据集，并输入到拟议的H2RN2模型。模型在训练数据集的基础上进行训练，在测试阶段，测试数据集用于心理疾病预测。疾病输出是一组四个值，其中0表示正常，1表示OCD，2表示BPD，3表示精神分裂症。实时数据可以被馈送到所提出的系统中，并且可以基于所预测的疾病来生成患者p（z（x +1）|n（X）），表示疾病的概率拟议的研究工作介绍了一种新颖的，创新的，预测.p（z（x +1）|n（x））n exp（O. n（ x））（8）输入向量集合y{y1，y2，y3... y t }的一般概率不p（y）=p（z（x）|n（x-1））（9）t=1当量(9)表示有助于训练和测试模型的联合概率。LSTM模型层的结果作为输入转发到具有四个单层神经元的Hopfield网络。这个网络中的所有神经元都是相互连接的。一个神经元的输出作为所有其他神经元的输入。两个互连神经元之间的连接权重本质上是对称的，即，如果存在两个神经元n1和n2，则n1与n2的连接权重与n2与n1的连接权重相同。它是一个离散的Hopfield网络，因为神经元与其自身 的 连接 权 总 是0 。 离 散 Hopfield 网 络 的权 矩 阵 在 等 式中 给 出 。（十）：Pwij=[2si（p）-1][2sj（p）-1]，其中i=scinj（10）=其中i和j是两个不同的神经元，wij是这两个神经元的权重矩阵，s是从CSV数据集获取的一组二进制模式。求和函数应用于从1到P的模式。Hopfield网络的输出被转发到双向递归神经网络。双向递归神经网络似乎只是两个独立的递归神经网络连接在一起。对于一个网络，输入序列以正常的时间序列提供，而对于另一个网络，输入序列以相反的时间序列提供。在每个采样间隔，两个网络的结果通常是组合的。这种结构允许系统具有关于事件的先验知识和预先知识。该网络的输出值被送入求和函数中，以获得最优知识。采用迁移学习技术建立模型利用测试数据集对模型进行了部署和最终评价。求和函数将所有接收到的值组合在一起，并为最终输出层生成输出。输出是一组四个值。第一个输出值表示混合方法来唯一地识别三种心理疾病中的任何一种，即“双相情感障碍”、“强迫症”和“精神分裂症”。所提出的模型本质上也是非侵入性的，因此如果在诊断过程中没有检测到这些疾病，则模型的输出为正常。在文献中没有这种类型的模型可以以非侵入性的方式进行多种心理疾病预测，这使得它成为给定研究问题的创新和新颖的解决方案。4. 实验结果在实施所提出的模型过程中使用的无定形临床数据集取自Kaggle库，该库由758名患者的电子病历（EMR）组成。在其上完成实施的硬件是具有4GB随机存取存储器的Intel的Core i5系列微处理器。代码是用Python编程语言编写的。首先，使用Python编程语言的内置库函数对可用数据集进行预处理。特征提取过程、创建字典的标准化过程和特征选择过程在数据项的分析期间执行。已经进行了五重交叉验证随机分割以分割可用数据集，表1显示了为测试和训练目的而创建的五个相等大小的样本。为了评估所提出的模型的能力，准确率，召回率和F1分数。这些公式将用于实现以下测量指标：准确度=（TrPo+ TrNe）/（ TrPo+ FaPo+ TrNe+ FaNe）（11）回忆=TrPo/（ TrPo+ FaNe）（12）F1-分数= TrPo/（TrPo +0. 5（ FaPo+ FaNe））（13）在这里，TrPo表示那些个体，他们适合并预测所提出的模型。TrNe表示那些不适合并被所提出的模型预测的个体。FaPo表示那些不适合并且不被所提出的模型预测的个体。FaNe表示那些适合的人，而不是由所提出的模型预测的人。当与其他方法，如CNN-UDRP，Hopfield- RNN，单模型CNN，基于MFCC的RNN相比，该模型的准确性为97.53%，与其他模型相比，这是最大的V. Kamra等人智能系统与应用18（2023）2002087图三. 提出的疾病预测系统的高级设计。非结构化数据由电子病历和心理数据组成，这些数据基于患者的输入和医生的处方收集在数据库中。预处理后，结构化数据被馈送到建议的H2RN2模型，并预测心理疾病。还针对预测的心理疾病类型生成患者表1五重交叉验证过程，其中数据集被划分为五个相等大小的样本，并在此预处理数据集上执行五个不同的推算。清算-1测试培训培训培训培训清算-2培训测试培训培训培训清算-3培训培训测试培训培训清算-4培训培训培训测试培训清算-5培训培训培训培训测试召回率比准确率更重要，因为它确保预测每个真阳性值，即使假阳性值增加。H2RN2模型的查全率为92.53%，略低于基于MFCC的RNN模型，但较高的F1值使得H2RN2模型在所有模型中最有效率。表2示出了所提出的基于混合Hopfield递归神经网络（H2RN2）方法的系统与其他模型相比具有最高的准确度和F1分数，这使得其对于准确的疾病预测更有效。图4示出了所提出的H2RN2模型与其他模型的准确度和召回率的比较的图形表示。图4中的蓝色指数显示准确率图，红色指数显示召回率值。所有值均在85%至98%之间。最后召回率下降不大，但准确率达到最高，这使得该模型是最合适的模型。图5示出了将所提出的模型的召回率和F1分数与其他模型进行比较的图形表示。图5中的蓝色指数显示召回图，红色指数显示F1分数。所有值均在82%至94%之间。最后召回值下降不大，但F1分数最高。 图图6示出了CNN-UDRP、Hopfield-RNN、单模型CNN、基于MFCC的表2准确率，召回率，F1分数是用来找出所提出的混合Hopfield递归神经网络（H2RN2）方法为基础的系统的能力的测量指标。模型使用精度召回F1得分CNN-UDRP（Chen等人，（ 2017年）88.27%87.68%百分之八十三Hopfield-RNN（Lee等人， 2019年度）百分之九十三点四二88.71%百分之九十单模型CNN（Usama等人， 2020年）百分之九十五点七一91.43%百分之八十七基于MFCC的RNN（Rejaibi等人，2019年度）76.27%百分之九十三点零八百分之八十五推荐型号（H2RN2）百分之九十七点五三92.53%百分之九十二见图4。图片表示比较准确性以及召回的建议H2RN2模型与其他模型。该模型具有最高的准确率和第二高的召回值。图五. 图片表示比较召回和F1分数的建议H2RN2模型与其他模型。该模型具有最高的F1分数和第二高的召回值。RNN和建议的H2RN2模型以图形的形式。图 6表示所提出的基于混合Hopfield递归神经网络（H2RN2）方法的系统在所有其他模型中具有最高的精度。 CNN-UDRP（Chen等人， 2017）模型的准确率为88.27%，是所有其他模型中最低的。Hopfield-RNN（Lee等人，2019）模型的准确率为93.42%。单模型CNN（Usama等人，2020）模型的准确率为95.71%。基于MFCC的RNN（Rejaibi等人， 2019）模型的准确率为76.27%。所提出的H2RN2模型在与其他模型相比时达到了最高的97.53%的准确度，这表明所提出的H2RN2模型在所有这些模型中最适合于V. Kamra等人智能系统与应用18（2023）2002088见图6。CNN-UDRP，Hopfield-RNN，单模型CNN，基于MFCC的RNN和建议的H2 RN 2模型的准确性，召回率以及F1得分的图示比较。与其他模型相比，该模型的准确率为97.53%H2RN2模型的召回率为92.53%，略低于基于MFCC的RNN模型，但最高的F1得分为92%，使该模型在所有模型中最有效率。准确的疾病预测所提出的H2RN2模型的F1分数也是所有其他模型中最高的。H2RN2模型的召回率为92.53%，在所有其他模型中排名第二，但相当大的一个，以适应所提出的模型作为一个合适的，有效地预测心理疾病。与CNN-UDRP相比，该模型优于10%，优于基于MFCC的RNN 1.37倍。简而言之，与所有其他模型相比，该模型在准确的疾病预测方面优于4%。5. 结论和今后的范围及时的疾病预报、减轻灾害和降低死亡率是疾病预测模型的几个好处。提出的智能疾病预测系统是一种新的架构框架，实现了混合H