CN113012788A - 用于戒毒人员的心理干预方法及装置 - Google Patents
用于戒毒人员的心理干预方法及装置 Download PDFInfo
- Publication number
- CN113012788A CN113012788A CN202110173203.0A CN202110173203A CN113012788A CN 113012788 A CN113012788 A CN 113012788A CN 202110173203 A CN202110173203 A CN 202110173203A CN 113012788 A CN113012788 A CN 113012788A
- Authority
- CN
- China
- Prior art keywords
- crisis
- psychological
- task
- user characteristics
- drug
- 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
Links
- 229940079593 drug Drugs 0.000 title claims abstract description 92
- 239000003814 drug Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 148
- 230000002452 interceptive effect Effects 0.000 claims abstract description 41
- 230000003993 interaction Effects 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 61
- 238000012216 screening Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 208000007271 Substance Withdrawal Syndrome Diseases 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 16
- 230000003340 mental effect Effects 0.000 description 8
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 230000009323 psychological health Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 206010010144 Completed suicide Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 206010013663 drug dependence Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229940001470 psychoactive drug Drugs 0.000 description 1
- 239000004089 psychotropic agent Substances 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请公开了一种用于戒毒人员的心理干预方法及装置。该用于戒毒人员的心理干预方法包括接收戒毒人员在人机交互问答时的交互信息，抽取交互信息中的用户特征；将用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；确定预警危机事件对应的心理训练任务；将心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。本申请解决了提升戒毒所戒毒管理精准性，发现戒毒人员潜在问题，提升预警准确率，促进戒毒所稳定的技术问题。
Description
技术领域
本申请涉及人工智能领域，具体而言，涉及一种用于戒毒人员的心理干预方法及装置。
背景技术
当今社会中，非医疗目的的使用精神类药物的行为，即吸食毒品的行为越来越危害社会安定，影响社会健康。吸食毒品的人往往会对毒品产生强烈的依赖性，不仅影响身体健康更导致戒毒人员丧失社会生存能力。在吸食过毒品之后，较难通过个人意志力解除毒瘾，根据数据显示，戒毒人员复吸率高达98％，因此戒毒人员戒毒往往需要外力干预。
戒毒人员在强制戒毒时，有可能会发生一些危机事件(如自杀、绝食、扰乱公共秩序等)，目前对于戒毒人员的心理健康评估存在缺陷，对强制戒毒中的心理风险的观察与控制较少，无法根据戒毒人员的心理健康评估对戒毒人员可能发生的危机事件进行预警。
针对在戒毒所的强制戒毒人员的管理，如何提升戒毒所戒毒管理精准性，发现戒毒人员潜在问题，提升预警准确率，促进戒毒所稳定，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种用于戒毒人员的心理干预方法，以解决提升戒毒所戒毒管理精准性，发现戒毒人员潜在问题，提升预警准确率，促进戒毒所稳定的问题。
为了实现上述目的，本申请提供了一种用于戒毒人员的心理干预方法及装置。
第一方面，本申请提供了一种用于戒毒人员的心理干预方法。
根据本申请的用于戒毒人员的心理干预方法包括：
接收戒毒人员在人机交互问答时的交互信息，抽取所述交互信息中的用户特征；
将所述用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，所述危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；
确定所述预警危机事件对应的心理训练任务；
将所述心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
进一步的，所述将所述用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，包括：
基于聚类算法对用户特征进行处理，确定用户特征对应的所有发生危机事件及其对应的危机概率的集合；
获取所述集合中最大的危机概率对应的危机事件，作为预警危机事件。
进一步的，在所述将所述心理训练任务发送至客户端之前，所述方法还包括：
获取所述预警危机事件对应的第一验证任务，所述第一验证任务为验证预警危机事件是否存在误判的任务；
将所述第一验证任务发送至用户特征对应的客户端，接收客户端返回的任务回答；
基于所述任务回答验证是否存在误判；
若不存在误判，则执行将所述心理训练任务发送至客户端的步骤；
若存在误判，则返回人机交互问答界面，以便重新开始执行接收戒毒人员在人机交互问答时的交互信息的步骤。
进一步的，所述心理训练任务包括多种类型的训练任务，在所述将所述心理训练任务发送至客户端之前，所述方法还包括：
获取所述心理训练任务中的每一种训练任务对应的第二验证任务；
根据每一个第二验证任务的验证结果，对心理训练任务中的训练任务进行筛选；
将筛选后的心理训练任务返回给客户端。
进一步的，在所述将所述心理训练任务发送至客户端之前，所述方法还包括：
判断时间阈值内同一预警危机事件的发生次数是否超过预设次数阈值和/或发生概率是否超过预设概率阈值；
若超过，则调整心理训练任务，以便增强对用户的心理干预。
进一步的，所述方法还包括：
基于大数据和/或人机交互采集发生危机事件的戒毒人员对应的用户特征；
将每种危机事件对应的用户特征进行聚类分析，确定每种危机事件对应的至少一个特征集合组；
将所有用户特征及其对应的危机事件通过机器学习训练确定危机评估模型。
进一步的，所述用户特征包括以下任意一种或多种的组合：
基本特征、心理特征、生理特征、行为特征。
第二方面，本申请提供了一种用于戒毒人员的心理干预装置。
根据本申请的用于戒毒人员的心理干预装置包括：
信息接收模块，用于接收戒毒人员在人机交互问答时的交互信息，抽取所述交互信息中的用户特征；
事件确定模块，用于将所述用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，所述危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；
任务确定模块，用于确定所述预警危机事件对应的心理训练任务；
任务发送模块，用于将所述心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
进一步的，所述事件确定模块，包括：
集合确定单元，用于基于聚类算法对用户特征进行处理，确定用户特征对应的所有发生危机事件及其对应的危机概率的集合；
事件获取单元，用于获取所述集合中最大的危机概率对应的危机事件，作为预警危机事件。
进一步的，所述用于戒毒人员的心理干预装置还包括：
第一任务获取模块，用于获取所述预警危机事件对应的第一验证任务，所述第一验证任务为验证预警危机事件是否存在误判的任务；
第一任务发送模块，用于将所述第一验证任务发送至用户特征对应的客户端，接收客户端返回的任务回答；
第一任务验证模块，用于基于所述任务回答验证是否存在误判；
第一验证成功模块，用于若第一任务验证模块的验证结果为不存在误判，则执行将所述心理训练任务发送至客户端的步骤；
第一验证失败模块，用于若第一任务验证模块的验证结果为存在误判，则返回人机交互问答界面，以便重新开始执行接收戒毒人员在人机交互问答时的交互信息的步骤。
进一步的，所述用于戒毒人员的心理干预装置还包括：
第二任务获取模块，用于获取所述心理训练任务中的每一种训练任务对应的第二验证任务；
第二任务验证模块，用于根据每一个第二验证任务的验证结果，对心理训练任务中的训练任务进行筛选；
训练任务发送模块，用于将筛选后的心理训练任务返回给客户端。
进一步的，所述用于戒毒人员的心理干预装置还包括：
次数概率判断模块，用于判断时间阈值内同一预警危机事件的发生次数是否超过预设次数阈值和/或发生概率是否超过预设概率阈值；
训练任务调整模块，用于若次数概率判断模块的判断结果为超过，则调整心理训练任务，以便增强对用户的心理干预。
进一步的，所述用于戒毒人员的心理干预装置还包括：
特征采集模块，用于基于大数据和/或人机交互采集发生危机事件的戒毒人员对应的用户特征；
特征分析模块，用于将每种危机事件对应的用户特征进行聚类分析，确定每种危机事件对应的至少一个特征集合组；
模型训练模块，用于将所有用户特征及其对应的危机事件通过机器学习训练确定危机评估模型。
进一步的，所述用于戒毒人员的心理干预装置中所述用户特征包括以下任意一种或多种的组合：
基本特征、心理特征、生理特征、行为特征。
第三方面，本申请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，该计算机程序被处理器执行时实现第一方面提供的用于戒毒人员的心理干预方法的步骤。
第四方面，本申请提供一种电子设备，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，所述处理器执行所述程序时实现第一方面提供的用于戒毒人员的心理干预方法的步骤。
在本申请实施例中，采用提取戒毒人员交互问答的交互信息中的用户特征的方式，通过将用户特征输入到危机评估模型中确定预警危机事件，并根据预警危机事件确定其对应的心理训练任务，将心理训练任务发送至客户端，达到了根据戒毒人员的交互信息确定预警危机事件，发现戒毒人员潜在问题并对其进行心理疏导，降低危机事件发生概率的目的，从而实现了提升戒毒所戒毒管理精准性的技术效果，进而解决了提升戒毒所戒毒管理精准性，发现戒毒人员潜在问题，提升预警准确率，促进戒毒所稳定的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例的用于戒毒人员的心理干预方法的流程示意图；
图2是本申请实施例的用于戒毒人员的心理干预装置的结构框图；
图3是本申请实施例的电子设备框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种用于戒毒人员的心理干预方法，如图1所示，该方法包括如下的步骤S1至步骤S4：
S1：接收戒毒人员在人机交互问答时的交互信息，抽取交互信息中的用户特征。
用户通过智能终端进行人机交互问答，后台端接收用户在人机交互问答中的原始的回答信息(原始信息可以是文字信息、可以是语音信息、也可以是图像信息)。人机交互问答是为了收集用户在人机交互过程中的交互信息，交互信息具体包括：个人基本信息(年龄、性别、居住地、职业、学历、收入水平、家庭情况、婚姻状况等)、心理信息(心理困扰、会谈评估结果、心理健康评估情况、情绪状态、过往心理危机情况、人格特质、功能能力、认知倾向、心理疾病史等)、生理信息(身高、体重、血型、血压、血糖、血脂、生理疾病史等)、用户行为信息(戒毒情况、购物情况、亲情关怀程度、考核分数、戒毒年限、过往危机行为信息、行为轨迹、行动方式、操作方式、聊天常用语等)。抽取交互信息中的用户特征，具体的，从个人基本信息中抽取基本特征、从心理信息中抽取心理特征、从生理信息中抽取心理特征、从用户行为信息中抽取行为特征。抽取特征的方法可以是通过自然语言处理模型进行抽取。用户特征包括以下任意一种或多种的组合：基本特征、心理特征、生理特征、行为特征。
S2：将用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件。
危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征(包括基本特征、心理特征、生理特征、行为特征)、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的。
进一步的，将用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，包括：
基于聚类算法对用户特征进行处理，确定用户特征对应的所有发生危机事件及其对应的危机概率的集合；获取集合中最大的危机概率对应的危机事件，作为预警危机事件。
进一步的，在执行上述步骤S1至S4前，需要先训练得到危机评估模型，具体得到危机评估模型的过程为：
基于大数据和/或人机交互采集发生危机事件的戒毒人员对应的用户特征；将每种危机事件对应的用户特征进行聚类分析，确定每种危机事件对应的至少一个特征集合组；将所有用户特征及其对应的危机事件通过机器学习训练确定危机评估模型。
对于上述模型得到的过程进行详细说明：通过科研论文与研究成果、有关部门心理档案、业务操作信息等包含实际数据的大数据，采集发生过危机事件的戒毒人员对应的用户信息；通过人机交互的方法采集发生过危机事件的戒毒人员对应的用户信息。上述用户信息包括：个人基本信息(如年龄、性别、居住地、职业、学历、收入水平、家庭情况、婚姻状况等)、生理信息(如身高、体重、血型、血压、血糖、血脂、生理疾病史等)、心理信息(如心理困扰、会谈评估结果、心理健康评估情况、情绪状态、过往心理危机情况、人格特质、功能能力、认知倾向、心理疾病史等)和用户行为信息(戒毒情况、购物情况、亲情关怀程度、考核分数、戒毒年限、过往危机行为信息、行为轨迹、行动方式、操作方式、聊天常用语等)。将采集到的用户信息提取对应的用户特征(基本特征、心理特征、生理特征、行为特征)，提取特征的方法可以是通过自然语言处理模型提取用户信息的用户特征。将获取到的每一种危机事件的用户特征进行聚类分析，确定每种危机事件对应的至少一个特征集合组，特征集合组是包括基本特征、心理特征、生理特征、行为特征的用户特征的集合组。将所有用户特征及其对应的危机事件通过机器学习训练确定危机评估模型。作为示例性的实施例，聚类分析是用聚类算法分析得到的，聚类算法可以是划分聚类，例如K-means算法、K-中心点算法等；也可以是层次聚类，例如DIANA算法、BIRCH算法；还可以采用模糊聚类，例如EM算法；还可以采用基于密度聚类，例如，OPTICS算法、DBSCAN算法等。
得到危机评估模型之后，就可以基于危机评估模型确定用户特征对应的预警危机事件。由于上述步骤S1中输入的用户特征包括多种子特征(例如基本特征包括年龄子特征、性别子特征、职业子特征、学历子特征、婚姻状况子特征等)，基于聚类算法对上述用户特征进行分析处理，得到该用户特征对应的发生危机事件及其概率，将所有危机事件及其概率进行集合。集合中可能存在多种危机事件，为了确定预警危机事件，在该实施例中，将集合中最大的危机概率对应的危机事件，作为预警危机事件。
示例的，若危机评估模型中用户特征“基本特征为a1、a2、a3、a4；心理特征为b1、b2、b3、b4；生理特征为c1、c2、a3；行为特征为d1、d2”，将其基于聚类算法进行分析处理，得到发生第一危机事件的概率为10％、发生第二危机事件的概率为50％、发生第三危机事件的概率为80％，得到“第一危机事件、危机概率10％；第二危机事件、危机概率50％；第三危机事件、危机概率80％”的集合，将集合中最大的危机概率“80％”对应的危机事件作为预警危机事件，即，预警危机事件为“第三危机事件”。
S3：确定预警危机事件对应的心理训练任务。
由于存在多种危机事件，不同的危机事件也会对应不同的心理训练任务(例如每种危机事件可以对应冥想训练任务、线下锻炼训练任务、线上阅读训练任务、线下交流训练任务等中的多种。不同的危机事件对应的同一种类型的训练任务的内容也有可能是不同的)，所以需要根据上述步骤S2中确定的预警危机事件，确定其对应的心理训练任务。需要说明的是，多种训练任务可以分为通用任务和专用任务，每种危机事件对应的心理训练任务由通用任务和专用任务组成。通用心理训练任务是指不管发生哪种危机事件，心理训练任务中都会存在的任务(如线下锻炼训练任务、线上阅读训练任务等)；专用任务是根据不同的危机事件对应的个性化任务(如冥想训练任务、线下交流训练任务等)。
S4：将心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
将预警危机事件对应的心理训练任务发送至客户端，客户端根据心理训练任务对用户进行心理干预，用户也就可以在客户端上通过心理训练任务进行心理训练，以达到心理干预的目的。具体的，客户端可以按照心理训练任务中规定的时间以及次数，定时或定次提醒用户需要进行心理训练；或者客户端可以根据不同的危机事件类型或者用户的习惯(作息习惯等)设置任务发送的时间，然后按照设置的发送时间发送任务使用户进行心理训练。
进一步的，在将心理训练任务发送至客户端之前，需要验证预警危机事件是否存在误判，包括：
由于存在多种危机事件，不同的危机事件也会对应不同的第一验证任务，需要获取预警危机事件对应的第一验证任务，第一验证任务为验证预警危机事件是否存在误判的任务；将第一验证任务发送至用户特征对应的客户端，接收客户端返回的任务回答；基于任务回答验证是否存在误判；若不存在误判，即第一验证任务验证成功，则执行将心理训练任务发送至客户端的步骤；若存在误判，即第一验证任务验证失败，则返回人机交互问答界面，以便重新执行接收戒毒人员在人机交互问答时的交互信息的步骤。后台端可以获取更多的交互信息，并通过获取到的交互信息再次提取用户特征，根据用户特征再次确定预警危机事件，达到更准确确定预警危机事件的目的。需要说明的是，若误判的次数累积超过预设阈值(如3次)，还是没有确定预警危机事件，那么就不再次返回人机交互问答界面以获取交互信息，而是直接将通用任务作为心理训练任务发送至客户端的步骤。
进一步的，心理训练任务包括多种类型的训练任务，在将心理训练任务发送至客户端之前，还包括：
获取心理训练任务中的每一种训练任务对应的第二验证任务；根据每一个第二验证任务的验证结果，对心理训练任务中的训练任务进行筛选；将筛选后的心理训练任务返回给客户端。第二验证任务是用于筛选心理训练任务中不同类型的训练任务的。
由于心理训练任务包括多种类型的训练任务，不同的用户所需的训练任务的类型的种类和数量有可能是不同的，因此需要根据每个用户的不同心理情况对心理训练任务中的训练任务进行筛选。每种训练任务会对应不同的第二验证任务，具体的筛选过程为：将第二验证任务发送至客户端，用户可以在客户端上进行第二验证任务，客户端将用户对第二验证任务的回答内容返回给后台端，后台端对回答内容进行验证，根据验证结果，对心理训练任务中的训练任务进行筛选，并将筛选后的心理训练任务返回给客户端。
示例的，假设预警危机事件对应的心理训练任务包括冥想类型任务、线下交流类型任务、线下锻炼类型任务，其中，冥想类型任务对应的第二验证任务为X任务、线下交流类型任务对应的第二验证任务为Y任务、线下锻炼类型任务对应的第二验证任务为Z任务。将X、Y、Z任务分别返回给客户端，客户在客户端上分别执行X、Y、Z任务，客户端分别返回X、Y、Z任务的任务回答至后台端，后台端将返回的任务回答进行验证。若X任务的验证结果为验证成功、Y任务的验证结果为验证失败、Z任务的验证结果为验证成功，则将验证失败的Y任务对应的线下交流类型任务从心理训练任务中删除，即筛选后的心理训练任务为冥想类型任务、线下锻炼类型任务，将筛选后的心理训练任务返回给客户端。
进一步的，在将心理训练任务发送至客户端之前，需要判断是否存在同一预警危机事件发生多次的情况，若存在则增强对用户的心理干预，还包括：
判断时间阈值内同一预警危机事件的发生次数是否超过预设次数阈值和/或发生概率是否超过预设概率阈值；
若超过，则调整心理训练任务，以便增强对用户的心理干预。
获取一段时间(如一周、10天、半个月、一个月等)内发生的所有预警危机事件集合，并计算集合中每一种预警危机事件出现的次数及概率。判断当前预警危机事件在集合中出现的次数是否超过预设次数阈值和/或发生概率是否超过预设概率阈值，若超过，表明出现该预警危机事件的概率极大的增加，则调整该预警危机事件的心理训练任务，调整心理训练任务的方式可以是增加心理训练任务的执行周期、也可以是增加心理训练任务的执行次数，以便增强对用户的心理干预。
示例的，若10天内发生预警危机事件集合为：A事件、B事件、C事件、B事件、B事件、C事件、C事件、B事件、A事件、B事件，若当前预警危机事件为B事件，则集合中B事件出现的次数为5次、概率为50％。若预设次数阈值为3次、预设概率阈值40％，则B事件出现的次数超过预设次数、B事件出现的概率超过预设概率阈值。则增加B事件对应的心理训练任务的执行次数，以便增强对用户的心理干预。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中，采用提取戒毒人员交互问答的交互信息中的用户特征的方式，通过将用户特征输入到危机评估模型中确定预警危机事件，并根据预警危机事件确定其对应的心理训练任务，将心理训练任务发送至客户端，达到了根据戒毒人员的交互信息确定预警危机事件，发现戒毒人员潜在问题并对其进行心理疏导，降低危机事件发生概率的目的，从而实现了提升戒毒所戒毒管理精准性的技术效果，进而解决了提升戒毒所戒毒管理精准性，发现戒毒人员潜在问题，提升预警准确率，促进戒毒所稳定的技术问题。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述用于戒毒人员的心理干预方法的装置20，如图2所示，该用于戒毒人员的心理干预装置20包括：
信息接收模块201，用于接收戒毒人员在人机交互问答时的交互信息，抽取交互信息中的用户特征；
事件确定模块202，用于将用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；
任务确定模块203，用于确定预警危机事件对应的心理训练任务；
任务发送模块204，用于将心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
进一步的，事件确定模块202，包括：
集合确定单元，用于基于聚类算法对用户特征进行处理，确定用户特征对应的所有发生危机事件及其对应的危机概率的集合；
事件获取单元，用于获取集合中最大的危机概率对应的危机事件，作为预警危机事件。
进一步的，用于戒毒人员的心理干预装置还包括：
第一任务获取模块，用于获取预警危机事件对应的第一验证任务，第一验证任务为验证预警危机事件是否存在误判的任务；
第一任务发送模块，用于将第一验证任务发送至用户特征对应的客户端，接收客户端返回的任务回答；
第一任务验证模块，用于基于任务回答验证是否存在误判；
第一验证成功模块，用于若第一任务验证模块的验证结果为不存在误判，则执行将心理训练任务发送至客户端的步骤；
第一验证失败模块，用于若第一任务验证模块的验证结果为存在误判，则返回人机交互问答界面，以便重新开始执行接收戒毒人员在人机交互问答时的交互信息的步骤。
进一步的，用于戒毒人员的心理干预装置还包括：
第二任务获取模块，用于获取心理训练任务中的每一种训练任务对应的第二验证任务；
第二任务验证模块，用于根据每一个第二验证任务的验证结果，对心理训练任务中的训练任务进行筛选；
训练任务发送模块，用于将筛选后的心理训练任务返回给客户端。
进一步的，用于戒毒人员的心理干预装置还包括：
次数概率判断模块，用于判断时间阈值内同一预警危机事件的发生次数是否超过预设次数阈值和/或发生概率是否超过预设概率阈值；
训练任务调整模块，用于若次数概率判断模块的判断结果为超过，则调整心理训练任务，以便增强对用户的心理干预。
进一步的，用于戒毒人员的心理干预装置还包括：
特征采集模块，用于基于大数据和/或人机交互采集发生危机事件的戒毒人员对应的用户特征；
特征分析模块，用于将每种危机事件对应的用户特征进行聚类分析，确定每种危机事件对应的至少一个特征集合组；
模型训练模块，用于将所有用户特征及其对应的危机事件通过机器学习训练确定危机评估模型。
进一步的，用于戒毒人员的心理干预装置中用户特征包括以下任意一种或多种的组合：
基本特征、心理特征、生理特征、行为特征。
具体的，本实施例中各模块的实现可以参考方法实施例中的相关实现，不再赘述。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中，采用提取戒毒人员交互问答的交互信息中的用户特征的方式，通过将用户特征输入到危机评估模型中确定预警危机事件，并根据预警危机事件确定其对应的心理训练任务，将心理训练任务发送至客户端，达到了根据戒毒人员的交互信息确定预警危机事件，发现戒毒人员潜在问题并对其进行心理疏导，降低危机事件发生概率的目的，从而实现了提升戒毒所戒毒管理精准性的技术效果，进而解决了提升戒毒所戒毒管理精准性，发现戒毒人员潜在问题，提升预警准确率，促进戒毒所稳定的技术问题。
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，该计算机程序被处理器执行时实现用于戒毒人员的心理干预方法的步骤。例如包括：接收戒毒人员在人机交互问答时的交互信息，抽取交互信息中的用户特征；将用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；确定预警危机事件对应的心理训练任务；将心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
图3为本发明实施例提供的电子设备框图，如图3所示，该设备包括：处理器301、存储器302和总线303；
其中，处理器301及存储器302分别通过总线303完成相互间的通信；处理器301用于调用存储器302中的程序指令，以执行上述实施例所提供的用于戒毒人员的心理干预方法，例如包括：接收戒毒人员在人机交互问答时的交互信息，抽取交互信息中的用户特征；将用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；确定预警危机事件对应的心理训练任务；将心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，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。
Claims (10)
1.一种用于戒毒人员的心理干预方法，其特征在于，包括：
接收戒毒人员在人机交互问答时的交互信息，抽取所述交互信息中的用户特征；
将所述用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，所述危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；
确定所述预警危机事件对应的心理训练任务；
将所述心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
2.根据权利要求1所述的用于戒毒人员的心理干预方法，其特征在于，所述将所述用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，包括：
基于聚类算法对用户特征进行处理，确定用户特征对应的所有发生危机事件及其对应的危机概率的集合；
获取所述集合中最大的危机概率对应的危机事件，作为预警危机事件。
3.根据权利要求1所述的用于戒毒人员的心理干预方法，其特征在于，在所述将所述心理训练任务发送至客户端之前，所述方法还包括：
获取所述预警危机事件对应的第一验证任务，所述第一验证任务为验证预警危机事件是否存在误判的任务；
将所述第一验证任务发送至用户特征对应的客户端，接收客户端返回的任务回答；
基于所述任务回答验证是否存在误判；
若不存在误判，则执行将所述心理训练任务发送至客户端的步骤；
若存在误判，则返回人机交互问答界面，以便重新开始执行接收戒毒人员在人机交互问答时的交互信息的步骤。
4.根据权利要求1或3所述的用于戒毒人员的心理干预方法，其特征在于，所述心理训练任务包括多种类型的训练任务，在所述将所述心理训练任务发送至客户端之前，所述方法还包括：
获取所述心理训练任务中的每一种训练任务对应的第二验证任务；
根据每一个第二验证任务的验证结果，对心理训练任务中的训练任务进行筛选；
将筛选后的心理训练任务返回给客户端。
5.根据权利要求1所述的用于戒毒人员的心理干预方法，其特征在于，在所述将所述心理训练任务发送至客户端之前，所述方法还包括：
判断时间阈值内同一预警危机事件的发生次数是否超过预设次数阈值和/或发生概率是否超过预设概率阈值；
若超过，则调整心理训练任务，以便增强对用户的心理干预。
6.根据权利要求1所述的用于戒毒人员的心理干预方法，其特征在于，所述方法还包括：
基于大数据和/或人机交互采集发生危机事件的戒毒人员对应的用户特征；
将每种危机事件对应的用户特征进行聚类分析，确定每种危机事件对应的至少一个特征集合组；
将所有用户特征及其对应的危机事件通过机器学习训练确定危机评估模型。
7.根据权利要求1所述的用于戒毒人员的心理干预方法，其特征在于，所述用户特征包括以下任意一种或多种的组合：
基本特征、心理特征、生理特征、行为特征。
8.一种用于戒毒人员的心理干预装置，其特征在于，包括：
信息接收模块，用于接收戒毒人员在人机交互问答时的交互信息，抽取所述交互信息中的用户特征；
事件确定模块，用于将所述用户特征输入到危机评估模型中，确定用户特征对应的预警危机事件，所述危机评估模型为基于多组样本数据通过机器学习训练得出的，多组样本数据中的每组数据均包括：用户特征、用户特征对应的危机事件，样本数据是通过大数据和/或人机交互的方式收集的；
任务确定模块，用于确定所述预警危机事件对应的心理训练任务；
任务发送模块，用于将所述心理训练任务发送至客户端，以便客户端根据心理训练任务对用户进行心理干预。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的用于戒毒人员的心理干预方法。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的用于戒毒人员的心理干预方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173203.0A CN113012788B (zh) | 2021-02-08 | 2021-02-08 | 用于戒毒人员的心理干预方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173203.0A CN113012788B (zh) | 2021-02-08 | 2021-02-08 | 用于戒毒人员的心理干预方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113012788A true CN113012788A (zh) | 2021-06-22 |
| CN113012788B CN113012788B (zh) | 2024-02-13 |
Family
ID=76384411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110173203.0A Active CN113012788B (zh) | 2021-02-08 | 2021-02-08 | 用于戒毒人员的心理干预方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113012788B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050091368A1 (en) * | 2003-10-27 | 2005-04-28 | Ozburn Michael M. | Interactive crisis management alert and information system |
| WO2018196684A1 (zh) * | 2017-04-24 | 2018-11-01 | 北京京东尚科信息技术有限公司 | 对话机器人生成方法及装置 |
| CN109243571A (zh) * | 2018-10-15 | 2019-01-18 | 广州贝客网络科技有限公司 | 一种采用康复训练的智能戒毒管理方法及系统 |
| US20190180871A1 (en) * | 2017-12-09 | 2019-06-13 | Jane Doerflinger | Method and system for natural language processing for the evaluation of pathological neurological states |
| CN110993061A (zh) * | 2019-11-23 | 2020-04-10 | 利辛县风雅颂机电科技有限公司 | 一种心理危机识别与干预方法及系统 |
| CN111261262A (zh) * | 2020-03-02 | 2020-06-09 | 浙江连信科技有限公司 | 基于人机交互的心理干预方法、装置及电子设备 |
| CN111292832A (zh) * | 2020-01-22 | 2020-06-16 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
| CN111540441A (zh) * | 2020-04-26 | 2020-08-14 | 浙江连信科技有限公司 | 基于心理应激状态下的人机交互的心理干预方法和装置 |
| CN112270973A (zh) * | 2020-11-26 | 2021-01-26 | 浙江连信科技有限公司 | 数字智能化心理健康训练方法及装置 |
-
2021
- 2021-02-08 CN CN202110173203.0A patent/CN113012788B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050091368A1 (en) * | 2003-10-27 | 2005-04-28 | Ozburn Michael M. | Interactive crisis management alert and information system |
| WO2018196684A1 (zh) * | 2017-04-24 | 2018-11-01 | 北京京东尚科信息技术有限公司 | 对话机器人生成方法及装置 |
| US20190180871A1 (en) * | 2017-12-09 | 2019-06-13 | Jane Doerflinger | Method and system for natural language processing for the evaluation of pathological neurological states |
| CN109243571A (zh) * | 2018-10-15 | 2019-01-18 | 广州贝客网络科技有限公司 | 一种采用康复训练的智能戒毒管理方法及系统 |
| CN110993061A (zh) * | 2019-11-23 | 2020-04-10 | 利辛县风雅颂机电科技有限公司 | 一种心理危机识别与干预方法及系统 |
| CN111292832A (zh) * | 2020-01-22 | 2020-06-16 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
| CN111261262A (zh) * | 2020-03-02 | 2020-06-09 | 浙江连信科技有限公司 | 基于人机交互的心理干预方法、装置及电子设备 |
| CN111540441A (zh) * | 2020-04-26 | 2020-08-14 | 浙江连信科技有限公司 | 基于心理应激状态下的人机交互的心理干预方法和装置 |
| CN112270973A (zh) * | 2020-11-26 | 2021-01-26 | 浙江连信科技有限公司 | 数字智能化心理健康训练方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘永有, 曾岳峰, 王增珍: "心理干预预防毒品复吸的效果分析", 中国药物滥用防治杂志, no. 06, 10 December 2004 (2004-12-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113012788B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamilton | Illusory correlation as a basis for stereotyping | |
| US20140122109A1 (en) | Clinical diagnosis objects interaction | |
| CN110570941B (zh) | 一种基于文本语义向量模型评估心理状态的系统和装置 | |
| US20190220474A1 (en) | Utilizing multiple knowledge bases to form a query response | |
| Ireland et al. | Within and between-person differences in language used across anxiety support and neutral reddit communities | |
| CN112001739A (zh) | 一种生成用户学习画像的方法和系统 | |
| Xu | An integrated rule-and case-based approach to AIDS initial assessment | |
| CN107809370B (zh) | 用户推荐方法及装置 | |
| Wang et al. | Leverage social media for personalized stress detection | |
| CN108363699A (zh) | 一种基于百度贴吧的网民学业情绪分析方法 | |
| WO2020061562A1 (en) | A data processing system for detecting health risks and causing treatment responsive to the detection | |
| CN112669188A (zh) | 危机事件预警模型构建、危机事件预警方法和电子设备 | |
| Clubb et al. | Revisiting the de-radicalisation or disengagement debate: Public attitudes to the re-integration of terrorists | |
| CN112669936A (zh) | 一种基于文本和图像社交网络抑郁检测方法 | |
| CN113012788B (zh) | 用于戒毒人员的心理干预方法及装置 | |
| Piliavin et al. | Personal norms, perceived social norms, and blood donation | |
| CN110473631B (zh) | 基于真实世界研究的智能睡眠监测方法和系统 | |
| WO2021072208A1 (en) | System and method for monitoring system compliance with measures to improve system health | |
| CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
| CN114971658B (zh) | 一种反诈宣传方法、系统、电子设备以及存储介质 | |
| CN111259057A (zh) | 用于民生诉求分析的数据处理方法及装置 | |
| CN115607156A (zh) | 基于多模态的心理认知筛查测评方法、系统及存储介质 | |
| CN114297713A (zh) | 隐私数据采集比对方法、装置、计算机设备及存储介质 | |
| Banerjee et al. | A survey on mental health monitoring system via social media data using deep learning framework | |
| CN111741125A (zh) | 基于广域网实现的远程服务方法和计算机设备 |
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 |