CN106202052A - 青少年心理压力区间及其压力源事件感知方法及装置 - Google Patents

Abstract

本发明公开一种青少年心理压力区间及其压力源事件感知方法及装置，能够从找到压力根源的视角进行青少年心理压力长期持续感知，充分利用微博数据蕴含的丰富语义信息，对压力源事件的结构和细节进行深入挖掘。方法包括：基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；对基本的压力区间集合进行聚集操作，得到最大压力区间序列；检测单条微博中存在的压力源事件并抽取主要成分；根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。

Description

青少年心理压力区间及其压力源事件感知方法及装置

技术领域

本发明涉及数据分析技术领域，具体涉及一种青少年心理压力区间及其压力源事件感知方法及装置。

背景技术

心理压力是一项重要的健康指标。调研表明，77％的人群在日常生活中存在由心理压力引起的身体不适症状。而75％至90％向初级护理医生寻求帮助的人群则是由于心理压力问题。青少年作为较为特殊的群体，比成年人更易受到心理压力的干扰和影响。根据美国心理协会年度调研结果，青少年认为自身承受的心理压力已经超过健康范围，且该群体平均心理压力水平已经超过成年人群体。大约30％的青少年认为自己由于心理压力而感到压抑和忧伤，而31％的青少年感受到无法承受的心理压力。另外36％的青少年表明由于心理压力他们感到疲劳，其中23％的青少年日常饮食规律受到影响。青少年的心理压力水平均值达到5.8(满分为10)，而相比之下成年人平均心理压力值只有5.1。根据调研，一些青少年的心理压力问题正日趋严重。约31％的青少年表示过去一年自己的心理压力变得更加严重，并感到未来一年的心理压力水平仍会继续升高。毫无疑问，随着社会的快速发展，家长对于青少年的期望值也越来越高，青少年群体所承受的日益增长的心理压力问题受到了前所未有的关注。

心理压力(stress)是人类对外界应激所作出的反应。引起心理压力的原因在心理学上被称为“压力源事件”(stressor)，并被细分为上百种类型。对于个体来说，任何具有威胁性或难以应对的事情都可能称为潜在的压力源事件。典型的能够引起青少年心理压力的事件包括作业，学业生涯规划，青春期身体和认知变化，家庭和朋友矛盾，过于紧张的规划，友谊和外出约会，等等。青少年应对这些压力源事件的不同方式可能对其心理和情感健康产生长期或者短期的影响。而如果不能采取恰当的方式解决这些压力问题，会导致严重的健康问题，比如抑郁症，精神紊乱，甚至自杀行为。由于心理不够成熟，缺乏足够的生活经验，青少年往往不能采取有效的方式来应对心理压力。因此，及时发现青少年心理压力并进行有效预防和疏导迫在眉睫。

在心理压力检测方面，青少年的行为特征，情绪，以及身体状态往往会表露其心理压力，因此很多研究工作通过分析各种生理信号和物理信号来检测心理压力。其中生理信号包括心率(HRV)，脑电波信号(EEG)，皮电信号(GSR)，血压(ECG)，心电图等；物理信号包括手势，声音，眨眼行为，面部表情，瞳孔扩张以及凝视行为等。近期一些研究工作提出通过开放的社交媒体微博来进行心理压力的检测。利用青少年推文的内容信息(语义信息，表情符，特殊标点符号)，发博事件以及和好友之间的互动行为，这些工作感知青少年来自学业，人际交往，自我认知以及情感等方面的心理压力。

在压力源事件检测方面，传统心理学领域一般通过针对不同群体展开问卷调查来检测压力源事件。针对青少年群体，现已存在一些公认的调查问卷。利用互联网资源，社交媒体上的公众事件与个人生活事件检测是一项重要研究课题，主要技术包括爆发检测，主题追踪，信息扩散等(如爆发性新闻，热点事件，城市规划事件，灾难事件分析以及有争议事件检测)。与公众事件检测不同，生活事件检测是一个新兴研究方向，研究群体是特定用户的个人事件。然而目前大部分工作集中在微博文本分析方面而忽略了用户在生活事件中的情感行为。另外，现在的工作主要基于表象特征感知青少年心理压力，只是对压力类型进行了粗略的区分，不能够进一步解析引起压力的源事件。

发明内容

有鉴于此，本发明提供一种青少年心理压力区间及其压力源事件感知方法及装置，能够从找到压力根源的视角进行青少年心理压力长期持续感知，充分利用微博数据蕴含的丰富语义信息，对压力源事件的结构和细节进行深入挖掘。

一方面，本发明实施例提出一种青少年心理压力区间及其压力源事件感知方法，包括：

S1、基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；

S2、对基本的压力区间集合进行聚集操作，得到最大压力区间序列；

S3、根据预先构建的青少年心理压力源事件相关词库，检测单条微博中存在的压力源事件并抽取主要成分，其中，所述词库沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知，每个维度细分为多种压力源事件类型；

S4、根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。

另一方面，本发明实施例提出一种青少年心理压力区间及其压力源事件感知装置，包括：

获取单元，用于基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；

聚集单元，用于对基本的压力区间集合进行聚集操作，得到最大压力区间序列；

检测单元，用于根据预先构建的青少年心理压力源事件相关词库，检测单条微博中存在的压力源事件并抽取主要成分，其中，所述词库沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知，每个维度细分为多种压力源事件类型；

排序单元，用于根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。

本发明实施例所述的青少年心理压力区间及其压力源事件感知方法及装置，将感知青少年心理压力这一课题从表象特征层进一步推进到面向事件的层次。通过调研压力源事件以及微博表现出的压力情况直间的潜在联系，本发明首先感知压力区间，从而进一步提取引发该压力区间的压力源事件。此外，考虑到微博数据的稀疏性，对压力源事件以及压力表现之间的潜在联系进行分析同样有助于处理数据不确定以及压力误判的问题。充分利用微博数据蕴含的丰富语义信息，对压力源事件的结构和细节进行深入挖掘，提取压力源事件的具体信息有助于更好地理解压力诱因，从而为从根源上对青少年进行心理压力疏导提供了可能。

附图说明

图1为本发明青少年心理压力区间及其压力源事件感知方法一实施例的流程示意图；

图2为青少年典型压力源事件表；

图3为压力波与最大压力区间示意图；

图4为本发明青少年心理压力区间及其压力源事件感知装置一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参看图1，本实施例公开一种青少年心理压力区间及其压力源事件感知方法，包括：

S1、基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；

S2、对基本的压力区间集合进行聚集操作，得到最大压力区间序列；

S3、根据预先构建的青少年心理压力源事件相关词库，检测单条微博中存在的压力源事件并抽取主要成分，其中，所述词库沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知，每个维度细分为多种压力源事件类型；

S4、根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。

为了及时有效地从微博中检测出青少年的心理压力状态和心理压力变化，本研究提出基于统计方法构建青少年发布有压力微博行为与压力源事件之间的潜在联系。该方法基于贝叶斯后验概率，即青少年在压力区间与非压力区间各自的发博行为。而此概率理论上只依赖于青少年发布有压力微博的频率，而非具体发博时间点，因此该模型具有较好的鲁棒性，适用于大规模数据上的应用情景。应用该模型，我们分析得到最大压力区间，并进一步提取压力源事件集合。

本研究沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知。每个维度细分为多种压力源事件类型，参见图2。此处对压力源事件进行结构化定义：{维度，事件类型，事件实例(描述，角色，动作)，事件影响}，其中维度和事件类型以图2作为参照，事件实例定义为特定时间节点发生的压力源事件实例，包括角色，动作，以及语义描述。

从分析理解语法的角度出发，由于青少年发表的微博内容往往是不正式的，确定并区分精确而完整的压力源事件实例(如完整的实例成分)可行性低且十分困难。因此，本研究根据事件维度及事件类型对压力源事件进行泛化与结构化表示。考虑到一个压力源事件的发生会刺激青少年心理压力的增长，对压力源事件的每个表示层次(维度，事件类型，事件实例)，根据其压力影响进行排序。压力源事件的压力影响主要考虑以下方面：压力影响越大，压力程度增长越大，增长速度越快，且压力持续时间趋向更长，青少年受到该事件影响发布的微博越多。

用户可以通过本发明获取一段时间内的压力区间序列，并得到对区间内压力源事件主成分的详细分析及结构化描述报告。

本发明提出的青少年心理压力区间与压力源事件检测方法，实例详细说明如下。

1.基于微博的青少年心理压力感知与疏导工作原理

本发明提出了一种基于微博序列检测青少年心理压力区间及压力源事件的方法。该方法主要由两部分组成，第一部分负责从青少年微博序列中检测最大压力区间，为进一步压力源事件抽取确定时间范围。首先基于已有研究，检测出单条微博中所隐含的压力类型和压力程度，在此基础上基于泊松分布的概率模型对按天聚合后的微博压力序列进行分析，同时考虑各区间压力类型分布，分析得到最大青少年心理压力区间集合。第二部分基于检测到的最大压力区间，抽取压力源事件集合。此处考虑69种青少年生活中的压力源事件类型(图2)，并对压力源事件进行结构化定义，包括四种主成分：维度，事件类型，事件实例(描述，角色，动作)以及事件影响。最后根据各压力源事件影响力，并分别对“维度”及“事件类型”层面的压力源事件进行结构化排序，具体工作流程如下：对于一段时间序列上某青少年发布的微博，首先检测单条微博存在的压力程度及压力类型，并以天为单位进行聚合。以该青少年历史压力事件区间内发布有压力微博的情况作为训练，在聚合得到的压力序列上，应用基于泊松分布的概率模型，以每天有压力微博条数作为变量，得到该时间序列上基本压力区间的集合。基于各基本压力区间内压力类型的分布情况，对压力程度分布相似的基本压力区间进行合并，并同时满足泊松概率模型约束条件，得到最大压力区间集合。基于构建的五类青少年心理压力源事件相关词库，首先检测单条微博中存在的压力源事件并对每个事件实例抽取主要成分{描述，角色，动作}。根据每种类型压力源事件的影响力，对一个压力区间内的单条微博检测结果进行聚合，对压力源事件的每个表示层次(维度，事件类型，事件实例)，根据其压力影响进行排序，并输出结构化排序结果。

2.青少年压力区间统计模型

2.1基于压力情况下青少年发布有压力微博的频率的泊松过程

基于统计经验发现，青少年在有压力事件区间发布压力微博更频繁，因此本研究提出给予统计规律的压力事件区间检测模型。

将青少年在压力区间与非压力区间发布有压力微博的行为看作两个独立齐次泊松过程，为其分别定义单位时间(每天)有压力发博率λ₁，λ₀。根据3所示统计规律，该场景下λ₁>λ₀。

通常，对于压力发博率λ固定的泊松过程，在跨度为T的时间区间集合(不要求连续)内所发布的有压力微博数N是一个泊松变量，其期望值为λ×T。因此，青少年个体在时间区间T内发布N条有压力微博的概率为其中n＝0,1,…,∞。在该基于泊松过程的模型中，青少年个体在不重叠的时间区间内发布的有压力微博数是独立随机变量。

2.2根据青少年发布有压力微博的频率推断压力区间

为了衡量以上推断的置信度，即青少年在有压力事件区间发布的压力微博率大于非压力区间，利用该青少年历史发布微博的行为信息对其在不同情景下的发博率λ₁和λ₀进行估计，由此根据后验概率分布计算推断的置信度，并将该指标作为压力事件区间(即压力区间)检测的度量标准。

定义压力事件区间时间跨度为T₁，发布有压力微博条数为N₁；相应地定义非压力区间长度及有压力微博数量分别为T₀，N₀。在估计理论中，N₁和N₀分别是估计发博率λ₁和λ₀的最小充分统计。此处对λ₁和λ₀应用Jeffreys无信息先验，即对于λ₁，λ₀>0，先验密度函数相应的边界先验为 根据贝叶斯法则，λ_i(i＝0,1)的后验概率分布为

$\begin{array}{c}P\left({\mathrm{\λ}}_i\right|N_i)\∝pr\[N_i|{\mathrm{\λ}}_i\]P\left({\mathrm{\λ}}_i\right)=\\ (\frac{1}{\sqrt{{\mathrm{\λ}}_1{\mathrm{\λ}}_0}}\×\frac{e^{-{\mathrm{\λ}}_i{T}_i}{\left({\mathrm{\λ}}_i{T}_i\right)}^{N_i}}{N_i!}\×\frac{1}{\sqrt{{\mathrm{\λ}}_i}})\∝{{\mathrm{\λ}}_i}^{{N_i}^{-0.5}{e}^{-T_i{\mathrm{\λ}}_i}}\end{array}.$

将后验概率归一化，得到：

$P({\mathrm{\&lambda;}}_i=x|N_i)=\left\{\begin{array}{cc}\frac{T_i{\left(T_{i}x\right)}^{{N_i}^{-0.5}{e}^{-T_{i}x}}}{\mathrm{\&gamma;}(N_i+0.5)}& x\&GreaterEqual;0\\ 0& x<0\end{array}\right.,$

其中

由此定义当前青少年处于压力事件区间的概率为：

p(λ₁>λ₀|N₁,N₀)＝∫∫_x>yp(λ₁＝x|N₁)p(λ₀＝y|N₀)dxdy，

当p(λ₁>λ₀|N₁,N₀)高于一个阈值τ，该模型判断当前区间为压力源事件区间。

3青少年心理压力区间发现

3.1压力区间定义

基于以上对压力区间检测模型的描述，此处对压力区间与相应压力源事件进行定义。假设青少年个体在时间序列t₁,t₂,…,t_m发布微博序列为w₁,w₂,…,w_m，表示为W[t₁,t_m]＝{(t₁,w₁),(t₂,w₂),…,(t_m,w_m)}。对每条微博w_i(1≤i≤m)进行压力级别l_i∈L与压力类型c_i∈C检测，L为压力级别集合，C为压力类型集合。进一步得到时间序列上的压力序列tSW[t₁,t_m]＝{(t₁,c₁,l₁),(t₂,c₂,l₂),…,(t_m,c_m,l_m)}。假设在区间[t₁,t_m]内存在z个单位时间(天)序列T₁,T₂,…,T_z，因此将压力的点表示聚集成为区间表示TSW[T₁,T_z]＝{(T₁,nT₁),(T₂,nT₂),…,(T_z,nT_z)}，其中nT_i表示第i个单位时间区间T_i中发布的有压力微博数。

定义1当每个单位时间区间中至少发布一条有压力微博，定义TSW[T₁,T_z]为压力波。当某一压力波满足压力区间的泊松概率条件，即期间的压力发博率λ₁>λ₀的概率p(λ₁>λ₀)大于历史区间相应概率τ，定义TSW[T₁,T_z]为大压力波；否则该压力波定义为小压力波。

图3是4个大压力波A，D，E，F与2个小压力波B，C的示例。B，D可以看作是同一压力源事件引起的大压力波的振荡反应，且D和E可能是同一压力源引起的。为了从这样间歇性的压力区间中推断某一压力源引起的完整压力区间，下面根据语义信息，以相同压力类别作为判断两个压力波相似度的主要依据，对碎片式压力波进行合并。

为压力序列tSW[t₁,t_m]＝{(t₁,c₁,l₁),(t₂,c₂,l₂),…,(t_m,c_m,l_m)}定义压力类别c的比例函数为：返回值为压力类别c∈C在区间[t₁,t_m]的压力序列中所占比例。

将单个区间压力类别比例函数进行扩展，在压力区间集合上考虑类别c所占比例，得到：，此处k为该集合内压力区间个数，t_k为第k个压力区间开始时间点，m₁为第1个压力区间结束标记，为第1个压力区间结束时间点，m_k为第k个压力区间结束标记，为第k个压力区间结束时间点。

定义2.下面定义两个压力波之间的相似度计算规则。对于两个压力波TSW[T₁,T_z]和TSW'[T′₁,T′_z]，其单点压力序列为tSW[t₁,t_m]和tSW'[t′₁,t′_m]，根据压力类别分布差异，定义两个压力波之间的相似度为：当cDist(·)≤β(本研究设置β＝0.2)，称两个压力波TSW[T₁,T_z]和TSW'[T′₁,T′_z]为压力类别分布相似。

定义3.下面对压力区间及最大压力区间进行定义。假设从区间[T₁,T_z]中检测到的大压力波集合为B，小压力波集合为S，当[T₁,T_z]满足以下四个条件时，为压力区间：

在开始单位区间T₁和结束区间T_z中，至少存在一条压力微博。

集合B中任意两个大压力波满足压力类别分布相似条件。

集合S中每个小压力波的压力类型分布与中心压力类型相似。其中中心压力类型指根据相似度扩展函数得到的扩展区间。

区间[T₁,T_z]满足概率函数条件，即p(λ₁>λ₀)>τ。

当TSW[T₁,T_z]满足以上条件，且不存在另外一个压力区间[T_x,T_y]使得T_x≤T₁∨T_y≥T_z成立，则TSW[T₁,T_z]被判定为最大压力区间。根据以上定义，图3中存在三个最大压力区间，分别为：(A，B)，(C，D，E)和(F)。

3.2青少年最大压力区间检测方法

基于青少年压力微博序列检测其最大压力区间并抽取压力源事件的具体方法描述如下：

确定大压力波集合B和小压力波集合S。根据压力区间定义，集合B中的每个大压力波均为压力区间。标记压力区间集合为SP，初始化为SP＝B。

对SP中每一个大压力波b，对其邻域小压力波进行判断，如果合并邻域小压力波仍满足压力区间条件，则进行合并。若不止一个小压力波满足压力区间条件，则优先合并压力类型分布相似度高的小压力波。重复步骤2)直到达到最大压力区间。将得到的最大压力区间代替SP中的压力区间b。

对SP中相邻压力区间进行合并，并保证合并后区间仍为压力区间。重复步骤3)直到所有可能合并完成。将被合并的压力区间从集合SP中移除，并将合并得到的压力区间放入SP。此时SP中所有压力区间仍为最大压力区间。

4.基于最大压力区间抽取压力源事件

4.1压力源事件定义

对于以上检测到的最大压力区间，进一步提取压力源事件列表。为压力源事件(stressor)进行结构化定义：se＝(维度，事件类型，事件实例[描述，角色，动作，宾语，时间，地点]，影响力)。图2列出了五个维度(学校生活，家庭生活，同伴关系，自我认知，情感问题)的压力事件类型，比如对于事件实例“每天写作业，我要疯了！”，则角色为“我”，动作为“写作业”，事件类型为“作业多”维度为“学校生活”。

由于青少年一个压力区间内可能存在多种压力源事件，因此考虑每个压力源事件的影响力，对其进行排序。压力源事件引起青少年心理压力的增长，且增长强度受其严重程度影响。定义压力源事件影响力为：其中1)level(se)为压力源事件开始时的压力级别(累积值)，开始时间则根据时间副词/词组确定(如今天，明天，周末，或具体日期)，若不能检测到准确开始时间，则以发博时间代替；2)increase(se)表示压力源事件开始时压力程度(累积值)的增长率；3)SE为该最大压力区间内所有压力源事件的集合；4)本研究取a₁＝a₂＝0.5；5)se^*为该压力源事件集合内任意压力源事件；6)level(se^*)为压力源事件se^*开始时的压力级别(累积值)；7)increase(se^*)为压力源事件se^*开始时压力程度(累积值)的增长率；8)为压力源事件集合SE中所有压力源事件的最大值计算函数。

若多个压力源事件指向同一压力类型，则取其中的最大影响力作为该压力类型的影响力；由于微博文本的非正式性质，压力源描述成份缺失值一“-”代替。

4.2压力源事件抽取方法

压力源事件抽取主要包括三个步骤：对于每一个检测到的最大压力区间，首先对其中发布的每一条微博进行压力源事件抽取，之后对于该最大压力区间内所有抽取的压力源事件进行合并与排序，最终输出形式为{维度，事件类型，事件实例}的压力源事件排序结果。具体步骤如下：

1)从单条微博抽取压力源事件

首先，对应于五个维度的压力(学校生活，家庭生活，自我认知，同伴关系，感情问题)，本方法建立5个压力相关词典。其中“学校生活”维度包括300个词组，“家庭生活”维度包括296个词组，“同伴关系”维度包括222个词组，“自我认知”维度包括784个词组，“个人情感”包括350个词组。每个词组描述一种或多种事件类型。比如，词组“期中考试”描述“学校生活”维度中的“参加考试或竞赛”这一事件类型。对于描述人物名词的词组，比如“老师”和“同学”，此处标记为可能的主语”或者“宾语”；对于描述动作的词组，比如“转学”，此处标记为“动作”。

基于以上描述的五种词典和压力事件/维度标记，进行下一步压力源事件抽取。对于该最大压力区间内的每一条微博，以句子为单位应用中文自然语言处理工具LTP。LTP通过自然语言分析，定位到当前句子的中心动词/动词词组以及相关联的语义角色，比如主语，宾语，时间和地点。此处考虑两种情况：1)当前中心动词/动词词组存在于一个或多个压力维度词典，且可能指向/不指向特定的压力事件类型。在这种情境下，该中心动词/动词词组作为当前压力事件的动作，其相关主语，宾语，事件和地点(如果存在)即作为当前压力事件的主语，宾语，时间和地点。2)当前动词/动词词组不存在于任意压力维度词典。在这种情况下，如果该动词/动词词组相关联的主语或者宾语存在于一个或多个压力维度词典，且被标记为“角色”，此处仍将当前压力源事件实例进行输出，并将该事件“动作”标记为空值。

2)对每个最大压力区间内的压力源事件进行合并与排序

对于每条微博，以上步骤可能抽取出属于多种压力类型的多种压力源事件实例。在该条微博中，对于每一种压力类型，此处统计其压力源事件实例出现的频率，并按照频率从高到低对压力类型进行排序。对于每种压力类型，此处将主成分信息(主语，动作，宾语，时间，地点，描述)较为完整的压力源事件实例排序靠前。在每个最大压力区间，同一压力类型下的压力源事件实例根据其影响力进行排序；同一压力维度下的压力源事件类型根据其压力源事件实例的累积影响力进行排序；五种压力维度根据其压力源事件类型的累积影响力进行排序。对于每个最大压力区间，以上三层(维度，压力源事件类型，压力源事件实例)检测结果结构化输出，作为压力源事件检测的结果。

参看图4，本实施例公开一种青少年心理压力区间及其压力源事件感知装置，包括：

获取单元1，用于基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；

聚集单元2，用于对基本的压力区间集合进行聚集操作，得到最大压力区间序列；

检测单元3，用于根据预先构建的青少年心理压力源事件相关词库，检测单条微博中存在的压力源事件并抽取主要成分，其中，所述词库沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知，每个维度细分为多种压力源事件类型；

排序单元4，用于根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。

据我们所知，基于社交网络分析对压力源事件与青少年发博行为之间的潜在联系进行发掘分析，并对压力源事件进行结构化表达及主要成分抽取，这在国际上是一种全新的探索。对于科学和社会两方面来讲，这项工作将引申出许多面向青少年微博压力源事件的研究，以及相应的解决方案。我们相信从表象到根源解决青少年心理压力问题，从而为监护人，老师，朋友及心理健康辅导机构分析及疏导青少年压力提供有效可行的辅助工具，将会为整个人类社会带来很大的益处。

本发明中，可以从找到压力根源的视角进行青少年心理压力感知。通过提出的基于泊松过程的概率模型对压力源事件与青少年发博行为之间的潜在联系进行发掘分析，并对压力源事件进行结构化表达及主要成分抽取，本发明致力于从表象到根源解决青少年心理压力问题，从而为监护人，老师，朋友及心理健康辅导机构分析及疏导青少年压力提供有效可行的辅助工具。实验结果表明使用本方法对于青少年心理压力区间(召回率0.761，准确度0.737，召回率与准确度综合测量值0.734)和相应压力源事件(召回率0.763，准确度0.756，召回率与准确度综合测量值0.759)的检测均达到较高性能。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (4)

1.一种青少年心理压力区间及其压力源事件感知方法，其特征在于，包括：

S1、基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；

S2、对基本的压力区间集合进行聚集操作，得到最大压力区间序列；

S3、根据预先构建的青少年心理压力源事件相关词库，检测单条微博中存在的压力源事件并抽取主要成分，其中，所述词库沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知，每个维度细分为多种压力源事件类型；

S4、根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。

2.根据权利要求1所述的方法，其特征在于，所述S1，包括：

S10、基于已有研究，检测出单条微博中所隐含的压力类型和压力程度；

S11、对单条微博压力序列进行按天聚合操作；

S12、以该青少年历史压力事件区间内发布有压力微博的情况作为训练，在聚合得到的压力序列上，应用基于泊松分布的概率模型，以每天有压力微博条数作为变量，得到该时间序列上基本压力区间的集合，其中，该模型基于贝叶斯后验概率，即青少年在压力区间与非压力区间各自的发博行为，模拟并描述青少年有压力的发博行为与压力源事件之间存在的内在关联。

3.根据权利要求2所述的方法，其特征在于，所述S2，包括：

根据各基本压力区间内压力类型分布相似度，进行各基本压力区间之间的合并，同时满足概率模型的约束条件，最终得到该青少年最大心理压力区间集合。

4.一种青少年心理压力区间及其压力源事件感知装置，其特征在于，包括：

获取单元，用于基于时间序列上发布有压力微博的行为分析，根据泊松分布模型，为每个青少年训练历史发布有压力微博的数据，得到该青少年时间序列上的基本压力区间；

聚集单元，用于对基本的压力区间集合进行聚集操作，得到最大压力区间序列；

检测单元，用于根据预先构建的青少年心理压力源事件相关词库，检测单条微博中存在的压力源事件并抽取主要成分，其中，所述词库沿用青少年压力事件列表中的分类，包括五个维度的日常琐事与重大生活事件：学校生活，家庭生活，朋友关系，情感关系以及自我认知，每个维度细分为多种压力源事件类型；

排序单元，用于根据每种类型压力源事件的影响力，对每一个最大压力区间内的单条微博检测结果进行聚合，得到青少年在该压力区间内的压力源事件的排序，并输出结构化排序结果。