CN116597946B - 一种基于房-树-人的青少年心理健康检测方法 - Google Patents
一种基于房-树-人的青少年心理健康检测方法 Download PDFInfo
- Publication number
- CN116597946B CN116597946B CN202310383110.XA CN202310383110A CN116597946B CN 116597946 B CN116597946 B CN 116597946B CN 202310383110 A CN202310383110 A CN 202310383110A CN 116597946 B CN116597946 B CN 116597946B
- Authority
- CN
- China
- Prior art keywords
- detection
- tree
- model
- probability
- person
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- 230000004630 mental health Effects 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000005189 cardiac health Effects 0.000 claims abstract description 4
- 238000010422 painting Methods 0.000 claims description 23
- 230000009323 psychological health Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000003340 mental effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 8
- 230000008451 emotion Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010029333 Neurosis Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 208000015238 neurotic disease Diseases 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Child & Adolescent Psychology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于房‑树‑人的青少年心理健康检测方法，包括：构建青少年房‑树‑人心理健康状态的检测数据集；所述检测数据集包括：元素的绘画特征与心理特征的关联对应关系；基于所述检测数据集，利用贝叶斯概率模型、YOLO模型和随机森林方法，训练青少年心理健康状态数据的检测模型；基于训练后的所述检测模型，对采集的房‑树‑人图像进行检测，获取青少年心理健康检测结果。本发明能够实现智能、自动、快速检测房‑树‑人图片，且能精准分析青少年心理健康状态，检测精度达到94％。
Description
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于房-树-人的青少年心理健康检测方法。
背景技术
房-树-人绘画检测方法是投射性心理测评方法，能够客观反映受测者的心理情绪和心理状态，已在临床得到了广泛应用。
绘画活动能有效反映和影响人的情绪和心理状态。通过绘画活动来分析人的情绪已得到广泛认同。如,格蒙德·弗洛伊德(SigmundFreud)认为艺术作品能够体现心理冲突和神经症。Buck则认为房-树-人这三种绘画元素更能体现情绪的波动情况。在美国、中国、日本等国已经采用房-树-人绘画作为心理障碍临床测量依据。然而，房-树-人绘画的测量结果的判别需要在大型医院的专业的人员参与下才能进行，难以大面积推广。
近年，随着图像处理和模式识别等新兴计算机技术的迅猛发展，特征提取和检测的图像识别研究成为热点，并在心理学、医学、农业等各行各业获得了广泛的应用。以YOLO为代表的图像识别算法，它直接从图像像素出发，通过方框的形式对图像特征进行分类，从而把目标检测问题简化成了一个回归问题。YOLO算法不但可以预测图片的特征还能给出方框包含物体的准确度和产生的框精确的程度。能否引入人工智能技术对房-树-人绘画进行分析，从而实现大青少年心理健康自动检测，是目前亟需解决的。
发明内容
为解决上述技术问题，本发明提出一种基于房-树-人的青少年心理健康检测方法；基于投射性心理测评方法的房-树-人绘画心理健康问题测量理论，首先以青少年绘画作品为研究对象，引入Hermite分段插值进行归一化处理，建立青少年房-树-人心理健康检测数据集；接着，引入贝叶斯概率模型修正元素特征更接近真实的概率值，并建立元素特征之间关联概率模型。随后，提出目标检测算法对绘画元素特征进行检测点选择，同时依据决策树优化算法对模型进行剪枝优化，最终达到了提高房-树-人检测点的识别速度和精度的目的。
为实现上述目的，本发明提供了一种基于房-树-人的青少年心理健康检测方法；包括：
构建青少年房-树-人心理健康状态的检测数据集；所述检测数据集包括：图像数据集、元素的绘画特征与心理特征的关联对应关系的数据关系表；
基于所述检测数据集，利用YOLO目标检测模型，贝叶斯概率模型和随机森林分类模型，训练青少年心理健康状态数据的检测模型；
基于训练后的所述检测模型，对采集的房-树-人图像进行检测，获取青少年心理健康检测结果。
可选地，所述元素的绘画特征与心理特征的关联对应关系包括：对房、树、人三个元素有、无对应的心理特征；对画纸和画面大小与心理特征的对应关系；对房的绘画特征与心理特征的对应关系；对树的绘画特征与心理特征的对应关系；对人的绘画特征与心理特征的对应关系。
可选地，训练青少年心理健康状态数据的所述检测模型包括：
首先，通过删除重复、增加、去噪的方式对所述检测数据集进行清洗；其次，提取清洗后的所述检测数据集中的抽样样本，建立心理健康状态评估的所述贝叶斯概率模型的先验值数据表；接着，利用所述YOLO目标检测模型分别进行所述检测数据集中元素特征的训练，获得最优的训练模型；接着，通过所述训练模型检测出所述抽样样本的元素与元素特征的概率值，依次修正所述贝叶斯概率模型中对应元素与元素特征的先验值，同时核对并计算心理健康状态评估的后验概率值和需要关注的全概率；再者，将先验概率修正为后验概率值的所述贝叶斯概率模型中对应元素与元素特征的心理健康状态评估概率值数据表作为所述随机森林分类模型的模型训练数据进行需要关注和不需要关注的分类训练，获得模型的训练结果；最后，将这几个模型进行连接，构建得到青少年房-树-人心理健康状态评估的所述检测模型。
可选地，利用所述YOLO目标检测模型分别进行所述检测数据集中元素特征的训练包括：
在基于所述YOLO目标检测模型对所述检测数据集中元素特征的训练中，利用置信度来对检测框中各元素特征的预测概率进行重要判断；
所述置信度为：
其中，为第i个grid cell的第j个bounding box的置信度，Pr(Object)为当前box是否有房树人绘画元素的概率，/>为框的真实值和预测值的交并比值。
可选地，利用所述YOLO目标检测模型分别进行所述检测数据集中元素特征的训练还包括：设置损失函数；
所述损失函数为：
其中，Loss为损失函数，s为图像的行/列单元格个数，B为检测框数，i为单元格计数，j为检测框计数，tx为检测点x坐标，为检测点x预测坐标，ty为检测点y坐标，/>为检测点y预测坐标，tw为检测点中心w坐标，/>为检测点中心w预测坐标，th为检测点中心h坐标，/>为检测点中心h预测坐标，/>为i个单元格j个物体检测的置信度，/>为i个单元格j个物体检测的预测置信度，/>为i个单元格j个检测框的类别，c为类别，/>为i个单元格j个检测框的预测类别。
可选地，计算心理健康状态评估的后验概率值和需要关注的全概率包括：
对所述检测数据集中的绘画图像中，选择后验概率最大的类别，获取需要关注的概率和关注情况的全概率；
其中，y为后验概率最大的类别，P(需要关注|房、树、人)为需要关注的概率，P(θ)为关注情况的全概率，ck为k个类别，Y为类别数，X(j)为第j个样本，θ为元素的特征集合，β1、β2、β3为Q的房、树、人元素划分，Q为训练房、树、人元素的样本空间，βi为β1、β2、β3，G为图像总数。
可选地，获得模型的训练结果包括：利用所述随机森林分类模型，预测绘画图像的类别；
预测所述绘画图像的类别包括：
基于所述心理健康状态评估概率值数据表，构建数据集；
基于所述数据集对所述随机森林分类模型进行训练，经过若干次有放回的随机采样后，构成随机森林；
基于所述随机森林，获取绘画图像的预测类别。
可选地，所述绘画图像的预测类别为：
其中，为样本空间中/>的类别，Cj为j个样本的类别，T为判定的类别树总数，为样本空间中第i个图像的第j个类别的预测，C为向量维度，θ'为特征空间的预测，为第i个图像的特征空间中的预测。
可选地，对采集的所述房-树-人图像进行检测前包括：对采集的所述房-树-人图像进行图像归一化处理；
所述图像归一化处理包括：像素点低于第一预设数值的图像进行Hermite分段插值扩充，像素点高于第二预设数值的图像进行删减。
与现有技术相比，本发明具有如下优点和技术效果：
本发明能够实现智能、自动、快速检测房-树-人图片，且能精准分析青少年心理健康状态，检测精度达到95％。
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，本申请的示意性实施例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为本发明实施例的一种基于房-树-人的青少年心理健康检测方法流程示意图。
具体实施方式
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。
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。
青少年心理健康问题日益凸显，青少年心理健康状态的检测对他们的心理健康问题的发现、干预甚至治疗具有重要意义。本发明采用人工智能的方法，提出了一种基于房-树-人的青少年心理健康检测方法。
S1:房-树-人绘画时潜意识得以表达、沟通，能够体现受测者内心的冲突和情结。将心理特征与房-树-人绘画(元素特征、画面/画纸占比、元素细节特征)相结合，查询得到元素的绘画特征与心理特征的关联对应关系，遵循标定原则，构建青少年房-树-人心理健康状态的检测数据集。
在本实施例中，构建青少年房-树-人心理健康状态的检测数据集，包括：通过扫描、网络下载、学生创作等方式构成的图像数据集，元素的绘画特征与心理特征的关联对应关系的数据关系表；
S2:引入YOLO算法对检测数据集进行模型训练，优化贝叶斯模型，进行画面占比判定后融合随机森林算法进行预测判断模型训练。
在本实施例中，青少年心理健康检测模型包括：目标检测模型YOLO模型，概率模型贝叶斯模型和分类模型随机森林模型
首先，通过删除重复、增加、去噪等清洗优化青少年房-树-人心理健康状态的检测数据集样本；其次，提取检测数据集中的抽样样本，建立心理健康状态评估的贝叶斯概率模型先验值数据表；接着，利用目标检测模型YOLO分别训练数据集中房、树、人元素与房顶、门窗、树冠、树干、正面、四肢等元素特征的训练，获得最优的训练模型；接着，通过YOLO训练模型检测出抽样样本的元素与元素特征的概率值，依次修正贝叶斯概率模型中对应元素与元素特征的先验值，同时核对并计算心理健康状态评估的后验概率值和需要关注的全概率；再者，将先验概率修正为后验概率值的贝叶斯概率模型中对应元素与元素特征的心理健康状态评估概率值数据表作为随机森林的模型训练数据进行需要关注和不需要关注的分类训练，获得模型的训练结果；最后，将这几个模型进行连接，构建得到青少年房-树-人心理健康状态评估的检测模型。
S3:由于所采集图像形状具有不规则性，而算法训练时要求图片大小为固定(1280*1280)像素。基于此，需要对像素点过低图像进行Hermite分段插值扩充，像素点过高图像进行删减。
S4:基于图像归一化处理的基础上，利用房-树-人的青少年心理健康检测方法及装置，实现心理健康状态的判定评估，如图1所示。
更进一步地，步骤S1包括：
S101：有房代表个人有对家庭、家族关系的看法、感情、态度和沟通模式、家庭与外部环境之间的关系等比较良好，无房代表回避成长环境；有树代表的是有生命力和能量，了解个体的人格特性，无树代表个体力量薄弱；有人代表有自我形象、个人的信念和价值观、理想状态，无人代表隐藏个人情况。对房、树、人三个元素有、无对应的心理特征。
S102：过大：大于画纸的4/5，以自我为中心；适中：占用画面的2/3，自我认知较好；过小：小于画面的1/9，内向自我无力。对画纸和画面大小与心理特征的对应关系。
S103：房顶，平房顶，无，比较关注自我，性格难缠，冲动、敌意行为；门窗，门窗，无，与家庭成员和外界交流少，情感冷漠，有防御心，内心不愿意被人了解和看透，有不安全感；房屋结构，单层房，无，具有较多幻想，对环境比较敏感，人际交往上防御性较强。对房的绘画特征与心理特征的对应关系。
S104：树冠，树冠，有，自制性格，自我控制能力强；树干，粗树干，有，生命力，成长中得到关爱、滋养较多，活动积极；树根，树根，有，对无意识层面的探索，对性的关心。对树的绘画特征与心理特征的对应关系。
S105：人物形象，写真人、抽象人，有，对外界有警戒心理，不愿意表露真实的自我，可能存在智商地下的困扰；面部朝向，正面，无，可能存在逃避表现，是一种防御，对人或事物拒绝，比较自我，有逆反心理；四肢，上肢、下肢，无，缺乏理想目标和行动力，冲动欲望少。对人的绘画特征与心理特征的对应关系。
S106：labelImg标签标定，本发明采用YOLO标签格式并存储为txt文件，根据元素和特征检测点建立青少年房-树-人心理健康状态的检测数据集。
更进一步地，步骤S2包括：
S2011：为精准识别房树人及房树人所具备的特征，YOLO检测中引入置信度(confidence)来对检测框中各元素特征的预测概率进行重要判断。因为置信度是每个bounding box输出的重要参数，其作用定义有两个：一是代表当前box是否有房树人绘画元素的概率Pr(Object)，它用来说明当前box内是个背景(background)还是有某个房树人元素；另外表示当前的box有元素时，它自己的预测框box与元素真实框box的的值，这是模型表达自己框出了元素的置信程度，框出的box内确实有元素的置信程度和框出的box将整个元素的所有特征都包括进来的置信程度。/>表示第i个grid cell的第j个boundingbox的置信度，则用数学形式表示定义为：
S2012：房树人元素条件类别概率是一组概率的数组，数组的长度为当前房树人模型检测的类别种类数量，设图像数据集G，对输入的一张图像g，被分割成S*S个cell，bounding box的输出维数是:S*S*[B*(4+1+classes)]。
采用差平方和，包含定位损失的位置及宽高损失、分类和目标置信度损失损失的损失函数(Loss)表示定义为：
其中，Loss为损失函数，s为图像的行/列单元格个数，B为检测框数，i为单元格计数，j为检测框计数，tx为检测点x坐标，为检测点x预测坐标，ty为检测点y坐标，/>为检测点y预测坐标，tw为检测点中心w坐标，/>为检测点中心w预测坐标，th为检测点中心h坐标，/>为检测点中心h预测坐标，/>为i个单元格j个物体检测的置信度，/>为i个单元格j个物体检测的预测置信度，/>为i个单元格j个检测框的类别，c为类别，/>为i个单元格j个检测框的预测类别。S2013：元素检测判断结果中的真正例(true positives)、假正例(false positives)和假反例(false negatives)。当IOU≥0.5，为真正例；当IOU＜0.5时，为假正例。当IOU＝0，则为假反例。通过公式(4)和公式(5)，可以得出实验结果的查全率(Recall)和查准率(Precision)：
S202：基于贝叶斯概率模型对房树人绘画图像进行心理判断，结合YOLO模型得到了各元素的概率值，更新计算求出后验概率最大的输出，从而进行绘画图像分类预测，Q为训练房、树、人元素的样本空间，其中θ为元素的特征集合，β1、β2、β3为Q的房、树、人元素划分。在同一画面中，可能存在多房、多树、多人样本，则样本元素选择后验概率最大的类y，而需要关注的概率P(需要关注|房、树、人)，则关注情况的全概率P(θ)，依次表示为：
S203：本发明采用随机森林算法，它是包含多个决策树的分类器。随机从数据集样本空间Q中选q个样本数据，随机选取特征集合θ中的θ'个数据特征，得到大小为q的新数据集Q'，进行决策树的训练；K次有放回的随机采样生成多棵决策树，构成随机森林。每一轮采样中，样本被抽到的概率为1/K，因此，在K轮抽样后，该样本仍未被抽取到的概率为：
S2031：房树人分类树的生成中，分类树用基尼指数或节点误差选择最优特征，同时决定该特征的最优二值切分点。基尼指数表示集合Q的不确定性，基尼指数值越大，样本的不确定性越大。算法停止计算的条件是结点中的样本个数小于预定阈值，或指定树的深度，或者没有更多特征。
S2032：输入：房树人训练数据集D，停止计算条件；输出：CART房树人决策树，根据训练数据集，从根结点开始，递归地对每个结点进行以下操作，构建二叉决策树。
S2033：设结点的训练数据集为Q，计算现有房树人元素有无、画面占比、元素特征(房：房顶、门窗、结构，树：树冠、树干、树根，人：面部朝向、四肢、卡通人)等对该数据集的基尼指数。此时，对每一个特征A，对其可能取的每个值a，根据样本点对A＝a的测试为“是”或“否”将Q分割成Q1和Q2两部分，利用公式计算A＝a时的基尼指数。
S2034：在所有可能的特征A以及它们所有可能的切分点a中，选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点，从现结点生成两个子结点，将训练数据集依特征分配到两个子结点中去。
S2035：对两个子结点递归地调用(S3023)，(S3024)，直至满足停止条件.
S2036：生成CART决策树，即结果为：需要重点关注和不需要重点关注。
S204：多棵训练的决策树构成子集为{Q'1,Q'2,Q'3,…,Q'K}，类别集合为{C1,C2,…,Cc}，Q'i在样本的输出为/>预测类别表示为一个C维向量/>其中/>表示Q'i在类别Cj上的输出，采用绝对多数投票法，若某个标记得票过半数，则预测为该类别，否则拒绝预测,则有：
进一步地，步骤S3包括：
S3011：令点p(W,H)为图像G的像素点的宽与高，当像素点扩充时，图像G的每行需要插入个点，每列需要插入/>个点。已知点pw,h扩充后的像素点为/>已知节点p0,0＝p0<p1<…<pn＝p1280,1280上的函数值G0,G1,…,Gn,记/>若在已知节点pk上除已知函数值Gk外，还可以求出导数值G'k,则房-树-人绘画检测图像缩放时的Hermite分段插值函数/>被给出：
S3012：当像素点删减时，采用均匀删除。图像G的每行需要删减个点，每列需要删减/>个点。
S3021：画面占比计算。尺寸X*Y的图片灰度处理，遍历灰度图进行二值化，即阈值大于150的全白，否则全黑。
S3022：上下左右边界像素点逼近，当出现多数有效像素值时，停止，得到边界值时。
S3023：边界值与图片尺寸比，计算占比区域面积百分比。
更进一步，步骤S4包括：
S401：基本的房树人绘画图片心理状态的判定分为输入图片、元素检测、判定状态、输出结果四个阶段，假定绘画图像样本数为G，图片判定次数N，元素特征维数M，时间复杂度为：
Ttime～O＝O(input)+O(元素检测)+O(判定状态)+O(output) (12)
＝O(G)+O(GM)+O(GN)+O(G)
引入图片归一化处理的时间记为t1，HTP-FYOLO的时间复杂度为：
可见，HTP-FYOLO的时间复杂度没有发生根本的变化，却增加了模型的更优处理能力，具有更大意义。
S402：Input检测图片，根据房-树-人的青少年心理健康快速检测方法及装置的优化流程图，Output检测判定结果。
本实施例还提出了青少年绘画的房-树-人元素智能检测装置，青少年绘画的房-树-人元素智能检测装置包括图片扫描部件、电子绘画部件、前台数据分析部件、后端数据处理部件。青少年绘画的房-树-人元素智能检测方法，首先在后端数据处理部件建立青少年心理健康状态的检测数据集；接着通过YOLO算法加随机森林方法来训练青少年心理健康状态数据的检测模型；再通过图片扫描部件或电子绘画部件进行插值归一化处理方法后获取待检测图片的图像；再后端数据处理部件做融合检测操作，并将处理结果传输至前台数据分析部件；最后在前台数据分析部件进行检测预判和输出检测结果。本发明实验证明能够实现智能、自动、快速检测房-树-人图片，且能精准分析青少年心理健康状态，检测精度达到94％。
本实施例能够实现智能、自动、快速检测房-树-人图片，房树人元素检测PR达87.0％，房特征检测PR达89.8％，树特征检测PR达84.2％，人特征检测PR达94.5％，且能精准分析青少年心理健康状态，整体检测精度达到94％。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于房-树-人的青少年心理健康检测方法，其特征在于，包括：
构建青少年房-树-人心理健康状态的检测数据集；所述检测数据集包括：图像数据集、元素的绘画特征与心理特征的关联对应关系的数据关系表；
基于所述检测数据集，利用YOLO目标检测模型，贝叶斯概率模型和随机森林分类模型，训练青少年心理健康状态数据的检测模型；
训练青少年心理健康状态数据的所述检测模型包括：
首先，通过删除重复、增加、去噪的方式对所述检测数据集进行清洗；其次，提取清洗后的所述检测数据集中的抽样样本，建立心理健康状态评估的所述贝叶斯概率模型的先验值数据表；接着，利用所述YOLO目标检测模型分别进行所述检测数据集中元素特征的训练，获得最优的训练模型；接着，通过所述训练模型检测出所述抽样样本的元素与元素特征的概率值，依次修正所述贝叶斯概率模型中对应元素与元素特征的先验值，同时核对并计算心理健康状态评估的后验概率值和需要关注的全概率；再者，将先验概率修正为后验概率值的所述贝叶斯概率模型中对应元素与元素特征的心理健康状态评估概率值数据表作为所述随机森林分类模型的模型训练数据进行需要关注和不需要关注的分类训练，获得模型的训练结果；最后，将这几个模型进行连接，构建得到青少年房-树-人心理健康状态评估的所述检测模型；
基于训练后的所述检测模型，对采集的房-树-人图像进行检测，获取青少年心理健康检测结果。
2.根据权利要求1所述的基于房-树-人的青少年心理健康检测方法，其特征在于，所述元素的绘画特征与心理特征的关联对应关系包括：对房、树、人三个元素有、无对应的心理特征；对画纸和画面大小与心理特征的对应关系；对房的绘画特征与心理特征的对应关系；对树的绘画特征与心理特征的对应关系；对人的绘画特征与心理特征的对应关系。
3.根据权利要求1所述的基于房-树-人的青少年心理健康检测方法，其特征在于，利用所述YOLO目标检测模型分别进行所述检测数据集中元素特征的训练包括：
在基于所述YOLO目标检测模型对所述检测数据集中元素特征的训练中，利用置信度来对检测框中各元素特征的预测概率进行重要判断；
所述置信度为：
其中，为第i个grid cell的第j个bounding box的置信度，Pr(Object)为当前box是否有房树人绘画元素的概率，/>为框的真实值和预测值的交并比值。
4.根据权利要求1所述的基于房-树-人的青少年心理健康检测方法，其特征在于，利用所述YOLO目标检测模型分别进行所述检测数据集中元素特征的训练还包括：设置损失函数；
所述损失函数为：
其中，Loss为损失函数，s为图像的行/列单元格个数，B为检测框数，i为单元格计数，j为检测框计数，为检测点x坐标，/>为检测点x预测坐标，/>为检测点y坐标，/>为检测点y预测坐标，/>为检测点中心w坐标，/>为检测点中心w预测坐标，/>为检测点中心h坐标，/>为检测点中心h预测坐标，/>为i个单元格j个物体检测的置信度，/>为i个单元格j个物体检测的预测置信度，/>为i个单元格j个检测框的类别，c为类别，/>为i个单元格j个检测框的预测类别。
5.根据权利要求1所述的基于房-树-人的青少年心理健康检测方法，其特征在于，计算心理健康状态评估的后验概率值和需要关注的全概率包括：
对所述检测数据集中的绘画图像中，选择后验概率最大的类别，获取需要关注的概率和关注情况的全概率；
其中，y为后验概率最大的类别，P(需要关注|房、树、人)为需要关注的概率，P(θ)为关注情况的全概率，ck为k个类别，Y为类别数，X(j)为第j个样本，θ为元素的特征集合，β1、β2、β3为Q的房、树、人元素划分，Q为训练房、树、人元素的样本空间，βi为β1、β2、β3，G为图像总数。
6.根据权利要求1所述的基于房-树-人的青少年心理健康检测方法，其特征在于，获得模型的训练结果包括：利用所述随机森林分类模型，预测绘画图像的类别；
预测所述绘画图像的类别包括：
基于所述心理健康状态评估概率值数据表，构建数据集；
基于所述数据集对所述随机森林分类模型进行训练，经过若干次有放回的随机采样后，构成随机森林；
基于所述随机森林，获取绘画图像的预测类别。
7.根据权利要求6所述的基于房-树-人的青少年心理健康检测方法，其特征在于，所述绘画图像的预测类别为：
其中，为样本空间中/>的类别，Cj为j个样本的类别，T为判定的类别树总数，/>为样本空间中第i个图像的第j个类别的预测，C为向量维度，θ′为特征空间的预测，/>为第i个图像的特征空间中的预测。
8.根据权利要求1所述的基于房-树-人的青少年心理健康检测方法，其特征在于，对采集的所述房-树-人图像进行检测前包括：对采集的所述房-树-人图像进行图像归一化处理；
所述图像归一化处理包括：像素点低于第一预设数值的图像进行Hermite分段插值扩充，像素点高于第二预设数值的图像进行删减。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383110.XA CN116597946B (zh) | 2023-04-11 | 2023-04-11 | 一种基于房-树-人的青少年心理健康检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383110.XA CN116597946B (zh) | 2023-04-11 | 2023-04-11 | 一种基于房-树-人的青少年心理健康检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597946A CN116597946A (zh) | 2023-08-15 |
| CN116597946B true CN116597946B (zh) | 2024-02-13 |
Family
ID=87599739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310383110.XA Active CN116597946B (zh) | 2023-04-11 | 2023-04-11 | 一种基于房-树-人的青少年心理健康检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597946B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372786A (zh) * | 2023-12-04 | 2024-01-09 | 武汉大学 | 基于房树人草图的心理状态预测方法、系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288033A (zh) * | 2018-01-05 | 2018-07-17 | 电子科技大学 | 一种基于随机蕨融合多特征的安全帽检测方法 |
| CN113679500A (zh) * | 2021-07-29 | 2021-11-23 | 广州华视光学科技有限公司 | 一种基于ai算法的龋病和牙菌斑检测其分布方法 |
| WO2021260650A1 (en) * | 2020-06-27 | 2021-12-30 | Glance Inmobi Pte. Ltd | Generating personalized content for presentation on user devices |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11419526B2 (en) * | 2014-09-29 | 2022-08-23 | Starkey Laboratories, Inc. | Method and apparatus for characterizing tinnitus using Bayesian minimum-entropy psychometric procedure |
| CN113874912A (zh) * | 2019-04-12 | 2021-12-31 | 爱荷华大学研究基金会 | 用于预测、预防和减轻工作场所伤害的系统和方法 |
-
2023
- 2023-04-11 CN CN202310383110.XA patent/CN116597946B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288033A (zh) * | 2018-01-05 | 2018-07-17 | 电子科技大学 | 一种基于随机蕨融合多特征的安全帽检测方法 |
| WO2021260650A1 (en) * | 2020-06-27 | 2021-12-30 | Glance Inmobi Pte. Ltd | Generating personalized content for presentation on user devices |
| CN113679500A (zh) * | 2021-07-29 | 2021-11-23 | 广州华视光学科技有限公司 | 一种基于ai算法的龋病和牙菌斑检测其分布方法 |
Non-Patent Citations (2)
| Title |
|---|
| 多模态数据支持的学习投入评测：现状、启示与研究趋向;张琪;武法提;许文静;;远程教育杂志(第01期);全文 * |
| 渗透心理健康教育对大学生影响的实证研究;付慧欣;申俊丽;;科技通报(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597946A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11694123B2 (en) | Computer based object detection within a video or image | |
| CN111134666B (zh) | 一种多通道脑电数据的情绪识别方法及电子装置 | |
| CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
| CN116597946B (zh) | 一种基于房-树-人的青少年心理健康检测方法 | |
| US20190303713A1 (en) | Discovery of shifting patterns in sequence classification | |
| Bu | Human motion gesture recognition algorithm in video based on convolutional neural features of training images | |
| CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
| CN113705725B (zh) | 一种基于多模态信息融合的用户人格特征预测方法和装置 | |
| CN110731773A (zh) | 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法 | |
| CN114648354A (zh) | 一种基于眼动追踪和情绪状态的广告测评方法和系统 | |
| CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
| CN111276159A (zh) | 一种婴儿发音分析方法及服务器 | |
| Simoncelli | Optimal estimation in sensory systems | |
| CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
| CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| KR20180100780A (ko) | 퇴행성 질환의 조기 발견을 위한 언어능력진단 시스템, 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독가능한 기록매체 | |
| CN112259243B (zh) | 一种基于双向GRUs的单病种临床路径构建方法及系统 | |
| AU2019367163B2 (en) | Computer based object detection within a video or image | |
| CN113017634B (zh) | 情绪评估方法、装置、电子设备和计算机可读存储介质 | |
| Nguyen et al. | SECC: Simultaneous extraction of context and community from pervasive signals | |
| Orpa et al. | An IoT based healthcare solution with ESP32 using machine learning model | |
| CN113569675A (zh) | 一种基于ConvLSTM网络的小鼠旷场实验行为分析方法 | |
| CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
| CN113744889A (zh) | 基于神经网络的传染病预测方法、系统、设备及存储介质 | |
| Ramírez | Building Bayesian networks from data: a constraint based approach |
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 |