CN109036561A - 一种基于行为信息的大学生心理状态评估方法 - Google Patents

Abstract

本发明涉及一种基于行为信息的大学生心理状态评估方法，该方法利用改进的决策树算法(C4.5)构建大学生心理状态评估模型；在量表得分、学生基本信息、学习工作信息和生活信息等数据的基础上，根据决策树评估模型得到新个体的抑郁和焦虑状况。本发明不仅提出从学生的基本行为信息进行心理状况评估的方法，还将差分进化算法用于决策树的参数选择中，不仅提高了算法参数选择的准确性和合理性，也利用大数据时代下数据的高效存取能力保证了研究的客观性，从而形成了更科学、更快速和更准确的心理状态评估方法。

Description

一种基于行为信息的大学生心理状态评估方法

技术领域

本发明设计心理状态评估技术领域，具体涉及一种基于行为信息的大学生心理评估方法。

背景技术

抑郁症和焦虑症是世界范围内常见的两种心理疾病。据世界卫生组织统计，预计到2020年抑郁症将成为仅次于冠心病的第二大疾病隐患。大学生尤其是大一新生，面对学业压力、环境变化、经济困难和对未来的担忧都有可能在心理健康方面增加患病风险。据2010年大学生杂志社和中国大学生网调查显示，当前我国大学生的心理健康现状不是很乐观，存在过心理方面问题的学生达90％之高，而导致大学生出现心理健康问题的原因主要包括人际交往、就业压力、自我管理能力、情感问题、人生发展、环境不适应和学习压力等方面。当遇到心理问题时，绝大部分学生会选择向朋友、家人倾诉，但仍有38％的同学选择不找任何人，这种讳疾忌医、极力掩饰的行为会导致心理问题长期得不到有效排解，久而久之，负面情绪的淤积可能导致危机心理的出现，严重的还会影响到学生正常的学习和生活，甚至出现极端事件。因此，无论是高校还是心理研究工作者都需要高度重视大学生心理健康。

目前对心理健康的研究可以分为两个方面：传统心理健康研究和基于大数据的心理健康研究。传统心理健康研究根据心理健康的外显表达推测背后的心理现象的特点和规律，常用的研究方法包括观察法、调查法、测验法、实验法和个案法，其中以实验法中的问卷法居多。传统心理健康研究目前已经比较成熟，具有研究范围广、研究内容细、研究成果多等优势，但还存在样本规模有限、数据采集与处理方面耗时耗力、时效性不足等问题。

基于大数据的心理健康研究的数据主要来源于可穿戴设备、移动智能终端、互联网行为记录、社会活动行为记录、大数据存储于云计算和数据挖掘等。专利文献CN201610808888.0公开了一种基于基于互联网云端数据库的心理健康评估方法，通过云端数据库存储的已知样本建立RBF神经网络评估模型，并将模型应用于新个体心理健康状况的评估。该专利利用了数据的高效存取能力对心理健康进行评估，具有快速、科学的优点，但其未包含个体除个人信息以外的数据属性；专利文献CN201210576344.8公开了一种心理健康状态评估方法，充分利用互联网行为记录这一数据来源，建立和训练了基于网络行为特征的心理健康状态评估模型，消除了个体主观因素对数据收集的影响，提高了心理健康状态评估的准确性。大数据时代的到来，为心理学研究提供了充分的素材，为心理健康的重大突破创造了条件。基于数据驱动的心理健康分析不仅打破了传统的先验逻辑，大大提高了心理健康分析的效率和可能性，而且在研究方法上也对心理学产生了深刻的影响，打破了传统心理健康研究“样本即总体、个体即规律、情境即实验”的常态。

基于上述，如何充分挖掘学生的行为数据，建立更科学、准确、合理的心理健康评估模型是十分必要的。

发明内容

针对上述问题，本发明提出了一种从学生的行为数据获取学生心理状况的方法，大大提高数据采集的科学性和心理状态评估准确性。

一种基于行为信息的大学生心理评估方法，其特征在于，包括步骤：

1)利用改进的决策树算法，基于学生的行为信息和心理健康问卷的得分，分别建立和训练大学生心理健康的评估模型；

2)获取新个体的行为信息，根据所述的心理健康评估模型得到所述新个体的心理健康状况评估结果。

其中，所述心理测试量表包括：抑郁自评量表(Self-rating Depression Scale,SDS)、贝克抑郁自评量表(Beck Depression Inventory,BDI)和焦虑自评量表(Self-rating Anxiety Scale,SAS)。根据问卷填写结果计算问卷得分，并根据表1和表2划分抑郁和焦虑的等级。

表1

表2

其中，所述学生的行为信息包括以下数据：学生的基本信息、学习成绩、一卡通信息、图书馆借阅信息和人际交往信息。

其中，所述学生的基本信息包括：性别、年龄、年级、家乡城市所属等级和是否申请贫困生。

其中，所述家乡城市所属等级根据中国城市分级名单，分为一线城市、二线城市、三线城市、四线城市和五线城市。

其中，所述学习成绩包括：是否获得奖学金、已修科目数、获得不同等级的科目数及比例。

其中，所述一卡通信息包括：日常消费情况和宿舍门禁信息。

其中，所述宿舍门禁数据包括：每月宿舍开门总次数、工作日不同时间段出门和回寝次数和双休日不同时间段出门和回寝次数。

其中，所述图书馆借阅信息包括：入学以来进入图书馆的总次数、入学以来图书借阅总数和本学期图书借阅总数。

其中，所述人际交往信息主要根据学生每日三餐有学生和其一起刷卡吃饭的频率所得。

其中，所述在已有数据的基础上进行数据集成和数据清洗包括下列步骤：

1)数据集成是利用数据库技术获取已填写问卷学生的行为信息并统一存储；

2)数据清洗包括：清除异常数据、去除冗余数据和填充缺失数据；

其中，构建心理健康评估模型包括下列步骤：

1)将数据划分为训练集与测试集；

2)建立基于决策树的心理健康评估模型，并将差分进化算法用于决策树的参数寻优中；

3)利用所述训练集对心理健康评估模型进行训练；

4)将测试集作为新个体，利用改进的评估模型得到心理健康评估结果，并用准确率、召回率和F1值衡量模型分类结果。

其中，所述步骤[28]中，差分进化算法主要优化的参数包括：最大特征数、内部节点再划分所需最小样本数、叶子节点最少样本数、叶子节点最小的样本权重和节点划分最小不纯度。其中差分进化算法优化参数包括下列步骤。

1)初始化种群，其中，种群规模为100，迭代次数为1000代，缩放因子为0.5，交叉概率为0.6，适应度函数为F1分数(F1分数为分类模型准确率和召回率的调和平均数)；

2)计算种群中每个个体的适应度值；

3)判断是否达到终止条件或进化代数达到最大，若满足则输出最优结果，即决策树的最优参数，若不满足则继续下列步骤；

4)进行变异和交叉操作，得到中间种群；

5)在原种群和中间种群中选择个体，得到新一代种群；

6)进化代数g＝g+1，转步骤2)

与现有研究相比，本发明具有下列技术效果：

1、本发明充分利用大数据时代带来的数据高效存取能力，从学生的行为数据出发，提出从行为数据评估学生心理健康状态的方法，消除了个体主观因素对数据收集的影响，提高了心理健康状态评估的准确性，也便于后续进行大规模的心理健康评估。

2、本发明提出一种新的机器学习调参方法——利用差分进化算法进行参数寻优，打破了部分研究使用试错法、经验法和主观判断进行参数选择的常态，提出了一种新的参数选择方法，对于提高模型准确率有重要意义。

附图说明

图1是本发明一个实施例的心理评估方法的流程示意图；

图2是本发明一个实施例的基于差分进化算法的决策树结构图。

图3是本发明一个实施例的差分进化算法流程图。

具体实施方法

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。

为便于理解，首先简要介绍本发明所依据的科学原理。

在心理测量学中，传统心理健康研究主要根据心理健康的外显表达推测背后的心理现象的特点和规律，从而实现对心理健康的有效解释，预测和干预不同的心理现象，提高人们的生活质量。随着大数据和互联网技术的不断发展，大数据记录了普遍化的人类行为，而个体行为大部分是自然条件发生的，受心理状态支配和影响，所以借助外部观测到的行为数据评估心理健康状态更客观化和合理化。

基于上述原理，根据本发明的一个实施例，从学生的行为信息出发，基于决策数算法建立心理健康评估模型，从抑郁和焦虑两个方面对大学生心理健康进行评估，并利用差分进化算法选择决策树的最优参数，进一步提高模型的准确率。

图1是本发明一个实施例的心理健康评估方法的流程示意图，具体步骤如下：

步骤101，根据抑郁自评量表、贝克抑郁自评量表和焦虑自评量表分别获取学生心理状况，并根据问卷得分划分抑郁和焦虑等级。本实施例共483名学生完成了问卷，且有效问卷数共466份，占96.48％。

步骤102，获取有效填写问卷的466名学生的行为信息，主要包括学术的基本信息、学习成绩、一卡通信息、图书馆借阅信息和人际交往信息，这些信息的详细内容如表3-6所示，人际交往信息主要根据学生每日三餐有学生和其一起刷卡吃饭的频率所得。

表3

表4

表5

表6

步骤103，一个实施例中，预处理包括：数据集成，其目的是获取有效填写问卷的学生的行为信息，并将其整理到一个宽表中便于后续处理和分析；数据清洗包括：清除异常数据、去除冗余数据和填充缺失数据，其目的是提高数据的质量，使数据更好地适应模型。

步骤104，构建基于行为信息的大学生心理健康评估模型。

考虑到样本数的问题，根据问卷得分将抑郁等级不为0的均划分为存在抑郁，同理，将焦虑等级不为0的均划分为存在焦虑；

按数据集划分为训练集和测试集，训练样本377个，测试样本89个，并保证在测试集和训练集中抑郁或焦虑的人数占比与总样本占比相等；

图2是本发明一个实施例的基于差分进化算法的决策树结构图，以训练集为输入建立基于决策树的心理健康评估模型，并将差分进化算法用于决策树的参数寻优中，其中，差分进化算法优化的参数范围见表7，终止条件同时考虑最大迭代次数1000次和均方误差0.000001。当然，在其它实施例中，也可以采用其他机器学习算法，或采用其他进化算法进行参数优化；

表7

差分进化算法优化的参数	参数范围
		最大特征数	(0,1]
内部节点再划分所需最小样本数	(0,1]
		叶子节点最少样本数	(0,0.5]
叶子结点最小的样本权重	(0,0.5]
		节点划分最小不纯度	(0,1]

步骤105，将测试集作为新个体，利用改进的评估模型得到新个体的心理健康评估结果，并用机器学习算法常用指标准确率、召回率和F1值衡量模型分类结果。

以上应用了具体个例对本发明进行阐述，只适用于帮助理解本发明，并不用以限制本发明，本发明数据源、模型参数优化的应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (6)

1.一种基于行为信息的大学生心理状态评估方法，其特征在于，包括步骤：

1)利用改进的决策树算法，基于学生的行为信息和心理健康问卷的得分，分别建立和训练大学生心理状态评估模型；

2)获取新个体的行为信息，根据所述的心理评估模型得到所述新个体的心理状况；

其中，所述方法不用于疾病的诊断。

2.根据权利要求1所述的评估方法，其特征在于，所述的心理状态包括大学生抑郁和焦虑两个部分。

3.根据权利要求1所述的评估方法，其特征在于，所述心理健康问卷主要包括：抑郁自评量表(Self-rating Depression Scale,SDS)、贝克抑郁自评量表(Beck DepressionInventory,BDI)和焦虑自评量表(Self-rating Anxiety Scale,SAS)，并根据问卷填写结果计算问卷得分。

4.根据权利要求1所述的评估方法，其特征在于，所述学生的行为信息包括以下数据：学生的基本信息、学习成绩、一卡通信息、图书馆借阅信息和人际交往信息。

5.根据权利要求4所述的评估方法，其特征在于，包括步骤：

1)进行数据集成，利用数据库技术获取已填写问卷学生的行为信息并统一存储；

2)进行数据清洗，清除异常数据、去除冗余数据，并对缺失数据进行填充。

6.根据权利要求1所述的评估方法，其特征在于，包括步骤：

1)将数据划分为训练集与测试集；

2)建立基于决策树的心理状态评估模型，并将差分进化算法用于决策树的参数寻优中；

3)利用所述训练集对心理评估模型进行训练；

4)将测试集作为新个体，利用改进的评估模型得到心理健康评估结果。