CN117423462A - 一种基于人工智能的学生心理健康预测方法 - Google Patents
一种基于人工智能的学生心理健康预测方法 Download PDFInfo
- Publication number
- CN117423462A CN117423462A CN202311629506.4A CN202311629506A CN117423462A CN 117423462 A CN117423462 A CN 117423462A CN 202311629506 A CN202311629506 A CN 202311629506A CN 117423462 A CN117423462 A CN 117423462A
- Authority
- CN
- China
- Prior art keywords
- psychological
- student
- unhealthy
- medicine
- students
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 230000004630 mental health Effects 0.000 title claims abstract description 18
- 239000003814 drug Substances 0.000 claims abstract description 230
- 229940079593 drug Drugs 0.000 claims abstract description 115
- 238000011282 treatment Methods 0.000 claims abstract description 71
- 238000003745 diagnosis Methods 0.000 claims abstract description 35
- 235000006694 eating habits Nutrition 0.000 claims abstract description 28
- 230000009323 psychological health Effects 0.000 claims abstract description 23
- 230000003340 mental effect Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 24
- 230000001225 therapeutic effect Effects 0.000 claims description 16
- 235000021152 breakfast Nutrition 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000006996 mental state Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 229940126585 therapeutic drug Drugs 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 208000022531 anorexia Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 206010061428 decreased appetite Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 201000006549 dyspepsia Diseases 0.000 description 2
- 235000005686 eating Nutrition 0.000 description 2
- 230000007937 eating Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 206010004716 Binge eating Diseases 0.000 description 1
- 208000032841 Bulimia Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000014679 binge eating disease Diseases 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Nutrition Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及心理健康预测领域，具体涉及一种基于人工智能的学生心理健康预测方法，获取各学生的餐厅消费时间序列、药品名称序列；结合学生的就餐规律性指数及就餐勤奋指数得到学生的饮食习惯优异指数；计算就诊药品之间的相关性系数，进而得到就诊药品的心理不健康关联度；计算就诊药品集合中药品用途的心理不健康权重；并构建学生所购买药品的心理不健康治疗系数以及包含心理不健康治疗药品的判定系数，计算学生的疑似心理不健康就医频率及心理不健康药物使用程度，进而得到学生的就医指数；结合各学生的饮食习惯优异指数及就医指数使用多层感知机神经网络完成对学生心理健康状态的预测。从而实现学生心理健康的全面精确预测。
Description
技术领域
本申请涉及心理健康预测领域，具体涉及一种基于人工智能的学生心理健康预测方法。
背景技术
随着社会的迅速发展，人们的生活节奏不断加快，当代大学生正面临来自学业、就业、人际关系等各方面的压力，形成了复杂多样的大学生心理问题，由此引发的恶性事件也时有发生，因此高效准确地发现存在心理健康问题的学生并进行及时干预与疏通是非常有必要的。
多层感知机(MLP)是一种人工神经网络模型，具有较高的灵活性和优秀的泛化能力，可以对未知的数据集进行较准确的预测和分类。但是，在目前的大多数校园中，通常是使用学生的心理调查问卷的得分数据作为多层感知机(MLP)的输入来得到学生的心理健康预测模型，例如使用PHQ-9抑郁症筛查量表在9个测评维度上的得分数据作为多层感知机(MLP)的输入，但是调查问卷往往由学生自行填写，存在回答不实或模糊不清等问题，并且许多心理健康问题往往与学生的生活环境、家庭背景相关，这会使得神经网络学习到的样本特征的置信度较低，导致模型的准确性受到影响。
综上所述，本发明提出一种基于人工智能的学生心理健康预测方法，获取用于预测学生心理健康状态的数据，根据学生的餐厅消费数据和医疗消费数据的分布情况构建出学生的饮食习惯优异指数和就医指数，并基于饮食习惯优异指数和就医指数得到用于判断学生心理状态的心理状态特征向量，基于心理状态特征向量结合多层感知机(MLP)训练学生心理状态预测模型，根据得到的学生心理状态预测模型完成对学生心理健康状态的预测。
发明内容
为了解决上述技术问题，本发明提供一种基于人工智能的学生心理健康预测方法，以解决现有的问题。
本发明的一种基于人工智能的学生心理健康预测方法采用如下技术方案：
本发明一个实施例提供了一种基于人工智能的学生心理健康预测方法，该方法包括以下步骤：
获取各学生的餐厅消费时间序列、药品名称序列；结合餐厅消费时间序列内各数据获取学生的就餐规律性指数；统计近阶段学生在早餐就餐时间内的消费天数，根据餐厅消费时间序列及早餐就餐时间内的消费天数得到学生的就餐勤奋指数；根据就餐规律性指数及就餐勤奋指数得到学生的饮食习惯优异指数；
将药品名称序列中药品用途文字说明转换为Unicode编码数据得到就诊药品用途序列，利用kmp字符串匹配算法获取就诊药品用途序列中各字符串集合之间的匹配因子；根据所述匹配因子得到就诊药品与其他各就诊药品之间的相关性系数；将就诊药品与其他所有就诊药品之间的相关性系数均值作为就诊药品的心理不健康关联度；
对各就诊药品的心理不健康关联度聚类得到各就诊药品集合，根据就诊药品集合中各药品的心理不健康关联度及各药品用途出现的次数得到就诊药品集合中药品用途的心理不健康权重；根据所述匹配因子及各药品用途的心理不健康权重获取各学生所购买药品的心理不健康治疗系数；获取各学生每天购买药品中包含心理不健康治疗药品的判定系数；将学生近阶段购买药品中包含心理不健康治疗药品的判定系数均值作为学生的疑似心理不健康就医频率；根据所述心理不健康治疗系数及所述判定系数获取学生的心理不健康药物使用程度；将疑似心理不健康就医频率与心理不健康药物使用程度的乘积作为学生的就医指数；
将各学生的饮食习惯优异指数及就医指数组成各学生的心理状态特征向量，使用多层感知机神经网络结合各学生的心理状态特征向量完成对学生心理健康状态的预测。
优选的，所述结合餐厅消费时间序列内各数据获取学生的就餐规律性指数，表达式为：
式中，Slci表示第i个学生的就餐规律性指数，R(αi,j)表示集合αi,j中数据点的个数，m表示统计的总天数，mc'表示日常标准的餐厅消费次数，α1、α2均表示不为零的调参系数，hsi表示学生i消费次数的信息熵。
优选的，所述根据餐厅消费时间序列及早餐就餐时间内的消费天数得到学生的就餐勤奋指数包括：
计算近阶段学生早餐就餐时间内的消费天数与近阶段所选总天数的比值，并获取学生餐厅消费时间序列内的最小值与近阶段所选总天数比值的倒数，将所述比值与所述倒数的乘积作为学生的就餐勤奋指数。
优选的，所述学生的饮食习惯优异指数为学生的就餐规律性指数与就餐勤奋指数的乘积。
优选的，所述利用kmp字符串匹配算法获取就诊药品用途序列中各字符串集合之间的匹配因子包括：
当利用kmp字符串匹配算法获取的字符串集合之间的匹配结果为-1时，将字符串集合之间的匹配因子设定为0；
当利用kmp字符串匹配算法获取的字符串集合之间的匹配结果不为-1时，将字符串集合之间的匹配因子设定为1。
优选的，所述根据所述匹配因子得到就诊药品与其他各就诊药品之间的相关性系数，表达式为：
式中，Lsc1(g)表示第1个就诊药品与第g个就诊药品之间的相关性系数，l1代表就诊药品用途序列中的第一个字符串集合，R(l1)表示第一个字符串集合中的字符串个数，lp(l1,r,lg)表示字符串l1,r与字符串集合lg之间的匹配因子。
优选的，所述心理不健康权重包括：
将就诊药品集合中所有药品的心理不健康关联度均值作为就诊药品集合的心理不健康关联度，获取所有就诊药品集合心理不健康关联度的和值，将所述均值与和值的比值记为第一比值；
选取就诊药品集合中出现次数最多前H个药品用途，统计就诊药品集合中所选取的H个药品用途出现次数的总数，将就诊药品集合中所选取药品用途出现的次数与所述总数的比值记为第二比值；
第一比值与第二比值的乘积为就诊药品集合中所选取的药品用途的心理不健康权重。
优选的，所述根据所述匹配因子及各药品用途的心理不健康权重获取各学生所购买药品的心理不健康治疗系数，表达式为：
式中，Ulcj,g'表示该学生在第j天购买的药品中第g'个药品的心理不健康治疗系数，U为药品用途集合，uj,g'(r')表示就诊药品用途序列Uj中第g'个字符串集合uj,g'的第r'个字符串，lp(uj,g'(r'),U)表示字符串uj,g'(r')与药品用途集合U对应字符串集合之间的匹配因子，R(uj,g')表示字符串集合uj,g'中字符串的个数，Qr'表示药品用途集合中第r'个药品用途的心理不健康权重，ε为避免分母为零的参数。
优选的，所述获取各学生每天购买药品中包含心理不健康治疗药品的判定系数，包括：
当学生i第j天购买所有药品名称组成的集合不为空集且购买的所有药品的心理不健康治疗系数之和不为零时，学生i第j天购买药品中所包含心理不健康治疗药品的判定系数为1，否则为0。
优选的，所述根据所述心理不健康治疗系数及所述判定系数获取学生的心理不健康药物使用程度，表达式为：
式中，Uci表示学生i的心理不健康药物使用程度，m表示统计的总天数，表示学生i在m天内购买的所有药品的心理不健康治疗系数的均值，vi,j表示在第j天中购买的药品中包含心理不健康治疗药品的判定系数，Ulcj表示学生i在第j天内购买的所有药品的心理不健康治疗系数之和。
本发明至少具有如下有益效果：
本发明提出一种基于人工智能的学生心理健康预测方法，针对传统的使用心理调查问卷的得分数据作为多层感知机(MLP)的输入，导致神经网络学习到的样本特征的置信度较低，出现模型预测不准确的问题，本发明通过对心理异常的学生的饮食习惯和身体状态进行分析，结合药品与心理不健康症状之间的关联程度，并根据学生的餐厅和医疗的消费数据的分布情况构建学生饮食习惯优异指数和就医指数，进而获取用于判断学生心理状态的心理状态特征向量，能够实时、准确地反映学生的近期的心理状态的变化情况；进一步，本发明使用心理状态特征向量作为多层感知机(MLP)的输入，利用训练好的神经网络预测模型得到学生心理状态的概率分布向量来反映学生出现不同心理状态的概率，提高了神经网络学习到的样本特征的置信度和对深度特征的学习能力，进而提高了多层感知机(MLP)模型预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种基于人工智能的学生心理健康预测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的学生心理健康预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种基于人工智能的学生心理健康预测方法的具体方案。
本发明一个实施例提供的一种基于人工智能的学生心理健康预测方法。
具体的，提供了如下的一种基于人工智能的学生心理健康预测方法，请参阅图1，该方法包括以下步骤：
步骤S001，获取用于预测学生心理健康状态的数据，并对获取的数据进行预处理。
在学校的信息化部门的数据库中获取n个学生在m天内的餐厅消费数据、医疗消费数据，并对这n个学生进行心理状态的评估，评估结果分为心理健康和心理不健康，其中餐厅消费数据具体指每次消费时的消费时间，医疗消费数据包括每次消费时的消费时间、购买的药品名称、购买的药品金额。具体的学生的个数n和统计的天数m由实施者自行定义，本实施例中设置为n＝200,m＝30。
将获取的消费时间中的数据转换为时间戳型数据，将获取的药品名称中的数据转换为Unicode编码数据，其中时间戳、Unicode编码的转换为公知技术，不再赘述。得到第i个学生的餐厅消费时间序列Ai＝[ai,1,…,ai,m]、药品名称序列Ci＝[ci,1,…,ci,m]，其中数据序列Ai、Ci中的每个数据点均表示一个集合，例如集合ai,m中的每个数据点分别表示该学生在第m天内进行餐厅消费时，每次消费的消费时长；集合ci,m中的每个数据点表示该学生在第m天内进行医疗消费时所购买的药品的名称。若学生在某一天没有进行餐厅消费或医疗消费，例如第i个学生在第j天没有进行餐厅消费和医疗消费，则该学生对应的餐厅消费时间序列Ai、药品名称序列Ci中的数据点集合ai,j、ci,j均为空集。
通过本实施例上述方法可获取各学生的餐厅消费时间序列及药品名称序列，作为分析各学生心理状况的基础数据序列。
步骤S002：通过对心理异常的学生的饮食习惯和身体状态进行分析，根据学生的餐厅消费数据和医疗消费数据的分布情况，构建各个学生的饮食习惯优异指数和就医指数，并基于饮食习惯优异指数和就医指数得到用于判断学生心理状态的特征向量。
一般情况下，学生的心理状态会影响其饮食习惯，具体的，当学生在精神上表现为忙碌、压力大、焦虑时，很容易对饮食不够关注，出现食欲不振、厌食或暴饮暴食的情况。并且，一些精神类障碍也会影响食欲、进食及消化道功能，例如患有抑郁症、焦虑症、孤独症和厌食症等。因此，学生的饮食习惯与学生的心理状态具有一定的关联性，则可将学生的饮食习惯作为预测学生的心理状态是否健康的一个特征，以第i个学生为例，其饮食习惯优异指数Sli的计算方法如下所示：
将每日三餐的就餐时间按照30min的时间间隔进行时间区间的划分，共得到n'个时间区间，记为n'个就餐时间段，例如早餐的就餐时间为[6:00,9:00]，则可将早餐时间划分为[6:00,6:30),…,[8:30,9:00]这6个就餐时间段，其中每日三餐的开放和关闭时间可通过询问学校餐厅的工作人员进行获取。基于第i个学生的餐厅消费时间的原始数据，统计第i个学生在近阶段m天内，在每个就餐时间段内的消费时间的个数，作为该学生在该就餐时间段内的消费次数，根据学生消费时间序列内各集合数据对学生的就餐规律程度进行检测，构建就餐规律指数，表达式为：
式中，Slci表示第i个学生的就餐规律性指数，R(ai,j)表示集合ai,j中数据点的个数，即消费时间的个数，作为学生i在第j天内的餐厅消费次数，m表示统计的总天数，mc'表示日常标准的餐厅消费次数，本实施例取经验值为3，实施者可自行选取，α1、α2均表示调参系数，用来防止分母为0，本实施例中α1、α2均取经验值为1，hsi表示学生i消费次数的信息熵，用来反应该学生在n'个就餐时间段内就餐时间集中分布情况，其中信息熵的计算为公知技术，不再赘述。
然后统计该学生在早餐的就餐时间内进行消费的天数m'i，构建学生就餐勤奋指数，对学生近阶段的就餐勤奋程度进行分析，所述学生就餐勤奋指数表达式为：
式中，Sldi表示第i个学生的就餐勤奋指数，ai,j表示餐厅消费时间序列Ai中第j个集合，即学生i在第j天内消费时间的集合，m表示统计的总天数，m'i表示学生i在早餐的就餐时间内进行消费的天数，min(ai,j)表示集合ai,j中数据点的最小值，α3表示调参系数，用来防止分母为0，本实施例取值为1。
进而，本实施例将构建饮食习惯优异指数，表达式为：
Sli＝Slci*Sldi
式中，Sli为第i个学生的饮食习惯优异指数，Sldi表示第i个学生的就餐勤奋指数，Slci表示第i个学生的就餐规律性指数。
第i个学生每天的餐厅消费次数越接近日常标准餐厅消费次数g'，表示该学生的日常饮食越符合一日三餐的标准，则该学生的日常饮食越规律，即Slci的值越大，并且该学生日常的就餐时间的分布越集中，即hsi的值越小，表示该学生每天的三餐就餐时间越接近，说明该学生的日常饮食越规律，即Slci的值越大。而该学生的日常饮食越规律，说明该学生出现食欲减退或过度的可能性越小。该学生吃早餐的天数越多，即m'的值越大，每天的第一次用餐时间越早，即ai,j的值越小，表示该学生的就餐勤奋指数的值越大，即Sldi的值越大，说明该学生的睡眠质量越好，越能早起就餐，则该学生出现焦虑、抑郁的可能性越小。而该学生的就餐规律性指数Slci的值越大，并且就餐勤奋指数Sldi的值越大，表示该学生的饮食习惯越好，即饮食习惯优异指数Sli的值越大，说明该学生的日常饮食习惯并没有出现较大的变动，则该学生心理状态出现异常的可能性越小。
其次当学生出现情绪不稳定、压力、焦虑、抑郁等异常心理状况时，可能会影响其血压、心跳、荷尔蒙分泌等生理指标，从而引起以身体不适、头痛、消化不良、失眠等身体症状为主的病症。因此，可根据学生的就医情况来反映学生的身体状况。
从学校医院的数据库中均匀地获取n'个已经诊断为心理不健康的学生就诊记录，其中均匀指的是均匀地采集轻度、中度、重度等不同患病程度的学生的就诊记录，n'取经验值为100，从就诊记录上采集每个就诊学生使用的药品名称，将采集的就诊药品的数量记为M，得到就诊学生的就诊药品数据序列G，将就诊药品数据序列G中的数据类型转换为Unicode编码，得到就诊药品数据序列G'。根据就诊药品数据序列G'中各个药品的名称，利用爬虫技术从相应药品官网中获取药品用途的文字说明，其中爬虫技术为公知技术，不再赘述。将得到的药品用途的文字说明中的数据类型转换为Unicode编码，得到就诊学生的就诊药品用途序列L＝[l1,…,lM]，其中lM表示第M个就诊药品对应的药品用途所组成的字符串的集合。计算各个就诊药品的心理不健康关联度LS，以第1个药品为例，该就诊药品的心理不健康关联度LS1的计算方法为：
上式中：LS1为第1个就诊药品的心理不健康关联度，Lsc1(g)表示第1个就诊药品与第g个就诊药品之间的相关性系数；M表示就诊药品的数量。l1,r表示就诊药品用途序列L中集合l1中第r个字符串，即第1个就诊药品中的第r个药品用途；lg表示就诊药品用途序列L中的第g个字符串集合lg，即第g个就诊药品的所有药品用途；lp(l1,r,lg)表示字符串l1,r与字符串集合lg之间的匹配因子，用来判断第g个药品的所有用途中是否包含第1个药品中的第r个药品用途；R(l1)表示第一个字符串集合中的字符串个数，也即第1个药品中药品用途的个数。kmp(l1,r,lg)表示利用kmp字符串匹配算法对字符串l1,r和字符串集合lg进行匹配的结果，其中结果为-1表示匹配不成功，否则表示匹配成功，kmp字符串匹配算法为公知技术，不再赘述。
就诊药品之间的相关性系数构建逻辑为：在第1个就诊药品的所有药品用途中，与第g个就诊药品的药品用途中相同药品用途的数量越多，表示该药品与第g个药品之间的相关性越大，即Lsc1(g)的值越大，说明这两个药品用于治疗同一病症的可能性越大。
该就诊药品的心理不健康关联度构建逻辑为：由于这些就诊药品主要用来治疗心理不健康的病症，因此就诊药品与其余各个就诊药品之间的相关性越大，说明该药品越可能属于治疗心理不健康症状的药品，则该就诊药品对心理不健康症状的关联度越大，即LS1的值越大。
利用K-means聚类算法对就诊药品的心理不健康关联度LS的值进行聚类，得到K个就诊药品集合，其中，本实施例聚类数量K取值为3，K-means聚类算法为公知技术，不再赘述。分别统计每个就诊药品集合中各个就诊药品用途出现的次数p，以第k个就诊药品集合为例，选择其中就诊药品用途出现的次数最多的前H个药品用途，本实施例中H取值为3，作为判断药品是否为治疗心理不健康症状的药品用途的代表，得到第k个就诊药品集合中药品用途h的心理不健康权重Qk,h，表达式为：
上式中：LSk表示就诊药品集合k的心理不健康关联度，就诊药品集合k的心理不健康关联度计算为：就诊药品集合k中各药品的心理不健康关联度均值；K表示就诊药品集合的个数，ph表示第k个就诊药品集合中药品用途h出现的次数；H表示就诊药品集合中所选取的药品用途个数，Qk,h表示第k个就诊药品集合中药品用途h的心理不健康权重。其中，记为第一比值，/>记为第二比值，所述心理不健康权重与第一比值、第二比值均为正相关关系。
该药品用途所在的就诊药品集合对心理不健康症状的关联度越大，即LSk的值越大，并且该药品用途在其所在的就诊药品集合中出现的次数越多，即ph的值越大，说明该药品用途越能作为判断药品是否为治疗心理不健康症状的药品用途，则其心理不健康权重Qk,h的值应越大。
根据本实施例可得到用于判断药品是否为治疗心理不健康症状的K*H个药品用途以及各个药品用途对应的心理不健康权重Q，将这K*H个药品用途所对应的字符串组成字符串集合U，记为药品用途集合U。
基于各个药品用途对应的心理不健康权重Q，得到各个学生的就医指数Ul，以第i个学生为例，其就医指数Uli的计算方法具体包括：
利用上述获得就诊药品用途序列L的相同方法，获取第i个学生在第j天购买的药品名称集合ci,j对应的药品用途序列其中/>表示该学生在第j天购买药品中第Gj个药品对应的药品用途所组成的字符串集合。
Uli＝Uci*Usi
其中：Uci表示学生i的心理不健康药物使用程度；Usi表示学生i的疑似心理不健康症状就医频率；表示学生i在m天内购买的所有药品的心理不健康治疗系数的均值；Ulcj表示学生i在第j天内购买的所有药品的心理不健康治疗系数之和；m表示数据统计的天数；vi,j表示在第j天中购买的药品中包含心理不健康治疗药品的判定系数；ci,j表示学生i在第j天购买的所有药品名称组成的集合；null表示为空，ci,j≠null表示集合ci,j不为空集；Ulcj,g'表示该学生在第j天购买的药品中第g'个药品的心理不健康治疗系数；Qr'表示就诊药品用途集合U中第r'个药品用途的心理不健康权重；uj,g'(r')表示就诊药品用途序列Uj中第g'个字符串集合uj,g'中的第r'个字符串；U表示药品用途集合；lp(uj,g'(r'),U)表示字符串uj,g'(r')与字符串集合U之间的匹配因子；R(uj,g')表示字符串集合uj,g'中字符串的个数，即该学生在第j天购买的药品中第g'个药品的药品用途的个数，ε为避免分母为零的参数，实施者可自行选取，本实施例设定为0.01。需要说明的是，本实施例中一个药品用途集合对应一个字符串集合，一个字符串集合中包含多个字符串，也即一个药品用途对应一个字符串，本实施例中关于字符串集合、药品用途集合的说法以及关系按照上述解释进行说明。
上述心理不健康治疗系数公式构建逻辑为：学生购买的药品中包含的药品用途的心理不健康权重Q的值越大，比如该药品的用途中包含治疗身体不适、头痛、消化不良、失眠、抑郁等症状，说明该药品治疗的症状与心理不健康的关联性越强，即心理不健康治疗系数Ulcj,g'的值越大，表示该药品越可能是属于治疗心理不健康的药品。
上述心理不健康药物使用程度公式构建逻辑为：学生购买的各个药品中的平均心理不健康治疗系数/>的值越大，并且每次购买药品的心理不健康治疗系数之间的差异越小，说明该学生购买的与心理不健康关联性较强的药品的比例越高，即Uci的值越大，说明该学生病情越严重，越需要这些与心理不健康关联性较强的药品的治疗。
上述疑似心理不健康症状就医频率公式构建逻辑为：m天内学生购买的药品中包含心理不健康治疗药品的判定系数越大，学生购买用于治疗心理不健康药品的频率越高，即Usi的值越大，说明该学生的病情也越严重，所需治疗的次数越多，则该学生的心理状态越可能出现异常。
根据第i个学生的饮食习惯优异指数Sl和就医指数Ul，得到用于反映该学生心理状态的心理状态特征向量：
P＝(Sl,Ul)
对于心理状态异常的学生，通常会表现为情绪异常，睡眠出现障碍，进而发生生活习惯的改变，导致其饮食习惯出现较大的变化，并且体质以及个人卫生状况也会出现下降，因此心理状态异常的学生与心理正常的学生之间的心理状态特征向量会出现较大的差异。
步骤S003：结合心理状态特征向量，使用多层感知机训练学生心理状态预测模型，根据学生心理状态预测模型完成对学生心理健康状态的预测。
按照第i个学生的心理状态特征向量的计算方法，获取这n个学生的心理状态向量P，并将心理不健康的学生标记为0，心理健康的学生标记为1。为防止采集的这n个学生的心理状态均为健康的情况，从学校医院的就诊记录中采集N个患有心理疾病的学生的学号，学生的数量N取经验值为100，基于学生的学号，按照上述流程获取这N名心理不健康的学生的心理状态特征向量，并将这些学生标记为0。使用多层感知机(MLP)神经网络对这(n+N)个学生的心理状态向量P进行模型的训练和测试，得到学生心理健康状态预测模型，其中多层感知机(MLP)神经网络的输入为每个学生的心理状态向量P，神经网络训练的损失函数为平方误差函数，优化算法为最速下降法，神经网络的输出为学生心理状态的概率分布向量ρ＝(τ,ω)，其中τ的值表示模型预测为分类0的概率，即心理不健康的概率，ω的值表示模型预测为分类1的概率，即心理健康的概率，多层感知机(MLP)神经网络的训练为公知技术，具体过程不再赘述。
将所需预测的学生的心理状态向量P输入学生心理健康状态预测模型中，得到学生心理状态的概率分布向量ρ＝(τ,ω)，即学生出现心理不健康的概率τ和心理健康的概率ω。若τ≥ω，则表示该学生的心理状态出现了异常，需要对该学生进行心理疏导，若τ<ω，则表示该学生的心理状态为健康。至此，通过本发明实施例上述方法可对学生心理健康状况进行预测。
本发明实施例考虑到传统使用心理调查问卷的得分数据作为多层感知机(MLP)的输入，将会导致神经网络学习到的样本特征的置信度较低，出现模型预测不准确的问题。因此，本发明实施例通过对心理异常的学生的饮食习惯和身体状态进行分析，结合药品与心理不健康症状之间的关联程度，并根据学生的餐厅和医疗的消费数据的分布情况构建学生饮食习惯优异指数和就医指数，进而获取用于判断学生心理状态的心理状态特征向量，能够实时、准确地反映学生的近期的心理状态的变化情况；同时，本发明实施例使用心理状态特征向量作为多层感知机(MLP)的输入，利用训练好的神经网络预测模型得到学生心理状态的概率分布向量来反映学生出现不同心理状态的概率，提高了神经网络学习到的样本特征的置信度和对深度特征的学习能力，进而提高了多层感知机(MLP)模型预测的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的学生心理健康预测方法，其特征在于，该方法包括以下步骤：
获取各学生的餐厅消费时间序列、药品名称序列；结合餐厅消费时间序列内各数据获取学生的就餐规律性指数；统计近阶段学生在早餐就餐时间内的消费天数，根据餐厅消费时间序列及早餐就餐时间内的消费天数得到学生的就餐勤奋指数；根据就餐规律性指数及就餐勤奋指数得到学生的饮食习惯优异指数；
将药品名称序列中药品用途文字说明转换为Unicode编码数据得到就诊药品用途序列，利用kmp字符串匹配算法获取就诊药品用途序列中各字符串集合之间的匹配因子；根据所述匹配因子得到就诊药品与其他各就诊药品之间的相关性系数；将就诊药品与其他所有就诊药品之间的相关性系数均值作为就诊药品的心理不健康关联度；
对各就诊药品的心理不健康关联度聚类得到各就诊药品集合，根据就诊药品集合中各药品的心理不健康关联度及各药品用途出现的次数得到就诊药品集合中药品用途的心理不健康权重；根据所述匹配因子及各药品用途的心理不健康权重获取各学生所购买药品的心理不健康治疗系数；获取各学生每天购买药品中包含心理不健康治疗药品的判定系数；将学生近阶段购买药品中包含心理不健康治疗药品的判定系数均值作为学生的疑似心理不健康就医频率；根据所述心理不健康治疗系数及所述判定系数获取学生的心理不健康药物使用程度；将疑似心理不健康就医频率与心理不健康药物使用程度的乘积作为学生的就医指数；
将各学生的饮食习惯优异指数及就医指数组成各学生的心理状态特征向量，使用多层感知机神经网络结合各学生的心理状态特征向量完成对学生心理健康状态的预测。
2.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述结合餐厅消费时间序列内各数据获取学生的就餐规律性指数，表达式为：
式中，Slci表示第i个学生的就餐规律性指数，R(ai，j)表示集合ai，j中数据点的个数，m表示统计的总天数，mv'表示日常标准的餐厅消费次数，α1、α2均表示不为零的调参系数，hsi表示学生i消费次数的信息熵。
3.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述根据餐厅消费时间序列及早餐就餐时间内的消费天数得到学生的就餐勤奋指数包括：
计算近阶段学生早餐就餐时间内的消费天数与近阶段所选总天数的比值，并获取学生餐厅消费时间序列内的最小值与近阶段所选总天数比值的倒数，将所述比值与所述倒数的乘积作为学生的就餐勤奋指数。
4.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述学生的饮食习惯优异指数为学生的就餐规律性指数与就餐勤奋指数的乘积。
5.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述利用kmp字符串匹配算法获取就诊药品用途序列中各字符串集合之间的匹配因子包括：
当利用kmp字符串匹配算法获取的字符串集合之间的匹配结果为-1时，将字符串集合之间的匹配因子设定为0；
当利用kmp字符串匹配算法获取的字符串集合之间的匹配结果不为-1时，将字符串集合之间的匹配因子设定为1。
6.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述根据所述匹配因子得到就诊药品与其他各就诊药品之间的相关性系数，表达式为：
式中，Lsc1(g)表示第1个就诊药品与第g个就诊药品之间的相关性系数，l1代表就诊药品用途序列中的第一个字符串集合，R(l1)表示第一个字符串集合中的字符串个数，lp(l1，r，lg)表示字符串l1，r与字符串集合lg之间的匹配因子。
7.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述心理不健康权重包括：
将就诊药品集合中所有药品的心理不健康关联度均值作为就诊药品集合的心理不健康关联度，获取所有就诊药品集合心理不健康关联度的和值，将所述均值与和值的比值记为第一比值；
选取就诊药品集合中出现次数最多前H个药品用途，统计就诊药品集合中所选取的H个药品用途出现次数的总数，将就诊药品集合中所选取药品用途出现的次数与所述总数的比值记为第二比值；
第一比值与第二比值的乘积为就诊药品集合中所选取的药品用途的心理不健康权重。
8.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述根据所述匹配因子及各药品用途的心理不健康权重获取各学生所购买药品的心理不健康治疗系数，表达式为：
式中，Ulcj，g′表示该学生在第j天购买的药品中第g′个药品的心理不健康治疗系数，U为药品用途集合，uj，g′(r′)表示就诊药品用途序列Uj中第g′个字符串集合uj，g′的第r′个字符串，lp(uj，g′(r′)，U)表示字符串uj，g′(r′)与药品用途集合U对应字符串集合之间的匹配因子，R(uj，g′)表示字符串集合uj，g′中字符串的个数，Qr′表示药品用途集合中第r′个药品用途的心理不健康权重，ε为避免分母为零的参数。
9.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述获取各学生每天购买药品中包含心理不健康治疗药品的判定系数，包括：
当学生i第j天购买所有药品名称组成的集合不为空集且购买的所有药品的心理不健康治疗系数之和不为零时，学生i第j天购买药品中所包含心理不健康治疗药品的判定系数为1，否则为0。
10.如权利要求1所述的一种基于人工智能的学生心理健康预测方法，其特征在于，所述根据所述心理不健康治疗系数及所述判定系数获取学生的心理不健康药物使用程度，表达式为：
式中，Uci表示学生i的心理不健康药物使用程度，m表示统计的总天数，表示学生i在m天内购买的所有药品的心理不健康治疗系数的均值，vi，j表示在第j天中购买的药品中包含心理不健康治疗药品的判定系数，Ulcj表示学生i在第j天内购买的所有药品的心理不健康治疗系数之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311629506.4A CN117423462B (zh) | 2023-12-01 | 2023-12-01 | 一种基于人工智能的学生心理健康预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311629506.4A CN117423462B (zh) | 2023-12-01 | 2023-12-01 | 一种基于人工智能的学生心理健康预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117423462A true CN117423462A (zh) | 2024-01-19 |
| CN117423462B CN117423462B (zh) | 2024-04-16 |
Family
ID=89526740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311629506.4A Active CN117423462B (zh) | 2023-12-01 | 2023-12-01 | 一种基于人工智能的学生心理健康预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423462B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003204909A1 (en) * | 2002-06-28 | 2004-01-15 | Pathfinder Psychological Consultancy Pty Ltd | Computer-aided system and method for self-assessment and personalised mental health consultation |
| US20210082563A1 (en) * | 2018-01-12 | 2021-03-18 | Ieso Digital Health Limited | Methods for improving psychological therapy outcome |
| CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
| US20210375468A1 (en) * | 2020-05-27 | 2021-12-02 | Cornell University | Using Electronic Health Records and Machine Learning to Predict and Mitigate Postpartum Depression |
| WO2022087116A1 (en) * | 2020-10-22 | 2022-04-28 | Tibi Health, Inc. | Systems and methods for mental health assessment |
| CN115251928A (zh) * | 2022-08-31 | 2022-11-01 | 安徽信息工程学院 | 一种基于深度学习的大学生心理健康评估系统 |
-
2023
- 2023-12-01 CN CN202311629506.4A patent/CN117423462B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003204909A1 (en) * | 2002-06-28 | 2004-01-15 | Pathfinder Psychological Consultancy Pty Ltd | Computer-aided system and method for self-assessment and personalised mental health consultation |
| US20210082563A1 (en) * | 2018-01-12 | 2021-03-18 | Ieso Digital Health Limited | Methods for improving psychological therapy outcome |
| US20210375468A1 (en) * | 2020-05-27 | 2021-12-02 | Cornell University | Using Electronic Health Records and Machine Learning to Predict and Mitigate Postpartum Depression |
| WO2022087116A1 (en) * | 2020-10-22 | 2022-04-28 | Tibi Health, Inc. | Systems and methods for mental health assessment |
| CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
| CN115251928A (zh) * | 2022-08-31 | 2022-11-01 | 安徽信息工程学院 | 一种基于深度学习的大学生心理健康评估系统 |
Non-Patent Citations (1)
| Title |
|---|
| 林靖怡;吴平鑫;郑翊佳;刘玉盈;周燕;: "基于在校数据挖掘的大学生心理抑郁预测模型以及分析", 中国新通信, no. 17, 5 September 2020 (2020-09-05) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117423462B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spiegelhalter et al. | Statistical and knowledge‐based approaches to clinical decision‐support systems, with an application in gastroenterology | |
| Flacker et al. | Mortality‐related factors and 1‐year survival in nursing home residents | |
| Luan et al. | A signal-detection analysis of fast-and-frugal trees. | |
| Garrard et al. | Reliability and validity of the NDNQI® injury falls measure | |
| US11640403B2 (en) | Methods and systems for automated analysis of behavior modification data | |
| KR102253946B1 (ko) | 사용자의 수면 환경에서 측정된 데이터에 기반하여 수면 상태를 예측하기 위한 컴퓨팅 장치 | |
| CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
| Chen et al. | Disease concept-embedding based on the self-supervised method for medical information extraction from electronic health records and disease retrieval: Algorithm development and validation study | |
| Kaklauskas et al. | Recommended biometric stress management system | |
| Assaf et al. | 30-day hospital readmission prediction using MIMIC data | |
| Davazdahemami et al. | A deep learning approach for predicting early bounce-backs to the emergency departments | |
| CN112908452A (zh) | 事件数据建模 | |
| Do et al. | Personalized prediction of asthma severity and asthma attack for a personalized treatment regimen | |
| Chakshu et al. | An AI based digital-twin for prioritising pneumonia patient treatment | |
| CN117423462B (zh) | 一种基于人工智能的学生心理健康预测方法 | |
| Zhang et al. | A time-sensitive hybrid learning model for patient subgrouping | |
| Kalatzis et al. | Interactive dimensionality reduction for improving patient adherence in remote health monitoring | |
| Sun et al. | A general fine-tuned transfer learning model for predicting clinical task acrossing diverse EHRs datasets | |
| Palermo et al. | Designing a clinically applicable deep recurrent model to identify neuropsychiatric symptoms in people living with dementia using in-home monitoring data | |
| CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
| CN114613465A (zh) | 一种脑卒中患病风险预测和个性化治疗推荐方法及系统 | |
| Gupta et al. | An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health | |
| Chae et al. | Comparison of alternative knowledge model for the diagnosis of asthma | |
| Raghavendra et al. | DLMNN Based Heart Disease Prediction with PD-SS Optimization Algorithm | |
| Bergner et al. | The sickness impact profile: the relevance of social science to medicine |
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 |