一种基于文本和图像信息联合计算的心理危机预警方法技术

本发明专利技术公开了一种基于文本和图像信息联合计算的心理危机预警方法，包括步骤：S1、建立和训练心理健康自动评估模型，S2、从步骤S1中选取某被试学生的网络内容数据，依次对每条文本及对应图像进行预处理，分别获得文本表示矩阵和图像表示矩阵；S3、将文本表示矩阵和图像表示矩阵按行顺序依次输入文本情感计算模型和图像情感计算模型，分别得到文本情感倾向矩阵和图像情感倾向矩阵，再将两矩阵按行顺序依次采用最大值决策规则的方式计算获得该被试学生的综合情感倾向向量序列；S4、将综合情感倾向向量序列输入心理健康自动评估模型中，以输出结果判断该被试学生的心理健康等级，完成心理健康自动评估。本发明专利技术可快速准确地识别学生心理健康水平。生心理健康水平。生心理健康水平。

【技术实现步骤摘要】
一种基于文本和图像信息联合计算的心理危机预警方法


[0001]本专利技术属于心理危机预警
，具体涉及一种基于文本和图像信息联合计算的心理危机预警方法。

技术介绍

[0002]随着社会竞争愈发激烈、人际关系逐渐复杂，承载着多方压力的大学生易产生焦虑、抑郁等心理问题，而目前高校的心理健康教育工作存在指向性，未能关注到全体学生并满足学生个性化的发展需求，因此实现对大学生心理健康状况的快速、准确评估既是学生顺利开展学习活动的前提和保障，亦是高校心理工作实现精准干预和提供个性化教育服务的基础。
[0003]现有的心理健康评估分为基于问卷和访谈的显式获取方式和基于网络爬虫和人工智能技术的隐式获取方式的评估。基于显式获取方式的心理健康评估主要有心理量表和结构化访谈。伴随着互联网技术的快速发展和人工智能技术的逐渐成熟，基于隐式获取方式的心理健康自动评估受到了国内外学者的广泛关注。现有研究利用各类社交网络平台上的数据自动评估用户的心理健康状况，有研究者以用户网络行为表现作为特征选择的评估方式，通过采集用户的新浪微博行为数据，利用任务回归学习方法等方法预测用户的抑郁和焦虑程度，发现用户的心理健康状况与其在微博使用行为上的差异性有关；也有研究者将社交网络文本内容作为特征选择的评估方式，最常见的就是基于LIWC词典中的词类对文本内容进行词频统计，还有通过训练LDA主题模型，分析帖子文本的主题，评估用户的心理健康状况等。
[0004]基于显式获取方式的心理健康评估在实际应用中大多是针对新生的单次普查，无法进行持续地跟踪调查；在实施过程中存在社会称许性和量表的侵入性作用；评估工作上受人工处理速度限制和被评估者的自主性限制。虽然基于隐式获取方式的心理健康自动评估能有效改善上述问题，但是现有的心理健康评估大部分是以网络行为数据为主，或者是以文本分析为主，忽略了不同模态数据之间的信息互补性；其次，心理健康是一种随着时间推移变化程度较大的状态型心理特征，现有研究忽略了因时间偶然性带来了误差，未考虑一段时间内学生的心理健康变化状况，因而心理健康自动评估的准确率有所折扣，其准确率还有很大的提升空间，无法为大学生心理危机做出精确的预警分析。

技术实现思路

[0005]本专利技术的目的在于提供一种基于文本和图像信息联合计算的心理危机预警预警方法，通过联合计算学生的文本、图像等不同类型数据的网络内容数据，可快速、准确地识别学生心理健康水平，为大学生的心理危机作出预警分析。
[0006]本专利技术的目的通过以下技术方案实现：提供一种基于文本和图像信息联合计算的心理危机预警方法，包括以下步骤：
[0007]S1、建立和训练心理健康自动评估模型，具体分为以下过程：
[0008]S101、构建用于训练的数据集，并对数据集进行预处理，所述数据集是指获取的所有被试学生社交平台上公开发表的网络内容数据，形成文本数据集、图像数据集和图文联合标注数据集三类；
[0009]S102、通过建立词嵌入层、Bi
‑
LSTM层、全连接层的三层神经网络框架训练得到文本数据集和图文联合标注数据集中的每条文本情感倾向向量，获得文本情感计算模型；通过微调卷积神经网络训练，得到图像数据集和图文联合标注数据集中的每个图像情感倾向向量，获得图像情感计算模型；
[0010]S103、用最大值决策规则来联合计算上述的文本情感倾向向量和图像情感倾向向量，获得所有被试学生单条网络内容数据的综合情感倾向向量；
[0011]S104、重复步骤S101
‑
S103，获得所有被试学生一段时间内所有网络内容数据的综合情感倾向向量序列，在此基础上，用隐条件随机场(HCRF)来训练进而得到所有被试学生的心理健康特征向量，获得心理健康自动评估模型；
[0012]S2、从步骤S1中选取某被试学生的网络内容数据，依次对每条文本及对应图像进行预处理，分别获得文本表示矩阵和图像表示矩阵；
[0013]S3、将文本表示矩阵和图像表示矩阵按行顺序依次输入步骤S1的文本情感计算模型和图像情感计算模型，分别得到文本情感倾向矩阵和图像情感倾向矩阵，再将文本情感倾向矩阵和图像情感倾向矩阵按行顺序依次采用步骤S3001中最大值决策规则的方式计算获得该被试学生的综合情感倾向向量序列；
[0014]S4、将获得的综合情感倾向向量序列输入步骤S1所得的心理健康自动评估模型中，以输出结果判断该被试学生的心理健康等级，完成心理健康自动评估。
[0015]作为进一步的改进，所述步骤S101中构建用于训练的数据集，并对数据集进行预处理具体表现为：
[0016]S1011、向被试学生发放流调用抑郁自评量表并进行沟通说明，完成自评量表的自评分；同时，在与被试学生签署知情同意书的情况下，通过网络爬虫技术获取被试学生在社交平台上公开的网络内容数据存于数据库；
[0017]S1012、被试学生按照自评量表的自评分值来划分评估等级进行心理健康等级标注，以便与心理健康自动评估模型输出结果进行比对；
[0018]S1013、筛选网络内容数据，得到被试学生特定时间段内反应真实心理状况的有效网络内容数据；
[0019]S1014、被试学生的有效网络内容数据则邀请领域专家根据情感倾向性标注正负情绪类别，形成文本数据集、图像数据集、图文联合标注数据集三类原始数据；
[0020]S1015、针对步骤1014中文本数据集、图像数据集、图文联合标注数据集进行向量化预处理操作，得到文本表示向量和图像表示向量，便于后续进行情感倾向向量化计算。
[0021]作为进一步地改进，步骤S1012中心理健康等级标注具体分为第一类别、第二类别和第三类别共三类，其中，第一类别表示该被试学生的心理健康状况为健康等级，第二类别表示该被试学生的心理健康状况为可能抑郁等级，第三类别表示该被试学生的心理健康状况为抑郁倾向等级。
[0022]作为进一步的改进，所述步骤S102中微调卷积神经网络以VGG16为基准模型，通过微调策略来构建CNN模型，即全连接层设置为512relu
‑
2softmax，冻结VGG卷积块进行5轮
epoch训练以实现初步迁移；其次解冻VGG16第五个卷积块权重进行20轮epoch以微调模型权重参数
[0023]作为进一步的改进，所述步骤S103具体包括以下步骤：
[0024]S1031、文本情感倾向向量计算：由LSTM单元计算文本数据集的文本，获得包含上下文信息的文本特征表示；再将文本特征表示输入激活函数为softmax的全连接层，得到文本情感倾向向量；
[0025]S1032、图像情感倾向向量计算：由卷积层和池化层交替计算图像数据集的图像，习得图像特征表示；再将图像特征表示输入激活函数为softmax的全连接层，得到图像情感倾向向量；
[0026]S1033、获得综合情感倾向向量：
[0027]计算单条网络内容数据中所有图像的情感倾向向量；
[0028]将所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于文本和图像信息联合计算的心理危机预警方法，其特征在于，包括以下步骤：S1、建立和训练心理健康自动评估模型，具体分为以下过程：S101、构建用于训练的数据集，并对数据集进行预处理，所述数据集是指获取的所有被试学生社交平台上公开发表的网络内容数据，形成文本数据集、图像数据集和图文联合标注数据集三类；S102、通过建立词嵌入层、Bi
‑
LSTM层、全连接层的三层神经网络框架训练得到文本数据集和图文联合标注数据集的每条文本情感倾向向量，获得文本情感计算模型；通过微调卷积神经网络训练，得到图像数据集和图文联合标注数据集中的每个图像情感倾向向量，获得图像情感计算模型；S103、用最大值决策规则来联合计算上述的文本情感倾向向量和图像情感倾向向量，获得所有被试学生单条网络内容数据的综合情感倾向向量；S104、重复步骤S101
‑
S103，获得所有被试学生一段时间内所有网络内容数据的综合情感倾向向量序列，在此基础上，用隐条件随机场(HCRF)来训练进而得到所有被试学生的心理健康特征向量，获得心理健康自动评估模型；S2、从步骤S1中选取某被试学生的网络内容数据，依次对每条文本及对应图像进行预处理，分别获得文本表示矩阵和图像表示矩阵；S3、将文本表示矩阵和图像表示矩阵按行顺序依次输入步骤S1的文本情感计算模型和图像情感计算模型，分别得到文本情感倾向矩阵和图像情感倾向矩阵，再将文本情感倾向矩阵和图像情感倾向矩阵按行顺序依次采用步骤S1中最大值决策规则的方式计算获得该被试学生的综合情感倾向向量序列；S4、将获得的综合情感倾向向量序列输入步骤S1所得的心理健康自动评估模型中，以输出结果判断该被试学生的心理健康等级，完成心理健康自动评估。2.根据权利要求1所述的基于文本和图像信息联合计算的心理危机预警方法，其特征在于，所述步骤S101中构建用于训练的数据集，并对数据集进行预处理具体表现为：S1011、向被试学生发放流调用抑郁自评量表并进行沟通说明，完成自评量表的自评分；同时，在与被试学生签署知情同意书的情况下，通过网络爬虫技术获取被试学生在社交平台上公开的网络内容数据存于数据库；S1012、将被试学生按照自评量表的自评分值来划分评估等级进行心理健康等级标注，以便与心理健康自动评估模型输出结果进行比对；S1013、筛选网络内容数据，得到被试学生特定时间段内反应真实心理状况的有效网络内容数据；S1014、被试学生的有效网络内容数据则邀请领域专家根据情感倾向性标注正负情绪类别，形成文本数据集、图像数据集、图文联合标注数据集三类原始数据；S1015、针对步骤1014中文本数据集、图像数据集、图文联合标注数据集进行向量化预处理操作，得到文本表示向量和图像表示向量，便于后续进行情感倾向向量化计算。3.根据权利要求2所述的基于文本和图像信息联合计算的心理危机预警方法，其特征在于，步骤S1012中心理健康等级标注具体分为第一类别、第二类别和第三类别共三类，其中，第一类别表示该被试学生的心理健康状况为健康等级，第二类别表示该被试学生的心
理健康状况为可能抑郁等级，第三类别表示该被试学生的心理健康状况为抑郁倾向等级。4.根据权利要求3所述的基于文本和图像信息联合计算的心理危机预警方法，其特征在于，所述步骤S102中微调卷积神经网络以VGG16为基准模型，通过微调策略来构建CNN模型，即全连接层设置为512relu
‑
2softmax，冻结VGG卷积块进行5轮epoch训练以实现初步迁移；其次解冻VGG16第五个卷积块权重进行20轮epoch以微调模型权重参数。5.根据权...

【专利技术属性】
技术研发人员：周炫余，蔡超飞，卢笑，洪嘉玲，刘林，陈圆圆，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：