基于GA+BP模型的大學(xué)生心理健康自動(dòng)評(píng)級(jí)方法研究

徐 潔，陳永涌，2 ，胡永康

(1.青海師范大學(xué)教育學(xué)院，青海西寧，810016；2.青海師范大學(xué)高原科學(xué)與可持續(xù)發(fā)展研究院，青海西寧，810016；3.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京，100083)

一、引言

2019年，健康中國(guó)行動(dòng)推進(jìn)委員會(huì)發(fā)布了《健康中國(guó)行動(dòng)(2019—2030年)》，指出要以健康為中心，充分利用互聯(lián)網(wǎng)技術(shù)，建立完善的心理防治服務(wù)鏈，力求高效掌握健康狀態(tài)，及時(shí)提供干預(yù)和指導(dǎo)，希冀提升人民群眾生活的幸福感和滿意度，追求身心的共同健康。[1]大學(xué)生是國(guó)家和民族的青年一代，其是否具備健康的身心體魄，既關(guān)乎自身的發(fā)展與成長(zhǎng)，也關(guān)乎國(guó)家的富強(qiáng)與繁榮。對(duì)青少年來(lái)說(shuō)，大學(xué)階段是他們成長(zhǎng)過(guò)程中從“非獨(dú)立的人”成長(zhǎng)為“獨(dú)立的人”的重要轉(zhuǎn)折期，他們需要在短時(shí)間內(nèi)學(xué)會(huì)自理、自制、自覺(jué)。難以跳出固定模式的大學(xué)新生容易出現(xiàn)各種心理狀況，恐懼、抑郁、焦慮等情緒問(wèn)題是其較為常見(jiàn)的心理健康問(wèn)題。[2-3]

為預(yù)防大學(xué)生心理危機(jī)事件的發(fā)生，提高大學(xué)生的心理健康素質(zhì)，各高?；緯?huì)在新生入學(xué)后的第一個(gè)學(xué)期進(jìn)行心理普查，經(jīng)過(guò)“培訓(xùn)準(zhǔn)備—心理測(cè)試—數(shù)據(jù)分析—約談篩選—心理咨詢”五個(gè)程序。其中，心理測(cè)試和數(shù)據(jù)分析環(huán)節(jié)的工作最耗時(shí)、耗力。若不能及時(shí)篩查出有心理危機(jī)的學(xué)生，將直接延誤心理咨詢的最佳時(shí)期。因此，時(shí)效性和準(zhǔn)確性一直是心理健康測(cè)評(píng)面臨的挑戰(zhàn)。[4]

在人工智能時(shí)代，機(jī)器學(xué)習(xí)引起了人們的關(guān)注。通過(guò)對(duì)大量已有數(shù)據(jù)的特征學(xué)習(xí)、數(shù)據(jù)間聯(lián)系的分析、網(wǎng)絡(luò)模型的建立，從而在真實(shí)的數(shù)據(jù)上得到良好的預(yù)測(cè)效果[5]，使機(jī)器學(xué)習(xí)成為預(yù)測(cè)界經(jīng)典統(tǒng)計(jì)模型的有力競(jìng)爭(zhēng)者。BP神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的方式之一，能利用現(xiàn)有的數(shù)據(jù)找出輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的近似關(guān)系并進(jìn)行仿真，從而根據(jù)數(shù)據(jù)的變化特點(diǎn)做到提前預(yù)測(cè)。BP算法的運(yùn)行速度快、自學(xué)習(xí)能力強(qiáng)，實(shí)時(shí)處理效率高，在心理健康測(cè)評(píng)領(lǐng)域展現(xiàn)了很大的發(fā)展?jié)摿ΑＨ欢?，BP算法也存在一些局限性，如學(xué)習(xí)速度慢、訓(xùn)練時(shí)間長(zhǎng)、穩(wěn)定性較差等。因此，BP算法常與其他算法結(jié)合起來(lái)使用，以彌補(bǔ)單個(gè)算法的不足。GA算法在宏觀搜索和全局優(yōu)化方面有著良好的表現(xiàn)[6]，GA算法與BP算法相結(jié)合在一定程度上可以增強(qiáng)高效的全局優(yōu)化的能力，提高網(wǎng)絡(luò)模型的穩(wěn)定性。對(duì)此，本研究利用GA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，使神經(jīng)網(wǎng)絡(luò)在檢驗(yàn)和分析大學(xué)生心理普查的數(shù)據(jù)方面形成自學(xué)能力，解決傳統(tǒng)心理健康普查過(guò)程中出現(xiàn)的時(shí)效性和準(zhǔn)確性低的問(wèn)題，構(gòu)建基于GA+BP的大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型。通過(guò)對(duì)大學(xué)生心理健康水平的自動(dòng)評(píng)級(jí)，心理健康測(cè)評(píng)能減少數(shù)據(jù)分析過(guò)程中因主觀意志而出現(xiàn)的不確定性，節(jié)約傳統(tǒng)數(shù)據(jù)處理的人力資源和時(shí)間成本，提高數(shù)據(jù)篩查的速度和效率，為大學(xué)生提供及時(shí)的心理援助服務(wù)。

二、GA+BP網(wǎng)絡(luò)模型的概述

(一)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)算法中一種經(jīng)典的多層感知機(jī)模型，也是一種有監(jiān)督學(xué)習(xí)模型和簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)模型，其模型結(jié)構(gòu)如圖1所示。在BP模型結(jié)構(gòu)中，x是輸入值，y是輸出值，i是輸入層神經(jīng)元，h是隱藏層神經(jīng)元，o是輸出層神經(jīng)元，w是每?jī)蓚€(gè)神經(jīng)元之間的權(quán)重，b是當(dāng)前神經(jīng)元的偏置。

BP模型的輸出結(jié)果采用前向傳播，即輸入一個(gè)樣本后，通過(guò)計(jì)算得到每個(gè)神經(jīng)元的輸出值；每個(gè)神經(jīng)元的計(jì)算方式相同，輸出值都是由其輸入的線性組合得到。[7]BP模型可以通過(guò)自學(xué)習(xí)使輸出值和真實(shí)值盡可能地保持一致，輸出值和真實(shí)值兩者的誤差越小，說(shuō)明結(jié)果越好。該算法通過(guò)采用梯度下降算法計(jì)算誤差，并通過(guò)反向傳播算法反向調(diào)整每個(gè)神經(jīng)元的權(quán)重和偏置，最終得到模型的最優(yōu)結(jié)果。

(二)GA算法

GA算法即遺傳算法，最早是由美國(guó)的John Holland于20世紀(jì)70年代提出。[8]該算法借鑒了生物演變進(jìn)化的理念，讓數(shù)據(jù)從初始隨機(jī)混沌的狀態(tài)根據(jù)一定的規(guī)則、進(jìn)化演變成合理解。經(jīng)過(guò)幾次“選擇—交叉—變異”的重復(fù)操作迭代后，適應(yīng)度高的個(gè)體產(chǎn)生下一代，適應(yīng)度低的個(gè)體被逐步淘汰，這種類(lèi)似自然界中的優(yōu)勝劣汰法則的算法便是GA算法。隨著計(jì)算機(jī)能力的發(fā)展和實(shí)際應(yīng)用需求的增多，GA算法因其智能尋優(yōu)能力、自適應(yīng)能力、并行計(jì)算等特點(diǎn)被廣泛運(yùn)用于許多領(lǐng)域，且逐漸進(jìn)入實(shí)際應(yīng)用階段。

(三)基于GA+BP網(wǎng)絡(luò)的模型設(shè)計(jì)

BP模型存在一定的局限性，如容易陷入局部最優(yōu)解而得不到全局最優(yōu)解，訓(xùn)練時(shí)間較長(zhǎng)、學(xué)習(xí)效率低、收斂速度慢，隱藏層神經(jīng)元數(shù)目無(wú)法通過(guò)現(xiàn)有的理論指導(dǎo)確定，學(xué)習(xí)新樣本時(shí)會(huì)遺忘舊樣本等。[9]將BP模型與GA算法結(jié)合使用，在一定程度上可以增強(qiáng)模型的整體智能尋優(yōu)能力和自適應(yīng)能力，提高網(wǎng)絡(luò)模型的穩(wěn)定性，增強(qiáng)高效的全局優(yōu)化的能力?；贕A+BP網(wǎng)絡(luò)的模型設(shè)計(jì)流程如圖2所示。

三、基于GA+BP的大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型的應(yīng)用

(一)研究對(duì)象

本研究以青海某高校2021級(jí)大學(xué)生為被試，以班級(jí)整群抽樣的方法，組織學(xué)生在多媒體教室掃描問(wèn)卷星二維碼的方式進(jìn)行數(shù)據(jù)的收集。本研究總計(jì)回收了3401份數(shù)據(jù)，剔除無(wú)效數(shù)據(jù)304份，實(shí)際回收有效數(shù)據(jù)3097份，有效回收率為91%。在研究對(duì)象開(kāi)始填寫(xiě)問(wèn)卷前，研究者會(huì)用統(tǒng)一的指導(dǎo)語(yǔ)說(shuō)明本次心理健康調(diào)查的目的和意義，告知自愿制度和保密制度，在征得測(cè)查對(duì)象的同意后組織班級(jí)統(tǒng)一施測(cè)。

(二)調(diào)查工具

1.基本情況調(diào)查問(wèn)卷

本研究采用自編的基本情況問(wèn)卷，收集該校2021級(jí)大學(xué)生的基本背景資料，包括被試的學(xué)號(hào)、性別、年齡、民族、專(zhuān)業(yè)等基本內(nèi)容?；颈尘百Y料的收集主要是方便心理普查后的數(shù)據(jù)分析，以及對(duì)有心理危機(jī)學(xué)生進(jìn)行定向追蹤。

2.癥狀自評(píng)量表(SCL-90)

本研究采用的癥狀自評(píng)量表，是最著名、應(yīng)用最廣泛的心理健康測(cè)量量表之一。[10]該量表共有90個(gè)項(xiàng)目，以近一周的實(shí)際感受為評(píng)分依據(jù)，從日常生活、情緒變化到思維意識(shí)等方面綜合評(píng)估個(gè)體近期的精神狀態(tài)。SCL-90每個(gè)項(xiàng)目都是5級(jí)評(píng)分(1=“無(wú)”—5=“嚴(yán)重”)，結(jié)果可以劃分為10個(gè)因子，能清晰地顯示個(gè)人有無(wú)心理癥狀及心理癥狀的嚴(yán)重程度。本研究中，SCL-90的Cronbach’s α為 0.954。

(三)數(shù)據(jù)預(yù)處理

1.數(shù)據(jù)特征提取

本研究主要根據(jù)SCL-90的測(cè)查結(jié)果進(jìn)行特征學(xué)習(xí)和預(yù)測(cè)，因而先要將基本情況問(wèn)卷中的無(wú)關(guān)數(shù)據(jù)清除，把10個(gè)因子的數(shù)據(jù)提取出來(lái)，包括F1：軀體化，F(xiàn)2：強(qiáng)迫，F(xiàn)3：人際關(guān)系，F(xiàn)4：抑郁，F(xiàn)5：焦慮，F(xiàn)6：敵對(duì)，F(xiàn)7：恐怖，F(xiàn)8：偏執(zhí)，F(xiàn)9：精神病性，F(xiàn)10：睡眠、飲食。然后，研究者對(duì)量表總分和各因子項(xiàng)目總分做均分處理，以反映個(gè)體心理健康水平所處的級(jí)別位置。最后，研究者給均分定級(jí)，如表1所示。

表1 90項(xiàng)癥狀自評(píng)量表項(xiàng)目均分評(píng)級(jí)標(biāo)準(zhǔn)

2.數(shù)據(jù)歸一化處理

因本研究采集的原始數(shù)據(jù)分布差異較大、維度較多，但為減少分布差異與維度對(duì)實(shí)驗(yàn)結(jié)果帶來(lái)的影響，研究者將采用均值歸一法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，將數(shù)據(jù)縮放到[-1，1]區(qū)間范圍內(nèi)，公式如下。

(1)

式中，xi表示每個(gè)樣本數(shù)據(jù)值，mean(x)表示原始數(shù)據(jù)的均值，σ表示原始數(shù)據(jù)的方差，yi表示輸出值。

3.基于GA+BP的模型構(gòu)建

本研究以Python語(yǔ)言為基礎(chǔ)，使用Pycharm編程工具，并利用tensorflow和Scikit-learn等框架進(jìn)行構(gòu)建模型。具體的軟硬件實(shí)驗(yàn)環(huán)境如表2所示。

表2 軟硬件實(shí)驗(yàn)環(huán)境配置

由于本研究的數(shù)據(jù)集多為浮點(diǎn)數(shù)，對(duì)預(yù)測(cè)的精確度要求較高，因此，為了降低計(jì)算量和算法的時(shí)間復(fù)雜度，研究者采用浮點(diǎn)數(shù)編碼，即以實(shí)數(shù)表示種群中的各個(gè)體，并設(shè)定初始權(quán)重為區(qū)間[-1，1]內(nèi)的隨機(jī)浮點(diǎn)數(shù)。種群數(shù)量設(shè)置為100，選擇算子采用輪盤(pán)賭算法，交叉算子采用單點(diǎn)交叉法，且交叉率設(shè)置為0.5，變異算子采用實(shí)數(shù)突變法，且變異率設(shè)置為0.1，迭代次數(shù)為30代。

同時(shí)，BP模型設(shè)置輸入層10個(gè)神經(jīng)元，隱藏層為一層，共32個(gè)神經(jīng)元，激活函數(shù)參數(shù)為relu函數(shù)，輸出層為5個(gè)神經(jīng)元，設(shè)置alpha參數(shù)為0.01，學(xué)習(xí)率設(shè)置為0.01，設(shè)置最大迭代次數(shù)為3000次。為防止實(shí)驗(yàn)結(jié)果產(chǎn)生過(guò)擬合現(xiàn)象，BP模型設(shè)置dropout參數(shù)為0.3。

四、實(shí)驗(yàn)結(jié)果

(一)實(shí)驗(yàn)數(shù)據(jù)集結(jié)果

在收集的3097份數(shù)據(jù)中，心理健康水平正常、輕度、中度、偏重和嚴(yán)重的檢出人數(shù)分別為1898人、1023人、150人、17人、9人。可能有心理危機(jī)的大學(xué)生共占38.71%，說(shuō)明大學(xué)生心理健康整體狀況不太樂(lè)觀。由SCL-90的調(diào)查結(jié)果可知，大學(xué)生心理健康問(wèn)題主要集中在強(qiáng)迫、人際關(guān)系和抑郁等維度，具體分布情況如圖3所示。這與前人的調(diào)查結(jié)果比較一致。[11]

全新的人際關(guān)系、生活環(huán)境、學(xué)習(xí)模式和自我認(rèn)知等[12]，容易使一些適應(yīng)不良的大學(xué)新生成為心理健康問(wèn)題的感染群體。及時(shí)進(jìn)行心理干預(yù)，預(yù)防心理危機(jī)事件的發(fā)生，也是大學(xué)新生開(kāi)展心理健康普查的根本目的。

(二)實(shí)驗(yàn)?zāi)Ｐ徒Y(jié)果

根據(jù)已獲得的3097份數(shù)據(jù)和構(gòu)建的心理健康評(píng)級(jí)標(biāo)準(zhǔn)表，在大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型的基礎(chǔ)上，本研究采用5折交叉驗(yàn)證法進(jìn)行模型訓(xùn)練，即每次驗(yàn)證將數(shù)據(jù)集劃分為80%的訓(xùn)練集數(shù)據(jù)和20%的測(cè)試集數(shù)據(jù)，并選取訓(xùn)練結(jié)果較不理想的一組進(jìn)行實(shí)驗(yàn)結(jié)果分析。訓(xùn)練周期與損失值之間的關(guān)系如圖4所示。

由圖4可知，隨著訓(xùn)練迭代次數(shù)的增加，該模型的訓(xùn)練集與測(cè)試集的損失值在降低，測(cè)試集的損失值略低于訓(xùn)練集。在500次迭代訓(xùn)練后，訓(xùn)練集和測(cè)試集的損失值都趨于平穩(wěn)，且整體收斂效果較好。

為了能夠看出訓(xùn)練集的心理健康水平等級(jí)的分類(lèi)效果，本研究利用ROC曲線和AUC指標(biāo)分別對(duì)訓(xùn)練集和測(cè)試集的五種評(píng)級(jí)標(biāo)準(zhǔn)的分類(lèi)效果進(jìn)行分析。其中，當(dāng)AUC≤0.5時(shí)，表示模型訓(xùn)練分類(lèi)效果較差；當(dāng)0.5

由圖5可知，心理健康水平的五種等級(jí)中評(píng)級(jí)A(正常)的AUC值最高(為0.9587)，說(shuō)明該模型在訓(xùn)練集中識(shí)別正常級(jí)別的心理健康效果最好；而評(píng)級(jí)D(偏重)的AUC值最低(為0.6294)，說(shuō)明該模型在訓(xùn)練集中識(shí)別偏重級(jí)別的心理健康效果最差。平均ROC曲線的AUC值達(dá)到了0.8235，說(shuō)明該模型在訓(xùn)練集中的表現(xiàn)整體效果較好。

由圖6可知，心理健康水平的五種等級(jí)中評(píng)級(jí)A(正常)的AUC值最高(為0.9815)，說(shuō)明該模型在測(cè)試集中識(shí)別正常級(jí)別的心理健康效果最好；而評(píng)級(jí)D(偏重)的AUC值最低(為0.5000)，說(shuō)明該模型在測(cè)試集中識(shí)別偏重級(jí)別的心理健康效果最差。平均ROC曲線的AUC值達(dá)到了0.8648，說(shuō)明該模型在測(cè)試集中的表現(xiàn)整體效果很好。

比較圖5和圖6可知，該模型在測(cè)試集中的平均ROC曲線的AUC值高于在訓(xùn)練集中的平均ROC曲線的AUC值，且兩者的AUC值都較高，說(shuō)明該模型在測(cè)試集上的表現(xiàn)略好于訓(xùn)練集，反映了該模型針對(duì)心理健康水平數(shù)據(jù)集的等級(jí)分類(lèi)問(wèn)題取得了很好的效果。另外，該模型在識(shí)別心理健康水平A(正常)、B(輕度)、C(中度)級(jí)別的效果較好，在識(shí)別心理健康水平D(偏重)、E(嚴(yán)重)級(jí)別的效果略差。大部分大學(xué)生心理健康水平是正常的，檢出心理異常的學(xué)生主要集中在輕度水平，心理狀況偏重和嚴(yán)重的學(xué)生只占總?cè)藬?shù)的0.84%，因此，數(shù)據(jù)量過(guò)少是影響該模型識(shí)別心理健康偏重和嚴(yán)重級(jí)別效果的重要因素。

為了更客觀地觀察該模型在本研究的評(píng)級(jí)效果，研究者將測(cè)試集中數(shù)據(jù)的真實(shí)值和該模型所預(yù)測(cè)的預(yù)測(cè)值進(jìn)行比較和檢驗(yàn)。因本研究中測(cè)試數(shù)據(jù)量較大，不方便全部對(duì)比顯示，所以研究者從測(cè)試集的首尾各選取15組數(shù)據(jù)，共30個(gè)數(shù)據(jù)對(duì)比繪制成表格。

由表3可知，在測(cè)試集的30個(gè)數(shù)據(jù)中，只有5個(gè)預(yù)測(cè)值與真實(shí)值不符，表示該模型的心理健康水平預(yù)測(cè)效果良好。

為了進(jìn)一步檢驗(yàn)基于GA+BP的大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型的性能，研究者選擇傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)與基于GA+BP構(gòu)建的大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型進(jìn)行對(duì)比實(shí)驗(yàn)，使其參數(shù)、迭代次數(shù)、神經(jīng)元個(gè)數(shù)、層數(shù)等設(shè)置與GA+BP模型保持一致，最后比較兩種模型在Accuracy、Precision、Recall與F1四個(gè)指標(biāo)上的差異，對(duì)比結(jié)果如表4所示。

表4 模型實(shí)驗(yàn)結(jié)果對(duì)比

由表4可知，相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，GA+BP模型在預(yù)測(cè)大學(xué)生心理健康水平的精確率、準(zhǔn)確率、召回率和F1值方面分別提升了1.78%、2.51%、1.78%和2.17%。這說(shuō)明了GA+BP模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的收斂速度更快，準(zhǔn)確率更高，驗(yàn)證了基于GA+BP的大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型的可行性。

五、結(jié)語(yǔ)

通過(guò)心理普測(cè)篩查有心理危機(jī)的學(xué)生是一項(xiàng)重要手段。然而，大部分高校的大學(xué)生心理健康測(cè)評(píng)方式比較傳統(tǒng)，形式單一、效率低下，其科學(xué)性、時(shí)效性和個(gè)性化存在一些質(zhì)疑和挑戰(zhàn)。[13-14]隨著人工智能技術(shù)的發(fā)展，心理健康研究和計(jì)算機(jī)技術(shù)不斷結(jié)合。從建立心理健康教育網(wǎng)站到完善心理評(píng)測(cè)系統(tǒng)，計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)在心理健康領(lǐng)域發(fā)揮著越來(lái)越重要的作用，智能化的心理測(cè)評(píng)手段應(yīng)運(yùn)而生。[15]本文提出的基于GA+BP的大學(xué)生心理健康自動(dòng)評(píng)級(jí)模型，作為一種輔助手段，彌補(bǔ)了一些傳統(tǒng)測(cè)評(píng)的不足之處，對(duì)大學(xué)生心理健康水平有較好的預(yù)測(cè)效果，能夠在實(shí)際的心理測(cè)評(píng)中發(fā)揮有效的助力作用。