CN106407672A - 一种基于互联网的心理健康评估系统 - Google Patents
一种基于互联网的心理健康评估系统 Download PDFInfo
- Publication number
- CN106407672A CN106407672A CN201610808709.3A CN201610808709A CN106407672A CN 106407672 A CN106407672 A CN 106407672A CN 201610808709 A CN201610808709 A CN 201610808709A CN 106407672 A CN106407672 A CN 106407672A
- Authority
- CN
- China
- Prior art keywords
- unit
- assessment
- rbf neural
- mental health
- new individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004630 mental health Effects 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000001537 neural effect Effects 0.000 claims description 45
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 230000013011 mating Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims 1
- 230000001225 therapeutic effect Effects 0.000 abstract description 4
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 230000003340 mental effect Effects 0.000 abstract 2
- 230000036541 health Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000007935 neutral effect Effects 0.000 description 7
- 230000009323 psychological health Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 2
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 2
- 241000557626 Corvus corax Species 0.000 description 2
- 201000009916 Postpartum depression Diseases 0.000 description 2
- 208000028017 Psychotic disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000003001 depressive effect Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 208000012545 Psychophysiologic disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于互联网的心理健康评估系统，利用RBF神经网络算法，基于云端数据库存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；获取新个体的心理测试量表的因子得分，根据RBF神经网络评估模型得到新个体的心理健康状况评估结果。该RBF神经网络评估模型对评估心理健康状态具有较好的准确性和适应性，误差较小，拟合性较好，使得利用本申请的心理健康评估系统得出的心理健康结果和治疗方案更精确，更具有可靠性。
Description
技术领域
本发明涉及心理健康状态评估技术领域，具体涉及一种基于互联网的心理健康评估系统。
背景技术
随着社会经济发展，人类生活水平的提高，人们对健康的需求也在不断提升，健康的概念，已经跨越了″无病″的时代，开始进入身心健康和高质量的生活时代，心理健康，是现代人健康不可分割的重要方面，心理健康主要是指精神、活动正常、心理素质好，现代人物质生活相对安逸，但精神上、心里上的压力大，心里健康问题日益成为现代人健康的主要健康话题，因此，如何快速、准确、全面的评估个人的身心健康亟待研究。
在技术信息时代的今天，互联网日益成为人们生活中的常用工具。以心理测验为关键词进行搜索，可以搜索到数以干计的网址。这些网址上提供的心理测验只有少量是专业机构编制的标准化测验，其余大多是各种各样科普的或趣味性的心理测验，这些测评工具通常既没有坚实的理论基础，也没有严格的编制和施测程序。但是，心理健康评估和心理问题识别本质上属于模式识别或非线性分类问题。每个独立个体的心理状况都是多维的信息系统，其基本特征是多变量、多层次、强耦合，系统内部各因素存在复杂的非线性相互作用，因此，很难用传统的数学方法描述。径向基(RBF)神经网络是在借鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络，其基本思想是：用径向基函数作为隐单元的″基″，构成隐含层空间隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内线性不可分的问题在高维空间内线性可分，中国临床心理学杂志，2011年第19卷第6期中，奚晓岚等的一篇文献(基于神经网络的大学生心理健康评估模型)中报道了将人工神经网络技术应用于大学生心理评估建模，且分别建立了RBF神经网络和BP神经网络模型，评估大学生心理健康状态，并分析得出了RBF神经网络相对BP神经网络建模具有较好的准确性和适应性，但是该文献并未公开将RBF神经网络和互联网云端技术相结合，没有公开将已知样本中的心里测试量表的因子得分基于云端存储，也没有公开其采用神经网络对心里健康的具体评估方法，该文献重点是在于两种神经网络模型的建立和对比。专利文献CN104835103公开了一种基于神经网络和模糊综合评价的移动网络健康评价方法，公开了其方法包括建立评价体系、建立和训练BP神经网络模型及测试BP网络模型进行健康度评价等步骤，但是该评价方法是应用于移动网络健康评价，且也不是将神经网络和互联网云端技术相结合的健康评价方法，专利US2005/0236004A1公开了一种人体健康状况的监测方法，其中一个非线性的输入向量模块包含神经网络，但其同样不是将神经网络和互联网云端技术结合用于心里健康的评估。基于上述，如何有效利用测验信息提高心理问题识别率，建立更科学、快速、准确、全面的心理健康状态评估和分析方法和系统是十分必要的。
发明内容
针对上述问题，本申请提供一种能够更科学、快速、准确、全面的评估心里健康的基于互联网的心理健康评估分析方法及系统。
一种基于互联网的心理健康评估方法，其特征在于，包括步骤：
利用RBF神经网络算法，基于云端数据库存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；
获取新个体的心理测试量表的因子得分，根据所述RBF神经网络评估模型得到所述新个体的心理健康状况评估结果。
优选地，所述心理测试量表包括：简明精神病量表、抑郁自评量表、Conners儿童多动症测评量表、瑞文标准推理测验量表、症状自评测验量表和爱丁堡产后抑郁量表中的一个或多个。
优选地，所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议。
优选地，所述建立和训练RBF神经网络评估模型包括：
从云端数据库存储的已知样本中提取前100个样本，按测试时间相近排序；
利用newrbe函数建立一个RBF神经网络评估模型；
利用所述100个样本对所述RBF神经网络评估模型进行训练。
优选地，所述建立和训练RBF神经网络评估模型之前，还包括步骤：获取所述新个体的个人信息，所述新个体的个人信息包括年龄、职业、爱好和婚姻状况。
优选地，所述从云端数据库存储的已知样本中提取前100个样本的步骤包括：匹配与所述新个体的个人信息相同或相似的所述云端数据库存储的已知样本中的样本；提取按测试时间降序排列的所述匹配的相同或相似的所述云端存储的已知样本中的前100个样本。
更优选地，所述心理健康评估方法还包括步骤：将所述新个体的个人信息及新个体的心理测试量表的因子得分形成一检测报告并上传于所述云端数据库。
一种基于互联网的心理健康评估系统，其特征在于，包括：评估系统和云端数据库，所述评估系统与所述云端数据库网络连接；
所述评估系统还包括RBF神经网络模型建立单元、心理测试量表单元和RBF神经网络评估单元；
所述RBF神经网络模型建立单元用于利用RBF神经网络算法，基于云端数据库存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；
所述心理测试量表单元用于新个体的心理测试，并获取所述心理测试量表的因子得分；
所述RBF神经网络评估单元用于获取所述新个体的心理测试量表的因子得分，并根据所述RBF神经网络评估模型得到所述新个体的心理健康状况评估结果。
优选地，所述评估系统还包括注册单元，所述注册单元用于新个体注册个人信息，所述新个体的个人信息包括年龄、职业、爱好和婚姻状况。
优选地，所述RBF神经网络模型建立单元包括匹配单元、云端数据库、提取单元、newrbe函数建立单元和训练单元；
所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议；
所述匹配单元用于匹配所述云端存储的已知样本中的个人信息与所述新个体的个人信息相同或相似的样本；
所述提取单元用于提取所述样本中的按测试时间降序排列的所述匹配的相同或相似的所述云端数据库存储的已知样本中的前100个样本；
所述newrbe函数建立单元用于利用newrbe函数建立一个RBF神经网络评估模型；
所述训练单元用于利用所述100个样本对所述RBF神经网络评估模型进行训练。
更优选地，所述评估系统还包括检测报告形成单元，所述检测报告形成单元用于将所述新个体的个人信息及新个体的心理测试量表的因子得分、评估结果、对策建议等数据形成一检测报告并上传于所述云端数据库进行更新存储。
本发明有益效果：本发明采用将RBF神经网络和互联网云端数据库存储技术结合用于心里健康的评估中，有效利用测验信息提高心理问题识别率，建立了更科学、快速、精确、全面的心理健康状态评估方法和系统。由于利用RBF神经网络算法，基于已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型，该RBF神经网络评估模型对评估心理健康状态具有较好的准确性和适应性，误差较小，拟合性较好，使得新个体利用本申请的心理健康评估方法测得的心理健康评估结果更准确，更具有可靠性。由于结合了云端存储技术，使得已知样本、新样本的存储信息查询、提取更方便，可以根据心理测试量表的类型对新个体的检测报告分类存储，在RBF神经网络评估模型建立前对新个体的个人信息进行相同或相似匹配，并按照测试时间顺序匹配取样，使得建立的RBF神经网络评估模型更精确，通过数据库中匹配的评估结果和治疗对策，为患者提供更加精准的治疗方案。
附图说明
图1为实施例一的心理健康评估方法流程图；
图2为实施例二的心理健康评估系统原理图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
在本发明实施例中，基于神经网络建立心理健康评估模型，通过建立的心理健康评估模型达到精确评估心理健康状态的目的，并根据数据库的匹配数据结果提供更加精准的治疗方案。
实施例一：
本例提供一种基于互联网的心理健康评估方法，其流程图如图1所示，包括如下步骤。
S101：建立和训练RBF神经网络评估模型。
具体的，利用RBF神经网络算法，基于云端存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；RBF神经网络算法是本领域技术人员所熟知的，不作赘述；从云端存储的已知样本中提取前100个样本，根据心理测试量表的因子个数构成N×100的输入矩阵，其中，N为相应心理测试量表的因子个数；本例的心理测试量表包括：简明精神病量表、抑郁自评量表、Conners儿童多动症测评量表、瑞文标准推理测验量表、SCL-90症状自评测验量表和爱丁堡产后抑郁量表等，每一个量表中的可归纳的因子个数N不同，如，Conners儿童多动症测评量表可归纳6个因子：品行问题、学习问题、心身障碍、冲动-多动、焦虑和多动指数，此时，N为6；SCL-90症状自评测验量表可归纳10个因子：躯体化、强迫症状、人际关系敏感、忧郁、焦虑、敌对、恐怖、偏执、精神病性和寝食状态，此时，N为10：利用newrbe函数建立一个RBF神经网络评估模型；利用100个样本对RBF神经网络评估模型进行训练，从而完成RBF神经网络评估模型的建立与训练；另外，为了更好地保证RBF神经网络建模结果的准确性，在完成建立与训练后，还需要对RBF神经网络评估模型进行测试，该测试可以采用其样本中的部分数据进行，确保建模结果在允许误差范围内，网络均方误差目标值小于0.0005。
神经网络的输入和输出编码一般采用等汉明距离的编码方式，本例的RBF神经网络评估模型的输出三个测量结果值：健康、轻度不健康和不健康，依次编码为100、010和001，本例的RBF神经网络评估模型的输入：将上述量表的因子得分作为输入。
为了针对新个体建立更精确的RBF神经网络评估模型，在步骤S101之前还需要获取新个体的个人信息，个人信息包括：年龄、职业、爱好、婚姻状况等，在提取样本之前，先进行信息匹配，即，将新个体的个人信息与云端存储的已知样本中的个人信息进行匹配，将个人信息相匹配的已知样本作为提取的对像，如，以个人信息中的年龄和爱好为匹配特征，只有当新个体的年龄和爱好与已知样本中的年龄和爱好相同或相似时，才将该样本作为提取的对像，因为，个人信息相同或相似的已知样本更具有参考价值，利用该已知样本训练的RBF神经网络评估模型更具有精确性。进一步，针对同一个心理测试量表，由于时代的不同，个体与个体之间存在的观点不同，如，80年代的人15岁时和90年代的人15岁时采用同一个的心理测试量表测试，其因子得分会有很大差别，所以，本例中，提取样本时，是按测试时间顺序的降序提取匹配相同或相似的样本中的前100个样本。
S102：获取新个体的心理测试量表的因子得分，利用RBF神经网络评估模型评估新个体的心理健康状况评估结果。
新个体通过选取相应的心理测试量表进行心理健康测试，测试后，获取新个体的心理测试量表的因子得分，将该因子得分输入RBF神经网络评估模型内，经过RBF神经网络评估模型评估输出相应的评估结果。
S103：将新个体的检测报告上传至云端数据库。所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议。
为了将新个体的心理健康状况评估结果作为下一个新个体的训练参数，本例中，将新个体的个人信息及新个体的心理测试量表的因子得分、测试数据来源时间、评估结果、对策建议等信息形成一检测报告，并将该检测报告上传于云端数据库，便于建立和训练下一个RBF神经网络评估模型时可以从云端处获取相应的因子得分。
进一步，云端会根据心理测试量表的类型对新个体的检测报告分类存储，以便于测试结果后续的快速查询和提取，有利于医生或咨询师根据数据库的匹配数据结果提供更加精准的治疗方案。。
实施例二：
基于实施例一，本例提供一种基于互联网的心理健康评估系统，其原理图如图1所示。包括：评估系统1和云端2，评估系统1与云端2网络连接。
评估系统1包括注册单元11、RBF神经网络模型建立单元12、心理测试量表单元13和RBF神经网络评估单元14；注册单元11用于新个体注册个人信息，个人信息包括：年龄、职业、爱好、婚姻状况等。
RBF神经网络模型建立单元12用于利用RBF神经网络算法，基于云端1存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；心理测试量表单元13用于新个体的心理测试，并获取心理测试量表的因子得分；RBF神经网络评估单元14用于获取新个体的心理测试量表的因子得分，并根据RBF神经网络评估模型得到新个体的心理健康状况评估结果。
进一步，RBF神经网络模型建立单元12包括匹配单元121、提取单元122、newrbe函数建立单元123和训练单元124；匹配单元121用于匹配云端1存储的已知样本中的个人信息与新个体的个人信息相似的样本；提取单元122用于提取样本中的前100个样本；newrbe函数建立单元123用于利用newrbe函数建立一个RBF神经网络评估模型；训练单元124用于利用100个样本对RBF神经网络评估模型进行训练。
进一步，评估系统1还包括检测报告形成单元15，检测报告形成单元15用于将新个体的个人信息及新个体的心理测试量表的因子得分形成一检测报告并上传于云端2。
本例的RBF神经网络模型建立单元12、心理测试量表单元13、RBF神经网络评估单元14和检测报告形成单元15的工作过程具体请参考实施例一中的步骤S101～步骤S103，本例不作赘述。
基于RBF神经网络算法和互联网云端数据库存储，本实施例所获得的心理健康评估系统为新个体的心理健康提供更科学、快速、精确、全面的健康评估结果和更加精准的治疗方案。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明，本发明可以是其发明内容部分所包含的各优选技术方案的任意组合，对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换均包括在本发明的范围内。
Claims (5)
1.一种基于互联网的心理健康评估系统，其特征在于，包括：评估系统和云端数据库，所述评估系统与所述云端数据库网络连接；
所述评估系统包括RBF神经网络模型建立单元、心理测试量表单元和RBF神经网络评估单元；
所述RBF神经网络模型建立单元用于利用RBF神经网络算法，基于云端数据库存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；
所述心理测试量表单元用于新个体的心理测试，并获取所述心理测试量表的因子得分；
所述RBF神经网络评估单元用于获取所述新个体的心理测试量表的因子得分，并根据所述RBF神经网络评估模型得到所述新个体的心理健康状况评估结果。
2.根据权利要求1所述的心理健康评估系统，其特征在于，所述评估系统还包括注册单元，所述注册单元用于新个体注册个人信息，所述新个体的个人信息包括年龄、职业、爱好和婚姻状况。
3.根据权利要求2所述的心理健康评估系统，其特征在于，所述RBF神经网络模型建立单元包括匹配单元、提取单元、newrbe函数建立单元和训练单元；
所述匹配单元用于匹配所述云端数据库存储的已知样本中的个人信息与所述新个体的个人信息相同或相似的样本；
所述提取单元用于提取所述样本中的按测试时间降序排列的所述匹配的相同或相似的所述云端数据库存储的已知样本中的前100个样本；
所述newrbe函数建立单元用于利用newrbe函数建立一个RBF神经网络评估模型；
所述训练单元用于利用所述100个样本对所述RBF神经网络评估模型进行训练。
4.根据权利要求1所述的心理健康评估系统，其特征在于，所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议。
5.根据权利要求4所述的心理健康评估系统，其特征在于，所述评估系统还包括检测报告形成单元，所述检测报告形成单元用于将所述新个体的个人信息及新个体的心理测试量表的因子得分、评估结果、对策建议等数据形成一检测报告并上传于所述云端数据库进行更新存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610808709.3A CN106407672A (zh) | 2016-09-08 | 2016-09-08 | 一种基于互联网的心理健康评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610808709.3A CN106407672A (zh) | 2016-09-08 | 2016-09-08 | 一种基于互联网的心理健康评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106407672A true CN106407672A (zh) | 2017-02-15 |
Family
ID=57998938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610808709.3A Pending CN106407672A (zh) | 2016-09-08 | 2016-09-08 | 一种基于互联网的心理健康评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106407672A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229690A (zh) * | 2018-01-22 | 2018-06-29 | 广东蔚海数问大数据科技有限公司 | 一种机器学习模型效用评估的方法和装置 |
| CN108364131A (zh) * | 2018-02-09 | 2018-08-03 | 合不合（厦门）网络科技有限公司 | 利用类神经网络进行人格类型的自动识别与分群的方法 |
| CN109036561A (zh) * | 2018-07-10 | 2018-12-18 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN110337699A (zh) * | 2017-08-24 | 2019-10-15 | 华为技术有限公司 | 一种心理压力评估方法及设备 |
| CN110931129A (zh) * | 2019-12-10 | 2020-03-27 | 上海市精神卫生中心（上海市心理咨询培训中心） | 评估精神分裂症精神状态的涂色绘画计算机分析方法 |
| CN111063439A (zh) * | 2019-12-27 | 2020-04-24 | 广东电网有限责任公司电力科学研究院 | 一种电力作业人员心理评估方法、装置、终端和存储介质 |
| CN111681729A (zh) * | 2020-06-15 | 2020-09-18 | 广州万物有翼科技有限公司 | 用于追踪式建立个人心理健康档案的系统及其测评方法 |
| CN111755094A (zh) * | 2020-07-02 | 2020-10-09 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种精神障碍患者日间康复管理系统及方法 |
| CN112182339A (zh) * | 2020-11-03 | 2021-01-05 | 深圳市艾利特医疗科技有限公司 | 一种心理评估方法和系统 |
| CN113539495A (zh) * | 2021-07-19 | 2021-10-22 | 武汉情智感知科技有限公司 | 一种精神健康评测的交互设计系统 |
| CN113571158A (zh) * | 2021-07-29 | 2021-10-29 | 江苏智慧智能软件科技有限公司 | 一种智慧智能ai智能心理健康检测与分析测评系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学（保定） | 一种风电场风速预测方法 |
| CN104239489A (zh) * | 2014-09-05 | 2014-12-24 | 河海大学 | 利用相似性搜索和改进bp神经网络预测水位的方法 |
| CN104523263A (zh) * | 2014-12-23 | 2015-04-22 | 华南理工大学 | 基于移动互联网的孕产妇健康监护系统 |
| CN104688249A (zh) * | 2015-02-13 | 2015-06-10 | 北京康源互动健康科技有限公司 | 一种基于云平台的心理健康监测方法及系统 |
| CN105678098A (zh) * | 2016-02-23 | 2016-06-15 | 济宁中科大象医疗电子科技有限公司 | 基于云平台的远程心电监护与健康管理系统及其实现方法 |
| CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
-
2016
- 2016-09-08 CN CN201610808709.3A patent/CN106407672A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学（保定） | 一种风电场风速预测方法 |
| CN104239489A (zh) * | 2014-09-05 | 2014-12-24 | 河海大学 | 利用相似性搜索和改进bp神经网络预测水位的方法 |
| CN104523263A (zh) * | 2014-12-23 | 2015-04-22 | 华南理工大学 | 基于移动互联网的孕产妇健康监护系统 |
| CN104688249A (zh) * | 2015-02-13 | 2015-06-10 | 北京康源互动健康科技有限公司 | 一种基于云平台的心理健康监测方法及系统 |
| CN105678098A (zh) * | 2016-02-23 | 2016-06-15 | 济宁中科大象医疗电子科技有限公司 | 基于云平台的远程心电监护与健康管理系统及其实现方法 |
| CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 奚晓岚 等: "基于神经网络的大学生心理健康评估模型", 《中国临床心理学杂志》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110337699A (zh) * | 2017-08-24 | 2019-10-15 | 华为技术有限公司 | 一种心理压力评估方法及设备 |
| CN108229690A (zh) * | 2018-01-22 | 2018-06-29 | 广东蔚海数问大数据科技有限公司 | 一种机器学习模型效用评估的方法和装置 |
| CN108364131A (zh) * | 2018-02-09 | 2018-08-03 | 合不合（厦门）网络科技有限公司 | 利用类神经网络进行人格类型的自动识别与分群的方法 |
| CN109036561A (zh) * | 2018-07-10 | 2018-12-18 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN110931129A (zh) * | 2019-12-10 | 2020-03-27 | 上海市精神卫生中心（上海市心理咨询培训中心） | 评估精神分裂症精神状态的涂色绘画计算机分析方法 |
| CN111063439A (zh) * | 2019-12-27 | 2020-04-24 | 广东电网有限责任公司电力科学研究院 | 一种电力作业人员心理评估方法、装置、终端和存储介质 |
| CN111681729A (zh) * | 2020-06-15 | 2020-09-18 | 广州万物有翼科技有限公司 | 用于追踪式建立个人心理健康档案的系统及其测评方法 |
| CN111681729B (zh) * | 2020-06-15 | 2024-04-16 | 广州万物有翼科技有限公司 | 用于追踪式建立个人心理健康档案的系统及其测评方法 |
| CN111755094A (zh) * | 2020-07-02 | 2020-10-09 | 上海市精神卫生中心（上海市心理咨询培训中心） | 一种精神障碍患者日间康复管理系统及方法 |
| CN112182339A (zh) * | 2020-11-03 | 2021-01-05 | 深圳市艾利特医疗科技有限公司 | 一种心理评估方法和系统 |
| CN113539495A (zh) * | 2021-07-19 | 2021-10-22 | 武汉情智感知科技有限公司 | 一种精神健康评测的交互设计系统 |
| CN113571158A (zh) * | 2021-07-29 | 2021-10-29 | 江苏智慧智能软件科技有限公司 | 一种智慧智能ai智能心理健康检测与分析测评系统 |
| CN113571158B (zh) * | 2021-07-29 | 2022-08-26 | 江苏智慧智能软件科技有限公司 | 一种智慧智能ai智能心理健康检测与分析测评方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106407672A (zh) | 一种基于互联网的心理健康评估系统 | |
| CN106407673A (zh) | 一种基于互联网云端数据库的心理健康评估方法 | |
| Keating et al. | Reliability and concurrent validity of global physical activity questionnaire (GPAQ): a systematic review | |
| Watkins | Exploratory factor analysis: A guide to best practice | |
| CN105808970B (zh) | 一种在线认知评估方法 | |
| Riley et al. | Application of the National Institutes of Health patient-reported outcomes measurement information system (PROMIS®) to mental health research | |
| Jarva et al. | Healthcare professionals’ digital health competence and its core factors; development and psychometric testing of two instruments | |
| Petersen et al. | Reprint of “influence of analytical bias and imprecision on the number of false positive results using guideline-driven medical decision limits” | |
| Petersen et al. | The EORTC computer-adaptive tests measuring physical functioning and fatigue exhibited high levels of measurement precision and efficiency | |
| Li et al. | Using R and WinBUGS to fit a generalized partial credit model for developing and evaluating patient‐reported outcomes assessments | |
| Scharfen et al. | Response time reduction due to retesting in mental speed tests: a meta-analysis | |
| Więckowska et al. | Cohen’s kappa coefficient as a measure to assess classification improvement following the addition of a new marker to a regression model | |
| Valencia | Acquiescence, instructor’s gender bias and validity of student evaluation of teaching | |
| Liu et al. | A competency model for clinical physicians in China: a cross-sectional survey | |
| Ackerman et al. | A primer on assessing intelligence in laboratory studies | |
| Chen | Validating the orientations to happiness scale in a Chinese sample of university students | |
| CN112185558A (zh) | 基于深度学习的心理健康及康复评定方法、装置及介质 | |
| Ma | Discovering association with copula entropy | |
| Ellis et al. | Relative weight analysis of the Western Aphasia Battery | |
| McHutchison et al. | Stability of estimated premorbid cognitive ability over time after minor stroke and its relationship with post-stroke cognitive ability | |
| Coyne et al. | Heart rate variability and direct current measurement characteristics in professional mixed martial arts athletes | |
| Steele et al. | The national ReferAll database: an open dataset of exercise referral schemes across the UK | |
| CN105893748A (zh) | 基于粗糙集理论的幸福指数评价方法及系统 | |
| Goebell et al. | Assessing the quality of studies on the diagnostic accuracy of tumor markers | |
| CN114699063A (zh) | 体脂率的测量方法、装置及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
| RJ01 | Rejection of invention patent application after publication |