于美亞

(浙江醫(yī)藥高等?？茖W(xué)校 信息中心，浙江 寧波 315100)

0 引言

心理障礙將出現(xiàn)抑郁、自傷、他傷等不良事件，目前，對社會各個領(lǐng)域人員的心理障礙預(yù)測十分關(guān)鍵[1]。如孕婦心理障礙、重大疾病患者的心理障礙、學(xué)生心理障礙等情況都是相關(guān)領(lǐng)域研究人士關(guān)注的核心問題[2]。文獻(xiàn)[3]、文獻(xiàn)[4]分別構(gòu)建基于文本情感特征的心理評估模型、基于速度與準(zhǔn)確率權(quán)衡的心理測量學(xué)模型，2個模型雖然對心理狀態(tài)預(yù)測這一問題存在可利用性，但受到預(yù)測樣本數(shù)量約束，僅對小樣本存在應(yīng)用價值。

歷史數(shù)據(jù)驅(qū)動是通過某種數(shù)據(jù)處理方法獲取歷史數(shù)據(jù)中有價值數(shù)據(jù)，合理應(yīng)用歷史數(shù)據(jù)后實(shí)施融合與提煉，建立合理的決策模型。本文應(yīng)用歷史數(shù)據(jù)驅(qū)動技術(shù)，構(gòu)建基于歷史數(shù)據(jù)驅(qū)動的心理障礙預(yù)測模型，并引入隱馬爾科夫模型，從有價值數(shù)據(jù)提取、心理障礙預(yù)測兩方面雙管齊下，實(shí)現(xiàn)心理障礙預(yù)測。

1 基于歷史數(shù)據(jù)驅(qū)動的心理障礙預(yù)測模型

1.1 提取關(guān)鍵屬性

1.1.1 整體框架

將被預(yù)測者的心理量表設(shè)成n×m的矩陣H，心理預(yù)測數(shù)據(jù)樣本j的屬性所構(gòu)建向量是Hj。心理障礙預(yù)測時，醫(yī)生會通過各式各樣的心理測試量表協(xié)助預(yù)測。本文使用FOAD(Fuzzy-Option based Attribute Discriminant method，基于模糊選擇的屬性判別方法)方法，在大量心理測試的歷史數(shù)據(jù)協(xié)助下，對心理狀態(tài)屬性實(shí)施排列，獲取具有核心屬性的有價值數(shù)據(jù)，用于后續(xù)預(yù)測[5]。FOAD方法的操作流程如下。

(1)在心理預(yù)測數(shù)據(jù)里獲取心理測試數(shù)據(jù)集并實(shí)施清洗，數(shù)據(jù)集里各個參與者樣本存在大量身體癥狀屬性。

(2)約簡多余測試選項(xiàng)，留下核心選項(xiàng)，獲取具有核心屬性的有價值數(shù)據(jù)。

1.1.2 選擇保留選項(xiàng)

量表里某信息屬性的程度通過量表選項(xiàng)決定。選擇某些預(yù)測選項(xiàng)，不可以全部按照選項(xiàng)的樣本數(shù)目來決定，需要分析選項(xiàng)里某屬性程度的意義。所以需要分別留下一個程度顯著、程度不顯著的選項(xiàng)，剩下需保留的選項(xiàng)按照選項(xiàng)間距來決定[6-7]。選項(xiàng)間距是兩種選項(xiàng)具備的程度值之差的絕對值。選項(xiàng)的詳細(xì)選擇過程如下。

(3)把maxyL、maxyR導(dǎo)入選項(xiàng)集合P′里。

(4)在剩下選項(xiàng)里檢索剩下r-2個需要保留的選項(xiàng)。

(5)處理不在選項(xiàng)集合P′中選項(xiàng)。

(6)運(yùn)算此選項(xiàng)和P′里全部選項(xiàng)的最小距離e(i)。

(7)得到e(i)里最大元素導(dǎo)進(jìn)選項(xiàng)集合P′中，讓選項(xiàng)集合P′中預(yù)測元素間距為最大。

在選擇保留選項(xiàng)時，需要分析選項(xiàng)的意義與選項(xiàng)在整個數(shù)據(jù)集里的實(shí)際分布情況，所以留下的選項(xiàng)集必須具備主觀性與客觀性。

綜上所述，選擇保留選項(xiàng)的示意圖如圖1所示。

圖1 選擇保留選項(xiàng)的示意圖

1.1.3 模糊選項(xiàng)約簡

(1)

約簡步驟如下。

(1)設(shè)置P″為P′的補(bǔ)集，P″中具有需要刪除的選項(xiàng)。

(2)將某心理預(yù)測數(shù)據(jù)樣本里必須刪除的選項(xiàng)一一標(biāo)記，標(biāo)記內(nèi)容是此選項(xiàng)相應(yīng)的屬性值是否修改成保留選項(xiàng)。

(3)判斷各個保留的選項(xiàng)對此刪除選項(xiàng)的影響力。

(4)把影響力最大的選項(xiàng)設(shè)成pmax。

(5)運(yùn)算全部保留選項(xiàng)的影響度之和。

(6)標(biāo)記刪除項(xiàng)相應(yīng)屬性修改成pmax之外的選項(xiàng)。

(7)為了實(shí)現(xiàn)全部屬性值均被處理，把刪除選項(xiàng)相應(yīng)的屬性設(shè)成pmax。

(8)修改全部標(biāo)記的需刪除選項(xiàng)，實(shí)現(xiàn)核心屬性提取。

1.2基于隱馬爾科夫模型的心理障礙預(yù)測模型

1.2.1 初始模型建立

基于隱馬爾科夫模型的心理障礙預(yù)測模型建立時，需要設(shè)置隱馬爾科夫模型的核心預(yù)測屬性。詳情如下。

(1)心理專家預(yù)測人們心理障礙時，預(yù)測結(jié)果分別是心理健康B1、心理亞健康B2、心理障礙BM。把此類預(yù)測結(jié)果設(shè)為隱馬爾科夫模型的隱狀態(tài)，隱狀態(tài)集合描述為B={B1,B2,…,BM}，心理狀態(tài)類型數(shù)量是M。

(2)將1.1小節(jié)獲取的心理預(yù)測數(shù)據(jù)中有價值數(shù)據(jù)設(shè)成心理障礙預(yù)測的核心要素，心理障礙預(yù)測的核心要素集描述成C={C1,C2,…,Cm}，要素數(shù)量是m。以核心要素為基礎(chǔ)建立核心要素組合S為式(2)。

S=C1,C2,…,Cm

(2)

其中：

(3)

式中，i=1,2,…,m。S可看作隱馬爾科夫模型的可觀察狀態(tài)。設(shè)定可觀察序列集合是Q={S1,S2,…,Sm}。

(3)心理障礙初始中狀態(tài)轉(zhuǎn)移概率矩陣為式(4)。

(4)

(4)分析心理健康、心理亞健康、心理障礙三類狀態(tài)中每個評測因素的組合S，得到心理障礙狀態(tài)的概率O。

(5)設(shè)置心理障礙初始狀態(tài)概率分布是δ，構(gòu)建隱馬爾科夫初始模型θ=(δ,D,O)。

1.2.2 模型訓(xùn)練

隱馬爾科夫初始模型θ=(δ,D,O)使用Baum-Welch算法優(yōu)化后為θ′=(δ′,D′,O′)。模型參數(shù)的訓(xùn)練優(yōu)化流程如下。

(1)變量導(dǎo)入與融合為式(5)。

μt(i,j)=W(wt=Bi,wt+1=Bj|G,δ)=

(5)

式中，μt(i,j)表示在t時間段心理狀態(tài)Bi變成Bj的概率；φt(i)、φt(j)分別是心理狀態(tài)的前向變量與后向變量；t+1時間段中，心理狀態(tài)預(yù)測序列是Gt+1；wt、wt+1是t時刻、t+1時刻的心理狀態(tài)；ξij、ζj是心理健康狀態(tài)的觀察概率矩陣、狀態(tài)轉(zhuǎn)移概率矩陣。如式(6)。

(6)

式中，ρt(i,j)是隱馬爾科夫模型θ和心理障礙觀察序列W里，t時間段心理狀態(tài)是Bi的概率。

融合成式(7)。

(7)

式中，T代表時間。

(2)心理健康觀察值概率分布的優(yōu)化如式(8)。

(8)

式中，Gt是t時間段心理狀態(tài)觀察序列。

(3)心理狀態(tài)概率分布的優(yōu)化方法如式(9)。

(9)

1.2.3 心理障礙預(yù)測

心理障礙預(yù)測步驟如下。

(1)t=1時，心理狀態(tài)局部概率o1(j)為式(10)。

(10)

(2)t>1時，心理狀態(tài)局部概率為式(11)。

oi+1(j)=maxi{oj(k)ot-1(i)ξij}

(11)

根據(jù)心理狀態(tài)局部概率o1(j)便可實(shí)現(xiàn)心理障礙預(yù)測。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)設(shè)置

在Eclipse平臺中，使用Java語言構(gòu)建本文模型。在測試本文模型應(yīng)用效果時，測試數(shù)據(jù)是某大學(xué)的大學(xué)生心理健康教育和咨詢部門兩年內(nèi)學(xué)生的心理狀態(tài)歷史記錄，隨機(jī)提取5 000條。按照本文模型的設(shè)置，使用隱狀態(tài)集合與可觀察序列集合對心理狀態(tài)歷史數(shù)據(jù)實(shí)施預(yù)測，獲取預(yù)測符號相應(yīng)隱狀態(tài)的記錄。將預(yù)處理后心理狀態(tài)歷史數(shù)據(jù)細(xì)分為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，依次用在模型訓(xùn)練與預(yù)測環(huán)節(jié)中。

2.2 本文模型核心預(yù)測要素提取效果

使用本文模型預(yù)測該校大學(xué)生心理障礙時，所提取有價值數(shù)據(jù)主要分為父母教養(yǎng)模式、重大變故、競爭就業(yè)難、教工素質(zhì)和人際關(guān)系5種。此5種數(shù)據(jù)可作為心理障礙預(yù)測的核心要素。精確率能夠判斷模型對心理狀態(tài)預(yù)測時，核心要素提取結(jié)果的精確度τ1的計算方法為式(12)。

(12)

召回率屬于樣本集里被成功提取的信息比率，召回率τ2計算方法為式(13)。

(13)

其中，hq、gq分別是真陽值、假陽值；gm是真陰值。

在使用本文模型預(yù)測該校大學(xué)生心理障礙時，對心理障礙預(yù)測所用核心要素提取的精確率、召回率如圖2所示。由圖2可知，使用本文模型預(yù)測該校大學(xué)生心理障礙時，對父母教養(yǎng)模式、重大變故、競爭就業(yè)難、教工素質(zhì)和人際關(guān)系5種核心要素提取效果較好。分析圖2(a)可知，對5種核心要素的提取精確率高達(dá)0.98，由圖2(b)可知，召回率的最大值為0.98，均接近于1，表示本文模型對該校大學(xué)生心理狀態(tài)預(yù)測時，核心要素提取結(jié)果的精確度、召回率均滿足應(yīng)用需求。

(a)精確率測試結(jié)果

2.3 本文模型預(yù)測效果

提取核心預(yù)測要素后，該校大學(xué)生心理障礙的實(shí)際情況如圖3所示。

測試本文模型在預(yù)測該校大學(xué)生心理障礙時，對該校大學(xué)生心理障礙的預(yù)測結(jié)果同圖3實(shí)際結(jié)果間的偏差情況，測試本文方法的預(yù)測性能，MSE、MAE的測試結(jié)果如圖4所示。由圖4可知，本文模型對該校大學(xué)生心理健康、心理亞健康和心理障礙三類人群的預(yù)測性能顯著。分析圖4(a)可知，對三類人群預(yù)測的均方誤差最高為0.019，由圖4(b)可知，平均絕對誤差小于0.02。由此驗(yàn)證，本文模型可準(zhǔn)確預(yù)測該校大學(xué)生心理障礙。

圖3 實(shí)際情況

(a)均方誤差

2.4 本文模型應(yīng)用價值測試

選擇以文獻(xiàn)[3]和文獻(xiàn)[4]的模型作為對比模型，測試3種模型在不同樣本數(shù)量下，大學(xué)生心理障礙預(yù)測的預(yù)測精度如表1所示。由表1可知，3種模型對比之下，本文模型預(yù)測結(jié)果和實(shí)際心理障礙人數(shù)具有1人之差，基于文本情感特征的心理評估模型、基于速度與準(zhǔn)確率權(quán)衡的心理測量學(xué)模型預(yù)測結(jié)果和實(shí)際心理障礙人數(shù)存在多個偏差，預(yù)測偏差高于本文模型。對比之下，本文模型應(yīng)用價值最高。

表1 3種模型預(yù)測性能對比結(jié)果

3 總結(jié)

為了處理心理障礙預(yù)測問題，通過參與者心理狀態(tài)預(yù)測的歷史數(shù)據(jù)，構(gòu)建基于歷史驅(qū)動數(shù)據(jù)的心理障礙預(yù)測模型。相對于其他模型，該模型能夠在參與者心理狀態(tài)預(yù)測的歷史數(shù)據(jù)中提取有價值數(shù)據(jù)，去除冗余信息數(shù)據(jù)，這對本文模型的預(yù)測性能存在積極作用。研究結(jié)果表明，本文模型預(yù)測某校大學(xué)生心理障礙時，對父母教養(yǎng)模式、重大變故、競爭就業(yè)難、教工素質(zhì)和人際關(guān)系5種核心要素提取效果較好；對心理健康、心理亞健康和心理障礙三類人群的預(yù)測性能顯著；與基于文本情感特征的心理評估模型、基于速度與準(zhǔn)確率權(quán)衡的心理測量學(xué)模型相比，本文模型預(yù)測精度最高。