CN109801706A - 心理压力问题的感知方法及装置 - Google Patents

Abstract

本发明实施例提供一种心理压力问题的感知方法及装置。其中，上述方法包括基于文本词汇获取对应的初始词向量并结合LSTM网络层，获得上下文向量；并基于MHA模型获得语义关联矩阵，结合全连接网络层获取语义关联度映射；基于语义关联度映射以及注意力网络层生成注意力向量；结合上下文向量以及前馈全连接网络模型，获取压力分类向量。本发明实施例提供的心理压力问题的感知方法及装置采用LSTM网络层、MHA模型、全连接网络层、注意力网络层以及前馈全连接网络模型获取压力分类向量，以大量反映青少年心理状态的文本词汇为数据分析的基础，通过计算机进行大量的数据训练，准确获取反映青少年心理压力状态的感知结果，准确有效，为青少年的心理疏导提供依据。

Description

心理压力问题的感知方法及装置

技术领域

本发明实施例涉及心理压力感知技术领域，尤其涉及一种心理压力问题的感知方法及装置。

背景技术

随着社会经济高速发展，社会竞争压力越来越大，青少年的心理压力也日渐增长。由于青少年普遍处在青春期，其心理状态相对更加脆弱，而且他们还承受着来自学业、交际、家庭、情感、自我认知及就业等方面的心理压力。而过多的压力很容易引起心理健康问题，当压力超出承受能力，且得不到及时有效地解决时，青少年很可能会通过伤害自己或者伤害他人的方法来释放压力，从而走上犯罪的道路。

针对青少年心理压力问题，传统的心理辅导模式就是导师或心理医生需要面对面沟通去了解青少年的心理活动，然后对其进行心理疏导。

但这种方法并不能及时发现青少年的心理压力问题，也不具有普适性，需要专业的心理辅导人员，人力投入过于巨大，且心理问题感知效果不佳。

发明内容

针对现有技术中存在的技术问题，本发明实施例提供一种心理压力问题的感知方法及装置。

第一方面，本发明实施例提供一种心理压力问题的感知方法，包括：

基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

第二方面，本发明实施例提供一种心理压力问题的检测方法，包括：

分别获取反映用户睡眠状态的睡眠特征向量、反映运动状态的运动特征向量以及反映心理活动状态的初始词向量和图片特征向量；

基于所述初始词向量以及LSTM网络层，获得上下文向量；

基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

基于所述语义关联矩阵以及第一全连接网络层，获取残差连接后的语义关联度映射，以及基于所述语义关联度映射和第一注意力网络层生成用于表示语义关联权重分配的注意力向量，并根据所述注意力向量以及所述初始词向量，获取文本特征向量；

基于所述图片特征向量、所述文本特征向量、所述睡眠特征向量、所述运动特征向量，获取向量拼接后的特征值矩阵；

基于所述特征值矩阵和第二注意力网络层，获取相对应的多源注意力向量，并基于所述多源注意力向量、所述特征值矩阵以及第二全连接网络层，获取反映心理压力问题的压力分类向量。

第三方面，本发明实施例提供一种心理压力问题的感知装置，包括：

第一处理模块，用于基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

第二处理模块，用于基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

第三处理模块，用于基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

第四处理模块，用于基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

第四方面，本发明实施例提供一种电子设备，该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例第一方面提供的心理压力问题的感知方法的步骤。

第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的心理压力问题的感知方法的步骤。

本发明实施例提供的心理压力问题的感知方法及装置采用反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；通过所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；根据所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；通过所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量，其中，以大量有效的反映青少年心理状态的文本词汇为数据分析的基础，通过计算机进行大量的数据训练，准确获取反映青少年心理压力状态的感知结果，方法有效，感知准确，并节省了大量人力，为青少年的心理疏导提供依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的心理压力问题的感知方法流程示意图；

图2为本发明实施例提供的心理压力问题的检测方法流程示意图；

图3为本发明实施例提供的心理压力问题的感知装置结构示意图；

图4为本发明实施例提供的心理压力问题的感知方法的模型结构图；

图5为本发明实施例提供的心理压力问题的检测方法的模型结构图；

图6为本发明实施例提供的电子设备的实体结构示意图。

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、完整地描述，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作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。

随着社会经济高速发展，社会竞争压力越来越大，青少年的心理压力问题日渐凸显，但传统的心理诊断辅导模式已经无法满足当代对青少年心理压力问题的检测需求。

因此，为了方便、有效的获取青少年心理状态，及时了解掌握其心理压力的变化，本发明实施例提供了一种心理压力问题的感知方法，图1为本发明实施例提供的心理压力问题的感知方法流程示意图，如图1所示，该方法包括：

步骤10、基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

步骤11、基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

步骤12、基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

步骤13、基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

具体地，本发明实施例提供的心理压力问题的感知方法中基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；其中，由于社交媒体中尤其是各个电商网站的情感相关的评论文本非常多，因此可选取自然语言处理库里的电商评论数据集作为预训练数据集，包括书评和电脑评论等，每条评论都被标记为1(积极)或者-1(消极)，一共有35124条评论即上述反映用户心理状态的文本词汇，其中积极评论16548条，消极评论18576条。选用Chinese WordVectors的预训练好的300维的向量作为每个单词的初始词向量，即x₁,x₂,...,x_n，其中X_n均为表示词语含义的1*300的向量。

LSTM(Long Short-Term Memory，长短期记忆网络)网络层目的是计算出一个可以表达上下文信息的文本表示，因为模型是不能直接理解自然语言的，必须要先计算出一个模型可以理解的文本表示，这个文本表示具体是矩阵形式H。x₁,x₂,...,x_n作为输入进入LSTM层，其中n表示所述文本词汇中包含的所述单词的数量，n最大为144，一般取140。通过LSTM得到LSTM的隐藏层输出h₁ h₂ … h_n，h₁ h₂ … h_n均为上述上下文向量，由上述上下文向量组合成上述的用于文本表示的矩阵；MHA(Multi-Head Attention，多头注意力层)模型在获得文本表示后，模型需要去理解它，这里的MHA模型的作用是计算词与词之间的关系，获得残差连接后的语义关联矩阵；全连接层作用是理解之前计算出的词与词之间的关系，获取残差连接后的语义关联度映射；注意力层目的是结合前面对文本的理解，计算出相应的注意力分配，并与之前得出的文本表示进行运算，计算出对于这个文本，模型应该将注意力分配在哪些词语上，获得用于表示语义关联权重分配的注意力向量；前馈全连接网络模型目的是让模型学会如何使用已有的上述文本词汇表示进行心理压力分类，具体地分类通过压力分类向量来体现。

本发明实施例提供的心理压力问题的感知方法采用反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；通过所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；根据所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；通过所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量，其中，以大量有效的反映青少年心理状态的文本词汇为数据分析的基础，通过计算机进行大量的数据训练，准确获取反映青少年心理压力状态的感知结果，方法有效，感知准确，并节省了大量人力，为青少年的心理疏导提供依据。

在上述各实施例的基础上，本发明实施例提供的心理压力问题的感知方法中的所述基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵包括：

获取由所述上下文向量组成的组合矩阵，并基于所述组合矩阵以及初始化后的第一参数、第二参数和第三参数分别获得相对应的第一矩阵、第二矩阵和第三矩阵；

根据矩阵行数不变以及平均依次顺序拆分列数的原则，获得所述第一矩阵相对应的若干第一分矩阵、所述第二矩阵相对应的若干第二分矩阵以及所述第三矩阵相对应的若干第三分矩阵；

基于所述第一分矩阵、所述第二分矩阵、所述第三分矩阵以及所述MHA模型，获得所述语义关联矩阵，其中所述MHA模型具体为：

U＝H+M，

M＝Concat(M₁,M₂，...M_g)，

1≤j≤g，其中U为残差连接后的所述语义关联矩阵；M为残差连接前的语义关联矩阵；H为所述组合矩阵；F_1，1、F_1，2…F_1，g均为所述第一分矩阵；F_2，1、F_2，2…F_2，g均为所述第二分矩阵；F_3，1、F_3，2…F_3，g均为所述第三分矩阵；g为所述第一矩阵、所述第二矩阵和所述第三矩阵被平均拆分的片数；de为所述初始词向量的向量长度。即上述上下文向量组合获得组合矩阵，该组合矩阵即为上述实施例中的用于文本表示的矩阵H，通过该组合矩阵以及相应的不同参数，得到第一矩阵、第二矩阵和第三矩阵，并根据矩阵行数不变以及平均依次顺序拆分列数的原则，获得所述第一矩阵相对应的若干第一分矩阵、所述第二矩阵相对应的若干第二分矩阵以及所述第三矩阵相对应的若干第三分矩阵，即F₁：{f_1，1，F_1，2，…，F_1，g}，F₂{F_2，1，F_2，2…，F_2，g}，F₃：{F_3,1,F_3,2,…，F_3,g}，F₁为所述第一矩阵、F₂为所述第二矩阵、F₃为所述第三矩阵，g为所述第一矩阵、所述第二矩阵和所述第三矩阵被平均拆分的片数，一般取5，de为所述初始词向量的向量长度，一般取300，其中，残差连接前的语义关联矩阵M加上H即为残差连接处理，目的是为了防止过拟合，语义关联矩阵中的元素体现词与词之间的关联度。

在上述各实施例的基础上，本发明实施例提供的心理压力问题的感知方法中的所述基于所述组合矩阵以及初始化后的第一参数、第二参数和第三参数分别获得相对应的第一矩阵、第二矩阵和第三矩阵具体为：

根据所述组合矩阵以及所述第一参数，获得所述第一矩阵；

根据所述组合矩阵以及所述第二参数，获得所述第二矩阵；

根据所述组合矩阵以及所述第三参数，获得所述第三矩阵，其中：F₁＝HW₁，F₂＝HW₂，F₃＝HW₃，H＝[h₁h₂...h_n]^T，其中F₁为所述第一矩阵、F₂为所述第二矩阵、F₃为所述第三矩阵；W₁为所述第一参数、W₂为所述第二参数、W₃为所述第三参数，H为所述组合矩阵，n为所述文本词汇中包含的所述单词的数量，h₁、h₂…h_n均为所述上下文向量。即本发明实施例提供的心理压力问题的感知方法中的第一参数和组合矩阵点乘得到第一矩阵，第二参数和组合矩阵点乘得到第二矩阵，第三参数和组合矩阵点乘得到第三矩阵，第一参数、第二参数和第三参数均为模型训练后得到的初始化的激活函数ReLU的训练参数。

在上述各实施例的基础上，本发明实施例提供的心理压力问题的感知方法中的所述基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量包括：

基于所述语义关联矩阵以及全连接网络层，获取第一语义关联度映射，以及基于所述第一语义关联度映射，通过残差连接，获取残差连接后的所述语义关联度映射，其中，所述全连接网络层为：

S₁＝(UW₄+b₁)W₅+b₂，

S＝S₁+U，其中S₁为第一语义关联度映射，S为残差连接后的所述语义关联度映射，U为所述语义关联矩阵，W₄为初始化后的第四参数，W₅为初始化后的第五参数，b₁为初始化后的第一向量参数，b₂为初始化后的第二向量参数；

所述注意力网络层为：

V＝softmax(SW₆)，其中，V为所述注意力向量，W₆为初始化后的第六参数，S为残差连接后的所述语义关联度映射。即基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，其中，先基于所述语义关联矩阵以及全连接网络层，获取第一语义关联度映射，在对第一语义关联度映射做残差连接处理，来获得残差连接后的语义关联度映射，第一语义关联度映射和语义关联度映射内均反映样本对应每个类别的比重，残差连接处理是为了防止过拟合；在获取语义关联度映射时，可通过正则化处理加速模块的拟合速度。

在上述各实施例的基础上，本发明实施例提供的心理压力问题的感知方法中的所述基于所述注意力向量、所述初始词向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量包括：

基于注意力向量以及所述上下文向量，获取语义表达向量；

基于所述语义表达向量以及所述前馈全连接网络模型，获取所述压力分类向量，其中所述前馈全连接网络模型为：

y＝softmax((zw₇+b₃)w₈+b₄)，

Z＝VH，H＝[h₁h₂...h_n]^T，其中，y为所述压力分类向量，z为所述语义表达向量，V为所述注意力向量，h₁、h₂…h_n均为所述上下文向量，w₇为初始化后的第七参数，w₈为初始化后的第八参数，b₃为初始化后的第三向量参数，b₄为初始化后的第四向量参数。即本发明实施例提供的心理压力问题的感知方法中的压力分类向量包含了对不同心理压力状态的分类，基于上述各实施例，获得的压力分类向量为1*class，的向量，class为6，分别对应无、很弱、弱、中等、强、很强6个压力级别，其中拥有最高的数值的位置所对应的压力级别将作为最终的分类结果。

本发明实施例还提供了一种心理压力问题的检测方法，图2为本发明实施例提供的心理压力问题的检测方法流程示意图，如图2所示，该方法包括：

步骤20、分别获取反映用户睡眠状态的睡眠特征向量、反映运动状态的运动特征向量以及反映心理活动状态的初始词向量和图片特征向量；

步骤21、基于所述初始词向量以及LSTM网络层，获得上下文向量；

步骤22、基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

步骤23、基于所述语义关联矩阵以及第一全连接网络层，获取残差连接后的语义关联度映射，以及基于所述语义关联度映射和第一注意力网络层生成用于表示语义关联权重分配的注意力向量，并根据所述注意力向量以及所述初始词向量，获取文本特征向量；

步骤24、基于所述图片特征向量、所述文本特征向量、所述睡眠特征向量、所述运动特征向量，获取向量拼接后的特征值矩阵；

步骤25、基于所述特征值矩阵和第二注意力网络层，获取相对应的多源注意力向量，并基于所述多源注意力向量、所述特征值矩阵以及第二全连接网络层，获取反映心理压力问题的压力分类向量。

具体地，本发明实施例提供的心理压力问题的检测方法通过反映心理活动状态的初始词向量得到相对应的文本特征向量，其中，每个单词对应的初始词向量是通过反映用户心理状态的文本词汇来获取，考虑到不同类型的特征对于判断压力等级的贡献不同，采用注意力机制来分配权重，即通过组合拼接图片特征向量、所述文本特征向量、所述睡眠特征向量、所述运动特征向量为特征值矩阵，通过所述特征值矩阵和第二注意力网络层，获取相对应的多源注意力向量，并基于所述多源注意力向量、所述特征值矩阵以及第二全连接网络层，获取反映心理压力问题的压力分类向量，其中：

由于社交媒体中尤其是各个电商网站的情感相关的评论文本非常多，因此可选取自然语言处理库snownlp里的电商评论数据集作为预训练数据集，包括书评和电脑评论等，每条评论都被标记为1(积极)或者-1(消极)，一共有35124条评论即上述反映用户心理状态的文本词汇，其中积极评论16548条，消极评论18576条。选用Chinese Word Vectors的预训练好的300维的向量作为每个单词的初始词向量，即X₁，X₂，…，X_n，其中X_n均为表示词语含义的1*300的向量。

LSTM(Long Short-Term Memory，长短期记忆网络)网络层目的是计算出一个可以表达上下文信息的文本表示，因为模型是不能直接理解自然语言的，必须要先计算出一个模型可以理解的文本表示，这个文本表示具体是矩阵形式H。x₁,x₂,...,x_n作为输入进入LSTM层，其中n表示所述文本词汇中包含的所述单词的数量，n最大为144，一般取140。通过LSTM得到LSTM的隐藏层输出h₁ h₂…h_n，h₁ h₂ … h_n均为上述上下文向量，由上述上下文向量组合成上述的用于文本表示的矩阵；MHA(Multi-Head Attention，多头注意力层)模型在获得文本表示后，模型需要去理解它，这里的MHA模型的作用是计算词与词之间的关系，获得残差连接后的语义关联矩阵；第一全连接网络层作用是理解之前计算出的词与词之间的关系，获取残差连接后的语义关联度映射；第一注意力网络层目的是结合前面对文本的理解，计算出相应的注意力分配，并与之前得出的文本表示进行运算，计算出对于这个文本，模型应该将注意力分配在哪些词语上，获得用于表示语义关联权重分配的注意力向量；第二注意力网络层目的是基于全部的特征向量，结合对所以特征的理解，计算出相应的注意力分配；第二全连接网络层目的是让模型学会如何使用已有的上述特征进行心理压力分类，具体地分类通过压力分类向量来体现。

其中，反映用户睡眠状态的睡眠特征向量和反映运动状态的运动特征向量，可通过手环采集相关的睡眠数据和运动数据，对睡眠数据和运动数据进行特征提取，获得相关的睡眠特征向量和运动特征向量。例如，考虑到青少年的作息时间规律，针对晚上8:00到第二天早上10:00的睡眠情况。我们提取了9个特征，分别是：睡眠开始片段、睡眠结束片段、睡眠片段、深睡眠片段、深睡眠占比、睡眠总量、单位片段睡眠量、睡眠波动量、睡眠中清醒次数。为了方便时间特征的计量，我们将每15分钟作为一个片段，例如20:00-20:15为片段1，20:15-20:30为片段2，以此类推，片段集合我们用T表示，T＝{t₁，t₂，…，t₅₆}，t_i∈T表示第i个片段的睡眠量。

睡眠开始片段：在睡眠区间内最早产生至少连续4个片段的连续睡眠数据均大于0的起始片段，作为睡眠开始片段，即

当t_i*t_i+1*t_i+2*t_i+3＞0时，t_i，t_i+1，t_i+2，t_i+3∈T，睡眠开始片段取为i中的最小值的片段。

睡眠结束时间：在睡眠区间内至少4个连续睡眠片段的睡眠量均大于0的最晚片段，即，

t_i*t_i-1*t_i-2*t_i-3＞0，且t_i，t_i-1，t_i-2，t_i-3∈T。

睡眠片段：睡眠计量区间内睡眠量大于0的片段数。

深睡眠片段：当片段内睡眠量高于阈值θ，为一个深睡眠片段，一般θ取值230，该阈值为手环参数，根据不同的手环，其值可变。

深睡眠占比：深睡眠片段与睡眠片段的比值。

睡眠总量：睡眠开始片段到睡眠结束片段之间的睡眠量之和。

单位片段睡眠量：睡眠总量与睡眠片段的比值即为单位片段睡眠量。

睡眠波动量：睡眠开始片段到睡眠结束片段之间的睡眠量的标准差作为睡眠波动量。

睡眠中清醒次数：睡眠开始片段到睡眠结束片段之间睡眠量小于阈值β的片段数，β取值25，当睡眠开始片段到睡眠结束片段之间睡眠量小于25，即表示醒了。

关于运动特征向量，提取了5个运动特征，分别是每日运动步数、每日卡路里消耗值、每日运动距离、每日运动时长、每日运动活跃时长。其中每日运动步数、每日卡路里消耗值、每日运动距离、每日运动时长可以通过手环直接获取到。每日运动活跃时长：将每天24个小时平均分为96个片段，每个片段中运动步数、卡路里消耗值、运动距离、运动时长均高于其对应项均值的片段是运动活跃片段，每日运动活跃片段的总数即为每日运动活跃时长。我们用p＝(p₁,p₂,p₃,p₄,p₅)来表示运动特征，p₁,p₂,p₃,p₄,p₅分别依次代表运动的5个特征。

关于图片特征的提取，每张图片统一压缩为32*32像素的图像，这样在图片数量少的情况下可以加速图片特征的获取。由于是彩色图片，所以通道数为3，每个图片用32*32*3的向量表示，通过卷积神经网络来得到图片特征，这部分网络包含两层卷积和两层全连接网络。第一层卷积层输入是32*32*3的图像，卷积核大小为5*5，卷积后得到32*32*32的图像；池化层的尺寸为2*2，池化后得到16*16*32的图像。第二层卷积层以第一个卷积池化后的输出作为输入，卷积核大小仍为5*5，池化层的尺寸为2*2；得到8*8*64的图像，将8*8*64的图像展开为一个长度为4096的向量C，表示初步的图像特征C＝1*4096；第一个全连接层为I₁＝CW₁₁+b₆，第二全连接层为I₂＝I₁W₁₂+b₇，其中C为图像输入向量，I₁为图像输出向量，I₂为上述各实施例用于拼接特征值矩阵的图像特征向量，W₁₁为初始化后的第十一参数，b₆为初始化后的第六向量参数，W₁₂为初始化后的第十二参数，b₇为初始化后的第七向量参数。

本发明实施例提供的心理压力问题的检测方法结合获取的所述图片特征向量、所述文本特征向量、所述睡眠特征向量以及所述运动特征向量，获取向量拼接后的特征值矩阵；基于所述特征值矩阵和第二注意力网络层，获取相对应的多源注意力向量，并基于所述多源注意力向量、所述特征值矩阵以及第二全连接网络层，获取反映心理压力问题的压力分类向量，其中，以大量有效的反映青少年心理状态的文本词汇为数据分析的基础，再结合反映青少年心理活动的图片信息，以及睡眠信息和运动信息，通过计算机进行大量的数据训练，方法有效，感知准确，并节省了大量人力，并准确获取反映青少年心理压力状态的感知结果，为青少年的心理疏导提供依据。

在上述各实施例的基础上，本发明实施例提供的心理压力问题的检测方法中的所述第二注意力网络层为：

Att＝softmax(FtW₉)，其中，Att为所述多源注意力向量，Ft为所述特征值矩阵，W₉为所述初始化后的第九参数；

所述第二全连接网络层为：

其中，为所述压力分类向量，W₁₀为初始化后的第十参数，b₅为初始化后的第五向量参数，Att为所述多源注意力向量，Ft为所述特征值矩阵。即本发明实施例提供的心理压力问题的检测方法获得的特征值矩阵与多源注意力向量进行对位相乘后，通过第二全连接网络层，获得结合了睡眠特征、运动特征、文本特征和图片特征的压力分类向量，获得的压力分类向量为1*class，的向量，class为6，分别对应无、很弱、弱、中等、强、很强6个压力级别，其中拥有最高的数值的位置所对应的压力级别将作为最终的分类结果。

本发明实施例还提供了一种心理压力问题的感知装置，图3为本发明实施例提供的心理压力问题的感知装置结构示意图，如图3所示，该装置包括：

第一处理模块，用于基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

第二处理模块，用于基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

第三处理模块，用于基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

第四处理模块，用于基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

具体地，本发明实施例提供的心理压力问题的感知装置中第一处理模块基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；其中，由于社交媒体中尤其是各个电商网站的情感相关的评论文本非常多，因此可选取自然语言处理库里的电商评论数据集作为预训练数据集，包括书评和电脑评论等，每条评论都被标记为1(积极)或者-1(消极)，一共有35124条评论即上述反映用户心理状态的文本词汇，其中积极评论16548条，消极评论18576条。选用ChineseWord Vectors的预训练好的300维的向量作为每个单词的初始词向量，即x₁,x₂,...,x_n，其中x_n均为表示词语含义的1*300的向量。

LSTM(Long Short-Term Memory，长短期记忆网络)网络层目的是计算出一个可以表达上下文信息的文本表示，因为模型是不能直接理解自然语言的，必须要先计算出一个模型可以理解的文本表示，这个文本表示具体是矩阵形式H。x₁,x₂,...,x_n作为输入进入LSTM层，其中n表示所述文本词汇中包含的所述单词的数量，n最大为144，一般取140。通过LSTM得到LSTM的隐藏层输出h₁ h₂ … h_n，h₁ h₂ … h_n均为上述上下文向量，由上述上下文向量组合成上述的用于文本表示的矩阵；第二处理模块中的MHA(Multi-Head Attention，多头注意力层)模型在获得文本表示后，模型需要去理解它，这里的MHA模型的作用是计算词与词之间的关系，获得残差连接后的语义关联矩阵；全连接层作用是理解之前计算出的词与词之间的关系，获取残差连接后的语义关联度映射；第三处理模块中的注意力层目的是结合前面对文本的理解，计算出相应的注意力分配，并与之前得出的文本表示进行运算，计算出对于这个文本，模型应该将注意力分配在哪些词语上，获得用于表示语义关联权重分配的注意力向量；第四处理模块中的前馈全连接网络模型目的是让模型学会如何使用已有的上述文本词汇表示进行心理压力分类，具体地分类通过压力分类向量来体现。

本发明实施例提供的心理压力问题的感知装置采用反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；通过所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；根据所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；通过所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量，其中，以大量有效的反映青少年心理状态的文本词汇为数据分析的基础，通过计算机进行大量的数据训练，准确获取反映青少年心理压力状态的感知结果，方法有效，感知准确，并节省了大量人力，为青少年的心理疏导提供依据。

为了更具体说明，本发明实施例提供的心理压力问题的感知方法，现以模型的方式做进一步介绍，图4为本发明实施例提供的心理压力问题的感知方法的模型结构图，如图4所示，该模型结构包括：

文本词汇的每个单词或字符为w₁,w₁,...,w_n，基于w₁,w₁,...,w_n选用Chinese WordVectors的预训练好的300维的向量作为每个单词的初始词向量为x₁,x₂,...,x_n，通过LSTM41层得到上下文向量h₁ h₂ … h_n，通过MHA模型42，得到残差连接后的语义关联矩阵，通过全连接网路层43得到残差连接后的语义关联度映射，通过注意力网络层44得到注意力向量，通过前馈全连接网络模型45得到压力分类向量，最后输出青少年的心理压力状态。

为了更具体说明，本发明实施例提供的心理压力问题的检测方法，现以模型的方式做进一步介绍，图5为本发明实施例提供的心理压力问题的检测方法的模型结构图，如图5所示，该模型结构包括：

由图片51通过两个卷积层，两个全连接层，提取图片特征，得到图片特征向量；由文本词汇的每个单词或字符为w₁,w₁,...,w_n，基于w₁,w₁,...,w_n选用Chinese Word Vectors的预训练好的300维的向量作为每个单词的初始词向量为x₁,x₂,...,x_n，通过LSTM41层得到上下文向量h₁ h₂ … h_n，通过MHA模型，得到残差连接后的语义关联矩阵，通过第一全连接网路层得到残差连接后的语义关联度映射，通过第一注意力网络层44得到注意力向量，通过第二注意力网络层54得到结合了睡眠特征52和运动特征53以及图片特征的多源注意力向量，通过第二全连接网路层55得到压力分类向量，最后输出青少年的心理压力状态。

在获得了青少年的心理压力状态下，可通过“心悦读”、“心愿墙”、“通知监护人”的方式对青少年进行心理疏导。

其中，“心悦读”应用集成在“哈跑”App中，它以阅读疗法为主要方式对青少年用户进行压力疏导。阅读疗法是一种有效的心理治疗方法，通过阅读特定文本来实现心理疏导。它已被证明是一种处理青少年心理压力的有效方法。而且在当前电子化阅读已经比较普遍，这使得通过阅读疗法来进行压力疏导拥有了可普及性和可扩展性。我们开发的“心悦读”应用是一个在线阅读鼓励与分享平台，通过与“哈跑”的联动，实现青少年压力检测与通过阅读进行压力疏导的结合。“心悦读”包括文章管理、用户信息管理、积分管理和文章推荐。文章管理实现了文章的分专题显示、文章上传与审阅及用户评论和点赞。拥有一定权限的用户可以通过上传文章来进行分享，审阅的人员由达到一定积分的用户和我们团队组成，审阅通过的上传文章会加入到“心悦读”中。用户信息管理的记录范围包括用户阅读的文章和阅读时长、用户评论和点赞、用户上传的文章和数量及审阅通过的文章。积分管理会为每个用户维护一个积分，积分计算基于用户的多种行为来决定，积分多少将决定用户的权限范围，以此鼓励青少年进行阅读与分享。文章推荐是我们根据用户兴趣、用户压力类型以及压力强度来向用户推送针对性的文章。同时，“心悦读”应用鼓励用户将自己喜欢的文章上传、分享给其他人，同时将一部分用户加入到分享文章的审核团队中使得我们的平台实现了良性的用户群拓展与阅读题材完善。

“心愿墙”集成在“哈跑”App中，它通过互帮互助、帮助解决青少年遇到的压力问题。用户可以在平台上自由地提出问题，包括填写问题的详细文字信息以及上传问题相关图片，之后系统会根据有效的推荐算法把问题推荐给其他它认为有能力解决这些问题的用户。而与之同时用户也会接收到来自其他用户的问题请求，并且他们可以自由地选择是否接受这些问题，一旦他们接受了这些问题他们便可以获得问题请求者的线下联系方式，最终通过线下联系来解决问题的方式，便能够达到互帮互助的效果。

“极端压力情况通知监护人”，对于压力非常大的青少年，及时的压力疏导非常急迫，以避免青少年心理压力过大而产生的极端严重后果。当“哈跑”检测到用户心理压力程度过高时，为了避免出现极端状况的可能性，“哈跑”嵌入了通知监护人这一应用。通过及时地将青少年的严重压力情况知会其监护人，以监护人的介入作为避免心理压力继续扩散的有效防范措施。

短信生成“哈跑”联系监护人的方法为通过监护人预留在该平台的个人信息(监护人姓名，联系电话等)，借助第三方短信平台向其发送短信。短信内容的生成由压力感知模块的感知结果决定，包括青少年的个人信息，青少年的压力级别，青少年的压力类型等，以引起监护人对于青少年心理压力的关注，以及使用第三方短信发送服务商提供的短信发送服务为监护人发送短信，根据前面自动生成的短信内容，向监护人发送短信，并进行存档。

本发明实施例还提供了一种电子设备，图6为本发明实施例提供的电子设备的实体结构示意图，如图6所示，该电子设备包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和总线640，其中，处理器610，通信接口620，存储器630通过总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的心理压力问题的感知方法，例如包括：基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

本发明电子设备以及非暂态计算机可读存储介质的实施例是用于执行上述各方法实施例的具体流程和详细内容，参照上述各方法实施例，此处不再叙述。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需以上仅为本申请的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种心理压力问题的感知方法，其特征在于，包括：

基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

2.根据权利要求1所述的方法，其特征在于，所述基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵包括：

获取由所述上下文向量组成的组合矩阵，并基于所述组合矩阵以及初始化后的第一参数、第二参数和第三参数分别获得相对应的第一矩阵、第二矩阵和第三矩阵；

根据矩阵行数不变以及平均依次顺序拆分列数的原则，获得所述第一矩阵相对应的若干第一分矩阵、所述第二矩阵相对应的若干第二分矩阵以及所述第三矩阵相对应的若干第三分矩阵；

基于所述第一分矩阵、所述第二分矩阵、所述第三分矩阵以及所述MHA模型，获得所述语义关联矩阵，其中所述MHA模型具体为：

U＝H+M，

M＝Concat(M₁,M₂，...M_g)，

1≤j≤g，其中U为残差连接后的所述语义关联矩阵；M为残差连接前的语义关联矩阵；H为所述组合矩阵；F_1，1、F_1，2…F_1，g均为所述第一分矩阵；F_2，1、F_2，2…F_2，g均为所述第二分矩阵；F_3，1、F_3，2…F_3，g均为所述第三分矩阵；g为所述第一矩阵、所述第二矩阵和所述第三矩阵被平均拆分的片数；de为所述初始词向量的向量长度。

3.根据权利要求2所述的方法，其特征在于，所述基于所述组合矩阵以及初始化后的第一参数、第二参数和第三参数分别获得相对应的第一矩阵、第二矩阵和第三矩阵具体为：

根据所述组合矩阵以及所述第一参数，获得所述第一矩阵；

根据所述组合矩阵以及所述第二参数，获得所述第二矩阵；

根据所述组合矩阵以及所述第三参数，获得所述第三矩阵，其中：

F₁＝HW₁，F₂＝HW₂，F₃＝HW₃，H＝[h₁h₂...h_n]^T，其中F₁为所述第一矩阵、F₂为所述第二矩阵、F₃为所述第三矩阵；W₁为所述第一参数、W₂为所述第二参数、W₃为所述第三参数，H为所述组合矩阵，n为所述文本词汇中包含的所述单词的数量，h₁、h₂…h_n均为所述上下文向量。

4.根据权利要求1所述的方法，其特征在于，所述基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量包括：

基于所述语义关联矩阵以及全连接网络层，获取第一语义关联度映射，以及基于所述第一语义关联度映射，通过残差连接，获取残差连接后的所述语义关联度映射，其中，所述全连接网络层为：

S₁＝(UW₄+b₁)W₅+b₂，

S＝S₁+U，其中S₁为第一语义关联度映射，S为残差连接后的所述语义关联度映射，U为所述语义关联矩阵，W₄为初始化后的第四参数，W₅为初始化后的第五参数，b₁为初始化后的第一向量参数，b₂为初始化后的第二向量参数；

所述注意力网络层为：

V＝softmax(SW₆)，其中，V为所述注意力向量，W₆为初始化后的第六参数，S为残差连接后的所述语义关联度映射。

5.根据权利要求1所述的方法，其特征在于，所述基于所述注意力向量、所述初始词向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量包括：

基于注意力向量以及所述上下文向量，获取语义表达向量；

基于所述语义表达向量以及所述前馈全连接网络模型，获取所述压力分类向量，其中所述前馈全连接网络模型为：

y＝softmax((zw₇+b₃)w₈+b₄)，

Z＝VH，H＝[h₁h₂...h_n]^T，其中，y为所述压力分类向量，z为所述语义表达向量，V为所述注意力向量，h₁、h₂…h_n均为所述上下文向量，w₇为初始化后的第七参数，w₈为初始化后的第八参数，b₃为初始化后的第三向量参数，b₄为初始化后的第四向量参数。

6.一种心理压力问题的检测方法，其特征在于，包括：

分别获取反映用户睡眠状态的睡眠特征向量、反映运动状态的运动特征向量以及反映心理活动状态的初始词向量和图片特征向量；

基于所述初始词向量以及LSTM网络层，获得上下文向量；

基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

基于所述语义关联矩阵以及第一全连接网络层，获取残差连接后的语义关联度映射，以及基于所述语义关联度映射和第一注意力网络层生成用于表示语义关联权重分配的注意力向量，并根据所述注意力向量以及所述初始词向量，获取文本特征向量；

基于所述图片特征向量、所述文本特征向量、所述睡眠特征向量、所述运动特征向量，获取向量拼接后的特征值矩阵；

基于所述特征值矩阵和第二注意力网络层，获取相对应的多源注意力向量，并基于所述多源注意力向量、所述特征值矩阵以及第二全连接网络层，获取反映心理压力问题的压力分类向量。

7.根据权利要求6所述的方法，其特征在于，所述第二注意力网络层为：

Att＝softmax(FtW₉)，其中，Att为所述多源注意力向量，Ft为所述特征值矩阵，W₉为所述初始化后的第九参数；

所述第二全连接网络层为：

其中，为所述压力分类向量，W₁₀为初始化后的第十参数，b₅为初始化后的第五向量参数，Att为所述多源注意力向量，Ft为所述特征值矩阵。

8.一种心理压力问题的感知装置，其特征在于，包括：

第一处理模块，用于基于反映用户心理状态的文本词汇获取每个单词对应的初始词向量，并基于所述初始词向量以及LSTM网络层，获得上下文向量；

第二处理模块，用于基于所述上下文向量以及反映不同文本词汇之间语义关联度的MHA模型，获得残差连接后的语义关联矩阵；

第三处理模块，用于基于所述语义关联矩阵以及全连接网络层，获取残差连接后的语义关联度映射，并基于所述语义关联度映射以及注意力网络层生成用于表示语义关联权重分配的注意力向量；

第四处理模块，用于基于所述注意力向量、所述上下文向量以及前馈全连接网络模型，获取反映心理压力问题的压力分类向量。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。