CN115251928A - 一种基于深度学习的大学生心理健康评估系统 - Google Patents
一种基于深度学习的大学生心理健康评估系统 Download PDFInfo
- Publication number
- CN115251928A CN115251928A CN202211056721.5A CN202211056721A CN115251928A CN 115251928 A CN115251928 A CN 115251928A CN 202211056721 A CN202211056721 A CN 202211056721A CN 115251928 A CN115251928 A CN 115251928A
- Authority
- CN
- China
- Prior art keywords
- mental health
- data
- deep learning
- assessment system
- system based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H50/30—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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Computational Linguistics (AREA)
- Child & Adolescent Psychology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于深度学习的大学生心理健康评估系统,包括如下步骤:心理健康数据的采集和预处理;多源异构数据融合;关键特征提取与降维;大学生心理健康数据评估,预测大学生的心理健康状况,帮助高校及时掌握大学生的心理健康状态,有助于大学生心理健康疾病的早介入、早治疗,确保大学生身心健康、全面发展。
Description
技术领域
本发明主要涉及心理健康评估领域,具体涉及一种基于深度学习的大学生心理健康评估系统。
背景技术
随着人工智能技术的快速发展,各种大学生心理健康状况评估系统应运而生,由于通过各种心理测量量表所采集的心理健康数据与大学生的实际心理状况不可避免的具有系统性偏差,同时,大学生心理健康数据普遍具有规模小、高维度、高噪声和稀疏性等特点,直接采用深度学习模型较易发生过拟合,难以提取出具有强泛化能力的高抽象特征。
本发明一种基于深度学习的大学生心理健康评估系统,能够对高维度心理健康数据集进行降维,利用基于深度学习的识别模型训练低维度已知类别样本,从而评估待测样本的心理健康状态,本发明具有较高的预测精度,且泛化性能强,能够有效评估大学生的心理健康状态。
发明内容
发明要解决的问题
本发明的目的在于研究一种基于深度学习的大学生心理健康评估系统,预测大学生的心理健康状况,帮助高校及时掌握大学生的心理健康状态,有助于大学生心理健康疾病的早介入、早治疗,确保大学生身心健康、全面发展。
技术方案
为达到上述目的,本发明提供的技术方案为:一种基于深度学习的大学生心理健康评估系统,包括以下步骤:
大学生心理健康数据的采集和预处理,除了通过心理测量量表对学生测评采样,同时从社交网络中提取与心理健康有关联的数据作为补充,在数据采集之后,数据预处理主要包括数据清洗、转换和归一化。
多源异构数据融合,将通过学生对各种心理测量量表作答获得的数据与从大学生的社交网络中提取数据有效融合。
关键特征提取与降维,利用基于深度学习算法的大学生心理健康数据特征提取模型提取融合数据集中的关键特征,再根据现有的关联规则算法挖掘大学生心理健康数据关键特征,实现心理健康数据的维数约简。
大学生心理健康数据评估,利用多层感知机、支持向量机等分类算法,结合大学生心理健康数据特点,对大学生心理健康关键特征进行分类,并通过交叉验证进行分类的有效性评估。
心理健康数据采集与预处理模块,用于采集测试者的心理健康数据并进行预处理。
采取整群抽样的方法,使用SCL90作为施测量表,通过纸质问卷和网络问卷的方式进行采集,搜集学生的社交网络主页,利用爬虫技术爬取社交博文,利用文本分析技术提取出与心理相关的数据。
心理健康数据预处理,消除数据中所存在的噪声以及纠正其不一致的错误,包括填补遗漏的数据值、平滑有噪声数据、识别或除去异常值以及解决不一致问题;对清洗后的数据进行规格化操作;再将转换后的数据映射到指定范围,去除不同维度数据量纲以及量纲单位。
多源异构数据融合模块,将通过测试者对各种心理测量量表作答获得的数据与从其社交网络中提取的数据融合。
关键特征提取与降维模块,提取融合数据集中的关键特征并进行高维特征数据的降维。
将心理健康数据按照8:2比例分成训练集和测试集,利用Resnet18算法对数据训练,确定网络参数,对大学生心理健康关键特征进行分类,并通过交叉验证进行分类的有效性评估
大学生心理健康数据评估模块,用于预测测试者的心理健康状态。
大学生心理健康状态反馈模块,用于将心理健康状态异常的大学生信息反馈给辅导员、班主任等相关人员。
有益效果
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
本发明提供了一种基于深度学习的大学生心理健康评估系统,通过采用多维度的数据综合体现大学生心理健康状态,基于深度学习的识别算法能够评估待测样本的心理健康状态,有效实现心理健康的预警和跟踪。
本发明可进一步作为高校心理教育领域专家的研究工具,对大学生心理健康数据的关键特征及其特定非线性组合进行深入分析,探索高校心理健康教育新路径。同时,可移植于中小学生、研究生等其他学生群体。
附图说明
图1为本发明的开发流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述,附图中给出了本发明的若干实施例,但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例,相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同;本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明;本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例
参照图1,一种基于深度学习的大学生心理健康评估系统,包括:
心理健康数据采集与预处理模块,用于采集测试者的心理健康数据并进行预处理。心理测量量表是一种心理测试工具,具有严格的建构程序、较高程度的客观化,大容量的测量维度,一般能检测出被测试者的自觉症状。常见的心理测量量表有:90项症状自评量表(SCL--90)、焦虑自评量表(SAS)、抑郁自评量表(SDS)等。这些量表的测量范围较广,涵盖感觉、情绪、思维、行为、饮食睡眠、生活习惯、人际关系等精神病症状学内容。结合测试对象研究各种心理测量量表,同时在心理学专家的指导下,综合运用各种测量量表采集大学生心理健康数据。但由于个人隐私以及自我认知的偏差,结构性较高的心理测量量表的测评结果往往会表现出较低的置信度。近年来,随着微信、微博等社交网络的流行,高校学生往往通过社交网络表达自己的真实情感,而这些情感数据的变化通常与心理健康的波动表现出高度相关性。因而,为提高大学生心理健康数据的泛化性和鲁棒性,除了通过心理测量量表对学生测评采样,还从社交网络中提取与心理健康有关联的数据作为补充。社交网络是一种复杂异构信息网络,其包含丰富的结构和语义信息,利用现有的网络爬虫、文本分析等技术从社交网络中提取与心理健康有关的数据算法。此外,在数据采集之后,需对心理健康数据的预处理过程展开研究,预处理主要包括数据清洗、转换和归一化。
多源异构数据融合模块,将通过测试者对各种心理测量量表作答获得的数据与从其社交网络中提取的数据融合。采集的大学生心理健康数据主要有两种:一是通过学生对各种心理测量量表作答获得;二是从大学生的社交网络中提取。数据来源方式多样,数据结构也存在着较大的差异。利用投票系统、Bayes推理以及模糊推理理论、D-S(Dempster-Shafer)等多源异构关键技术实现大学生心理健康数据的多源异构数据融合,通过数据融合减少单一采样数据不可避免的系统性偏差。
关键特征提取与降维模块,提取融合数据集中的关键特征并进行高维特征数据的降维,利用基于深度学习的大学生心理健康数据特征提取模型提取关键特征,为提高模型的鲁棒性和泛化性,对样本数据作三点处理:采用稀疏矩阵表示、加入噪声数据及重采样。采用稀疏矩阵表示样本数据集能降低模型复杂度,在训练样本集中加入适当的噪声数据可提高模型的泛化能力,对分布不均衡的类别进行重采样可避免出现特征选择偏向问题。
本系统用于预测测试者的心理健康状态,利用Resnet18算法对降维后的心理健康数据分类,硬件环境为python3.7,使用scikit-learn包中的manifold训练数据。
大学生心理健康状态反馈模块,用于将心理健康状态异常的大学生信息反馈给辅导员、班主任等相关人员。系统可根据测试者所在专业班级自动匹配对应的辅导员或班主任,当测试者心理健康状态异常时,系统会自动将信息发送给班主任或辅导员。
以上所述实施例仅表达了本发明的某种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制;应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围;因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于深度学习的大学生心理健康评估系统,其特征在于:包括以下步骤:
(1)心理健康数据的采集和预处理;
(2)多源异构数据融合;
(3)关键特征提取与降维;
(4)大学生心理健康数据评估。
2.根据权利要求1所述的一种基于深度学习的大学生心理健康评估系统,其特征在于:心理健康数据的采集过程如下:
心理测量量表对学生测评采样;
社交网络中提取与心理健康有关联的数据作为补充。
3.根据权利要求1所述的一种基于深度学习的大学生心理健康评估系统,其特征在于:心理健康数据的预处理包括数据清洗、转换和归一化。
4.根据权利要求1所述的一种基于深度学习的大学生心理健康评估系统,其特征在于:多源异构数据融合基于心理健康数据,建立统一的数据量纲,将采集到的数据统一为量纲数据。
5.根据权利要求1所述的一种基于深度学习的大学生心理健康评估系统,其特征在于:关键特征提取与降维;
基于深度学习算法的大学生心理健康数据特征提取模型提取融合数据集中的关键特征,结合现有的关联规则算法Apriori挖掘大学生心理健康数据关键特征,实现心理健康数据的维数约简。
6.根据权利要求1所述的一种基于深度学习的大学生心理健康评估系统,其特征在于:利用多层感知机和/或支持向量机和/或Resnet18算法分类算法,对大学生心理健康关键特征进行分类,并通过交叉验证进行分类的有效性评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211056721.5A CN115251928A (zh) | 2022-08-31 | 2022-08-31 | 一种基于深度学习的大学生心理健康评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211056721.5A CN115251928A (zh) | 2022-08-31 | 2022-08-31 | 一种基于深度学习的大学生心理健康评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115251928A true CN115251928A (zh) | 2022-11-01 |
Family
ID=83755865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211056721.5A Pending CN115251928A (zh) | 2022-08-31 | 2022-08-31 | 一种基于深度学习的大学生心理健康评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115251928A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117198516A (zh) * | 2023-03-06 | 2023-12-08 | 杭州市第七人民医院 | 一种大学生抑郁障碍智能评估系统 |
CN117423462A (zh) * | 2023-12-01 | 2024-01-19 | 山东石油化工学院 | 一种基于人工智能的学生心理健康预测方法 |
-
2022
- 2022-08-31 CN CN202211056721.5A patent/CN115251928A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117198516A (zh) * | 2023-03-06 | 2023-12-08 | 杭州市第七人民医院 | 一种大学生抑郁障碍智能评估系统 |
CN117423462A (zh) * | 2023-12-01 | 2024-01-19 | 山东石油化工学院 | 一种基于人工智能的学生心理健康预测方法 |
CN117423462B (zh) * | 2023-12-01 | 2024-04-16 | 山东石油化工学院 | 一种基于人工智能的学生心理健康预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Prediction of depression from EEG signal using long short term memory (LSTM) | |
CN115251928A (zh) | 一种基于深度学习的大学生心理健康评估系统 | |
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 | |
Kumar et al. | Personality traits classification on twitter | |
CN110391013B (zh) | 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 | |
CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
Soni et al. | Using verb fluency, natural language processing, and machine learning to detect Alzheimer’s disease | |
Yang et al. | Analyzing online discussion data for understanding the student's critical thinking | |
Qi et al. | Application of EMD combined with deep learning and knowledge graph in bearing fault | |
Jing et al. | Data-driven implicit design preference prediction model for product concept evaluation via BP neural network and EEG | |
Pattanaphanchai et al. | The investigation of student dropout prediction model in thai higher education using educational data mining: A case study of faculty of science, prince of Songkla Uni-versity | |
Behnisch et al. | Urban data-mining: spatiotemporal exploration of multidimensional data | |
Joshi et al. | Modeling and detecting change in user behavior through his social media posting using cluster analysis | |
Prasanalakshmi | Deep Regression hybridized Neural Network in human stress detection | |
Ferrer et al. | Methodological and analytical issues in the psychology of aging | |
Saranya et al. | ENHANCED PREDICTION OF STUDENT DROPOUTS USING FUZZY INFERENCE SYSTEM AND LOGISTIC REGRESSION. | |
Alibasa et al. | Predicting mood from digital footprints using frequent sequential context patterns features | |
Kulkarni et al. | Depression prediction system using different methods | |
Lamb et al. | A computational modeling of rapid attitude formation during surveys about immigrants and immigration | |
Kruthi et al. | Detection of autism spectrum disorder using machine learning | |
Hasan et al. | Data-driven depression detection system for textual data on twitter using deep learning | |
Yang | [Retracted] Analysis Model of Personality and Psychological Characteristics of Network Users under High‐Pressure Working Environment | |
Singh et al. | Automatic Criminal Recidivism Risk Estimation in Recidivist Using Classification and Ensemble Techniques | |
Feng | A Novel Adaptive Affective Cognition Analysis Model for College Students Using a Deep Convolution Neural Network and Deep Features | |
Bo et al. | Mental State Prediction of College Students Based on Decision Tree |
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 |