CN112086169A - 采用心理数据标签化建模的交互式心理疏导系统 - Google Patents

采用心理数据标签化建模的交互式心理疏导系统 Download PDF

Info

Publication number
CN112086169A
CN112086169A CN202010991906.XA CN202010991906A CN112086169A CN 112086169 A CN112086169 A CN 112086169A CN 202010991906 A CN202010991906 A CN 202010991906A CN 112086169 A CN112086169 A CN 112086169A
Authority
CN
China
Prior art keywords
psychological
data
model
grooming
user
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.)
Granted
Application number
CN202010991906.XA
Other languages
English (en)
Other versions
CN112086169B (zh
Inventor
王冲冲
李嘉懿
任永亮
张佳
贺同路
杨菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Spirit Power Technology Co ltd
Original Assignee
Beijing Spirit Power Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Spirit Power Technology Co ltd filed Critical Beijing Spirit Power Technology Co ltd
Priority to CN202010991906.XA priority Critical patent/CN112086169B/zh
Publication of CN112086169A publication Critical patent/CN112086169A/zh
Application granted granted Critical
Publication of CN112086169B publication Critical patent/CN112086169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/41—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/45—Clustering; Classification
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提出采用心理数据标签化建模的交互式心理疏导系统，包括多源数据采集端口、心理状态检测引擎、心理状态特征提取模块、心理状态检测模型、心理疏导模型训练数据构建子系统、心理疏导模型构建子系统、心理状态阈值调节子系统以及心理疏导结果输出子系统。多源数据采集端口从多个数据源获取单位时间内用户的心理状态信息；心理状态检测引擎得出当前用户的心理状态检测等级；心理状态检测模型输出所述用户的心理状态特征的向量化指标向量；心理疏导模型构建子系统所述心理疏导模型的训练数据，训练心理疏导模型。所述心理状态阈值调节子系统用于调节所述心理状态检测引擎的心理状态阈值，所述心理疏导结果输出子系统用于输出心理疏导结果。

Description

采用心理数据标签化建模的交互式心理疏导系统
技术领域
本发明属于心理数据处理技术领域，尤其涉及一种采用心理数据标签化建模的交互式心理疏导系统。
背景技术
随着现代社会中生活压力的日益增长，越来越多的人出现了各种各样的心理问题。目前，很多人选择通过非心理精神专业的工作人员来对用户叙述的心理问题进行分析判断，并且由非心理精神专业的工作人员推荐服务资源。然而，在实践中发现，非心理精神专业的工作人员在对用户叙述的心理问题进行分析判断的过程中，会存在判断不准确、容易遗漏信息、评估周期长、检测不及时、测评结果受主观意识影响大、效率比较低等问题，因此，非心理精神专业的工作人员推荐的心理健康服务存在不够准确的情况。
现有技术中，最普遍的心理疏导方案是通过心理医生或相关从业人员经过心理测试、情绪评估等，并通过与被测试者进行交流沟通后，获取被测试者的心理方面的心理，在获取的信息的基础上根据自身的工作经验或查阅医学资料对被测试者进行辅导或治疗。
例如，申请号为CN202010069920的中国发明专利申请提出一种基于交互的心理健康服务推荐方法及装置，包括：获取会话文本数据；基于心理分析模型对所述会话文本数据进行分析，得到心理分析数据，该心理分析数据中至少包含心理问题类别；确定与心理分析数据匹配的心理健康服务资源；输出心理健康服务资源。实施本发明实施例，能够对获取的会话文本数据进行分析，得到与会话文本数据相关的心理分析数据，进而确定与心理分析数据匹配的心理健康服务资源，使得向用户推送的心理健康服务资源与用户输入的会话文本数据相关，从而可以提升推荐的用于治疗心理问题的心理健康服务的准确性。
申请号为CN201810816957的中国发明专利申请提出一种基于神经网络的大学生心理行为异动监测预警方法，包括：1)获取学生的多信息源数据；通过所述多信息源数据，利用数据预处理算法，得到学生的心理行为数据；获取学生的抑郁心理测试自评表；通过所述心理测试自评表的结果，对学生进行心理健康状态标签标记；通过所述心理行为数据，提取与心理健康状态有关的特征；通过所述特征，利用PCA算法提取数据的主要特征分量；2)在获得学生心理行为数据和提取出主要特征分量后，利用神经网络算法建立和训练抑郁心理预警模型；3)获取新的学生多信息源数据，根据所述的抑郁心理预警模型评估新的学生个体的抑郁状态。
然而，发明人发现，该过程往往效率很低，而且严重依赖相关从业人员的工作经验、涉猎的专业知识的广泛程度、以及亲和力等，最终的心理疏导效果参差不齐。
发明内容
为解决上述技术问题，本发明提出一种采用心理数据标签化建模的交互式心理疏导系统，包括多源数据采集端口、心理状态检测引擎、心理状态特征提取模块、心理状态检测模型、心理疏导模型训练数据构建子系统、心理疏导模型构建子系统、心理状态阈值调节子系统以及心理疏导结果输出子系统。多源数据采集端口从多个数据源获取单位时间内用户的心理状态信息；心理状态检测引擎得出当前用户的心理状态检测等级；心理状态检测模型输出所述用户的心理状态特征的向量化指标向量；心理疏导模型构建子系统所述心理疏导模型的训练数据，训练心理疏导模型。所述心理状态阈值调节子系统用于调节所述心理状态检测引擎的心理状态阈值，所述心理疏导结果输出子系统用于输出心理疏导结果。
本发明的技术方案，通过分析用户的单位时间内的心理状态信息对用户当前的心理状态进行评测，分析用户当前真实的心理状态，并根据用户当前真实的心理状态基于心理状态疏导模型对用户进行心理疏导，本发明能够快速高效的对用户的心理状态进行识别，并通过心理疏导模型及时对用户进行心理疏导，以解决传统心理疏导过程中耗时长、效率低、对相关从业经验严重依赖等问题。
具体来说，在本发明第一个方面，提供一种采用心理数据标签化建模的交互式心理疏导系统，
所述交互式心理疏导系统包括：
多源数据采集端口：所述多源数据采集端口从多个数据源获取单位时间内用户的心理状态信息；
心理状态检测引擎：所述心理状态检测引擎基于所述多源数据采集端口采集得到的所述单位时间内用户的心理状态信息，得出当前用户的心理状态检测等级；
心理状态特征提取模块：所述心理状态特征提取模块基于所述心理状态检测引擎得到的所述当前用户的心理状态检测等级信息、所述当前用户的历史检测等级信息以及所述单位时间内用户的心理状态信息，提取用户的心理状态特征，所述心理状态特征包括情感信息特征、生理信息特征、情感信息特征、图片信息特征、音频信息特征、行为信息特征；
心理状态检测模型：将所述心理状态特征作为所述心理状态检测模型的输入，所述心理状态检测模型输出所述用户的心理状态特征的向量化指标向量；
心理疏导模型训练数据构建子系统：基于所述向量化指标向量，将所述单位时间内用户的心理状态信息转换成标签的形式，作为心理疏导模型的训练数据；
心理疏导模型构建子系统：基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型。
更具体的，作为本发明的第一个创新点，所述心理疏导模型构建子系统基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型，具体包括：
获取所述用户的多个不同心理状态特征的多个不同向量化指标向量；
将所述多个不同向量化指标向量处理成相同维度。
作为上述创新点的关键技术手段，所述将所述多个不同向量化指标向量处理成相同维度，具体包括：
获取用户心理状态检测结果标签的特征向量
Figure BDA0002690712310000041
心理状态标签的one-hot特征向量
Figure BDA0002690712310000042
心理疏导数据文本的语义向量
Figure BDA0002690712310000043
对于用户心理状态检测结果标签的特征向量
Figure BDA0002690712310000044
使用concatenate(连接、串连)或叠加求和或求平均特征向量的方法进行处理；
然后将特征向量
Figure BDA0002690712310000051
和特征向量
Figure BDA0002690712310000052
均匀的嵌入到语义向量
Figure BDA0002690712310000053
上。
作为本发明的第二个创新点，所述心理疏导模型构建子系统基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型，具体包括：
将训练过程分成encoder(编码)和decoder(解码)两个部分；
encoder(编码)部分是对输入文本的语义编码形式，通过CNN(卷积神经网络)+Pooling(池化)模型、Attention(注意力模型)的生成方式来生成来输入文本的语义向量
Figure BDA0002690712310000054
然后将特征向量
Figure BDA0002690712310000055
和特征向量
Figure BDA0002690712310000056
均匀的嵌入到语义向量
Figure BDA0002690712310000057
上作为最终的输入向量
Figure BDA0002690712310000058
通过后向编码形式生成一次输入文本的语义和上下文信息；
将前后向语义编码的结果进行concatenate(连接)起来作为最终的隐层输出向量
Figure BDA0002690712310000059
decoder(解码)部分负责将上述编码出来的隐藏向量
Figure BDA00026907123100000510
解码为期望的输出。
作为上述创新点的关键技术手段，所述decoder(解码)部分为递归执行的流程，具体包括：
S501、所有输出端以一个通用的<start>(起始)标记开头，以<end>(终止)标记结尾，这两个标记也视为一个词/字；
S502、将<start>(起始)标记输入decoder(解码)部分，然后得到隐藏层向量，将这个向量与encoder(编码)过程得到的输出向量即混合，然后送入一个分类器，分类器的结果输出向量为P；
S503、将上一步分类器的结果输出向量P输入decoder(解码)部分，得到新的隐藏层向量，再次与encoder的输出向量混合，送入分类器，分类器应输出向量为Q；
S504、依此递归，选择分类器的最优结果，直到分类器的结果输出<end>(终止)标记表示预测结束。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一个实施例的一种采用心理数据标签化建模的交互式心理疏导系统的主体架构图
图2是图1所述系统训练心理疏导模型的数据处理流程图
图3是图1所述系统进行decoder(解码)部分的流程示意图
图4是图1所述系统心理疏导生成结果输出的流程原理图
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
图1是本发明一个实施例的一种采用心理数据标签化建模的交互式心理疏导系统的主体架构图。
图1中，所述交互式心理疏导系统，包括多源数据采集端口、心理状态检测引擎、心理状态特征提取模块、心理状态检测模型、心理疏导模型训练数据构建子系统、心理疏导模型构建子系统、心理状态阈值调节子系统以及心理疏导结果输出子系统。
其中，所述多源数据采集端口从多个数据源获取单位时间内用户的心理状态信息。
具体而言，包括但不限于从至少以下方面进行数据采集：
个体专业心理测试数据采集：个体专业心理测试信息的采集包括但不限于从专业机构获取可信度高的相关心理测试数据；所述专业机构包括但不限于专业心理治疗机构、专业心理治疗网站、专业心理研究机构等；所述相关心理测试数据包括但不限于个体专业的心理测试表及其测试结果，以及对应的测试数据来源时间、个人信息、评估结果、对策建议等数据。
个体历史语音形式、文本形式、图片形式和视频形式的心理数据采集：个体历史语音形式、文本形式、图片形式和视频形式的心理数据采集包括但不限于从用户历史发布的数据中获取、用户自身发布于社交媒体上的数据；如：微信、微博、QQ、推特、脸书、抖音、快手等社交媒体中心理相关的历史数据，所获取的数据为用户历史发布的心理相关的语音、文本、图片、视频等形式的数据。
新个体历史心理数据采集：新个体历史信息从新个体在单位时间内发布的心理相关的语音、文本、图片、视频等形式的数据，可以是用户自身发布于社交网站、媒体上的数据如：微信、微博、QQ、推特、脸书、抖音、快手等社交媒体中心理相关的历史数据。
心理疏导数据采集：采集心理疏导文本、音频形式的数据；心理疏导数据可以来自于专业的心理辅导、治疗数据、网络、社交媒体等；
心理状态检测引擎：所述心理状态检测引擎基于所述多源数据采集端口采集得到的所述单位时间内用户的心理状态信息，得出当前用户的心理状态检测等级；
作为一个示例，基于心理疏导数据，在情感类别中可以将情感分为喜、怒、哀、思、惧等情感类别，然后每个情感强度可以分为1、2、3、4等几个情感强度等级。
心理状态特征提取模块：所述心理状态特征提取模块基于所述心理状态检测引擎得到的所述当前用户的心理状态检测等级信息、所述当前用户的历史检测等级信息以及所述单位时间内用户的心理状态信息，提取用户的心理状态特征，所述心理状态特征包括情感信息特征、生理信息特征、情感信息特征、图片信息特征、音频信息特征、行为信息特征；
作为示例，
情感信息特征：包括用户的情感类别、情感极性、情感强度等情感特征信息；
生理信息特征：包括体重、体型、食欲、血压等生理特征信息；
情感信息特征：包括烦躁、焦虑、生气、喜、怒、哀等情感特征信息；图片信息特征：包括明暗变化、色彩饱和度等图片特征信息；
音频信息特征：包括语气变化、声音强度等音频特征信息；
行为信息特征：包括行动、处事风格等行为特征信息，比如吃的很少、害怕见人等；
心理状态检测模型：将所述心理状态特征作为所述心理状态检测模型的输入，所述心理状态检测模型输出所述用户的心理状态特征的向量化指标向量；
例如可以将用户的心理状态量化成人际敏感、抑郁、焦虑等几个类别、健康指数、或综合的心理状态表示等心理状态描述指标；
作为一个优选，可采用量化成心理健康指标比如1-10等量化方法；
作为另一个优选，可转换成综合心理状态的表示；例如综合信息状态表示可以用情感、生理、行为等几个方面进行表示；这样的话可以用多个模型进行融合的方法对用户的心理状态进行预测；比如情感、生理、行为等每个方面可以转化成一个向量化指标；
心理疏导模型训练数据构建子系统：基于所述向量化指标向量，将所述单位时间内用户的心理状态信息转换成标签的形式，作为心理疏导模型的训练数据；
心理疏导模型构建子系统：基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型。
心理疏导数据包括高质量的用户跟专业心理健康从业人员的对话、问答、沟通等数据；专业的心理辅导、治疗等数据；网络、社交媒体等途径上的高质量安慰、打气、疏导等数据；将获得的心理疏导数据进行整理，并进行格式化处理，比如存放格式统一化、命名格式统一、音频数据转文本(即通过语音识别方式将音频数据转换成文本，并记录音频数据的语气强弱、声音大小等数据)等方式将数据进行统一文本化；接下来统一化的文本进行数据清洗，特殊字符标点符号统一化、去重、去除非心理疏导相关数据(如：单纯吐槽、负面共鸣等)等数据清洗方式清洗数据；然后将最终清洗获得的文本，转换成对话对(可以是单轮或多轮对话对)。
将用户的最终输入(文本形式)进行心理状态的量化，比如可以量化成等级值0，1，2，3等几个合理的等级，每个等级代表不同的心理状态的倾向程度；可以提前进行文本数据进行标注以提高模型的准确度和可靠性；如：″今天心情很平淡，感觉一切都很平常。。。″可以标记为等级0；″有点无聊，不知道干什么。。。″可以标记为等级1等等；标注完成后就可以将训练数据喂到我们的心理状态等级预测模型里面进行训练，然后根据训练结果进行评估优化(这里可以用准确率、精确率、召回率、F1分数等评估方法进行评估)，最后使用最优的心理状态等级预测模型用于对用户的输入(文本形式)进行预测，预测的标签作为心理疏导模型训练数据的标签特征；
最后将心理疏导数据文本、用户心理状态检测结果标签、心理状态标签结合起来就是心理疏导模型训练数据。
所述心理状态阈值调节子系统用于调节所述心理状态检测引擎的心理状态阈值，所述心理疏导结果输出子系统用于输出心理疏导结果，所述心理疏导结果的输出分为两部分；心理状态的判别及建议输出和心理疏导生成结果输出。
在图1基础上，参见图2-图3。
心理疏导模型一种实现方法是：首先需要获取向量化特征并处理成相同维度，需要获取用户心理状态检测结果标签的特征向量
Figure BDA0002690712310000101
心理状态标签的one-hot(独热编码)特征向量
Figure BDA0002690712310000102
心理疏导数据文本的语义向量
Figure BDA0002690712310000103
例如：用户心理状态检测结果标签的特征向量
Figure BDA0002690712310000111
和心理疏导数据文本的语义向量
Figure BDA0002690712310000112
可以使用BERT(谷歌预训练模型)来转化获取，对于用户心理状态检测结果标签的特征向量
Figure BDA0002690712310000113
如果是多标签值可以使用concatenate(连接、串连)或叠加求和或求平均特征向量的方法进行处理；然后将特征向量
Figure BDA0002690712310000114
和特征向量
Figure BDA0002690712310000115
均匀的嵌入到语义向量
Figure BDA0002690712310000116
上，使得语义向量的每个特征均能享受到相同的标签加权最终的向量作为模型训练的输入数据。
S202心理疏导模型训练：接下来的心理疏导模型可以采用seq2seq(端对端)框架，即将整个网络或训练过程分成encoder(编码)和decoder(解码)两个部分；encoder(编码)部分可以看作是对输入文本的语义编码形式，这里可以通过词向量、句向量、bert(谷歌预训练语言模型)等方式，当然也可以用如GRU(门控循环单元)、LSTM(长短时记忆网络)或CNN(卷积神经网络)+Pooling(池化)模型、Attention(注意力模型)等模型生成方式来生成来输入文本的语义向量
Figure BDA0002690712310000117
然后将特征向量
Figure BDA0002690712310000118
和特征向量
Figure BDA0002690712310000119
均匀的嵌入到语义向量
Figure BDA00026907123100001110
上作为我们最终的输入向量
Figure BDA00026907123100001111
该向量具有固定大小，包含句子所有的重要信息；接下来将输入向量
Figure BDA00026907123100001112
输入到encoder(编码)框架里，根据编码算法对输入的语义向量进行编码处理得到编码过程的隐层向量，为了得到含有更多输入文本语义和上下文信息的隐层向量可以在通过前向编码后，再通过后向编码形式记一遍输入文本的语义和上下文信息；然后将前后向语义编码的结果进行concatenate(连接)起来作为最终的隐层输出向量
Figure BDA0002690712310000121
而decoder(解码)部分负责将刚才编码出来的隐藏向量
Figure BDA0002690712310000122
解码为我们期望的输出。与encoder(编码)过程不同的是，再decoder(解码)部分是″单向递归″的，因为解码过程是递归进行的，具体流程为：
1、所有输出端，都以一个通用的<start>(起始)标记开头，以<end>(终止)标记结尾，这两个标记也视为一个词/字；
2、将<start>(起始)标记输入decoder(解码)部分，然后得到隐藏层向量，将这个向量与encoder(编码)过程得到的输出向量即
Figure BDA0002690712310000123
混合，然后送入一个分类器，分类器的结果输出向量为P；
3、将上一步分类器的结果输出向量P输入decoder(解码)部分，得到新的隐藏层向量，再次与encoder的输出向量
Figure BDA0002690712310000124
混合，送入分类器，分类器应输出向量为Q；
4、依此递归，选择分类器的最优结果，直到分类器的结果输出<end>(终止)标记表示预测结束。
图4是图1所述系统心理疏导生成结果输出的流程原理图。
心理疏导结果的输出分为两部分；心理状态的判别及建议输出和心理疏导生成结果输出。
心理状态的判别及建议输出：通过S104的心理状态检测模型检测用户的心理状态；然后根据心理状态结果进行量化；接下来根据设定的心理状态阈值H(H的值可以是整数或浮点数，具体的标准可以根据心理状态的量化结果进行合理的设定)；如果用户的心理状态小于设定阈值H，直接调用心理疏导模型进行心理疏导生成结果的输出和用户进行对话沟通，及时对用户的心理进行调整、疏导；如果用户的心理状态大于等于设定的阈值H，那么说明用户目前的心理状态达到了一个需要警示的程度；接下来会针对这点对用户给出一定专业建议(专业建议来源于专业心理治疗机构、医院等的专业心理分析和对策建议等)，比如分析目前心理状态的严重程度、建议进行心理治疗等等；同时会通过心理疏导生成结果输出模块对用户进行一定的疏导；减轻乃至消除目前危险的心理状态及时使得用户的心理状态回归健康。
心理疏导生成结果输出：
S301文本输入：获取用户文本形式的输入数据；
S302语音输入：获取用户语音形式的输入数据；
S303语音识别：如果输入数据是语音形式的，需要先经过语音识别转换成文本形式；语音识别模块可以采用已有的语音识别接口，或者搭建专有的语音识别系统；
S304心理疏导模型：通过以上方法获取最终的文本形式的输入数据后；将数据导入S106构建的心理疏导模型进行心理疏导结果的生成；
S305心理疏导文本结果：通过S304获取的心理疏导结果是文本形式的可以直接作为心理疏导结果进行输出；
S306语音合成：可以使用现有的语音合成接口或构建专有的语音合成系统；构建专有的语音合成系统时，可以使用心理疏导或治疗效果比较好的语音数据来训练专有的语音合成系统模型；提取语音数据中的音色、声音强度、语速等特征；并在语音合成过程中将这些特征加入到里面；最终合成的语音会像专业的心理治疗师一样富有感染力和情感表达力等，效果会比普通的语音要好很多；
S307心理疏导语音结果：将S306中的语音合成结果进行输出；
S308心理疏导结果输出：输出模式有两种形式手动和自动；手动模式下可以根据用户的意愿进行选择，用户可以选择语音输出还是文本输出；自动模式下，系统自动判定是否需要进行语音输出；比如普通谈话阶段系统可以选择文本输出形式；当需要感染或鼓励等状态时自动切换成语音，表达效果会更好；也可以根据用户语音输入的频率进行相应的输出形式选择；最终完成对用户的心理疏导，及时使得用户的心理状态回归健康状态。
可以看出，本发明的技术方案通过分析用户的单位时间内的心理状态信息对用户当前的心理状态进行评测，分析用户当前真实的心理状态，并根据用户当前真实的心理状态基于心理状态疏导模型对用户进行心理疏导，本发明能够快速高效的对用户的心理状态进行识别，并通过心理疏导模型及时对用户进行心理疏导，解决了传统心理疏导过程中耗时长、效率低、对相关从业经验严重依赖等问题。
此外，该方案通过非接触式，并根据用户的历史心理疏导数据来快速高效的对用户的心理状态进行识别，并根据用户心理状态的识别结果调用心理疏导模型及时对用户进行心理疏导，及时的缓解用户的情绪，并根据用户的心理健康状态给出合理的建议；及时发现用户真实的心理状态，快速识别是否有心理方面的问题，并给出是否需要进行心理健康治疗的建议。
更为优选的，虽然未示出，但是在具体实现上，本发明还可以实施为配置人机交互界面的app或者机器人，例如，在自动聊天中辅助心理治疗的人工智能(AI)聊天机器人等。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种采用心理数据标签化建模的交互式心理疏导系统，
其特征在于：
所述交互式心理疏导系统包括：
多源数据采集端口：所述多源数据采集端口从多个数据源获取单位时间内用户的心理状态信息；
心理状态检测引擎：所述心理状态检测引擎基于所述多源数据采集端口采集得到的所述单位时间内用户的心理状态信息，得出当前用户的心理状态检测等级；
心理状态特征提取模块：所述心理状态特征提取模块基于所述心理状态检测引擎得到的所述当前用户的心理状态检测等级信息、所述当前用户的历史检测等级信息以及所述单位时间内用户的心理状态信息，提取用户的心理状态特征，所述心理状态特征包括情感信息特征、生理信息特征、情感信息特征、图片信息特征、音频信息特征、行为信息特征；
心理状态检测模型：将所述心理状态特征作为所述心理状态检测模型的输入，所述心理状态检测模型输出所述用户的心理状态特征的向量化指标向量；
心理疏导模型训练数据构建子系统：基于所述向量化指标向量，将所述单位时间内用户的心理状态信息转换成标签的形式，作为心理疏导模型的训练数据；
心理疏导模型构建子系统：基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型。
2.如权利要求1所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述心理疏导模型构建子系统基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型，具体包括：
获取所述用户的多个不同心理状态特征的多个不同向量化指标向量；
将所述多个不同向量化指标向量处理成相同维度。
3.如权利要求2所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述将所述多个不同向量化指标向量处理成相同维度，具体包括：
获取用户心理状态检测结果标签的特征向量
Figure FDA0002690712300000021
心理状态标签的one-hot特征向量
Figure FDA0002690712300000022
心理疏导数据文本的语义向量
Figure FDA0002690712300000023
对于用户心理状态检测结果标签的特征向量
Figure FDA0002690712300000024
，使用concatenate(连接、串连)或叠加求和或求平均特征向量的方法进行处理；
然后将特征向量
Figure FDA0002690712300000025
和特征向量
Figure FDA0002690712300000026
均匀的嵌入到语义向量
Figure FDA0002690712300000027
上。
4.如权利要求1所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述心理疏导模型构建子系统基于所述心理疏导模型训练数据构建子系统输出的所述心理疏导模型的训练数据，训练心理疏导模型，具体包括：
将训练过程分成encoder(编码)和decoder(解码)两个部分；
encoder(编码)部分是对输入文本的语义编码形式，通过CNN(卷积神经网络)+Pooling(池化)模型+Attention(注意力模型)的生成方式来生成来输入文本的语义向量
Figure FDA0002690712300000028
然后将特征向量
Figure FDA0002690712300000029
和特征向量
Figure FDA00026907123000000210
均匀的嵌入到语义向量
Figure FDA0002690712300000031
上作为最终的输入向量
Figure FDA0002690712300000032
通过后向编码形式生成一次输入文本的语义和上下文信息；
将前后向语义编码的结果进行concatenate(连接)起来作为最终的隐层输出向量
Figure FDA0002690712300000033
decoder(解码)部分负责将上述编码出来的隐藏向量
Figure FDA0002690712300000034
解码为期望的输出。
5.如权利要求4所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述decoder(解码)部分为递归执行的流程，具体包括：
S501、所有输出端以一个通用的<start>(起始)标记开头，以<end>(终止)标记结尾，这两个标记也视为一个词/字；
S502、将<start>(起始)标记输入decoder(解码)部分，然后得到隐藏层向量，将这个向量与encoder(编码)过程得到的输出向量即混合，然后送入一个分类器，分类器的结果输出向量为P；
S503、将上一步分类器的结果输出向量P输入decoder(解码)部分，得到新的隐藏层向量，再次与encoder的输出向量混合，送入分类器，分类器应输出向量为Q；
S504、依此递归，选择分类器的最优结果，直到分类器的结果输出<end>(终止)标记表示预测结束。
6.如权利要求1所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述交互式心理疏导系统还包括心理状态阈值调节子系统以及心理疏导结果输出子系统；
所述心理状态阈值调节子系统用于调节所述心理状态检测引擎的心理状态阈值，所述心理疏导结果输出子系统用于输出心理疏导结果，所述心理疏导结果的输出分为两部分；心理状态的判别及建议输出和心理疏导生成结果输出。
7.如权利要求6所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述心理疏导生成结果输出，具体包括如下步骤：
S301文本输入：获取用户文本形式的输入数据；
S302语音输入：获取用户语音形式的输入数据；
S303语音识别：如果输入数据是语音形式的，需要先经过语音识别转换成文本形式；
S304心理疏导模型：获取最终的文本形式的输入数据后；将数据导入心理疏导模型进行心理疏导结果的生成；
S305心理疏导文本结果：通过S304获取的心理疏导结果是文本形式的直接作为心理疏导结果进行输出；
S306语音合成：使用心理疏导或治疗效果符合预期的的语音数据来训练专有的语音合成系统模型；提取语音数据中的音色、声音强度、语速特征，在语音合成过程中将这些特征加入到里面；
S307心理疏导语音结果：将S306中的语音合成结果进行输出；
S308心理疏导结果输出：输出模式有两种形式手动和自动；
手动模式下可以根据用户的意愿进行选择，用户可以选择语音输出还是文本输出；自动模式下，系统自动判定是否需要进行语音输出。
8.如权利要求1所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述多源数据采集端口从多个数据源获取单位时间内用户的心理状态信息，具体包括：
采集个体心理数据包括个体专业心理测试数据采集、个体历史语音形式、文本形式、图片形式和视频形式的心理数据采集、个体历史心理数据采集。
9.如权利要求1所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述用户的心理状态特征包括情感信息特征、生理信息特征、情感信息特征、图片信息特征、音频信息特征、行为信息特征；
其中：
情感信息特征：包括用户的情感类别、情感极性、情感强度；
生理信息特征：包括体重、体型、食欲、血压；
情感信息特征：包括烦躁、焦虑、生气、喜、怒、哀；
图片信息特征：包括明暗变化、色彩饱和度；
音频信息特征：包括语气变化、声音强度；
行为信息特征：包括行动、处事风格。
10.如权利要求1所述的一种采用心理数据标签化建模的交互式心理疏导系统，其特征在于：
所述心理疏导模型训练数据构建子系统将用户心理状态检测结果转换成标签的形式，并基于心理疏导数据文本、用户心理状态检测结果标签、心理状态标签得到所述心理疏导模型训练数据。
CN202010991906.XA 2020-09-19 2020-09-19 采用心理数据标签化建模的交互式心理疏导系统 Active CN112086169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010991906.XA CN112086169B (zh) 2020-09-19 2020-09-19 采用心理数据标签化建模的交互式心理疏导系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010991906.XA CN112086169B (zh) 2020-09-19 2020-09-19 采用心理数据标签化建模的交互式心理疏导系统

Publications (2)

Publication Number Publication Date
CN112086169A true CN112086169A (zh) 2020-12-15
CN112086169B CN112086169B (zh) 2024-02-09

Family

ID=73738577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010991906.XA Active CN112086169B (zh) 2020-09-19 2020-09-19 采用心理数据标签化建模的交互式心理疏导系统

Country Status (1)

Country Link
CN (1) CN112086169B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022166110A1 (zh) * 2021-02-02 2022-08-11 南京硅基智能科技有限公司 心理辅导训练方案的确定方法及装置
CN115064019A (zh) * 2022-08-05 2022-09-16 安徽淘云科技股份有限公司 一种教学系统、方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078771A1 (en) * 2014-09-15 2016-03-17 Raytheon Bbn Technologies Corporation Multi-view learning in detection of psychological states
CN107799165A (zh) * 2017-09-18 2018-03-13 华南理工大学 一种基于虚拟现实技术的心理评估方法
CN110148318A (zh) * 2019-03-07 2019-08-20 上海晨鸟信息科技有限公司 一种数字助教系统、信息交互方法和信息处理方法
CN110391013A (zh) * 2019-07-17 2019-10-29 北京智能工场科技有限公司 一种基于语义向量构建神经网络预测心理健康的系统和装置
CN110767290A (zh) * 2019-10-12 2020-02-07 山东省立医院 一种交互型情绪疏导及心理辅导机器人
CN111564202A (zh) * 2020-04-30 2020-08-21 深圳市镜象科技有限公司 基于人机对话的心理疏导方法、心理疏导终端和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078771A1 (en) * 2014-09-15 2016-03-17 Raytheon Bbn Technologies Corporation Multi-view learning in detection of psychological states
CN107799165A (zh) * 2017-09-18 2018-03-13 华南理工大学 一种基于虚拟现实技术的心理评估方法
CN110148318A (zh) * 2019-03-07 2019-08-20 上海晨鸟信息科技有限公司 一种数字助教系统、信息交互方法和信息处理方法
CN110391013A (zh) * 2019-07-17 2019-10-29 北京智能工场科技有限公司 一种基于语义向量构建神经网络预测心理健康的系统和装置
CN110767290A (zh) * 2019-10-12 2020-02-07 山东省立医院 一种交互型情绪疏导及心理辅导机器人
CN111564202A (zh) * 2020-04-30 2020-08-21 深圳市镜象科技有限公司 基于人机对话的心理疏导方法、心理疏导终端和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022166110A1 (zh) * 2021-02-02 2022-08-11 南京硅基智能科技有限公司 心理辅导训练方案的确定方法及装置
US11682482B2 (en) 2021-02-02 2023-06-20 Nanjing Silicon Intelligence Technology Co., Ltd. Method and apparatus for determining psychological counseling training scheme
CN115064019A (zh) * 2022-08-05 2022-09-16 安徽淘云科技股份有限公司 一种教学系统、方法、设备及存储介质

Also Published As

Publication number Publication date
CN112086169B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
KR102222451B1 (ko) 텍스트 기반 사용자심리상태예측 및 콘텐츠추천 장치 및 그 방법
CN110728997B (zh) 一种基于情景感知的多模态抑郁症检测系统
CN110188343B (zh) 基于融合注意力网络的多模态情感识别方法
WO2019144542A1 (en) Affective interaction systems, devices, and methods based on affective computing user interface
CN112086169A (zh) 采用心理数据标签化建模的交互式心理疏导系统
CN110599999A (zh) 数据交互方法、装置和机器人
CN109326285A (zh) 语音信息处理方法、装置及非暂态计算机可读存储介质
KR20200143940A (ko) 인공지능 기반의 언어 능력 평가 방법 및 시스템
CN111145903A (zh) 获取眩晕症问诊文本的方法、装置、电子设备及问诊系统
CN112768070A (zh) 一种基于对话交流的精神健康评测方法和系统
CN115269836A (zh) 意图识别方法及装置
CN115331804A (zh) 多模态心理疾病诊断方法、计算机设备及存储介质
CN113035232B (zh) 一种基于语音识别的心理状态预测系统、方法及装置
JP6802332B1 (ja) 情報処理方法および情報処理装置
Parab et al. Stress and emotion analysis using IoT and deep learning
CN112699236B (zh) 一种基于情感识别与瞳孔大小计算的Deepfake检测方法
CN112086168A (zh) 基于心理疏导模型实现的心理数据标签化系统
KR20220106029A (ko) 인공지능을 활용한 심리 상담 방법 및 장치
US20220253676A1 (en) Anonymization
CN114116976A (zh) 一种基于遗传算法的意图识别方法及系统
CN114021581A (zh) 一种基于回复增强的隐式个性化对话生成方法
CN117828065B (zh) 一种数字人客服方法、系统、装置及储存介质
US11521715B2 (en) System and method for promoting, tracking, and assessing mental wellness
CN116992867B (zh) 一种基于软提示主题建模的抑郁情绪检测方法及系统
KR102630804B1 (ko) 감정 분석 방법 및 감정 분석 장치

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
GR01 Patent grant
GR01 Patent grant