CN113488164B - 基于数据的知识库心理沙盘分析方法、系统和设备 - Google Patents

基于数据的知识库心理沙盘分析方法、系统和设备 Download PDF

Info

Publication number
CN113488164B
CN113488164B CN202110794790.5A CN202110794790A CN113488164B CN 113488164 B CN113488164 B CN 113488164B CN 202110794790 A CN202110794790 A CN 202110794790A CN 113488164 B CN113488164 B CN 113488164B
Authority
CN
China
Prior art keywords
psychological
sand table
knowledge base
classification
model
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.)
Active
Application number
CN202110794790.5A
Other languages
English (en)
Other versions
CN113488164A (zh
Inventor
黄凯奇
康运锋
陈晓棠
郑若琳
张岩
姜宇
高天一
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110794790.5A priority Critical patent/CN113488164B/zh
Publication of CN113488164A publication Critical patent/CN113488164A/zh
Application granted granted Critical
Publication of CN113488164B publication Critical patent/CN113488164B/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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于计算机技术领域，具体涉及了一种基于数据的知识库心理沙盘分析方法、系统及设备，旨在解决现有的电子心理沙盘分析方法中，基于知识库的模型无法适应特定问题、基于学习的模型需要大量数据且无心理学理论支持的问题。本发明包括：根据心理学知识构建心理知识库分类初始模型，采集典型个体的沙盘数据并通过人工核验获取真实标签，通过心理知识库分类初始模型对沙盘数据进行特征提取和分析，将分析结果与真实标签进行比对，通过调整特征维度和调节模型参数两个方面对初始模型进行调节，并评估模型的效果，进而获得调试好的心理知识库分类模型。本发明保持了基于知识库模型的心理学理论依据，同时使用数据调整知识库模型，提升了模型效果，使模型能够精准针对特定问题和人群。

Description

基于数据的知识库心理沙盘分析方法、系统和设备
技术领域
本发明属于计算机技术领域，具体涉及了一种基于数据的知识库心理沙盘分析方法、系统及设备。
背景技术
沙盘疗法，又称箱庭疗法，是一种结合分析心理学和游戏疗法的心理治疗方法。来访者从沙具中自由挑选沙具，在沙箱中进行创作，完成一幅箱庭作品。在这个过程中，来访者将自己的内心世界投射到箱庭作品中，再现其现实生活。来访者制作完成后，心理咨询师对箱庭作品的内容进行分析，从而了解来访者的内心世界。
传统实体沙盘因占地面积大、所需沙具种类多、需要专业心理咨询师陪伴完成等因素，其推广一直受到制约，难以大规模推广和应用。随着计算机技术的普及，电子沙盘成为了一种新的选择，能够解决沙盘治疗室占地等问题。但使用电子设备完成的沙盘作品，仍需要专业心理咨询师对其进行分析。因此，还需对电子沙盘作品进行自动分析。
现有的电子沙盘自动分析方法，主要分为两种，一种是基于知识库的心理分析方法，根据心理学理论和咨询师经验，总结整理心理沙盘特征，如主题、沙具统计信息等，建立心理沙盘知识库，并根据知识库对沙盘进行分析。另一种是基于数据的机器学习方法，根据采集到的大量沙盘数据，使用机器学习等统计学习模型，提取沙盘特征，从而判断来访者的心理状态。
然而上述两种电子沙盘自动分析方法，均存在一定的问题。首先，对于基于知识库的心理分析模型，其知识库中的信息维度庞杂，还有部分来源于咨询师经验。如何筛选典型心理学特征以供模型准确进行分类，并无明确标准。同时，依据心理学理论设计的特征，其特征选择和统计数据的适用范围与心理学文献中的具体研究群体有关。因此在实际应用中，根据文献中的特征和数据建立的心理学模型无法适应具体问题和特定人群。
对于基于机器学习的心理分析模型，训练模型需要采集大量沙盘数据。沙盘数据属于专业性较强的数据，其获取难度高，且很难通过数据增强等方式自动进行扩充；由于沙盘摆放自由、输入数据空间大，且心理映射相对复杂、需要学习的特征属于高层特征，因此训练模型需要更大的数据量。数据量不足将严重影响心理分析模型的准确性。同时，使用机器学习方法训练的模型，其准确性来源于对数据分布的学习和拟合，没有相应的心理学理论支撑，可解释性较低。
发明内容
为了解决现有技术中的上述问题，即现有的电子心理沙盘分析方法中，基于知识库的模型无法适应特定问题、基于学习的模型需要大量数据且无心理学理论支持的问题，本发明提供了一种基于数据的知识库心理沙盘分析方法，所述方法包括：
步骤S100，通过电子沙盘设备获取被试的沙盘数据；
步骤S200，通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果。
在一些优选的实施方式中，所述心理知识库分类模型，其调试方法包括：
步骤B100，构建心理知识库分类初始模型；
步骤B200，针对典型个体通过电子沙盘设备进行沙盘数据采集，获得调试数据集，并通过人工核验获得真实标签l；
步骤B300，基于所述调试数据，通过所述心理知识库分类初始模型进行特征提取，获得心理沙盘特征；
步骤B400，基于所述心理沙盘特征获得电子沙盘分析结果；
步骤B500，基于所述心理沙盘特征、电子沙盘分析结果和真实标签调整所述心理知识库分类初始模型的参数；
步骤B600，重复步骤B300-步骤B500的方法输入调试数据和真实标签，直至模型效果提升至任务要求的水平，获得调试好的心理知识库分类模型。
在一些优选的实施方式中，所述步骤B100，具体为：
根据测评目标的诊断要素和症状，预设每个诊断要素和症状对应的沙盘要素，将沙盘要素转化为心理特征维度，建立心理知识库分类初始模型。
在一些优选的实施方式中，所述心理知识库分类初始模型为：
Figure BDA0003162258480000031
其中，y表示分类结果，xi表示第i个心理特征，维度总数为N，wi表示第i个心理特征的权重；
其中，fi为将心理特征映射为心理状态得分的函数：
Figure BDA0003162258480000032
Figure BDA0003162258480000041
其中，θ、
Figure BDA0003162258480000042
为特征值与该特征阈值的比较函数，ti表示特征维度的阈值，h、g为预设的将心理特征映射为心理状态得分的函数；
F为将心理状态得分映射为心理分类结果的分类函数：
Figure BDA0003162258480000043
其中，τ为心理状态得分与分类阈值的比较函数，T表示分类阈值。
在一些优选的实施方式中，所述心理知识库分类初始模型为多层知识库分类初始模型：
Figure BDA0003162258480000044
所述多层知识库分类初始模型表示将心理特征划分为M个类别，对每个类别中的Nj个心理特征通过权重wj计算加权和后，再对M个类别添加类别权重W后求和；wj表示w1j，…，wij，…，wNj总共Nj个权重，W表示W1，…，Wj，…，WM总共M个类别权重。
在一些优选的实施方式中，步骤B500具体包括：
步骤B510，将所述电子沙盘分析结果y与真实标签l进行对比获得分类对比结果，将心理沙盘特征xi与特征维度的分段阈值ti进行对比获得特征对比结果；
步骤B520，根据所述分类对比结果和特征对比结果调整模型参数获得调试好的心理知识库分类模型；具体包括：
步骤B520A，若知识库存在特征维度xk，满足条件xk与所述电子沙盘真实标签l的相关性低于预设的阈值c，则在心理知识库分类模型中删去现有的xk对应的特征维度；
步骤B521A，若目前处于使用状态的N个维度中，满足B520A所述条件的维度个数n在N中的比例超过预设比例r，则依次对当前不使用状态的维度xp进行调试，若维度xp与电子沙盘真实标签l的相关性高于或等于预设的阈值c，则将维度xp设置为使用状态，并添加维度xp对应的特征维度；
步骤B520B，若特征xk与所述电子沙盘真实标签l的相关性高于预设的阈值c，则调节各个维度的特征维度阈值ti、第i个心理特征的权重wi和分类阈值T；具体调整方法为：
调节特征维度的阈值ti：基于所述特征对比结果，根据电子沙盘真实标签l确定该样本心理状态对应的fi(xi)函数分段区间，调整ti使xi落入正确的分段区间；
调节第i个心理特征的权重wi：基于所述分类对比结果，对权重wk依据预设的步长比例进行放大或缩小；具体包括：
基于所述分类对比结果，若该样本预测结果y为正常，电子沙盘真实标签l为预警，包括：强迫预警、抑郁预警、焦虑预警和其他预警，将特征xk满足第一权重调整条件的权重wk按预设的步长比例进行放大；
所述第一权重调整条件为：
Figure BDA0003162258480000051
若该样本预测结果y为预警，电子沙盘真实标签l为正常，将特征xk满足第二权重调整条件的权重wk按预设的步长比例进行缩小；
所述第二权重调整条件为：
Figure BDA0003162258480000061
其中，k的取值为1,2,…,N，fk表示特征xk对应的心理状态得分函数，wk表示特征xk对应的权重；
调节分类阈值T：根据模型任务目标和所述分类对比结果对阈值T按预设的步长比例进行放大或缩小；具体包括：
根据心理知识库分类模型在调试数据集上的召回率rect和精确率pret；根据预测结果y和电子沙盘真实标签l计算当前模型在调试数据集上的召回率recp和精确率prep；若recp<rect，对T按预设的步长比例进行缩小；若prep<pret，对T按照预设的步长比例进行放大。
在一些优选的实施方式中，所述模型效果，根据分类准确率和正样本召回率进行加权求和评估。
本发明的另一方面，提出了一种基于数据的知识库心理沙盘分析系统，所述系统包括：数据获取模块和心理分析模块；
所述数据获取模块，配置为通过电子沙盘设备获取被试的沙盘数据；
所述心理分析模块，配置为通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果；
所述心理知识库分类模型，其调试方法包括：
步骤B100，构建心理知识库分类初始模型；
步骤B200，针对典型个体通过电子沙盘设备进行沙盘数据采集，获得调试数据集，并通过人工核验获得真实标签l；
步骤B300，基于所述调试数据，通过所述心理知识库分类初始模型进行特征提取，获得心理沙盘特征；
步骤B400，基于所述心理沙盘特征获得电子沙盘分析结果；
步骤B500，基于所述心理沙盘特征、电子沙盘分析结果和真实标签调整所述心理知识库分类初始模型的参数，获得调试好的心理知识库分类模型；
步骤B600，重复步骤B300-步骤B500的方法输入调试数据及和真实标签，直至模型效果提升至任务要求的水平。
本发明的第三方面，提出了一种电子设备，包括：
至少一个处理器；以及与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于数据的知识库心理沙盘分析方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机指令用于被所述计算机执行以实现上述的基于数据的知识库心理沙盘分析方法。
本发明的有益效果：
(1)本发明基于数据的知识库心理沙盘分析方法，保持了基于知识库模型的心理学理论依据，同时使用数据调整知识库模型，为设置模型中的参数提供了数据支撑，使模型能够精确针对特定问题和人群，提高了电子心理沙盘分析的准确性；
(2)本发明提出的心理知识库分类模型调试方法，能够从模型维度和模型参数两部分对分类模型进行调整，从而使模型具有适应特定问题的能力。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例中基于数据的知识库心理沙盘分析方法的原理示意图；
图2是本发明实施例中心理知识库分类模型调试的示意图；
图3是本发明心理知识库分类初始模型的原理示意图；
图4是本发明心理多层知识库分类初始模型的原理示意图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。
本发明提供一种基于数据的知识库心理沙盘分析方法，本方法保持了基于知识库模型的心理学理论依据，同时使用数据调整知识库模型，为设置模型中的参数提供了数据支撑，使模型能够精确针对特定问题和人群，提高了电子心里沙盘分析的准确性。
本发明的一种基于数据的知识库心理沙盘分析方法，包括：
步骤S100，通过电子沙盘设备获取被试的沙盘数据；
步骤S200，通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果。
为了更清晰地对本发明基于数据的知识库心理沙盘分析方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于数据的知识库心理沙盘分析方法，包括步骤S100-步骤S200，各步骤详细描述如下：
步骤S100，通过电子沙盘设备获取被试的沙盘数据；
步骤S200，通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果。
在本实施例中，所述心理知识库分类模型，如图2所示，其调试方法包括：
步骤B100，构建心理知识库分类初始模型；
在本实施例中，所述步骤B100，具体为：
根据测评目标的诊断要素和症状，预设每个诊断要素和症状对应的沙盘要素，将沙盘要素转化为心理特征维度，建立心理知识库分类初始模型。
在本实施例中，在确定了评测目标比如强迫、焦虑、抑郁等后，总结测评目标的诊断要素和可能表现的症状，基于所述可能表现的症状确定其对应的沙盘要素(如抑郁任务中，精力缺乏症状对应的其中一个沙盘要素为沙盘蓝色区域面积小)，将所述沙盘要素抽象为对应的心理特征维度，基于所述特征维度构建心理知识库分类初始模型；
在本实施例中，知识库分类模型基于手工设置阈值和权重的感知机模型进行设计。如图3所示，所述心理知识库分类初始模型为：
Figure BDA0003162258480000101
其中，y表示分类结果，xi表示第i个心理特征，维度总数为N，wi表示第i个心理特征的权重；
fi为一个将心理特征映射为心理状态得分的函数：
Figure BDA0003162258480000102
Figure BDA0003162258480000103
其中，θ、
Figure BDA0003162258480000104
为特征值与该特征阈值的比较函数，ti表示特征维度的阈值，h、g为将心理特征映射为心理状态得分的函数；优选的，fi的形式包括分段函数、sigmoid函数等；
F为一个将心理状态得分映射为心理分类结果的分类函数：
Figure BDA0003162258480000105
其中，τ为心理状态得分与分类阈值的比较函数，T表示分类阈值。
在本实施例中，如图4所示，所述心理知识库分类初始模型为多层知识库分类初始模型：
Figure BDA0003162258480000106
所述多层知识库分类初始模型表示将心理特征划分为M个类别，对每个类别中的Nj个心理特征通过权重wj计算加权和后，再对M个类别添加类别权重W后求和；wj表示w1j，…，wij，…，wNj总共Nj个权重，W表示W1，…，Wj，…，WM总共M个类别权重。
步骤B200，针对典型个体通过电子沙盘设备进行沙盘数据采集，获得调试数据集，并通过人工核验获得真实标签l；
在本实施例中，典型的个体包括：存在显著的强迫、存在显著的焦虑、存在显著的抑郁、健康的对照以及其他心理症状。采集到调试数据集后，专业人员或心理咨询师对调试数据集中的沙盘作品进行心理分析，得到每个沙盘数据的真实心理标签。
步骤B300，基于所述调试数据，通过所述心理知识库分类初始模型进行特征提取，获得心理沙盘特征x；
步骤B400，基于所述心理沙盘特征获得电子沙盘分析结果y；对每个沙盘的数据，返回最终的分类结果y和根据沙盘数据计算的知识库心理特征x。
步骤B500，基于所述心理沙盘特征、电子沙盘分析结果和真实标签调整所述心理知识库分类初始模型的参数；
在本实施例中，步骤B500具体包括：
在本实施例中，调试模型包括从调整特征维度和调节模型参数两个方面对模型进行调整。调整完成后对分类模型进行整体评估，评估调试好的模型在数据集上的整体效果。
步骤B510，将所述电子沙盘分析结果y与真实标签l进行对比获得分类对比结果，将心理沙盘特征xi与特征维度的分段阈值ti进行对比获得特征对比结果；
在分类对比中，对比y和l判断分类结果y是否正确；在特征对比中，由于f为分段函数，其分段条件为θ(xi，ti)≥0，θ(xi，ti)＜0，满足不同条件所对应的分段函数f的计算公式及心理状态得分不同。分段对应的物理意义是不同的分段区间对应不同的心理状态，以此作为理论依据将心理特征映射为心理状态得分(f为sigmoid函数时同理，不同的ti使得xi进行映射后的心理状态得分fi(xi)不同)。因此需对比xi和ti，根据l和xi调整ti使xi落入正确的分段区间；
步骤B520，根据所述分类对比结果和特征对比结果调整模型参数获得调试好的心理知识库分类模型；如图2所示，本发明通过调整特征维度和调节模型参数两个维度进行具体包括：
步骤B520A，若知识库存在特征维度xk，满足条件xk与所述电子沙盘真实标签l的相关性低于预设的阈值c，则在心理知识库分类模型中删去现有的xk对应的特征维度，即在知识库中设置xk为不使用状态，后续也可再次设置为使用状态；所述相关性，通过单因素方差分析方法，在调试数据集上计算特征维度xk对真实标签l对应的心理状态造成影响的显著性表示；
步骤B521A，若目前处于使用状态的N个维度中，满足B520A所述条件的维度个数n在N中的比例超过预设比例r，则依次对当前不使用状态的维度xp进行调试，若维度xp在该特定问题上与电子沙盘真实标签l相关性高于或等于预设的阈值c，则将xp设置为使用状态，并添加xp对应的特征维度；
步骤B520B，若特征xk与所述电子沙盘真实标签l的相关性高于预设的阈值c，则调节各个维度的特征维度阈值ti、第i个心理特征的权重wi和分类阈值T；具体调节方式为：
调节特征维度的阈值ti：基于所述特征对比结果，根据电子沙盘真实标签l确定该样本心理状态对应的fi(xi)函数分段区间，调整ti使xi落入正确的分段区间；
调节第i个心理特征的权重wi：基于所述分类对比结果，对权重wk依据预设的步长比例进行放大或缩小；具体包括：基于所述分类对比结果，若该样本预测结果y为正常，电子沙盘真实标签l为预警(如强迫、抑郁、焦虑等)，将特征xk满足第一权重调整条件的权重wk按预设的步长比例进行放大；
所述第一权重调整条件为：
Figure BDA0003162258480000131
若该样本预测结果y为预警，电子沙盘真实标签l为正常，将特征xk满足第二权重调整条件的权重wk按预设的步长比例进行缩小；
所述第二权重调整条件为：
Figure BDA0003162258480000132
其中，k的取值为1,2,…,N，fk表示特征xk对应的心理状态得分函数，wk表示特征xk对应的权重；
调节分类阈值T：根据模型具体任务目标和所述分类对比结果对阈值T按预设的步长比例进行放大或缩小；具体包括：
根据心理知识库分类模型在调试数据集上的召回率rect和精确率pret；根据预测结果y和电子沙盘真实标签l计算当前模型在调试数据集上的召回率recp和精确率prep；若recp<rect，对T按预设的步长比例进行缩小；若prep＜pret，对T按照预设的步长比例进行放大。
步骤B600，重复步骤B300-步骤B500的方法输入调试数据和真实标签，直至模型效果提升至任务要求的水平，获得调试好的心理知识库分类模型。
在本实施例中，所述模型效果，根据分类准确率和正样本召回率进行加权求和评估。模型效果评估的标准与模型的具体任务目标相关，如任务需要模型灵敏度高，不漏诊，则重点关注正样本召回率。每次迭代都进行一次模型效果评估，如果效果有提升，保存模型配置；如果效果没有提升或下降，返回之前的模型配置并重新迭代。
本发明第二实施例的基于数据的知识库心理沙盘分析系统，所述系统包括：数据获取模块和心理分析模块；
所述数据获取模块，配置为通过电子沙盘设备获取被试的沙盘数据；
所述心理分析模块，配置为通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果；
所述心理知识库分类模型，其调试方法包括：
步骤B100，构建心理知识库分类初始模型；
步骤B200，针对典型个体通过电子沙盘设备进行沙盘数据采集，获得调试数据集，并通过人工核验获得真实标签l；
步骤B300，基于所述调试数据，通过所述心理知识库分类初始模型进行特征提取，获得心理沙盘特征；
步骤B400，基于所述心理沙盘特征获得电子沙盘分析结果；
步骤B500，基于所述心理沙盘特征、电子沙盘分析结果和真实标签调整所述心理知识库分类初始模型的参数，获得调试好的心理知识库分类模型；
步骤B600，重复步骤B300-步骤B500的方法输入调试数据和真实标签，直至模型效果提升至任务要求的水平。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于数据的知识库心理沙盘分析系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于数据的知识库心理沙盘分析方法。
本发明第四实施例的一种计算机可读存储介质，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被所述计算机执行以实现上述的基于数据的知识库心理沙盘分析方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种基于数据的知识库心理沙盘分析方法，其特征在于，所述方法包括：
步骤S100，通过电子沙盘设备获取被试的沙盘数据；
步骤S200，通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果；
所述心理知识库分类模型，其获得方法包括：
步骤B100，构建心理知识库分类初始模型；
所述心理知识库分类初始模型为：
Figure FDA0003357992830000011
其中，y表示分类结果，xi表示第i个心理特征，维度总数为N，wi表示第i个心理特征的权重；
其中，fi为将心理特征映射为心理状态得分的函数：
Figure FDA0003357992830000012
Figure FDA0003357992830000013
其中，θ、
Figure FDA0003357992830000014
为特征值与该特征阈值的比较函数，ti表示特征维度的阈值，h、g为预设的将心理特征映射为心理状态得分的函数；
F为将心理状态得分映射为心理分类结果的分类函数：
Figure FDA0003357992830000015
其中，τ为心理状态得分与分类阈值的比较函数，T表示分类阈值；
步骤B200，针对典型个体通过电子沙盘设备进行沙盘数据采集，获得调试数据集，并通过人工核验获得真实标签l；
步骤B300，基于所述调试数据，通过所述心理知识库分类初始模型进行特征提取，获得心理沙盘特征；
步骤B400，基于所述心理沙盘特征获得电子沙盘分析结果；
步骤B500，基于所述心理沙盘特征、电子沙盘分析结果和真实标签调整所述心理知识库分类初始模型的参数，获得调试好的心理知识库分类模型；
步骤B600，重复步骤B300-步骤B500的方法输入调试数据和真实标签，直至模型效果提升至任务要求的水平，获得调试好的心理知识库分类模型。
2.根据权利要求1所述的基于数据的知识库心理沙盘分析方法，其特征在于，所述步骤B100，具体为：
根据测评目标的诊断要素和症状，预设每个诊断要素和症状对应的沙盘要素，将沙盘要素转化为心理特征维度，建立心理知识库分类初始模型。
3.根据权利要求1所述的基于数据的知识库心理沙盘分析方法，其特征在于，所述心理知识库分类初始模型为多层知识库分类初始模型：
Figure FDA0003357992830000031
所述多层知识库分类初始模型表示将心理特征划分为M个类别，对每个类别中的Nj个心理特征通过权重wij计算加权和后，再对M个类别添加类别权重Wj后求和；wj表示w1j，…，wij，…，wNj总共Nj个权重，W表示W1，…，Wj，…，WM总共M个类别权重。
4.根据权利要求1所述的基于数据的知识库心理沙盘分析方法，其特征在于，步骤B500具体包括：
步骤B510，将所述电子沙盘分析结果y与真实标签l进行对比获得分类对比结果，将心理沙盘特征xi与特征维度的分段阈值ti进行对比获得特征对比结果；
步骤B520，根据所述分类对比结果和特征对比结果调整模型参数获得调试好的心理知识库分类模型；具体包括：
步骤B520A，若知识库存在特征维度xk，满足条件xk与所述电子沙盘真实标签l的相关性低于预设的阈值c，在心理知识库分类模型中删去现有的xk对应的特征维度；
步骤B521A，若目前处于使用状态的N个维度中，满足B520A所述条件的维度个数n在N中的比例超过预设比例r，则依次对当前不使用状态的维度xp进行调试，若维度xp在当前针对的特定问题上与电子沙盘真实标签l有相关性高于或等于预设的阈值c，则将xp设置为使用状态，并添加xp对应的特征维度；
步骤B520B，若特征xk与所述电子沙盘真实标签l的相关性高于预设的阈值c，则调节各个维度的特征维度阈值ti、第i个心理特征的权重wi和分类阈值T；具体调整方法为：
调节特征维度的阈值ti：基于所述特征对比结果，根据电子沙盘真实标签l确定调试数据集中的样本心理状态对应的fi(xi)函数分段区间，调整ti使xi落入正确的分段区间；
调节第i个心理特征的权重wi：基于所述分类对比结果，对权重wk依据预设的步长比例进行放大或缩小；具体包括：基于所述分类对比结果，若调试数据集中的预测结果y为正常，标签电子沙盘分析真实标签l为预警(如强迫、抑郁、焦虑等)，将特征xk满足第一权重调整条件的权重wk按预设的步长比例进行放大；
所述第一权重调整条件为：
Figure FDA0003357992830000041
若调试数据集中的样本预测结果y为预警，电子沙盘真实标签l为正常，将特征xk满足第二权重调整条件的权重wk按预设的步长比例进行缩小；
所述第二权重调整条件为：
Figure FDA0003357992830000042
其中，k的取值为1,2,…,N，fk表示特征xk对应的心理状态得分函数，wk表示特征xk对应的权重；
调节分类阈值T：根据模型具体任务目标和所述分类对比结果对阈值T按预设的步长比例进行放大或缩小；具体包括：
根据心理知识库分类模型在调试数据集上的正样本召回率rect和精确率pret；根据预测结果y和电子沙盘真实标签l计算当前模型在调试数据集上的召回率recp和精确率prep；若recp<rect，对T按预设的步长比例进行缩小；若prep＜pret，对T按照预设的步长比例进行放大。
5.根据权利要求1所述的基于数据的知识库心理沙盘分析方法，其特征在于，所述模型效果，根据分类精确率和正样本召回率进行加权求和评估。
6.一种基于数据的知识库心理沙盘分析系统，其特征在于，所述系统包括：数据获取模块和心理分析模块；
所述数据获取模块，配置为通过电子沙盘设备获取被试的沙盘数据；
所述心理分析模块，配置为通过调试好的心理知识库分类模型分析所述被试的沙盘数据，获得被试的电子沙盘分析结果；
所述心理知识库分类模型，其调试方法包括：
步骤B100，构建心理知识库分类初始模型；
所述心理知识库分类初始模型为：
Figure FDA0003357992830000051
其中，y表示分类结果，xi表示第i个心理特征，维度总数为N，wi表示第i个心理特征的权重；
其中，fi为将心理特征映射为心理状态得分的函数：
Figure FDA0003357992830000052
Figure FDA0003357992830000053
其中，θ、
Figure FDA0003357992830000054
为特征值与该特征阈值的比较函数，ti表示特征维度的阈值，h、g为预设的将心理特征映射为心理状态得分的函数；
F为将心理状态得分映射为心理分类结果的分类函数：
Figure FDA0003357992830000061
其中，τ为心理状态得分与分类阈值的比较函数，T表示分类阈值；
步骤B200，针对典型个体通过电子沙盘设备进行沙盘数据采集，获得调试数据集，并通过人工核验获得真实标签l；
步骤B300，基于所述调试数据，通过所述心理知识库分类初始模型进行特征提取，获得心理沙盘特征；
步骤B400，基于所述心理沙盘特征获得电子沙盘分析结果；
步骤B500，基于所述心理沙盘特征、电子沙盘分析结果和真实标签调整所述心理知识库分类初始模型的参数；
步骤B600，重复步骤B300-步骤B500的方法输入调试数据和真实标签，直至模型效果提升至任务要求的水平，获得调试好的心理知识库分类模型。
7.一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-5任一项所述的基于数据的知识库心理沙盘分析方法。
8.一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被所述计算机执行以实现权利要求1-5任一项所述的基于数据的知识库心理沙盘分析方法。
CN202110794790.5A 2021-07-14 2021-07-14 基于数据的知识库心理沙盘分析方法、系统和设备 Active CN113488164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110794790.5A CN113488164B (zh) 2021-07-14 2021-07-14 基于数据的知识库心理沙盘分析方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110794790.5A CN113488164B (zh) 2021-07-14 2021-07-14 基于数据的知识库心理沙盘分析方法、系统和设备

Publications (2)

Publication Number Publication Date
CN113488164A CN113488164A (zh) 2021-10-08
CN113488164B true CN113488164B (zh) 2022-01-28

Family

ID=77939246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110794790.5A Active CN113488164B (zh) 2021-07-14 2021-07-14 基于数据的知识库心理沙盘分析方法、系统和设备

Country Status (1)

Country Link
CN (1) CN113488164B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116269388A (zh) * 2023-03-23 2023-06-23 王曦 智能屏幕交互心理评估系统、方法、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108338799A (zh) * 2018-01-30 2018-07-31 重庆云日创心教育科技有限公司 基于vr沙盘的心理评估系统及评估方法
CN110279425A (zh) * 2019-05-09 2019-09-27 中国科学院自动化研究所 基于智能分析的心理评估方法及系统
CN110688482A (zh) * 2019-09-12 2020-01-14 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN111161846A (zh) * 2019-12-06 2020-05-15 中国科学院自动化研究所 基于电子心理沙盘的知识库构建及分析方法、装置、设备
CN112101678A (zh) * 2020-09-23 2020-12-18 东莞理工学院 一种基于gbdt的学生人格倾向预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10839944B2 (en) * 2016-02-01 2020-11-17 Tuvi Orbach Computerized interactive psychological assessment protocol—iPAP

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108338799A (zh) * 2018-01-30 2018-07-31 重庆云日创心教育科技有限公司 基于vr沙盘的心理评估系统及评估方法
CN110279425A (zh) * 2019-05-09 2019-09-27 中国科学院自动化研究所 基于智能分析的心理评估方法及系统
CN110688482A (zh) * 2019-09-12 2020-01-14 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN111161846A (zh) * 2019-12-06 2020-05-15 中国科学院自动化研究所 基于电子心理沙盘的知识库构建及分析方法、装置、设备
CN112101678A (zh) * 2020-09-23 2020-12-18 东莞理工学院 一种基于gbdt的学生人格倾向预测方法

Also Published As

Publication number Publication date
CN113488164A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN113299346B (zh) 分类模型训练和分类方法、装置、计算机设备和存储介质
CN110706213B (zh) 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法
CN110245443A (zh) 一种基于映射函数的多类型输出仿真模型可信度综合评估方法
CN110569982A (zh) 一种基于元学习的主动采样方法
CN113488164B (zh) 基于数据的知识库心理沙盘分析方法、系统和设备
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN115629998B (zh) 一种基于KMeans聚类和相似度的测试用例筛选方法
CN115798022A (zh) 一种基于特征提取的人工智能识别方法
CN114926299A (zh) 一种基于大数据分析的预测车辆事故风险预测方法
CN113268870B (zh) 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法
CN111414951A (zh) 用于图像的细分类方法及装置
CN111861038A (zh) 一种基于机器学习算法的高考分数预测方法及系统
CN111191027B (zh) 一种基于高斯混合分布vae的广义零样本识别方法
CN116864011A (zh) 基于多组学数据的结直肠癌分子标志物识别方法及系统
CN113143275B (zh) 一种样本与特征质量联合量化评估的脑电疲劳检测方法
CN116434273A (zh) 一种基于单正标签的多标记预测方法及系统
CN112382382B (zh) 一种代价敏感的集成学习分类方法及系统
CN111709440B (zh) 基于FSA-Choquet模糊积分的特征选择方法
CN111985782B (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法
CN109784578B (zh) 一种结合业务规则的在线学习停滞预测系统
CN114140286A (zh) 一种驾培指导方法及终端
CN112285541A (zh) 一种电流频率转换电路的故障诊断方法
Hall et al. The use of simulation techniques for expert system test and evaluation
CN112001825B (zh) 基于认知图谱的学习认知路径规划系统
CN109146110A (zh) 高校录取分数线预测方法、设备及计算机可读存储介质

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