CN113506629A - 一种症状自评量表简化及结果预测方法与系统 - Google Patents
一种症状自评量表简化及结果预测方法与系统 Download PDFInfo
- Publication number
- CN113506629A CN113506629A CN202110712305.5A CN202110712305A CN113506629A CN 113506629 A CN113506629 A CN 113506629A CN 202110712305 A CN202110712305 A CN 202110712305A CN 113506629 A CN113506629 A CN 113506629A
- Authority
- CN
- China
- Prior art keywords
- factor
- score
- scale
- simplified
- prediction 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.)
- Granted
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000014759 maintenance of location Effects 0.000 claims abstract description 54
- 238000012217 deletion Methods 0.000 claims abstract description 53
- 230000037430 deletion Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 230000004630 mental health Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010020400 Hostility Diseases 0.000 description 1
- 206010033864 Paranoia Diseases 0.000 description 1
- 208000027099 Paranoid disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000035945 sensitivity 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Pathology (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于心理检测技术领域，提供了一种症状自评量表简化及结果预测方法与系统。症状自评量表简化方法包括，获取症状自评量表测试记录；统计因子得分，并对因子进行排序；训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；根据简化表保留因子分数，训练删除因子分数预测模型，得到删除因子分数；根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；基于简化表因子和简化题组题目，生成简化症状自评量表。
Description
技术领域
本发明属于心理检测技术领域，尤其涉及一种症状自评量表简化及结果预测方法与系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
使用心理测评量表进行心理健康测评是一种常用且操作简单的方法，也是一种客观、严格的心理测评方式。症状自评量表(Symptom Checklist 90，SCL-90)是目前心理卫生研究和临床工作中应用较为广泛的心理健康评定工具之一，该量表包含90个项目，涉及感觉、情感、思维、意识、行为、生活习惯、人际关系、饮食睡眠等方面，采用躯体化、强迫症状、人际关系敏感、抑郁、焦虑、敌对、恐怖、偏执、精神病性以及其他10个因子分别反映心理症状情况，分为五级评分，得分越低健康状况越好。症状自评量表需15分钟以上作答时间，较长的做题时间容易使被试者产生厌烦心理，影响被试做出正确的选择，从而导致产生不准确的测评结果。
近年来，机器学习算法开始应用于心理测评量表的简化，相关研究多选用某种精神疾病的测评量表，随着心理健康问题日趋严重，心理健康测试的普及程度越来越高，对常用的心理测评量表进行优化能够服务更多人群。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种症状自评量表简化及结果预测方法与系统，其根据已有测评数据，利用支持向量回归算法构建量表分数预测模型和因子分数预测模型，仅使用部分症状自评量表题目对量表因子分和总分进行预测，从而达到简化症状自评量表的目的。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种症状自评量表简化方法。
一种症状自评量表简化方法，包括：
获取症状自评量表测试记录；统计因子得分，并对因子进行排序；
训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；
根据简化表保留因子，训练删除因子分数预测模型，得到删除因子分数；
根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；
基于简化表保留因子、删除因子分数和简化题组题目，生成简化症状自评量表。
进一步的，所述量表分数预测模型训练的过程包括：
采用SVR算法训练量表分数预测模型；
具体为：将因子排序结果作为特征排序，按照特征数量从1增加到10，即因子总数；
根据均方根误差和校正决定系数评估模型效果；
筛选出均方根误差值不大于设定数值的特征数；
获取筛选出的特征数中校正决定系数所对应的最小特征数，得到简化表保留因子；
得到简化表保留因子所对应的训练好的量表分数预测模型。其中，所述SVR算法的核函数选用linear函数。
进一步的，所述删除因子分数预测模型训练的过程包括：
采用岭回归算法训练因子分数预测模型；
具体为：利用简化量表保留因子分数作为特征，利用岭回归算法训练删除因子分数预测模型，利用该模型得到前一步中删除因子的分数。
进一步的，所述因子分数预测模型训练的过程包括：
采用SVR算法训练因子分数预测模型；
具体为：将题目与保留因子分数之间Pearson相关系数排序结果作为特征排序，采用前向特征选择方法，按照特征数量从1增加到N，N为因子题组题目数；
根据均方根误差和校正决定系数评估模型效果；
筛选出均方根误差值不大于设定数值的特征数；
获取筛选出的特征数中设定的校正决定系数所对应的最小特征数，得到简化题组题目；
得到简化题组题目所对应的训练好的因子分数预测模型。其中，所述SVR算法的核函数选用linear函数。
本发明的第二个方面提供一种症状自评量表简化及结果预测系统。
一种症状自评量表简化系统，包括：
获取和预处理模块，其被配置为：获取历史症状自评量表；统计因子得分，并对因子进行排序；
简化表保留因子获取模块，其被配置为：训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；
删除因子分数预测模块，其被配置为：训练删除因子分数预测模型；
简化题组题目获取模块，其被配置为：根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；
简化症状自评量表生成模块，其被配置为：基于简化表因子和简化题组题目，生成简化症状自评量表。
本发明的第三个方面提供一种症状自评量表结果预测方法。
一种症状自评量表结果预测方法，包括：
获取被测试者完成的第一个方面所述的简化症状自评量表；
将答案分数输入训练好的因子分数预测模型，得到保留因子分数；
将保留因子分数输入删除因子分数预测模型，得到删除因子分数；
将保留因子分数输入量表分数预测模型，得到量表分数；
将量表分数、保留因子分数、删除因子分数以及题目作答情况整合生成心理测评报告。
本发明的第四个方面提供一种症状自评量表结果预测系统。
一种症状自评量表结果预测系统，包括：
获取模块，其被配置为：获取被测试者完成的第一个方面所述的简化症状自评量表；
保留因子分数生成模块，其被配置为：将答案分数输入训练好的因子分数预测模型，得到保留因子分数；
删除因子分数生成模块，其被配置为：将保留因子分数输入删除因子分数预测模型，得到删除因子分数；
量表分数生成模块，其被配置为：将保留因子分数输入量表分数预测模型，得到量表分数。
本发明的第五个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的症状自评量表简化方法中的步骤和/或执行时实现如第三个方面所述的症状自评量表结果预测方法中的步骤。
本发明的第六个方面提供一种计算机设备。
一种计算机设备，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如上述第一个方面所述的症状自评量表简化方法中的步骤和/或执行所述程序时实现如第三个方面所述的症状自评量表结果预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过使用机器学习算法训练量表分数预测模型和因子分数预测，合理的对症状自评量表进行删减，这种方法在不影响测试效果的同时，达到简化症状自评量表的目的。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明症状自评量表简化流程图；
图2是本发明简化量表分数预测流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
针对背景技术中存在的以下问题：
(1)症状自评量表题量较大，作答时间较长，简化量表题量少，提高测试效率，降低被试者对测试的抵触情绪。
(2)现有基于机器学习的心理测评量表简化研究多选用心理疾病量表，将其归纳为分类问题，而症状自评量表的测试结果不适合作为分类问题研究。
本发明提供下面几种解决上述问题的实施方案：
实施例一
如图1所示，本实施例提供了一种症状自评量表简化方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
一种症状自评量表简化方法，包括：
获取症状自评量表测试记录；统计因子得分，并对因子进行排序；
训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；
根据简化表因子，训练删除因子分数预测模型，得到删除因子分数；
根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；
基于简化表保留因子、删除因子分数和简化题组题目，生成简化症状自评量表。
其中，评价指标包括均方根误差和校正决定系数。
具体的，本实施例的技术方案包括以下步骤：
步骤(1)：导出数据库中量表测评结果；
步骤(2)：统计因子得分情况，并对因子进行排序；
步骤(3)：建立基于SVR的量表分数预测模型，确定简化量表保留因子；
步骤(4)：建立基于岭回归的删除因子分数预测模型；
步骤(5)：对于步骤(3)结果中因子题组，建立基于SVR的因子分数预测模型，确定简化题组题目；
步骤(6)：根据步骤(3)、步骤(4)和步骤(5)的结果，生成简化症状自评量表。
其中，步骤(1)中，所述量表测评结果存储在本地数据库中，导出的测评结果信息包括量表90道题目选项分数、10个因子均分、量表总分，导出信息存储为csv文件。
步骤(2)的过程为：统计各个因子均分超出正常均分，即得分大于2的测评结果数，并据此对因子进行排序，得到因子排序结果，将排序结果存储为文本文档。
步骤(3)的过程为：
步骤(3-1)：采用SVR算法训练量表分数预测模型，将步骤(2)中的因子排序结果作为特征排序，按照前向特征选择的方法，将特征数量从1增加到10,SVR核函数选用“linear”；
步骤(3-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果，RMSE值越小，模型预测误差越小，校正决定系数取值范围为[0,1]，值越接近于1，模型拟合效果越好；
均方根误差(RMSE)计算公式如下：
其中，n为测试集样本数量，yi为真实值，
为预测值。
校正决定系数计算公式如下：
其中，n为测试集样本数量，p为特征数量，R2为决定系数，其计算公式如下：
其中，y为真实值，
为预测值，
为测试集样本y平均值。
步骤(3-3)：筛选出RMSE值不大于5的特征数；
步骤(3-4)：选择步骤(3-3)结果中校正决定系数大于0.85时的最小特征数N作为简化量表因子数，根据特征排序结果，前N项即为症状自评量表简化后保留的因子；
步骤(3-5)：保存步骤(3-4)结果对应的分数预测模型。
步骤(4)的过程为：
步骤(4-1)：根据步骤(3)保留的因子，采用岭回归算法，分别训练删除因子分数预测模型；
步骤(4-2)：保存步骤(4-1)中训练的删除因子分数预测模型；
步骤(5)的过程为：
步骤(5-1)：对于步骤(3)结果选出的保留因子，计算因子题组内项目与保留因子分数之间的相关性，并根据相关性排序得到特征排序结果；
步骤(5-1-1)：计算每个因子题组内项目与因子均分之间的Pearson相关系数，计算公式如下：
其中，X为题目，Y为因子分数。
步骤(5-1-2)：根据Pearson相关系数对题组内题目进行排序，Pearson相关系数的值越接近于1，题目与分数的相关性越大，题目排序结果作为因子题组特征排序结果，将题目排序结果存储为文本文档；
步骤(5-2)：采用SVR算法训练因子分数预测模型；
步骤(5-2-1)：根据步骤(5-1-2)所得题目排序结果作为因子题组的特征排序结果，采用前向特征选择方法，将特征数量从1增加到M(因子题组项目数)，SVR核函数选用“linear”，训练因子分数预测模型；
步骤(5-2-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果；
步骤(5-3)：根据模型效果确定题组题目；
步骤(5-3-1)：筛选出RMSE值不大于0.1的特征数；
步骤(5-3-2)：选择步骤(5-3-1)结果中校正决定系数大于0.85时的最小特征数N作为题组题目数，根据特征排序结果，前N项即为因子题组简化后保留的题目；
步骤(5-4)：保存步骤(5-3)结果对应的因子分数预测模型。
步骤(6)中，根据步骤(3)、步骤(5)结果，生成简化症状自评量表，简化量表题目不少于30题。
实施二
本实施例提供了一种症状自评量表简化系统。
一种症状自评量表简化系统，包括：
获取和预处理模块，其被配置为：获取症状自评量表测试记录；统计因子得分，并对因子进行排序；
简化表因子获取模块，其被配置为：训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；
删除因子分数生成模块，其被配置为：将保留因子分数输入删除因子分数预测模型，得到删除因子分数；
简化题组题目获取模块，其被配置为：根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；
简化症状自评量表生成模块，其被配置为：基于简化表保留因子、删除因子分数和简化题组题目，生成简化症状自评量表。
实施三
本实施例提供了一种症状自评量表结果预测方法。
如图2所示，一种症状自评量表结果预测方法，包括：
获取被测试者完成的实施例一所述的简化症状自评量表；
将答案分数输入训练好的因子分数预测模型，得到保留因子分数；
将保留因子分数输入删除因子分数预测模型，得到删除因子分数；
将保留因子分数输入量表分数预测模型，得到量表分数；
将量表分数、保留因子分数、删除因子分数以及题目作答情况整合生成心理测评报告。
具体的，本实施例简化量表的步骤包括：
步骤(1)：导出数据库中量表测评结果；
步骤(2)：统计因子得分情况，并对因子进行排序；
步骤(3)：建立基于SVR的量表分数预测模型，确定简化量表保留因子；
步骤(4)：建立基于岭回归的删除因子分数预测模型，根据删除因子分数预测模型，获得保留因子分数预测的删除因子分数；
步骤(5)：对于步骤(3)结果中因子题组，建立基于SVR的因子分数预测模型，确定简化题组题目；
步骤(6)：根据步骤(3)、步骤(4)和步骤(5)的结果，生成简化症状自评量表。其中，步骤(1)中，所述量表测评结果存储在本地数据库中，导出的测评结果信息包括量表90道题目选项分数、10个因子均分、量表总分，导出信息存储为csv文件。
步骤(2)的过程为：统计各个因子均分超出正常均分，即得分大于2的测评结果数，并据此对因子进行排序，得到因子排序结果，将排序结果存储为文本文档。
步骤(3)的过程为：
步骤(3-1)：采用SVR算法训练量表分数预测模型，将步骤(2)中的因子排序结果作为特征排序，按照前向特征选择的方法，将特征数量从1增加到10,SVR核函数选用“linear”；
步骤(3-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果，RMSE值越小，模型预测误差越小，校正决定系数取值范围为[0,1]，值越接近于1，模型拟合效果越好；
均方根误差(RMSE)计算公式如下：
其中，n为测试集样本数量，yi为真实值，
为预测值。
校正决定系数计算公式如下：
其中，n为测试集样本数量，p为特征数量，R2为决定系数，其计算公式如下：
其中，y为真实值，
为预测值，
为测试集样本y平均值。
步骤(3-3)：筛选出RMSE值不大于5的特征数；
步骤(3-4)：选择步骤(3-3)结果中校正决定系数大于0.85时的最小特征数N作为简化量表因子数，根据特征排序结果，前N项即为症状自评量表简化后保留的因子；
步骤(3-5)：保存步骤(3-4)结果对应的分数预测模型。
步骤(4)的过程为：
步骤(4-1)：根据步骤(3)保留的因子，采用岭回归算法，分别训练删除因子分数预测模型；
步骤(4-2)：保存步骤(4-1)中训练的删除因子分数预测模型；
步骤(5)的过程步骤为：
步骤(5-1)：对于步骤(3)结果选出的保留因子，计算因子题组内项目与保留因子分数之间的相关性，并根据相关性排序得到特征排序结果；
步骤(5-1-1)：计算每个因子题组内项目与因子均分之间的Pearson相关系数，计算公式如下：
其中，X为题目，Y为因子分数。
步骤(5-1-2)：根据Pearson相关系数对题组内题目进行排序，Pearson相关系数的值越接近于1，题目与分数的相关性越大，将题目排序结果存储为文本文档；
步骤(5-2)：采用SVR算法训练因子分数预测模型；
步骤(5-2-1)：根据步骤(5-1-2)所得题目排序结果作为因子的特征排序结果，采用前向特征选择方法，将特征数量从1增加到M(因子题组项目数)，SVR核函数选用“linear”，训练因子分数预测模型；
步骤(5-2-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果；
步骤(5-3)：根据模型效果确定题组题目；
步骤(5-3-1)：筛选出RMSE值不大于0.1的特征数；
步骤(5-3-2)：选择步骤(5-3-1)结果中校正决定系数大于0.85时的最小特征数N作为题组题目数，根据特征排序结果，前N项即为因子题组简化后保留的题目；
步骤(5-4)：保存步骤(5-3)结果对应的因子分数预测模型。
步骤(6)中，根据步骤(3)、步骤(4)和步骤(5)结果，生成简化症状自评量表，简化量表题目不少于30题。
步骤(7)的过程为：
步骤(7-1)：用户完成简化量表；
步骤(7-2)：加载训练好的因子分数预测模型；
步骤(7-3)：将答案分数输入对应因子分数预测模型，输出保留因子分数；
步骤(7-4)：加载训练好的删除因子分数预测模型；
步骤(7-5)：将因子分数输入到删除因子分数预测模型，输出删除因子分数；
步骤(7-6)：加载训练好的量表分数预测模型；
步骤(7-7)：将步骤(7-3)输出的保留因子分数输入量表分数预测模型，输出量表分数，返回结果；
步骤(7-8)：根据上述步骤得到的量表分数、保留因子分数、删除因子分数，结合题目作答情况生成心理测评报告。
实施例四
本实施例提供了一种症状自评量表结果预测系统。
一种症状自评量表结果预测系统，包括：
获取模块，其被配置为：获取被测试者完成的实施例三所述的简化症状自评量表；
因子分数生成模块，其被配置为：将答案分数输入训练好的因子分数预测模型，得到保留因子分数，将保留因子分数输入训练好的删除因子分数预测模型，得到删除的因子分数；
量表分数生成模块，其被配置为：将因子分数输入量表分数预测模型，得到量表分数；
测评报告生成模块，其被配置为：将作答情况、保留因子分数、删除因子分数以及量表分数整合生成心理测评报告。
实施例五
本实施例提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的症状自评量表简化方法中的步骤和/或执行时实现如实施例三所述的症状自评量表结果预测方法中的步骤。
实施例六
本实施例提供了一种计算机设备。
一种计算机设备，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如上述实施例一所述的症状自评量表简化方法中的步骤和/或执行所述程序时实现如实施例三所述的症状自评量表结果预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种症状自评量表简化方法，其特征在于，包括：
获取症状自评量表测试记录；统计因子得分，并对因子进行排序；
训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；
根据简化表保留因子分数，训练删除因子分数预测模型，得到删除因子分数；
根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；
基于简化表因子和简化题组题目，生成简化症状自评量表。
2.根据权利要求1所述的症状自评量表简化方法，其特征在于，所述量表分数预测模型训练的过程包括：
采用SVR算法训练量表分数预测模型；
具体为：将因子排序结果作为特征排序，按照特征数量从1增加到10，即因子总数；
根据均方根误差和校正决定系数评估模型效果；
筛选出均方根误差值不大于设定数值的特征数；
获取筛选出的特征数中设定的评价指标所对应的最小特征数，得到简化表保留因子；
得到简化表保留因子所对应的训练好的量表分数预测模型。
3.根据权利要求1所述的症状自评量表简化方法，其特征在于，所述删除因子分数预测模型训练的过程包括：
采用岭回归算法训练因子分数预测模型；
具体为：利用简化量表保留因子分数作为特征，利用岭回归算法训练删除因子分数预测模型，利用该模型得到前一步中删除因子的分数。
4.根据权利要求1所述的症状自评量表简化方法，其特征在于，所述因子分数预测模型训练的过程包括：
采用SVR算法训练量表分数预测模型；
具体为：将因子排序结果作为特征排序，采用前向特征选择方法，按照特征数量从1增加到N，N为因子题组总题数；
根据均方根误差和校正决定系数评估模型效果；
筛选出均方根误差值不大于设定数值的特征数；
获取筛选出的特征数中设定的评价指标所对应的最小特征数，得到简化题组题目；
得到简化题组题目所对应的训练好的因子分数预测模型。
5.根据权利要求2或4所述的症状自评量表简化方法，其特征在于，所述SVR算法的核函数选用linear函数。
6.一种症状自评量表简化系统，其特征在于，包括：
获取和预处理模块，其被配置为：获取历史症状自评量表；统计因子得分，并对因子进行排序；
简化表因子获取模块，其被配置为：采用训练好的量表分数预测模型，依据设定的校正决定系数所对应的最小特征数，得到简化表保留因子；
删除因子分数生成模块，其被配置为：将保留因子分数输入删除因子分数预测模型，得到删除因子分数；
简化题组题目获取模块，其被配置为：根据简化表保留因子对应的因子题组，通过训练好的因子分数预测模型，依据设定的校正决定系数所对应的最小特征数，得到简化题组题目；
简化症状自评量表生成模块，其被配置为：基于简化表保留因子、删除因子分数和简化题组题目，生成简化症状自评量表。
7.一种症状自评量表结果预测方法，其特征在于，包括：
获取被测试者完成的权利要求1-5任一项所述的简化症状自评量表；
将答案分数输入训练好的因子分数预测模型，得到保留因子分数；
将保留因子分数输入删除因子分数预测模型，得到删除因子分数；
将保留因子分数输入量表分数预测模型，得到量表分数；
根据上述步骤得到的量表分数、保留因子分数、删除因子分数结合题目作答情况生成心理测评报告。
8.一种症状自评量表结果预测系统，其特征在于，包括：
获取模块，其被配置为：获取被测试者完成的权利要求1-5任一项所述的简化症状自评量表；
因子分数生成模块，其被配置为：将答案分数输入训练好的因子分数预测模型，得到保留因子分数，将保留因子分数输入训练好的删除因子分数预测模型，得到删除的因子分数；
量表分数生成模块，其被配置为：将保留因子分数输入量表分数预测模型，得到量表分数；
测评报告生成模块，其被配置为：将作答情况、保留因子分数、删除因子分数以及量表分数整合生成心理测评报告。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的症状自评量表简化方法中的步骤和/或执行时实现如权利要求7所述的症状自评量表结果预测方法中的步骤。
10.一种计算机设备，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1-5中任一项所述的症状自评量表简化方法中的步骤和/或执行所述程序时实现如权利要求7所述的症状自评量表结果预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712305.5A CN113506629B (zh) | 2021-06-25 | 2021-06-25 | 一种症状自评量表简化及结果预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712305.5A CN113506629B (zh) | 2021-06-25 | 2021-06-25 | 一种症状自评量表简化及结果预测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113506629A true CN113506629A (zh) | 2021-10-15 |
| CN113506629B CN113506629B (zh) | 2024-05-14 |
Family
ID=78010679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110712305.5A Active CN113506629B (zh) | 2021-06-25 | 2021-06-25 | 一种症状自评量表简化及结果预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506629B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117352114A (zh) * | 2023-10-16 | 2024-01-05 | 北京心企领航科技有限公司 | 一种基于聚类算法的心理测评量表的推荐方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942830A (zh) * | 2019-12-16 | 2020-03-31 | 苏州荀才信息科技有限公司 | 一种心理测评的后台管理系统 |
| CN112927804A (zh) * | 2021-02-07 | 2021-06-08 | 武汉大学 | 基于hamd-17量表的抑郁程度评估简化方法 |
-
2021
- 2021-06-25 CN CN202110712305.5A patent/CN113506629B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942830A (zh) * | 2019-12-16 | 2020-03-31 | 苏州荀才信息科技有限公司 | 一种心理测评的后台管理系统 |
| CN112927804A (zh) * | 2021-02-07 | 2021-06-08 | 武汉大学 | 基于hamd-17量表的抑郁程度评估简化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘金铭: "基于机器学习的症状自评量表简化及应用", 中国优秀硕士学位论文全文数据库（电子期刊）, no. 1, pages 20 - 30 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117352114A (zh) * | 2023-10-16 | 2024-01-05 | 北京心企领航科技有限公司 | 一种基于聚类算法的心理测评量表的推荐方法及系统 |
| CN117352114B (zh) * | 2023-10-16 | 2024-04-09 | 北京心企领航科技有限公司 | 一种基于聚类算法的心理测评量表的推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113506629B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101969540B1 (ko) | 인지 기능 재활 훈련 방법 및 장치 | |
| Sheu et al. | Testing the choice model of social cognitive career theory across Holland themes: A meta-analytic path analysis | |
| 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 | |
| Gkintoni et al. | Emotional intelligence in social network consumers | |
| CN113871015B (zh) | 用于提升认知的人机交互方案推送方法及系统 | |
| CN113571158B (zh) | 一种智慧智能ai智能心理健康检测与分析测评方法 | |
| CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
| CN110874409A (zh) | 病情分级预测系统、方法、电子设备及可读存储介质 | |
| CN111477329B (zh) | 一种基于图文结合评估心理状态的方法 | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| CN113506629B (zh) | 一种症状自评量表简化及结果预测方法与系统 | |
| Orsoni et al. | Preliminary evidence on machine learning approaches for clusterizing students’ cognitive profile | |
| US20200185110A1 (en) | Computer-implemented method and an apparatus for use in detecting malingering by a first subject in one or more physical and/or mental function tests | |
| Weitz et al. | Working memory and sequence learning in the Hebb digits task: Awareness is predicted by individual differences in operation span | |
| Wu et al. | Toward effective automated content analysis via crowdsourcing | |
| CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
| US20230170097A1 (en) | Methods and computing device related to sleep evaluation | |
| KR101274431B1 (ko) | 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 | |
| Du | Application of Improved SMOTE and XGBoost Algorithm in the Analysis of Psychological Stress Test for College Students | |
| Mani et al. | An investigation of wine quality testing using machine learning techniques | |
| Moreno-Martínez et al. | Longitudinal patterns of fluency impairment in dementia: The role of domain and “nuisance variables” | |
| Sarić et al. | Identification of alcohol addicts among high school students using decision tree based algorithm | |
| CN113782188B (zh) | Sjt情境式儿童心理测评系统的多维度测验数据处理方法 | |
| CN115274026A (zh) | 一种面向心理筛查的个性化问卷生成与智能诊断系统及方法 | |
| CN118078285A (zh) | 学生心理健康评测方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221107 Address after: 250022 No. 336, South Xin Zhuang West Road, Shizhong District, Ji'nan, Shandong Applicant after: University of Jinan Applicant after: Shandong Qilu Modern Education Research Institute Co.,Ltd. Address before: 250022 No. 336, South Xin Zhuang West Road, Shizhong District, Ji'nan, Shandong Applicant before: University of Jinan Applicant before: Shandong Sizheng Information Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |