基于互聯網+機器學習的心理健康預警技術

李堅孝　吳家隱　李云錦　范振鍔　謝永輝

摘要：本文利用基于機器學習進行批量處理數據，對心理患者的情感表達文本數據進行大量的訓練，并利用訓練好的機器學習模型對心理疾病的數據進行心理情感分析，最后得出了用戶的心理健康變化情況并對用戶進行實時預警。本文實現了一對多跟蹤患者的病情發展，實時分析患者心理健康狀態，解決心理醫生數量匱乏的問題。

[關鍵詞]機器學習語義分析心理健康情感分析

1引言

隨著互聯網的發展，終端設備越來越越受到人們的喜歡，每一個人都通過輸入法進行文本的輸出，越來越多的人在通過萬維網進行檢索自己對世界的未知，通過了解萬維網知道我們需要的信息，Web3.0的來臨數據信息量的大幅度增長，信息存在著人們的情感，人對實物具有情感表達，輸入法和網頁瀏覽承載著人們的情感表達。在國內，心理健康醫療資源匱乏，心理醫生人數較少，難以面向海量的患者，而傳統的心里咨詢問診的方式下，心理醫生能夠接待的患者人數非常有限，很難實現大規模的病人管理。

由于無法實時監控和分析患者的心理情況，使很多心理患者存在不知道自身的心理情況。因此，亟需一款能夠及時進行心理狀態的實時跟蹤、評級及預警的心理健康系統。

本文研究的是如何提高心理醫生的工作效率和實時跟蹤預警患者的心理情況。改變傳統的問診咨詢模式轉為一對多的實時跟蹤預警問診模式。

2機器學習處理情感分析

樸素貝斯算法為文本研究實驗的算法，是因為它具有非常高的穩定性、易于實現、出錯率很低、邏輯比較簡單、對資源占用開銷小、很強的理論性。機器學習依賴于語料，本文所研究的語料分為兩類，即積極文本語料和消極文本語料，用機器學習方法進行處理和訓練這兩類數據。通過機器學習的情感分析對文本分析出[0，1]區間的概率，[0-0.5]的概率視為消極文本數據，[0.5-1]的概率視為積極文本數據。

本文使用Python進行自然語言處理，包括英文文本情感分析NaturalLanguageToolkit（NLTK），和中文文本情感分析SnowNLP。SnowNLP是用于處理中文文本情感分析的python類庫，是自然語言處理基于機器學習對文本數據分析的一種高效率、準確的情感分析。

3系統設計

系統主要包括：客戶端、服務端、醫生端、家屬端。

客戶端主要作用采集用戶文本數據和基本客戶端技術，經過數據采集、網頁記錄爬蟲、API映射。

服務端為客戶端、醫生端及家屬端提供Web后端、數據庫及心理健康評級預警的業務邏輯。服務端的主要實現的業務邏輯主要包括情感分析和健康評級，情感分析通過語義分析的手段，文本分類主要是由機器學習進行監督學習，構建具有人工標注的語料庫實現。

醫生端主要顯示與該醫生綁定的用戶的狀態，在用戶心理健康水平較差時發出預警，以由醫生及時心理干預。

家屬端針對患者當前心理健康狀況，推送相關的輔助治療信息，使得患者家屬具備科學的心理干預知識，以便進行家庭治療。

4實驗結果與分析

本實驗研究的是心理健康預警系統，預警的目的主要是實現醫生的快速干預和輔助意思是治療，實驗數據主要通過分析心理疾病病人的日常表現和文字表述。系統的服務端主要采用python語言開發，實驗數據的形式基于分割成句子的形式來做測試數據和基于文本的形式來做測試數據。在實驗之前需要進行機器學習模型訓練，實驗的語料庫主要有兩種數據，積極文本數據和消極文本數據。

實驗評估指標：本實驗采用文本統計的平均值來評估一個用戶在心理健康評級的等級，等級分為差，中，好。在系統測試用戶的數據中，依據上述所說的概率值大于0.5的視為積極語句，概率小于0.5的視為消極語句。本實驗采用多次數據測試減少誤差。

采用評估函數進行評定用戶的心理健康評級，例如一個用戶的測試數據采用公式進行統計。一個用戶測試數據有10個語句，分別

統計積極語句文本的數量和消極數據的數量。計算消極率公式：

m表示消極文本的數量，M表示文本的總數量。

K表示積極文本的數量，M表示文本的總數量。

p表示消極率，Mp表示文本數量率的總數

（1）平均健康率在1%-30%被評為心理健康差的等級

（2）平均健康率在31%-80%被評為心理建康中的等級

（3）平均健康率在81%-100%被評為心理健康好的等級

在預警周期內，預警閾值設置為30%，即如果平均健康率低于30%，將發出預警報告，通知醫生端進行心理健康干預和治療。

5結束語

本文研究了互聯網+機器學習的心理健康預警系統，該系統包括客戶端、服務端、醫生端、家屬端。通過客戶端進行數據采集，由服務端進行語義分析與健康評級，并將數據反饋給心理醫生和家屬端。本文為醫生監測心理疾病患者心理健康狀況提供了一種新的思路。

參考文獻

[1]楊佳能。基于語義分析的中文微博情感分類研究[D].廣東外語外貿大學，2014.

[2]郭勛誠。樸素貝葉斯分類算法應用研究[J].通訊世界，2019，26（01）：241-242.