CN110957039A - 一种基于深度学习的校园心理辅导的方法及装置 - Google Patents
一种基于深度学习的校园心理辅导的方法及装置 Download PDFInfo
- Publication number
- CN110957039A CN110957039A CN201911296081.3A CN201911296081A CN110957039A CN 110957039 A CN110957039 A CN 110957039A CN 201911296081 A CN201911296081 A CN 201911296081A CN 110957039 A CN110957039 A CN 110957039A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- psychological
- emotion
- detected
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的校园心理辅导的方法及装置,通过预先录入在校生的源数据建立情绪监测模型,实时获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型,通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估,对心理评估异常的在校生进行心理辅导。
Description
技术领域
本发明涉及在校大学生心理健康状态评估技术领域,具体设计一种基于深度学习的校园心理辅导的方法及装置。
背景技术
大学生心理健康,是当代高校不可忽视的重要方面,心理健康主要是指精神、活动正常、心理素质好,大学生由于学习压力大、就业形势严峻等问题会产生不同程度的抑郁倾向,而抑郁倾向的主要表现为长时间情绪低落、记忆力下降、注意力下降、食欲以及睡眠等发生变化,严重表现为轻生。因此心里健康问题日益成为当代大学生关注的主要健康话题,而如何快速、准确、全面的评估大学生的身心健康亟待研究。但是在今天的校园中,在校大学生的心理健康服务还停留在被动模式,主要通过传统问卷发放方式或学生向心理健康咨询中心咨询或到医院就诊发现心理异动个体。由于人力物力所限,长期以来心理学研究者无法获取覆盖研究大学生对象全体的数据,也不便对个体心理健康状态变化进行跟踪研究,难以对心理行为异动个体进行及时主动干预。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。
发明内容
本发明的目的是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。
本发明的目的可以通过以下技术方案来实现:
一种基于深度学习的校园心理辅导的方法,所述方法包括以下步骤:
步骤一:预先录入在校生的源数据,对所述源数据进行分析、提取特征向量,并根据该所述源数据建立情绪监测模型。
所述预先录入在校生的源数据为在校生的档案数据、课堂考勤数据、考试数据、图书馆借阅数据、宿舍作息数据、URL数据、社交媒体数据、心理咨询及就诊数据;
对上述源数据中的各项数据提取特征向量,对所述各项数据提取的特征向量分别赋予不同的系数,再将所述各项数据提取的特征向量进行特征融合,并通过卷积神经网络训练,得到所述的情绪检测模型。
步骤二:获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型;
所述预处理是对所述获取到的在校生的检测数据进行信息过滤、并对信息过滤后的待检测数据进行数据标识、分词、词性标注操作,在数据表现的基础上利用文档频率、信息增益、主题分析、情感分析、关键词过滤、表情符号分析进行数据抽取,最后形成所述待检测数据。
步骤三:通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估;
在获取所述步骤二中的待检测数据后,生成对应的待检测数据特征向量矩阵;将所述待检测数据特征向量矩阵输入到预先构建的所述情绪监测模型中,得到对应的在校生情绪指数,并根据所述情绪指数进行匹配操作,以获取所述情绪监测模型中的样本集的匹配对象,以此完成所述的心理评估;
在所述步骤三中,所述情绪监测模型包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层,在进行特征融合后,输入到第四卷积层、第四池化层、第五全连接层、第六全连接层。所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层依次相连,所述卷积神经网络、第四卷积层、第四池化层、第五全连接层、第六全连接层依次相连。
步骤四:对心理评估异常的在校生进行心理辅导;
对心理评估异常的在校生定向推荐心理辅导文章、日常作息规划、饮食及运动类型等信息,向学生社区、辅导员、心理咨询中心推送该所述心理评估异常的在校生的具体信息。
本发明还提供一种基于深度学习的校园心理辅导的装置,其特征在于:所述装置包括以下模块:监测模型生成模块、数据采集模块、心理评估模块、心理辅导模块。
所述监测模型生成模块,用于预先录入在校生的源数据,对所述源数据进行分析、提取特征向量,并根据该所述源数据建立情绪监测模型。
所述监测模型生成模块用于将所述预先录入在校生的源数据为在校生的档案数据、课堂考勤数据、考试数据、图书馆借阅数据、宿舍作息数据、URL数据、社交媒体数据、心理咨询及就诊数据。
对上述源数据中的各项数据提取特征向量,对所述各项数据提取的特征向量分别赋予不同的系数,再将所述各项数据提取的特征向量进行特征融合,并通过卷积神经网络训练,得到所述的情绪检测模型。
所述数据采集模块,用于获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型。
所述数据采集模块用于将所述预处理是对所述获取到的在校生的检测数据进行信息过滤、并对信息过滤后的待检测数据进行数据标识、分词、词性标注操作,在数据表现的基础上利用文档频率、信息增益、主题分析、情感分析、关键词过滤、表情符号分析进行数据抽取,最后形成所述待检测数据。
所述心理评估模块,用于通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估。
所述心理评估模块用于在所述数据采集模块获取待检测数据后,生成对应的待检测数据特征向量矩阵。
将所述待检测数据特征向量矩阵输入到预先构建的所述情绪监测模型中,得到对应的在校生情绪指数,并根据所述情绪指数进行匹配操作,以获取所述情绪监测模型中的样本集的匹配对象,以此完成所述的心理评估。
所述情绪监测模型包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层,在进行特征融合后,输入到第四卷积层、第四池化层、第五全连接层、第六全连接层。所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层依次相连,所述卷积神经网络、第四卷积层、第四池化层、第五全连接层、第六全连接层依次相连。
所述心理辅导模块,用于对心理评估异常的在校生进行心理辅导。
所述心理辅导模块用于对心理评估异常的在校生定向推荐心理辅导文章、日常作息规划、饮食及运动类型等信息,向学生社区、辅导员、心理咨询中心推送该所述心理评估异常的在校生的具体信息。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1示出了一种基于深度学习的校园心理辅导的方法的流程图;
图2示出了一种基于深度学习的校园心理辅导的装置模块图。
实施例
以下描述中,为了说明而不是为了限定,提出了方法步骤中的示例和系统的模块,以便透彻理解本发明。然而,本领域技术人员应当清楚,在没有这些具体的细节的其它实施例中也可以实现本发明。
本发明的目的可以通过以下技术方案来实现,如图1所示:
一种基于深度学习的校园心理辅导的方法,所述方法包括以下步骤:
步骤一:预先录入在校生的源数据,对所述源数据进行分析、提取特征向量,并根据该所述源数据建立情绪监测模型。
本事实例中,所述预先录入在校生的源数据为在校生的档案数据、课堂考勤数据、考试数据、图书馆借阅数据、宿舍作息数据、URL数据、社交媒体数据、心理咨询及就诊数据;
对上述源数据中的各项数据提取特征向量,对所述各项数据提取的特征向量分别赋予不同的系数,再将所述各项数据提取的特征向量进行特征融合,并通过卷积神经网络训练,得到所述的情绪检测模型。
本实施例中,定义用户输入的文本在心理类别上的度量方式,计算出文本中特征词的特征向量,并用该向量进行扩充,增加不同用户在输入不同文本时,在咨询类别上的进行分类语义信息。
本实施例中还使用大学校园论坛作为对话语料的数据源,大学校园论坛中包含大量的对话数据,这些语料多与校园环境相关,其中,也包含人际、学习、恋爱、工作等并非严格的心理咨询但与心理咨询密切相关的对话内容,因此本发明从大学校园论坛中筛选出与心理咨询相关的对话数据作为后续心理咨询相关句对情绪监测模型的训练语料。
步骤二:获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型;
所述预处理是对所述获取到的在校生的检测数据进行信息过滤、并对信息过滤后的待检测数据进行数据标识、分词、词性标注操作,在数据表现的基础上利用文档频率、信息增益、主题分析、情感分析、关键词过滤、表情符号分析进行数据抽取,最后形成所述待检测数据。
具体地,本实施例中,可通过word2vec将待检测数据中的特征词进行数据标识,分词、词性标注,并进行分布式向量表示。
步骤三:通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估;
在获取所述步骤二中的待检测数据后,生成对应的待检测数据特征向量矩阵;将所述待检测数据特征向量矩阵输入到预先构建的所述情绪监测模型中,得到对应的在校生情绪指数,并根据所述情绪指数进行匹配操作,以获取所述情绪监测模型中的样本集的匹配对象,以此完成所述的心理评估;
在所述步骤三中,所述情绪监测模型包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层,在进行特征融合后,输入到第四卷积层、第四池化层、第五全连接层、第六全连接层。所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层依次相连,所述卷积神经网络、第四卷积层、第四池化层、第五全连接层、第六全连接层依次相连。
具体地,在本实施例中,卷积层及池化层窗口大小及特征图的个数通过网格搜索选定。卷积及池化的窗口从(2,2),(3,3),(5,5)中选取,优选的,选取的窗口大小为(3,3)。
具体地,在情绪监测模型中,在计算用户情绪值时,首先计算用户样本对应的特征向量的估计向量;通过逻辑回归模型预测样本所属的类别个数,再结合多分类模型预测得到的样本在所有类别下的概率向量,对样本的标签向量y进行估计,将样本在各个类别下的预测概率作为输入,将样本包含的类别作为输出为用户情绪值。
步骤四:对心理评估异常的在校生进行心理辅导;
对心理评估异常的在校生定向推荐心理辅导文章、日常作息规划、饮食及运动类型等信息,向学生社区、辅导员、心理咨询中心推送该所述心理评估异常的在校生的具体信息。
本发明的目的可以通过以下技术方案来实现,如图2所示,本发明还提供一种基于深度学习的校园心理辅导的装置,其特征在于:所述装置包括以下模块:监测模型生成模块、数据采集模块、心理评估模块、心理辅导模块。
所述监测模型生成模块,用于预先录入在校生的源数据,对所述源数据进行分析、提取特征向量,并根据该所述源数据建立情绪监测模型。
所述监测模型生成模块用于将所述预先录入在校生的源数据为在校生的档案数据、课堂考勤数据、考试数据、图书馆借阅数据、宿舍作息数据、URL数据、社交媒体数据、心理咨询及就诊数据。
对上述源数据中的各项数据提取特征向量,对所述各项数据提取的特征向量分别赋予不同的系数,再将所述各项数据提取的特征向量进行特征融合,并通过卷积神经网络训练,得到所述的情绪检测模型。
本实施例中,定义用户输入的文本在心理类别上的度量方式,计算出文本中特征词的特征向量,并用该向量进行扩充,增加不同用户在输入不同文本时,在咨询类别上的进行分类语义信息。
本实施例中还使用大学校园论坛作为对话语料的数据源,大学校园论坛中包含大量的对话数据,这些语料多与校园环境相关,其中,也包含人际、学习、恋爱、工作等并非严格的心理咨询但与心理咨询密切相关的对话内容,因此本发明从大学校园论坛中筛选出与心理咨询相关的对话数据作为后续心理咨询相关句对情绪监测模型的训练语料。
所述数据采集模块,用于获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型。
所述数据采集模块用于将所述预处理是对所述获取到的在校生的检测数据进行信息过滤、并对信息过滤后的待检测数据进行数据标识、分词、词性标注操作,在数据表现的基础上利用文档频率、信息增益、主题分析、情感分析、关键词过滤、表情符号分析进行数据抽取,最后形成所述待检测数据。
具体地,本实施例中,可通过word2vec将待检测数据中的特征词进行数据标识,分词、词性标注,并进行分布式向量表示。
所述心理评估模块,用于通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估。
所述心理评估模块用于在所述数据采集模块获取待检测数据后,生成对应的待检测数据特征向量矩阵。
将所述待检测数据特征向量矩阵输入到预先构建的所述情绪监测模型中,得到对应的在校生情绪指数,并根据所述情绪指数进行匹配操作,以获取所述情绪监测模型中的样本集的匹配对象,以此完成所述的心理评估。
所述情绪监测模型包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层,在进行特征融合后,输入到第四卷积层、第四池化层、第五全连接层、第六全连接层。所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层依次相连,所述卷积神经网络、第四卷积层、第四池化层、第五全连接层、第六全连接层依次相连。
具体地,在本实施例中,卷积层及池化层窗口大小及特征图的个数通过网格搜索选定。卷积及池化的窗口从(2,2),(3,3),(5,5)中选取,优选的,选取的窗口大小为(3,3)。
具体地,在情绪监测模型中,在计算用户情绪值时,首先计算用户样本对应的特征向量的估计向量;通过逻辑回归模型预测样本所属的类别个数,再结合多分类模型预测得到的样本在所有类别下的概率向量,对样本的标签向量y进行估计,将样本在各个类别下的预测概率作为输入,将样本包含的类别作为输出为用户情绪值。
所述心理辅导模块,用于对心理评估异常的在校生进行心理辅导。
所述心理辅导模块用于对心理评估异常的在校生定向推荐心理辅导文章、日常作息规划、饮食及运动类型等信息,向学生社区、辅导员、心理咨询中心推送该所述心理评估异常的在校生的具体信息。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应该涵盖在本发明的保护范围之内,因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的校园心理辅导的方法,其特征在于:所述方法包括以下步骤:
步骤一:预先录入在校生的源数据,对所述源数据进行分析、提取特征向量,并根据该所述源数据建立情绪监测模型;
步骤二:获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型;
步骤三:通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估;
步骤四:对心理评估异常的在校生进行心理辅导。
2.如权利要求1所述的基于深度学习的校园心理辅导的方法,其特征在于:
在步骤一中,所述预先录入在校生的源数据为在校生的档案数据、课堂考勤数据、考试数据、图书馆借阅数据、宿舍作息数据、URL数据、社交媒体数据、心理咨询及就诊数据;
对上述源数据中的各项数据提取特征向量,对所述各项数据提取的特征向量分别赋予不同的系数,再将所述各项数据提取的特征向量进行特征融合,并通过卷积神经网络训练,得到所述的情绪检测模型。
3.如权利要求1所述的基于深度学习的校园心理辅导的方法,其特征在于:
在步骤二中,所述预处理是对所述获取到的在校生的检测数据进行信息过滤、并对信息过滤后的待检测数据进行数据标识、分词、词性标注操作,在数据表现的基础上利用文档频率、信息增益、主题分析、情感分析、关键词过滤、表情符号分析进行数据抽取,最后形成所述待检测数据。
4.如权利要求1所述的基于深度学习的校园心理辅导的方法,其特征在于,在步骤三中,在获取步骤二中的待检测数据后,生成对应的待检测数据特征向量矩阵;
将所述待检测数据特征向量矩阵输入到预先构建的所述情绪监测模型中,得到对应的在校生情绪指数,并根据所述情绪指数进行匹配操作,以获取所述情绪监测模型中的样本集的匹配对象,以此完成所述的心理评估;
在所述步骤三中,所述情绪监测模型包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层,在进行特征融合后,输入到第四卷积层、第四池化层、第五全连接层、第六全连接层。所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层依次相连,所述卷积神经网络、第四卷积层、第四池化层、第五全连接层、第六全连接层依次相连。
5.如权利要求1所述的基于深度学习的校园心理辅导的方法,其特征在于:
在步骤四中,对心理评估异常的在校生定向推荐心理辅导文章、日常作息规划、饮食及运动类型等信息,向学生社区、辅导员、心理咨询中心推送该所述心理评估异常的在校生的具体信息。
6.一种基于深度学习的校园心理辅导的装置,其特征在于:所述装置包括以下模块:监测模型生成模块、数据采集模块、心理评估模块、心理辅导模块。
所述监测模型生成模块,用于预先录入在校生的源数据,对所述源数据进行分析、提取特征向量,并根据该所述源数据建立情绪监测模型;
所述数据采集模块,用于获取在校生的待检测数据,对该所述待检测数据进行预处理,并将预处理后的所述待检测数据输入至所述情绪监测模型;
所述心理评估模块,用于通过所述情绪监测模型获取对应的在校生情绪指数,并根据所述情绪指数对该在校生进行心理评估;
所述心理辅导模块,用于对心理评估异常的在校生进行心理辅导。
7.如权利要求6所述的基于深度学习的校园心理辅导的方法,其特征在于:
所述监测模型生成模块用于将所述预先录入在校生的源数据为在校生的档案数据、课堂考勤数据、考试数据、图书馆借阅数据、宿舍作息数据、URL数据、社交媒体数据、心理咨询及就诊数据;对上述源数据中的各项数据提取特征向量,对所述各项数据提取的特征向量分别赋予不同的系数,再将所述各项数据提取的特征向量进行特征融合,并通过卷积神经网络训练,得到所述的情绪检测模型。
8.如权利要求6所述的基于深度学习的校园心理辅导的方法,其特征在于:
所述数据采集模块用于将所述预处理是对所述获取到的在校生的检测数据进行信息过滤、并对信息过滤后的待检测数据进行数据标识、分词、词性标注操作,在数据表现的基础上利用文档频率、信息增益、主题分析、情感分析、关键词过滤、表情符号分析进行数据抽取,最后形成所述待检测数据。
9.如权利要求6所述的基于深度学习的校园心理辅导的方法,其特征在于,
所述心理评估模块用于在所述数据采集模块获取待检测数据后,生成对应的待检测数据特征向量矩阵;
将所述待检测数据特征向量矩阵输入到预先构建的所述情绪监测模型中,得到对应的在校生情绪指数,并根据所述情绪指数进行匹配操作,以获取所述情绪监测模型中的样本集的匹配对象,以此完成所述的心理评估;
所述情绪监测模型包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层,在进行特征融合后,输入到第四卷积层、第四池化层、第五全连接层、第六全连接层。所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层1、第三卷积层2、第三池化层依次相连,所述卷积神经网络、第四卷积层、第四池化层、第五全连接层、第六全连接层依次相连。
10.如权利要求6所述的基于深度学习的校园心理辅导的方法,其特征在于,所述心理辅导模块用于对心理评估异常的在校生定向推荐心理辅导文章、日常作息规划、饮食及运动类型等信息,向学生社区、辅导员、心理咨询中心推送该所述心理评估异常的在校生的具体信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296081.3A CN110957039A (zh) | 2019-12-16 | 2019-12-16 | 一种基于深度学习的校园心理辅导的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296081.3A CN110957039A (zh) | 2019-12-16 | 2019-12-16 | 一种基于深度学习的校园心理辅导的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110957039A true CN110957039A (zh) | 2020-04-03 |
Family
ID=69981968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296081.3A Pending CN110957039A (zh) | 2019-12-16 | 2019-12-16 | 一种基于深度学习的校园心理辅导的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110957039A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599472A (zh) * | 2020-05-14 | 2020-08-28 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN113539480A (zh) * | 2021-07-20 | 2021-10-22 | 武汉情智感知科技有限公司 | 一种新型的精神健康干预交互系统 |
CN113918818A (zh) * | 2021-10-21 | 2022-01-11 | 海信集团控股股份有限公司 | 心理辅导内容推荐方法及装置 |
CN117409964A (zh) * | 2023-04-21 | 2024-01-16 | 云启智慧科技有限公司 | 一种基于学生在校行为分析的综合心理评测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192310A (zh) * | 2018-07-25 | 2019-01-11 | 同济大学 | 一种基于大数据的大学生心理行为异动系统方案设计方法 |
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
CN110472245A (zh) * | 2019-08-15 | 2019-11-19 | 东北大学 | 一种基于层次化卷积神经网络的多标记情绪强度预测方法 |
-
2019
- 2019-12-16 CN CN201911296081.3A patent/CN110957039A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192310A (zh) * | 2018-07-25 | 2019-01-11 | 同济大学 | 一种基于大数据的大学生心理行为异动系统方案设计方法 |
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
CN110472245A (zh) * | 2019-08-15 | 2019-11-19 | 东北大学 | 一种基于层次化卷积神经网络的多标记情绪强度预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599472A (zh) * | 2020-05-14 | 2020-08-28 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN111599472B (zh) * | 2020-05-14 | 2023-10-24 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN113539480A (zh) * | 2021-07-20 | 2021-10-22 | 武汉情智感知科技有限公司 | 一种新型的精神健康干预交互系统 |
CN113918818A (zh) * | 2021-10-21 | 2022-01-11 | 海信集团控股股份有限公司 | 心理辅导内容推荐方法及装置 |
CN117409964A (zh) * | 2023-04-21 | 2024-01-16 | 云启智慧科技有限公司 | 一种基于学生在校行为分析的综合心理评测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aafjes-van Doorn et al. | A scoping review of machine learning in psychotherapy research | |
CN110957039A (zh) | 一种基于深度学习的校园心理辅导的方法及装置 | |
Onan et al. | Weighted word embeddings and clustering‐based identification of question topics in MOOC discussion forum posts | |
US20190171928A1 (en) | Dynamically managing artificial neural networks | |
CN112163162B (zh) | 基于人像识别的选修课程推荐方法、存储介质及电子设备 | |
Liu et al. | Mining online discussion data for understanding teachers reflective thinking | |
Prakash et al. | A novel convolutional neural network with gated recurrent unit for automated speech emotion recognition and classification | |
Rauthmann et al. | Normative and distinctive accuracy in situation perceptions: Magnitude and personality correlates | |
Dudzik et al. | Context in human emotion perception for automatic affect detection: A survey of audiovisual databases | |
Onwuegbuzie et al. | A framework for using discourse analysis for the review of the literature in counseling research | |
Lin et al. | A novel recommendation system via L0-regularized convex optimization | |
Kouahla et al. | Emorec: a new approach for detecting and improving the emotional state of learners in an e-learning environment | |
Chaudhury et al. | The Sentiment Analysis of Human Behavior on Products and Organizations using K-Means Clustering and SVM Classifier | |
Kuo et al. | Machine-learning-based prediction of client distress from session recordings | |
Baker et al. | Constructing statement sets for use in Q methodology studies | |
Trevisan et al. | Talking about mobile communication systems: verbal comments in the web as a source for acceptance research in large-scale technologies | |
Chen et al. | Fault diagnosis of wind turbine based on multi-signal CNN-GRU model | |
Vasani et al. | Introduction to Emotion Detection and Predictive Psychology in the Age of Technology | |
Ganesan et al. | Analyzing social media data for better understanding students’ learning experiences | |
Stewart et al. | Dissimilarity is used as evidence of category membership in multidimensional perceptual categorization: A test of the similarity–dissimilarity generalized context model | |
KR20210060778A (ko) | 유학 정보 공유 시스템 | |
Pan et al. | Automatically infer human traits and behavior from social media data | |
Mladenic | Artificial Intelligence (AI) Transforming Laboratories | |
Gorin | Diagnostic Classification Models: Are they Necessary? Commentary on | |
Chaspari et al. | The development of the Athens Emotional States Inventory (AESI): collection, validation and automatic processing of emotionally loaded sentences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |