基于機器學習的大學生自殺風險預測與分析

丁楠

摘 要： 針對當前大學生自殺風險預測方法的預測誤差大，精度低等問題，提出基于機器學習的大學生自殺風險預測與分析方法。首先采集大學生自殺風險的影響因素，并結合樣本熵對大學生自殺風險的影響因素子序列進行復雜度分析，根據熵值進行歸類疊加處理；然后利用交叉驗證理論和重構相空間理論建立大學生自殺因素間的相關系數矩陣；最后結合支持向量機理論確定大學生自殺風險預測的決策函數，以此為依據組建大學生自殺風險預測模型。結果表明，該方法的大學生自殺風險分析預測精度高，實用性較強，可以為積極開展自殺預防與危機干預提供重要的理論依據。

關鍵詞： 機器學習； 大學生自殺風險； 預測方法； 結果分析

中圖分類號： TN911.1?34； B849 文獻標識碼： A 文章編號： 1004?373X（2017）21?0091?03

Prediction and analysis of college student suicide risk based on machine learning

DING Nan

（Luoyang Institute of Science and Technology， Luoyang 471023， China）

Abstract： The available prediction methods of college student suicide risk has large prediction error and low prediction accuracy， therefore， a college student suicide risk prediction and analysis method based on machine learning is put forward. The factors influencing the college student suicide risk are acquired. The sample entropy is combined to analyze the subsequence of the factors influencing the college student suicide risk to perform the complexity analysis， according to which， the factors are classified and superimposed. The cross?validation theory and phase?space reconstruction theory are used to establish the correlation coefficient matrix for the suicide factors of college student， and combined with the support vector machine theory to determine the decision function of college student suicide risk prediction. According to the decision function， the prediction model of college student suicide risk is established. The experimental results show that the proposed method has high analysis and prediction accuracy for college student suicide risk， strong practicability， and can provide the important theory basis for the active development of the suicide prevention and crisis intervention.

Keywords： machine learning； college student suicide risk； prediction method； result analysis

0 引 言

近年來，隨著高等院校的招生就業以及對教育、教學管理體制不斷的深化和改革，導致大學生在接受良好的教育資源的同時，也承受著越來越大的學業、經濟、人際、情感的壓力以及困擾，使得大學生逐漸產生了不同程度的心理危機，造成大學生自殺事件頻現[1?2]。由于大學生自殺事件對社會、學校、家庭產生的負面效應較大，也因此成為了影響校園安全和穩定的重要影響因素之一[3]。因此，如何有效進行大學生的自殺風險預測已成為現階段亟需解決的問題，為積極開展自殺預防與危機干預提供重要的理論依據[4?5]。

現階段大學生自殺風險預測與分析研究的方法較為單一，多數采用問卷調查等方式，此類方法要求參與調查的大學生數量必須較大，才能保證調查的大學生自殺風險預測結果的精確性，在實際應用過程中存在隨機性強、調查耗時長、預測性差、實用性低等問題[6?9]。

針對上述問題，提出基于機器學習的大學生自殺風險預測分析方法。實驗結果表明，該方法的大學生自殺風險分析效果較好，具有預測精度高、建模時間短、實用性好等優點。

1 機器學習的大學生自殺風險預測與分析

在進行大學生自殺風險預測與分析過程中，先獲取大學生自殺風險與大學生自殺因素的關系，對影響大學生自殺風險的因素進行歸一化處理；其次利用樣本熵對不同尺度的大學生自殺風險因素子序列進行復雜度分析，根據大學生自殺風險因素子序列的不同熵值進行歸類疊加，產生新的大學生自殺風險因素子序列。結合交叉驗證理論和重構相空間理論確定支持向量機的各種參數和輸入維數，由此組建大學生自殺風險預測模型。endprint

1.1 大學生自殺風險因素的歸一化處理

假設[d]代表大學生自殺風險的顯著預測變量的維數變量，[d=1，2，…，m，][m]為大學生自殺風險顯著預測變量的總維數的個數，對大學生自殺風險的顯著預測變量序列進行歸一化處理，利用式（1）進行表示：

[xdk=xdk-minxdklk=1maxxdklk=1-minxdklk=1] （1）

式中：[xdk]表示大學生自殺風險的顯著預測變量序列；[l]代表大學生在面對明顯逆境和創傷時，心理適應的動態過程；[k]代表大學生在不同心理適應動態變化下的心理癥狀。

假設[x（i）]代表大學生自殺風險顯著預測變量的子序列，[x（1），x（2），…，x（N），][N]代表大學生自殺風險顯著預測變量的總數，從多個視角分析大學生高危心理因素對自殺風險的影響程度，按順序構成大學生自殺風險顯著預測變量的[m]維矢量：

[X（i）=x（i），x（i+1），…，x（i+m-1）] （2）

式中：[i=1，2，…，N-m+1；][X（i）]代表不同[i]值的大學生高危心理因素對自殺風險的影響程度。

計算[X（i）]與不同大學生高危心理因素[X（j）（j=1，2，…，][N-m+1，]且[j≠i]）之間的相關性距離：

[dmX（i），X（j）=maxx（i+k）-x（j+k）] （3）

給定不同大學生高危心理因素之間的相似容限[r]（[r]>0），計算滿足[dmX（i），X（j）≥r]約束條件的數目，再結合式（4）計算出不同大學生高危心理因素之間的相似容限與大學生高危心理因素相關性距離總數[N-m]的比值[Bmi（r）]，即：

[Bmi（r）=1N-mnumdmX（i），X（j）≥r] （4）

式中：[i=1，2，…，N-m+1，][j≠i；][Bmi（r）]代表大學生高危心理因素影響下的偏執行為；[num]表示[dmX（i），X（j）][≥][r]的數目，利用式（5）計算出大學生高危心理因素影響下的自殺態度與自殺傾向之間的關系：

[Bm（r）=1N-m+1i=1N-m+1Bmi（r）βu] （5）

式中：[βu]代表大學生對自殺行為保持的階段性意識傾向。當大學生自殺風險的顯著預測變量維數[m]增加為[m+1，]重復對式（2）～式（4）的計算，可以重新計算出大學生高危心理因素影響下的自殺態度與自殺傾向之間的關系：

[Bm+1（r）=1N-mi=1N-mBm+1i（r）φu] （6）

式中[φu]代表大學生潛在自殺可能性發生率。

利用樣本熵定理對式（5）和式（6）進行歸類疊加可得到大學生高危心理因素影響下的自殺行為沖動性表現：

[SampEn（N，m，r）=-μulnBm+1（r）Bm（r）] （7）

式中：[μu]代表大學生采取過激行為造成的心理壓力的負性事件。大學生高危心理因素影響下的自殺行為沖動性表現與大學生自殺風險的顯著預測變量[m]以及不同大學生高危心理因素之間的相似容限[r]有關。

1.2 組建大學生自殺風險預測模型

結合機器學習理論得到大學生采取過激行為造成的心理壓力的負性事件導致的自殺意念，利用式（8）進行計算：

[minJ（ω，ξ）=12ωTω-C2i=1lξ2is.t. yi=ωT?（xi）+b+ξi] （8）

式中：[xi]和[yi]分別代表自殺風險影響因素和自殺意念強度特征值；[ωT]代表大學生面對負性事件的應對方式；[ω]代表該應對產生自殺意念的發生率；[J]代表應急生活事件對自殺意念的影響作用；[?（xi）]代表產生自殺心理危機的持續時間；[ξi]代表暴力行為函數；[b]代表學業壓力系數；[C]代表生活態度階段性變化屬性值。

結合拉格朗日理論對上述約束問題進行優化，得到不同高危心理因素影響下的大學生自殺意念發生率的多項式函數為：

[L（ω，b，ξ，α）=J（ω，ξ）-i=1lαiωT?（xi）+b+ξi-yi] （9）

式中[αi]為拉格朗日乘子。

對[ω，][ξi，][b，][αi]進行交叉驗證和相空間重構，可得到大學生自殺風險因素間相關系數矩陣：[0ITyΩ+C-1E×bα=0I] （10）

式中：[E]是[l×l]維的單位矩陣；[I]代表主要影響大學生自殺意念的強度值；[α=α1，α2，…，αiT]代表大學生不同負性事件應對方式的不定風險系數；[y=y1，y2，…，yiT]代表大學生面對負性事件影響時產生自殺意念表現的應對方式；[Ωij=?（xi）??（xj）=K（xi，xj）]為滿足重構相空間理論的核函數。重構相空間理論的核函數可作為支持向量機的高斯核函數，利用高斯核函數作為大學生自殺風險支持向量機預測模型的核函數。通過求解式（10）可得到大學生自殺風險預測的決策函數：

[fx=i=1lαi×exp-xi-xj22σ2+b] （11）

式中：[fx]為大學生自殺的意念強度值；[xi]為輸入任意一個大學生自殺風險影響因素；[σ]為高斯核函數的寬度參數，以此為依據組建大學生自殺風險預測模型。

2 仿真實驗分析

實驗數據來源于北京市某綜合大學文理科院8個系的全體學生，共2 215人，統一到學校的機房進行施測，施測時間為5天，在對可靠的樣本數據回收后，以式（8）的計算結果為依據，考察本文預測模型分析大學生自殺意念、自殺計劃以及自殺行為是否在生活應急事件、偏執以及暴力等自殺風險影響因素上的顯著差異，這里指的生活應急事件主要是家庭、學校以及工作等情境中發生的應急事件。結合Matlab軟件進行獨立樣本檢驗，統計結果見表1。通過表1可以說明，偏執、暴力、生活應急事件三個因素對大學生自殺意念具有極其顯著的差異（[t<]0.001），自殺計劃在生活應急事件因素上存在顯著差異（[t<]0.05），自殺行為在偏執、暴力、生活應急事件三個因素上不存在顯著差異（[t>]0.05）。endprint

為了證明偏執、暴力、生活應急事件對大學生自殺意念的產生是否存在影響以及影響程度大小，以偏執、暴力、生活應急事件為變量，自殺意念為因素進行方差分析，利用式（12）給出方差分析計算過程：

[F=m?P2+σ2σ2=m?P2σ2+1] （12）

式中：[F]代表在相應顯著水平下的臨界值；[P]代表在相應[F]值下的概率值。

機器學習預測模型的統計結果見表2，通過表2可以說明偏執、暴力以及生活應急事件三個因素對大學生自殺意念的產生都具有極其顯著的影響，且生活應急事件對大學生自殺意念產生的影響最大。

以表2給出的統計結果為理論依據，將實際大學生自殺風險因素趨勢曲線與機器學習預測模型統計的大學生自殺風險因素趨勢曲線進行對比，其結果如圖1所示。

分析圖1可知，利用機器學習預測模型統計的大學生自殺風險因素趨勢曲線與實際大學生自殺風險因素趨勢曲線相吻合。這主要是因為利用機器學習預測模型進行大學生自殺風險預測過程中，先獲取大學生自殺風險的顯著預測變量，并對大學生自殺風險的顯著預測變量序列進行歸一化處理，計算出各顯著預測變量與大學生高危心理因素之間的相關性距離，得到大學生高危心理因素影響下的自殺態度與自殺傾向之間的關系，在此基礎上結合樣本熵理論對大學生潛在自殺可能性發生率進行分析、疊加重構，得到大學生高危心理因素影響下的自殺行為沖動性表現函數。在此基礎上，利用交叉驗證理論和重構相空間理論得到大學生自殺因素間的相關系數矩陣，結合支持向量機理論確定大學生自殺風險預測的決策函數，以此為依據組建大學生自殺風險預測模型。

3 結 語

針對當前方法進行大學生自殺風險預測過程中難以準確地預測出大學生自殺風險的主要誘發因素，存在分析誤差大、預測精度低的問題，提出基于機器學習的大學生自殺風險預測與分析方法。實驗仿真證明，該方法的大學生自殺風險分析預測精度高，實用性較強，可以為積極開展自殺預防與危機干預提供重要的理論依據。

參考文獻

[1] 張道強，接標.基于機器學習的腦網絡分析方法及應用[J].數據采集與處理，2015，30（1）：68?76.

[2] 余璐，程詠梅，劉夏雷，等.基于機器學習的SMN可靠性分析及量測誤差建模[J].西北工業大學學報，2016，34（2）：333?337.

[3] 王景中，李萌.基于LBP和PCA機器學習的手勢識別算法[J].計算機測量與控制，2015，23（4）：1320?1322.

[4] 王穎，李金，王磊，等.基于機器學習的microRNA預測方法研究進展[J].計算機科學，2015，42（2）：7?13.

[5] 陳渝龍.重采樣與機器學習結合的防火墻鏈接動態分配[J].科技通報，2015，31（10）：64?66.

[6] 羅曉.試論大學生自殺的風險因素[J].四川民族學院學報，2016，25（2）：75?79.

[7] 王舟，謝斌，卞茜，等.哥倫比亞自殺篩選問卷對高中生自殺風險評估的信效度[J].中華精神科雜志，2015，48（2）：104?108.

[8] 王延壽，謝婉麗，葛瑞華，等.TSP超前預報法在秦安高風險隧道中的應用[J].科學技術與工程，2014，14（34）：97?103.

[9] 陶濤，史玉坤，袁錦，等.大學生自殺意念與死亡態度的相關分析[J].中國健康心理學雜志，2016，24（7）：1073?1076.

[10] 何維民，鄒云峰，王麗淵.基于客戶視角的電力營銷服務風險研究[J].現代電子技術，2016，39（15）：123?126.endprint