基于多維度特征的大學(xué)生心理健康狀態(tài)評估*

蔡婉君 姚 俊

(1漳州職業(yè)技術(shù)學(xué)院心理健康咨詢科；2漳州職業(yè)技術(shù)學(xué)院智能制造學(xué)院福建漳州 363000)

隨著開放性信息的不斷增加，大學(xué)生為了更好地適應(yīng)社會發(fā)展，需要接受越來越多的知識，在就業(yè)、情感、生活等多方面問題的共同影響下，高校大學(xué)生產(chǎn)生越來越大的心理壓力[1]。這種心理壓力長期得不到解決時，會導(dǎo)致大學(xué)生心理健康問題出現(xiàn)頻率越來越高，甚至影響校園生活的穩(wěn)定性[2]。根據(jù)大學(xué)生心理健康狀態(tài)評估結(jié)果，建立具有針對性的干預(yù)措施，有利于保證大學(xué)生擁有良好的學(xué)習(xí)心態(tài)。近年來，研究人員提出多種大學(xué)生心理健康狀態(tài)評價方法，但評估方法的實際應(yīng)用效果并不理想。

文獻[3]在深度學(xué)習(xí)技術(shù)的作用下，引入生態(tài)瞬時評估理念，形成一種自動評估策略。根據(jù)多模態(tài)數(shù)據(jù)融合結(jié)果，準確評估大學(xué)生心理健康狀況。但是，該方法的評估結(jié)果誤差較大。文獻[4]深入分析詞語的情感極性、詞性，提取文本詞語情感特征，將特征向量輸入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)，得到心理評估結(jié)果。實驗結(jié)果表明，該方法的實時性較差。文獻[5]采用文獻分析、專家訪談兩種方式，獲取心理健康評估標準。通過Delphi法分析心理健康指標，并計算每項指標的權(quán)重值，形成心理健康狀態(tài)評估模型。但是，該方法評估結(jié)果準確率較低。

文中引入多維度特征理念，結(jié)合局部線性嵌入算法和支持向量機算法，設(shè)計一種新的評估方法，了解大學(xué)生心理健康狀態(tài)。經(jīng)過實驗驗證可知，應(yīng)用文中提出方法進行大學(xué)生心理健康狀態(tài)評估，可以降低評估結(jié)果的均方誤差。

1大學(xué)生心理健康狀態(tài)評估

1.1構(gòu)造心理狀態(tài)感知數(shù)據(jù)特征維度

針對大學(xué)生心理狀態(tài)感知數(shù)據(jù)，進行特征維度分析時，包括特征維度構(gòu)造、特征維度選擇兩個環(huán)節(jié)。文中引入信息熵概念評估感知數(shù)據(jù)的有序性[6]，計算大學(xué)生行為的規(guī)律性，根據(jù)行為規(guī)律性，構(gòu)造心理狀態(tài)感知數(shù)據(jù)特征維度。以大學(xué)生常見的焦慮行為為例，當分析大學(xué)生焦慮的規(guī)律性時，需要先劃分焦慮行為的次數(shù)區(qū)間，明確每天的焦慮次數(shù)屬于哪一區(qū)間，并計算該區(qū)間的對應(yīng)次數(shù)分布，最終得到區(qū)間對應(yīng)概率：

(1)

式(1)中，i表示區(qū)間，n表示區(qū)間劃分數(shù)量，s表示每天的焦慮次數(shù)，ci表示區(qū)間的對應(yīng)次數(shù)分布，bi表示區(qū)間對應(yīng)的概率?；诠?1)，可以將大學(xué)生焦慮規(guī)律性計算公式表示為：

(2)

式(2)中，R表示焦慮規(guī)律性。其他維度特征的計算，也采用上述區(qū)間概率方法，統(tǒng)計某一數(shù)據(jù)特征維度出現(xiàn)頻率最高的區(qū)間，并對照該區(qū)間所屬的次數(shù)階段，保留屬于高次數(shù)階段分區(qū)的特征維度，最終完成心理狀態(tài)感知數(shù)據(jù)特征維度的構(gòu)造。

考慮到部分特征維度對大學(xué)生心理健康狀態(tài)評估影響不大，且會導(dǎo)致計算復(fù)雜度提升。因此，文中運用遺傳算法的自適應(yīng)性迭代能力[7]，按照圖1所示的運算模式進行數(shù)據(jù)特征選擇。

圖1 遺傳算法選擇示意圖

通過特征維度構(gòu)造與選擇，保留有利于大學(xué)生心理健康評估的多維度特征，作為后續(xù)評估分析的基礎(chǔ)。

1.2建立心理健康評估指標體系

參考常規(guī)模式心理健康癥狀自評量表，結(jié)合上述特征維度構(gòu)造方法，最終得到屬于偏執(zhí)、敵對、強迫癥狀等多維度特征的評估指標，搭建大學(xué)生心理健康評估指標體系[8]。評估指標體系建立過程中，指標權(quán)重計算過程如下所示：

首先，參考專家評價意見，建立1-9的標度測定方法，分別比較每個指標元素和關(guān)聯(lián)元素，構(gòu)建判斷矩陣，則矩陣特征根求解公式可以表示為：

Aw=?maxw

(3)

式(3)中，A表示判斷矩陣，w表示指標權(quán)重，?max表示最大特征根。

對特征根求解結(jié)果進行歸一化處理，明確元素重要程度，得到元素權(quán)重排序結(jié)果。再利用一致性檢驗公式進一步校正矩陣元素值：

(4)

其中：

(5)

式(4)和式(5)中，I表示一致性指標，m表示判斷矩陣維數(shù)，C表示隨機一致性指標，O表示一致性比率。

通過上述計算，明確大學(xué)生心理健康評估指標的權(quán)重值，根據(jù)指標權(quán)重對所有指標進行排序，并剔除權(quán)重過低的評估指標，生成滿足一致性檢驗要求的評估指標體系。

1.3設(shè)計評價模型

基于上述心理健康評估指標體系，文中運用局部線性嵌入算法和支持向量機算法，建立基于多維度特征的評價模型，考慮到部分特征數(shù)據(jù)具有多層次特點[9]，將狀態(tài)評估問題看作非線性分類問題，將多維度特征數(shù)據(jù)輸入評價模型，輸出健康、不健康和輕度不健康三種健康狀態(tài)評價結(jié)果，模型具體結(jié)構(gòu)如圖2所示。

圖2 基于多維度特征的心理健康狀態(tài)評價模型

圖2顯示，LLE-SVM模型是局部線性嵌入算法與支持向量機算法的結(jié)合體。其中，LLE算法的應(yīng)用是為了降低特征數(shù)據(jù)維度。選取某樣本點作為目標點，眾多相鄰樣本點形成鄰域。數(shù)據(jù)降維處理時，建立局部重構(gòu)權(quán)值矩陣，以及鄰域線性重構(gòu)矩陣，得到最小化重構(gòu)誤差函數(shù)：

(6)

式(6)中，η表示最小化重構(gòu)誤差函數(shù)，v表示權(quán)值矩陣，θ表示高維空間樣本點集合，a表示高維空間樣本點，x表示樣本數(shù)據(jù)，K表示鄰域樣本點集合，j表示鄰域樣本點。權(quán)值矩陣的單個元素，滿足如下所示約束條件：

(7)

權(quán)值矩陣保持不變的基礎(chǔ)上，通過最小化加權(quán)誤差函數(shù)，實現(xiàn)低維空間樣本數(shù)據(jù)嵌入：

ηa(v)=Majya2ya

(8)

式(8)中，M表示加權(quán)矩陣，y表示嵌入樣本數(shù)據(jù)。使用非稀疏對角化處理后的加權(quán)矩陣，剔除初始值為0的特征向量，并計算出嵌入維度數(shù)據(jù)的特征向量，從而得到降維后的數(shù)據(jù)樣本集。將降維后的數(shù)據(jù)輸入支持向量集內(nèi)，引入統(tǒng)計學(xué)習(xí)理論，通過核函數(shù)對大學(xué)生心理健康狀態(tài)感知多維度特征數(shù)據(jù)進行分析，輸出對應(yīng)的心理健康狀態(tài)類別。

1.4獲取心理健康評估結(jié)果

根據(jù)心理健康狀態(tài)評估指標體系和評價結(jié)果，設(shè)置主因素層指標集、權(quán)重集、評估結(jié)果集，建立針對評估結(jié)果集的模糊評估矩陣：

(9)

式(9)中，l表示主因素，T表示模糊評估矩陣，β表示子評估因素內(nèi)指標數(shù)量，α表示評語數(shù)量，r表示指標對評語的隸屬度，通常表現(xiàn)為單因子形式[10]。

通過模糊運算方法，構(gòu)建指標模糊評估矩陣，得到主因素層指標評估結(jié)果的隸屬向量：

(10)

(11)

在二次模糊評估矩陣內(nèi)，添加模糊矩陣運算公式，調(diào)配二次評價結(jié)果，明確目標層指標評估結(jié)果的隸屬向量。歸一化處理結(jié)束后，建立如下所示模糊綜合評價模型：

(12)

依據(jù)最大隸屬原則，在模糊綜合評價結(jié)果中，按照最大隸屬度原則，選定最終心理健康評估結(jié)果：

(13)

式(13)中，δ表示大學(xué)生心理健康評估結(jié)果，f′表示模糊綜合評估結(jié)果隸屬向量。通過上述運算，完成大學(xué)生心理健康的準確評估。

2實驗

2.1數(shù)據(jù)準備

以某高校2021年入學(xué)的495名大學(xué)生為研究對象，采集大學(xué)生心理健康癥狀自評測量表數(shù)據(jù)，作為健康狀態(tài)評估的數(shù)據(jù)基礎(chǔ)。按照多維度指標，對特征數(shù)據(jù)進行劃分，形成一維列向量。同時，為了便于描述評估結(jié)果，該實驗將大學(xué)生心理健康狀態(tài)劃分為不健康、輕度不健康、健康三種狀態(tài)，數(shù)據(jù)樣本的具體分布情況如表1所示。

表1 訓(xùn)練與測試樣本分布情況

在多維度特征環(huán)境下，為了驗證文中設(shè)計心理健康評估體系的一致性，針對精神性疾病、偏執(zhí)等9個維度特征所屬的評估指標，進行一致性判斷，得到圖3所示的判定結(jié)果。

圖3 一致性判定結(jié)果

根據(jù)圖3所示的一致性判定結(jié)果可知，所有特征維度的一致性判定結(jié)果均低于0.05，滿足一致性檢驗要求，表明基于上述9個維度特征建立的大學(xué)生心理健康指標體系，可以作為健康評估的依據(jù)。

2.2設(shè)置模型參數(shù)

基于多維度特征的心理健康狀態(tài)評價模型，主要涉及近鄰參數(shù)Q、嵌入維數(shù)u?？紤]到該實驗的特征維度為9，則嵌入維數(shù)的取值可以為2、3、4、5、6、7、8，近鄰參數(shù)的取值可以為3、4、5、6、7、8。將支持向量機的懲罰參數(shù)和徑向基核函數(shù)參數(shù)，分別設(shè)置為5、0.2。在此基礎(chǔ)上，分析不同近鄰參數(shù)與嵌入維數(shù)取值條件下，大學(xué)生心理健康狀態(tài)評價結(jié)果的準確率，得到表2所示的統(tǒng)計結(jié)果。

表2 不同近鄰參數(shù)Q與嵌入維數(shù)u取值的準確率(%)

根據(jù)表2可知，當近鄰參數(shù)取值為7，嵌入維數(shù)取值為4時，大學(xué)生心理健康狀態(tài)評估結(jié)果的準確率達到了97.9%，表明此時參數(shù)取值最優(yōu)。

2.3評估性能分析

采用文中提出的評估方法，分析大學(xué)生心理健康狀態(tài)，每個特征維度的評估結(jié)果可以表示為圖4。

圖4 基于多維度特征的大學(xué)生心理健康狀態(tài)評估結(jié)果

從圖4可以看出，從焦慮、抑郁、強迫癥狀3個特征維度來看，大學(xué)生心理狀態(tài)評估結(jié)果為輕度不健康，而其余特征維度的評估結(jié)果顯示，大學(xué)生心理屬于健康狀態(tài)，說明該校大學(xué)生心理健康總體情況較好，也表明了所提出評估方法可以直觀描述大學(xué)生心理健康狀態(tài)。

此外，為了證明文中所提評估方法具有優(yōu)越的性能，分別采用基于決策樹的評估方法、基于前饋神經(jīng)網(wǎng)絡(luò)的評估方法，同文中設(shè)計方法一起，針對數(shù)據(jù)準備階段選取的45個測試樣本進行評估，得到圖5所示的大學(xué)生心理健康狀態(tài)評估結(jié)果。

(a)文中設(shè)計評估方法

(b)基于決策樹的評估方法

(c)基于前饋神經(jīng)網(wǎng)絡(luò)的評估方法

圖5中，實際狀態(tài)編號與評估狀態(tài)編號相同時，表明大學(xué)生心理健康狀態(tài)評估結(jié)果正確。根據(jù)圖5(a)可知，應(yīng)用文中提出方法得到的評估結(jié)果中，有3個樣本評估錯誤。而其他兩種方法的評估結(jié)果顯示，評估錯誤的樣本數(shù)量分別為8個、10個。對比不同方法的評估結(jié)果可知，文中所提方法可以更加準確地表示大學(xué)生心理健康狀態(tài)。

為了避免實驗結(jié)果不穩(wěn)定，在同樣的實驗要求下，設(shè)置每種方法運行30次，計算每次運行的評估結(jié)果，獲取不同評估方法的均方誤差。均方誤差計算公式可以表示為：

(14)

圖6 不同方法評估結(jié)果的均方誤差對比

從圖6可以看出，對大學(xué)生進行心理狀態(tài)評估時，輕微不健康心理狀態(tài)容易混淆，導(dǎo)致三種評估方法對該狀態(tài)的評估均方誤差最大。整體來看，文中設(shè)計方法評估結(jié)果的均方誤差為0.02，相比基于決策樹、基于前饋神經(jīng)網(wǎng)絡(luò)的評估方法，使得評估結(jié)果均方誤差降低了11%、17%。綜上所述，依托于多維度特征，對大學(xué)生心理健康狀態(tài)進行評估，可以得到更加準確的評價結(jié)果。

3結(jié)束語

由于近年來大學(xué)生心理問題頻發(fā)，為了輔助高校開展有效的心理教育，文中提出一種新的心理健康狀態(tài)評估方法。通過局部線性嵌入算法和支持向量機算法，建立以多維度特征為核心的評估模型，再結(jié)合綜合模糊評價方法，得到最終心理健康狀態(tài)評估結(jié)果。根據(jù)實驗結(jié)果可知，所提方法與傳統(tǒng)方法相比，得到的評估結(jié)果更加真實。