CN117497172A - 一种心理障碍预测方法、装置、设备及可读存储介质 - Google Patents
一种心理障碍预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117497172A CN117497172A CN202311433818.8A CN202311433818A CN117497172A CN 117497172 A CN117497172 A CN 117497172A CN 202311433818 A CN202311433818 A CN 202311433818A CN 117497172 A CN117497172 A CN 117497172A
- Authority
- CN
- China
- Prior art keywords
- psychological disorder
- information
- psychological
- prediction model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004888 barrier function Effects 0.000 title claims description 23
- 208000020016 psychiatric disease Diseases 0.000 claims abstract description 148
- 238000005070 sampling Methods 0.000 claims abstract description 57
- 230000008451 emotion Effects 0.000 claims abstract description 27
- 230000001105 regulatory effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 72
- 238000011156 evaluation Methods 0.000 claims description 60
- 239000002245 particle Substances 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000010482 emotional regulation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000036651 mood Effects 0.000 abstract description 15
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G16H50/20—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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及心理障碍评估技术领域，具体而言，涉及一种心理障碍预测方法、装置、设备及可读存储介质，所述方法包括获取情绪调节策略倾向量表信息和至少一个心理障碍标签，情绪调节策略倾向量表信息包括至少一个情绪调节策略，心理障碍标签包括待测评人员的心理障碍类型、严重程度和行为表现；在采样时间内对情绪调节策略倾向量表信息进行采集，得到采样信息，采样信息包括待测评人员采取各个情绪调节策略的频次序列；根据采样信息和至少一个心理障碍标签建立第一心理障碍预测模型；根据第一心理障碍预测模型对待测评人员当前心理障碍进行预测，本发明通过待测评人员选择各个情绪调节策略的频次即可实现心理障碍的快速预测。
Description
技术领域
本发明涉及心理障碍评估技术领域，具体而言，涉及一种心理障碍预测方法、装置、设备及可读存储介质。
背景技术
情绪调节策略是指个体在应对情绪体验时采取的行为和认知策略。一些研究表明，冗思和表达抑制等适应不良的情绪调节策略与抑郁症和焦虑症等心理障碍之间存在着正向的关联，但是在目前的心理障碍评估技术领域中，该方面的研究还处于空白领域，通过患者如何选用情绪调节策略从而实现对患者心理障碍的预测评估是目前亟需解决的。
发明内容
本发明的目的在于提供一种心理障碍预测方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种心理障碍预测方法，所述方法包括：
获取情绪调节策略倾向量表信息和至少一个心理障碍标签，所述情绪调节策略倾向量表信息包括至少一个情绪调节策略，所述心理障碍标签包括待测评人员的心理障碍类型、严重程度和行为表现；
在采样时间内对所述情绪调节策略倾向量表信息进行采集，得到采样信息，所述采样信息包括待测评人员采取各个情绪调节策略的频次序列；
根据所述采样信息和至少一个所述心理障碍标签建立第一心理障碍预测模型；
根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测。
第二方面，本申请实施例提供了一种心理障碍预测装置，所述装置包括：
第一获取模块，用于获取情绪调节策略倾向量表信息和至少一个心理障碍标签，所述情绪调节策略倾向量表信息包括至少一个情绪调节策略，所述心理障碍标签包括待测评人员的心理障碍类型、严重程度和行为表现；
第一处理模块，用于在采样时间内对所述情绪调节策略倾向量表信息进行采集，得到采样信息，所述采样信息包括待测评人员采取各个情绪调节策略的频次序列；
第二处理模块，用于根据所述采样信息和至少一个所述心理障碍标签建立第一心理障碍预测模型；
第三处理模块，用于根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测。
第三方面，本申请实施例提供了一种心理障碍预测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述心理障碍预测方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述心理障碍预测方法的步骤。
本发明的有益效果为：
本发明通过在采样时间内对待测评人员的情绪调节策略倾向量表信息进行采集得到待测评人员采取各个情绪调节策略的频次序列，再根据频次序列信息和对应的心理障碍标签构建第一心理障碍预测模型，预测当前时刻待测评人员的心理障碍数据，建立了情绪调节策略与心理障碍预测之间的联系，根据待测评人员的选择各个情绪调节策略的频次即可实现心理障碍的快速预测，有效的解决了现有技术中需要通过繁琐的专家问诊实现心理障碍预测评估的问题。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例中所述的心理障碍预测方法流程示意图。
图2为本发明实施例中所述的心理障碍预测装置结构示意图。
图3为本发明实施例中所述的心理障碍预测设备结构示意图。
图中标注：901、第一获取模块；902、第一处理模块；903、第二处理模块；904、第三处理模块；905、第二获取模块；906、第四处理模块；907、第五处理模块；908、第六处理模块；909、第七处理模块；9011、第一获取单元;9012、第一计算单元；9013、第一处理单元；9014、第二计算单元;9015、第二处理单元；9016、第三处理单元；90121、第二获取单元；90122、第三计算单元；90123、第四计算单元；90124、第五计算单元；90125、第六计算单元；9041、第四处理单元；9042、第五处理单元；9043、第六处理单元；9044、迭代单元；9045、第七处理单元；9046、第八处理单元；90441、第三获取单元；90442、优化单元；90443、第九处理单元；800、心理障碍预测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种心理障碍预测方法，可以理解的是，在本实施例中可以铺设一个场景，例如:记录并统计待测评人在一天中选择各种情绪调节策略的频次，根据选择各种情绪调节策略的频次对待测评人员心理障碍进行预测评估的场景。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3以及步骤S4。
步骤S1、获取情绪调节策略倾向量表信息和至少一个心理障碍标签，所述情绪调节策略倾向量表信息包括至少一个情绪调节策略，所述心理障碍标签包括待测评人员的心理障碍类型、严重程度和行为表现；
可以理解的是，情绪调节策略是指个体在应对情绪体验时采取的行为和认知策略，包括积极的和消极的策略；心理障碍则是指个体在情绪、认知、行为或社交方面出现异常、不适应或病态的状态，情绪调节策略和心理障碍之间存在密切的关联，因此，在本步骤中，通过采集采样信息和心理障碍标签以进一步探究情绪调节策略与心理障碍之间的联系，需要说明的是，情绪调节策略倾向量表信息中包括的情绪调节策略可以是注意转移、认知重评、冗思、反思、接受、表达抑制但不限于注意转移、认知重评、冗思、反思、接受、表达抑制。
可以理解的是，在步骤S1中还包括步骤S11、步骤S12、步骤S13、步骤S14、步骤S15以及步骤S16，其中具体为：
步骤S11、获取测评量表，所述测评量表中包括至少一个测评题目，每个所述测评题目对应至少一个测评选项；
在本步骤中，测评量表主要包括贝克抑郁量表、患者健康问卷、焦虑自评问卷、阿森斯失眠量表、汉密尔顿抑郁量表、汉密尔顿焦虑量表等。
步骤S12、计算测评量表中每个测评题目对应的每个选项的重要程度，得到第一信息；
可以理解的是，在步骤S12中还包括步骤S121、步骤S122、步骤S123、步骤S124以及步骤S125，其中具体为：
步骤S121、获取至少两个第一量表信息，所述第一量表信息包括至少一个第一子量表信息和至少一个第二子量表信息，所述第一子量表信息包括存在心理障碍人员填写的量表信息，所述第二子量表信息包括不存在心理障碍人员填写的量表信息；
在本步骤中，第一量表信息为收集的大量样本数据，其中包括存在心理障碍人员填写的量表信息和不存在心理障碍人员填写的量表信息，其中，存在心理障碍的人员相较于健康人员的数量往往是偏少的，导致第一子量表信息的数量往往是少于第二子量表信息的数量。
步骤S122、计算选中的第一选项在所有第一子量表信息中所占比例，得到第一计算结果；
在本步骤中，第一选项为量表中选中的任意一选项，计算存在心理障碍人员填写的第一子量表中有多少份量表选中了第一选项。
步骤S123、计算选中的所述第一选项在所有第二子量表信息中所占比例，得到第二计算结果；
在本步骤中，计算不存在心理障碍的人员即健康人员填写的第二子量表中有多少份量表选中了第一选项。
步骤S124、根据选中的所述第一选项和所有的所述第一量表信息进行计算，得到第三计算结果；
步骤S125、根据所述第一计算结果、所述第二计算结果和所述第三计算结果进行计算，得到第一选项的重要程度。
在本步骤中，第一选项的重要程度计算过程具体为：
；
上式中，表示选中的第一选项Xi在所有第一子量表信息中所占比例；/>表示选中的第一选项Xi在所有第二子量表信息中所占比例；N表示所有第一量表的数量，/>表示选中第一选项的第一量表数量，通过上述公式进行计算即可将第一选项的重要程度进行量化。
在本实施例中，可以有效的避免第一子量表信息与第二子量表信息之间数据不均导致的选项重要程度计算不准确的问题，从而进一步提高生成心理障碍标签的准确率。
步骤S13、根据所述第一信息对所述测评量表进行简化，得到简化后的测评量表；
在本步骤中，通过计算可以得到每个测评题目对应的多个选项的重要程度，将其中重要程度最高的选项作为本题目的主选项，得到第二选项；判断第二选项对应的重要程度是否大于预设的阈值信息，其中若大于，则保留第二选项对应的测评题目，若小于，则去除第二选项对应的测评题目，实现对测评量表的简化，通过对测评量表进行精简，可以避免测评人员繁琐的回答题目，在保证准确率的同时提高了测评效率，此外，进一步提高了心理障碍标签生成的效率。
步骤S14、计算简化后的测评量表中每个测评题目的重要程度，得到第二信息；
可以理解的是，测评题目之间并不是相互独立的，例如在本量表中的测评题目中，我觉得比平时容易紧张和着急与我容易心里烦乱或觉得惊恐之间是存在关联性的，因此，在本步骤中，通过引入注意力机制计算问题权重矩阵，其中具体为：
;
上式中，Q表示查询矩阵、K表示键矩阵，为调节因子，/>为问题权重，矩阵表示激活函数，通过将所有测评题目发送至注意力层即可通过权重矩阵为每个测评题目分配相应的权重，以表示每个测评题目的重要程度。
步骤S15、根据所述第二信息和所述第一信息进行计算，得到评分信息；
在本步骤中，通过每个测评题目选项的重要程度和测评题目的重要程度可以计算每个测评题目的得分；根据每个测评题目的得分进行计算，可以得到每个测评量表的评分信息。
步骤S16、根据所述评分信息生成心理障碍标签。
在本步骤中，根据评分信息所处的评分区间即可确定测评人员对应的心理障碍数据即测评人员的心理障碍类型、严重程度和行为表现，根据相应的心理障碍数据即可生成心理障碍标签，为后续建立第一心理障碍预测模型提供数据集做准备。
步骤S2、在采样时间内对所述情绪调节策略倾向量表信息进行采集，得到采样信息，所述采样信息包括待测评人员采取各个情绪调节策略的频次序列；
在本步骤中，采样时间为人为预设，其中，在本步骤中以两周为采样时间，在采样时间内对待测评人员采取各个情绪调节策略的频次进行采集，依次构建频次序列，为第一心理障碍预测模型的训练提供数据基础。
步骤S3、根据所述采样信息和至少一个所述心理障碍标签建立第一心理障碍预测模型；
步骤S4、根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测。
可以理解的是，所述步骤S4中还包括步骤S41、步骤S42、步骤S43、步骤S44、步骤S45以及步骤S46，其中具体为：
步骤S41、根据训练后的第一心理障碍预测模型的预测结果与实际结果进行计算，得到匹配度值；
在本步骤中，第一心理障碍预测模型为BP神经网络模型，通过训练后的第一心理障碍预测模型的预测结果与实际结果计算匹配度是本领域技术人员所熟知的技术方案，故不在此赘述。
步骤S42、根据所述匹配度值调整BP神经网络的适应度函数；
在本步骤中，适应度函数具体为：
;
上式中，为第i个匹配度值，/>为第i个匹配度值的预测值，N为所有匹配度值的总数，匹配度值的预测值为基于神经网络训练预测得到的匹配度值或者基于预设的预测的值。
步骤S43、计算每一个粒子的适应度函数，并确定第一次迭代的个体最优位置和粒子群最优位置；
在本步骤中，个体最优位置的更新准则为按照适应度值的大小选取更大适应度值的个体位置作为个体最优位置，全局最优位置的更新准则为按照适应度值的大小选取更大适应度值的全局位置作为全局最优位置。
步骤S44、将所述个体最优位置和所述粒子群最优位置进行迭代更新，直至找到最优的粒子位置；
在本步骤中，通过两个公式来实现粒子自身位置的更新，一个是速度公式，一个是位置公式，其中，速度公式具体为：
;
上式中，为更新后的速度，/>为当前速度，/>和/>为加速因子其取值为[1,2]，w为惯性因子，/>为到目前为止本粒子发现的最佳位置，/>为到目前位置所有粒子发现的最佳位置r1，r2是[0,1]上的随机数。
位置公式具体为：
;
上式中，为粒子更新后的位置，/>为粒子在更新前的位置,/>为粒子更新后的速度。
可以理解的是，所述步骤S44中还包括步骤S441、步骤S442以及步骤S443，其中具体为：
步骤S441、获取速度权重参数；
步骤S442、将所述速度权重参数对初始位置公式进行优化，得到优化后的位置公式；
在本步骤中，优化后的位置公式具体为：
;
上式中，为粒子更新后的位置，/>为粒子在更新前的位置，/>为粒子更新后的速度，/>为最大迭代次数，/>为当前的迭代次数。
步骤S443、根据所述优化后的位置公式对粒子位置进行迭代更新。
在本实施例中，通过对位置公式添加速度权重参数，可以使粒子跳出局部最优解的范围，进而更有可能搜索到全局最优解，从而输出更优的权值和阈值，提高心理障碍预测模型预测的准确率。
步骤S45、根据所述最优的粒子位置得到初始连接权和阈值；
在本步骤中，当找到最优的粒子位置后停止迭代，输出神经网络算法的权值和阈值。
步骤S46、根据所述初始连接权和所述阈值对训练集进行学习，建立最优的第一心理障碍预测模型。
在本实施例中，利用粒子群优化算法对BP神经网络进行优化，可以有效的提高预测的准确率。
可以理解的是，所述步骤S4之后还包括步骤S5、步骤S6、步骤S7、步骤S8以及步骤S9，其中具体为：
步骤S5、获取采样间隔周期；
可以理解的是，采样间隔周期为人为预设，在本步骤中以一个月为采样间隔周期。
步骤S6、根据所述采样间隔周期对待测评人员的情绪调节策略倾向量表信息进行重复采样，得到样本数据；
在本步骤中，预设采样时间为两周，每隔一个月采集一次待测评人员在两周内采取各个情绪调节策略的频次序列，得到样本数据，需要说明的是，在每个采样时间内对应获取待测评人员的心理障碍标签。
步骤S7、根据所述采样间隔周期对样本数据进行划分，得到划分后的样本数据；
在本步骤中，由样本数据作为历史数据，按照时间先后顺序将样本数据组成一个一维时间序列数据，由于心理障碍变化是具有时变性的，因此，根据采样间隔周期对样本数据进行划分，将一维时间序列划分为多个时间段，每个时间段作为一个维度，从而构建多维时间序列，得到划分后的样本数据，通过将样本数据进行划分加强了对频次序列信息在时序上变化规律的认识，以进一步提高第二心理障碍预测模型预测结果的准确率。
步骤S8、根据心理障碍标签和至少一个所述划分后的样本数据构建训练集；
步骤S9、利用所述训练集对第二心理障碍预测模型进行训练，得到训练后的第二心理障碍预测模型，所述第二心理障碍预测模型用于预测当前时刻之后的心理障碍。
在本实施例中，通过将样本数据进行划分得到多维时间序列，可以有效的提高对频次序列信息在时序上变化规律的认识，进一步挖掘不同采样间隔周期内频次数据的变化规律，使得预测的结果更加准确，需要说明的是第二心理障碍预测模型用于预测当前时刻之后的心理障碍，其中，当前时刻之后的时间与采样间隔周期相关，若采样间隔周期为一个月，则用于预测至少一个月之后的心理障碍数据。
实施例2：
如图2所示，本实施例提供了一种心理障碍预测装置，所述装置包括第一获取模块901、第一处理模块902、第二处理模块903以及第三处理模块904。
第一获取模块901，用于获取情绪调节策略倾向量表信息和至少一个心理障碍标签，所述情绪调节策略倾向量表信息包括至少一个情绪调节策略，所述心理障碍标签包括待测评人员的心理障碍类型、严重程度和行为表现；
第一处理模块902，用于在采样时间内对所述情绪调节策略倾向量表信息进行采集，得到采样信息，所述采样信息包括待测评人员采取各个情绪调节策略的频次序列；
第二处理模块903，用于根据所述采样信息和至少一个所述心理障碍标签建立第一心理障碍预测模型；
第三处理模块904，用于根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测。
在本公开的一种具体实施方式中，所述第一获取模块901中还包括第一获取单元9011、第一计算单元9012、第一处理单元9013、第二计算单元9014、第二处理单元9015以及第三处理单元9016，其中具体为：
第一获取单元9011，用于获取测评量表，所述测评量表中包括至少一个测评题目，每个所述测评题目对应至少一个测评选项；
第一计算单元9012，用于计算测评量表中每个测评题目对应的每个选项的重要程度，得到第一信息；
第一处理单元9013，用于根据所述第一信息对所述测评量表进行简化，得到简化后的测评量表；
第二计算单元9014，用于计算简化后的测评量表中每个测评题目的重要程度，得到第二信息；
第二处理单元9015，用于根据所述第二信息和所述第一信息进行计算，得到评分信息；
第三处理单元9016，根据所述评分信息生成心理障碍标签
在本公开的一种具体实施方式中，所述第一计算单元9012中还包括第二获取单元90121、第三计算单元90122、第四计算单元90123、第五计算单元90124以及第六计算单元90125，其中具体为：
第二获取单元90121，用于获取至少两个第一量表信息，所述第一量表信息包括至少一个第一子量表信息和至少一个第二子量表信息，所述第一子量表信息包括存在心理障碍人员填写的量表信息，所述第二子量表信息包括不存在心理障碍人员填写的量表信息；
第三计算单元90122，用于计算选中的第一选项在所有第一子量表信息中所占比例，得到第一计算结果；
第四计算单元90123，用于计算选中的所述第一选项在所有第二子量表信息中所占比例，得到第二计算结果；
第五计算单元90124，用于根据选中的所述第一选项和所有的所述第一量表信息进行计算，得到第三计算结果；
第六计算单元90125，用于根据所述第一计算结果、所述第二计算结果和所述第三计算结果进行计算，得到第一选项的重要程度。
在本公开的一种具体实施方式中，所述第三处理模块904中还包括第四处理单元9041、第五处理单元9042、第六处理单元9043、迭代单元9044、第七处理单元9045以及第八处理单元9046，其中具体为：
第四处理单元9041，用于根据训练后的第一心理障碍预测模型的预测结果与实际结果进行计算，得到匹配度值；
第五处理单元9042，用于根据所述匹配度值调整BP神经网络的适应度函数；
第六处理单元9043，用于计算每一个粒子的适应度函数，并确定第一次迭代的个体最优位置和粒子群最优位置；
迭代单元9044，用于将所述个体最优位置和所述粒子群最优位置进行迭代更新，直至找到最优的粒子位置；
第七处理单元9045，用于根据所述最优的粒子位置得到初始连接权和阈值；
第八处理单元9046，用于根据所述初始连接权和所述阈值对训练集进行学习，建立最优的第一心理障碍预测模型。
在本公开的一种具体实施方式中，所述迭代单元9044中还包括第三获取单元90441、优化单元90442以及第九处理单元90443，其中具体为：
第三获取单元90441，用于获取速度权重参数；
优化单元90442，用于将所述速度权重参数对初始位置公式进行优化，得到优化后的位置公式；
第九处理单元90443，用于根据所述优化后的位置公式对粒子位置进行迭代更新。
在本公开的一种具体实施方式中，所述第三处理模块904之后，还包括第二获取模块905、第四处理模块906、第五处理模块907、第六处理模块908以及第七处理模块909，其中具体为：
第二获取模块905，用于获取采样间隔周期；
第四处理模块906，用于根据所述采样间隔周期对待测评人员的情绪调节策略倾向量表信息进行重复采样，得到样本数据；
第五处理模块907，用于根据所述采样间隔周期对样本数据进行划分，得到划分后的样本数据；
第六处理模块908，用于根据心理障碍标签和至少一个所述划分后的样本数据构建训练集；
第七处理模块909，用于利用所述训练集对第二心理障碍预测模型进行训练，得到训练后的第二心理障碍预测模型，所述第二心理障碍预测模型用于预测当前时刻之后的心理障碍。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种心理障碍预测设备，下文描述的一种心理障碍预测设备与上文描述的一种心理障碍预测方法可相互对应参照。
图3是根据示例性实施例示出的一种心理障碍预测设备800的框图。如图3所示，该心理障碍预测设备800可以包括：处理器801，存储器802。该心理障碍预测设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该心理障碍预测设备800的整体操作，以完成上述的心理障碍预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该心理障碍预测设备800的操作，这些数据例如可以包括用于在该心理障碍预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该心理障碍预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，心理障碍预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的心理障碍预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的心理障碍预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由心理障碍预测设备800的处理器801执行以完成上述的心理障碍预测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种心理障碍预测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的心理障碍预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
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。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种心理障碍预测方法，其特征在于，包括：
获取情绪调节策略倾向量表信息和至少一个心理障碍标签，所述情绪调节策略倾向量表信息包括至少一个情绪调节策略，所述心理障碍标签包括待测评人员在采样时间内的心理障碍类型、严重程度和行为表现；
在采样时间内对所述情绪调节策略倾向量表信息进行采集，得到采样信息，所述采样信息包括待测评人员采取各个情绪调节策略的频次序列；
根据所述采样信息和至少一个所述心理障碍标签建立第一心理障碍预测模型；
根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测。
2.根据权利要求1所述的心理障碍预测方法，其特征在于，获取至少一个所述心理障碍标签，包括：
获取测评量表，所述测评量表中包括至少一个测评题目，每个所述测评题目对应至少一个测评选项；
计算测评量表中每个测评题目对应的每个选项的重要程度，得到第一信息；
根据所述第一信息对所述测评量表进行简化，得到简化后的测评量表；
计算简化后的测评量表中每个测评题目的重要程度，得到第二信息；
根据所述第二信息和所述第一信息进行计算，得到评分信息；
根据所述评分信息生成心理障碍标签。
3.根据权利要求1所述的心理障碍预测方法，其特征在于，根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测，包括：
根据训练后的第一心理障碍预测模型的预测结果与实际结果进行计算，得到匹配度值；
根据所述匹配度值调整BP神经网络的适应度函数；
计算每一个粒子的适应度函数，并确定第一次迭代的个体最优位置和粒子群最优位置；
将所述个体最优位置和所述粒子群最优位置进行迭代更新，直至找到最优的粒子位置；
根据所述最优的粒子位置得到初始连接权和阈值；
根据所述初始连接权和所述阈值对训练集进行学习，建立最优的第一心理障碍预测模型。
4.根据权利要求1所述的心理障碍预测方法，其特征在于，根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行识别之后，还包括：
获取采样间隔周期；
根据所述采样间隔周期对待测评人员的情绪调节策略倾向量表信息进行重复采样，得到样本数据；
根据所述采样间隔周期对样本数据进行划分，得到划分后的样本数据；
根据心理障碍标签和至少一个所述划分后的样本数据构建训练集；
利用所述训练集对第二心理障碍预测模型进行训练，得到训练后的第二心理障碍预测模型，所述第二心理障碍预测模型用于预测当前时刻之后的心理障碍。
5.一种心理障碍预测装置，其特征在于，包括：
第一获取模块，用于获取情绪调节策略倾向量表信息和至少一个心理障碍标签，所述情绪调节策略倾向量表信息包括至少一个情绪调节策略，所述心理障碍标签包括待测评人员的心理障碍类型、严重程度和行为表现；
第一处理模块，用于在采样时间内对所述情绪调节策略倾向量表信息进行采集，得到采样信息，所述采样信息包括待测评人员采取各个情绪调节策略的频次序列；
第二处理模块，用于根据所述采样信息和至少一个所述心理障碍标签建立第一心理障碍预测模型；
第三处理模块，用于根据所述第一心理障碍预测模型对待测评人员当前心理障碍进行预测。
6.根据权利要求5所述的心理障碍预测装置，其特征在于，所述第一获取模块，还包括：
第一获取单元，用于获取测评量表，所述测评量表中包括至少一个测评题目，每个所述测评题目对应至少一个测评选项；
第一计算单元，用于计算测评量表中每个测评题目对应的每个选项的重要程度，得到第一信息；
第一处理单元，用于根据所述第一信息对所述测评量表进行简化，得到简化后的测评量表；
第二计算单元，用于计算简化后的测评量表中每个测评题目的重要程度，得到第二信息；
第二处理单元，用于根据所述第二信息和所述第一信息进行计算，得到评分信息；
第三处理单元，根据所述评分信息生成心理障碍标签。
7.根据权利要求5所述的心理障碍预测装置，其特征在于，所述第三处理模块，包括：
第四处理单元，用于根据训练后的第一心理障碍预测模型的预测结果与实际结果进行计算，得到匹配度值；
第五处理单元，用于根据所述匹配度值调整BP神经网络的适应度函数；
第六处理单元，用于计算每一个粒子的适应度函数，并确定第一次迭代的个体最优位置和粒子群最优位置；
迭代单元，用于将所述个体最优位置和所述粒子群最优位置进行迭代更新，直至找到最优的粒子位置；
第七处理单元，用于根据所述最优的粒子位置得到初始连接权和阈值；
第八处理单元，用于根据所述初始连接权和所述阈值对训练集进行学习，建立最优的第一心理障碍预测模型。
8.根据权利要求5所述的心理障碍预测装置，其特征在于，所述第三处理模块之后，还包括：
第二获取模块，用于获取采样间隔周期；
第四处理模块，用于根据所述采样间隔周期对待测评人员的情绪调节策略倾向量表信息进行重复采样，得到样本数据；
第五处理模块，用于根据所述采样间隔周期对样本数据进行划分，得到划分后的样本数据；
第六处理模块，用于根据心理障碍标签和至少一个所述划分后的样本数据构建训练集；
第七处理模块，用于利用所述训练集对第二心理障碍预测模型进行训练，得到训练后的第二心理障碍预测模型，所述第二心理障碍预测模型用于预测当前时刻之后的心理障碍。
9.一种心理障碍预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述心理障碍预测方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述心理障碍预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311433818.8A CN117497172A (zh) | 2023-11-01 | 2023-11-01 | 一种心理障碍预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311433818.8A CN117497172A (zh) | 2023-11-01 | 2023-11-01 | 一种心理障碍预测方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117497172A true CN117497172A (zh) | 2024-02-02 |
Family
ID=89675623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311433818.8A Pending CN117497172A (zh) | 2023-11-01 | 2023-11-01 | 一种心理障碍预测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117497172A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569968A (zh) * | 2019-10-18 | 2019-12-13 | 上海大学 | 基于电生理信号的创业失败恢复力评估方法及评估系统 |
| CN113782188A (zh) * | 2021-09-16 | 2021-12-10 | 深圳大学 | Sjt情境式儿童心理测评系统的多维度测验数据处理方法 |
| CN114860922A (zh) * | 2022-03-25 | 2022-08-05 | 南京脑科医院 | 心理测评量表的分类模型获取方法、筛查方法及系统 |
| CN115083610A (zh) * | 2022-07-21 | 2022-09-20 | 卫宁健康科技集团股份有限公司 | 健康信息处理方法、装置、电子设备及存储介质 |
| US20230177633A1 (en) * | 2023-01-19 | 2023-06-08 | East China Normal University | Method to informationize the development of autistic children and predict their future career |
-
2023
- 2023-11-01 CN CN202311433818.8A patent/CN117497172A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569968A (zh) * | 2019-10-18 | 2019-12-13 | 上海大学 | 基于电生理信号的创业失败恢复力评估方法及评估系统 |
| CN113782188A (zh) * | 2021-09-16 | 2021-12-10 | 深圳大学 | Sjt情境式儿童心理测评系统的多维度测验数据处理方法 |
| CN114860922A (zh) * | 2022-03-25 | 2022-08-05 | 南京脑科医院 | 心理测评量表的分类模型获取方法、筛查方法及系统 |
| CN115083610A (zh) * | 2022-07-21 | 2022-09-20 | 卫宁健康科技集团股份有限公司 | 健康信息处理方法、装置、电子设备及存储介质 |
| US20230177633A1 (en) * | 2023-01-19 | 2023-06-08 | East China Normal University | Method to informationize the development of autistic children and predict their future career |
Non-Patent Citations (2)
| Title |
|---|
| 潘婵等: "基于机器学习构建贵州省大学生非自杀性自伤行为的预测模型", 中国学校卫生, vol. 44, no. 8, 25 August 2023 (2023-08-25), pages 1198 - 1202 * |
| 秦继伟;郑庆华;田锋;杨扬;: "一种采用偏最小二乘回归的情绪调节策略预测模型", 西安交通大学学报, no. 06, 24 March 2011 (2011-03-24), pages 46 - 49 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | STELLAR: Spatial-temporal latent ranking for successive point-of-interest recommendation | |
| CN109416820B (zh) | 对用户满意度进行自动确定和响应的方法和系统 | |
| US9721066B1 (en) | Smart fitness tracker | |
| JP6010719B1 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
| JP2019509556A (ja) | ユーザー・クレジット評価方法、装置及び記憶媒体 | |
| US11508479B2 (en) | Automated question generation and response tracking | |
| Simsek et al. | A Bayesian Belief Network-based probabilistic mechanism to determine patient no-show risk categories | |
| KR20200005987A (ko) | 터치입력을 이용한 인지장애 진단 시스템 및 방법 | |
| CN107077662A (zh) | 用户惯例的标识和改变 | |
| US20210027889A1 (en) | System and Methods for Predicting Identifiers Using Machine-Learned Techniques | |
| CN109659009B (zh) | 情绪管理方法、装置及电子设备 | |
| CN103455472A (zh) | 信息处理设备、信息处理方法及程序 | |
| CN113015010B (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
| JP2018077821A (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
| US20220037029A1 (en) | Infectious disease heat map and prediction model generation | |
| KR20160043777A (ko) | 질환 발병 예측 방법 및 그 장치 | |
| JP2018101201A (ja) | 施策導入効果予測装置、施策導入効果予測プログラム及び施策導入効果予測方法 | |
| US20200219610A1 (en) | System and method for providing prediction models for predicting a health determinant category contribution in savings generated by a clinical program | |
| JP2016085649A (ja) | 更新システム、更新方法、携帯端末装置、プログラム | |
| Elsenbroich et al. | Negotiating a Future that is not like the Past | |
| US20210073629A1 (en) | Prediction model preparation and use for socioeconomic data and missing value prediction | |
| Pingle | Evaluation of mental stress using predictive analysis | |
| JP7357551B2 (ja) | 画像判定システム | |
| CN117497172A (zh) | 一种心理障碍预测方法、装置、设备及可读存储介质 | |
| Yaesoubi et al. | Simple decision rules to predict local surges in COVID-19 hospitalizations during the winter and spring of 2022 |
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 |