基于深度學(xué)習(xí)的大學(xué)生心理測試系統(tǒng)

楊學(xué)武 王若巖 夏震

摘 要：大學(xué)生心理問題頻發(fā)，但傳統(tǒng)的心理檢測存在費(fèi)時費(fèi)力、結(jié)果不精準(zhǔn)等問題。本項(xiàng)目根據(jù)高校大學(xué)生心理健康問題，首次設(shè)計并研發(fā)了一種基于深度學(xué)習(xí)的智能心理測試系統(tǒng)。該系統(tǒng)利用深度學(xué)習(xí)技術(shù)進(jìn)行人臉情感分析、自然語言處理，并根據(jù)SCL90，UPI等關(guān)于大學(xué)生心理測試的量表進(jìn)行分析。用戶通過網(wǎng)頁或app平臺，可以通過語音、文字多維人機(jī)交互的方式進(jìn)行心理測試。系統(tǒng)綜合得出準(zhǔn)確的心理狀況分析并根據(jù)分析結(jié)果給出相應(yīng)的治療方案。

關(guān)鍵詞：心理測試系統(tǒng);深度學(xué)習(xí)特征;人機(jī)交互;自殺

引言：

近年來隨著計算機(jī)運(yùn)算能力和神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，深度學(xué)習(xí)越來越引起科學(xué)界和工業(yè)界的關(guān)注。深度學(xué)習(xí)是一種自動學(xué)習(xí)特征的算法，其中最為代表的是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），它在人臉圖像識別領(lǐng)域得到廣泛的應(yīng)用[3-5]，深度學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用于心理學(xué)領(lǐng)域，用于心理健康或者情感分析，但基于深度學(xué)習(xí)技術(shù)對于自殺分析的研究還較少，為此本研究應(yīng)用深度學(xué)習(xí)技術(shù)以大學(xué)生心理健康為研究對象，對大學(xué)生心理健康水平測試建立有效的算法模型用以識別其心理狀況進(jìn)而為預(yù)防自殺提供有效支持。

1 數(shù)據(jù)采集

本研究的語言文本數(shù)據(jù)集采用的是來自 CIS 2016（計算智能與安全國際會議）的一篇paper [6]的一個數(shù)據(jù)集，表情數(shù)據(jù)集是來自kaggle的一次人臉表情比賽的Fer2013數(shù)據(jù)集，F(xiàn)er2013人臉表情數(shù)據(jù)集由35886張人臉表情圖片組成，其中，測試圖（Training）28708張，公共驗(yàn)證圖（PublicTest）和私有驗(yàn)證圖（PrivateTest）各3589張，每張圖片是由大小固定為48×48的灰度圖像組成，共有7種表情，分別對應(yīng)于數(shù)字標(biāo)簽0-6，具體表情對應(yīng)的標(biāo)簽和中英文如下：0 anger 生氣;1 disgust厭惡;2 fear 恐懼;3 happy 開心;4 sad 傷心;5 surprised 驚訝;6 normal中性。

2 研究方法

2.1 文本預(yù)處理

中文分詞是中文文本處理的一個基礎(chǔ)步驟，也是中文人機(jī)自然語言交互的基礎(chǔ)模塊，在進(jìn)行中文自然語言處理時，通常需要先進(jìn)行分詞，jieba分詞算法使用了基于前綴詞典實(shí)現(xiàn)高效的詞圖掃描，生成句子中漢字所有可能生成詞情況所構(gòu)成的有向無環(huán)圖（DAG）， 再采用了動態(tài)規(guī)劃查找最大概率路徑，找出基于詞頻的最大切分組合，對于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法。

使用jieba分詞包對消息回復(fù)進(jìn)行分詞處理除去分詞后文本中含有較少信息的詞語，例如（“啊”“哎”“吧”），經(jīng)過篩選，找出消息回復(fù)中帶有情感色彩的話，比如，開心、哈哈、難受等字眼。

2.2 模型方法

這一部分我們將詳細(xì)介紹該心理測試系統(tǒng)用到的模型方法，因?yàn)樵跍y試過程中有根據(jù)圖像識別和根據(jù)自然語言來識別，所以這部分我們分為兩個方面來介紹。

2.2.1 圖像識別模型

在圖像識別模型中，我們采用深度卷積神經(jīng)網(wǎng)絡(luò)來將人臉表情特征提取與表情分類融合到一個 End-to-End 的網(wǎng)絡(luò)中。采用了 VGG19 來完成表情的識別與分類。VGG19 的每一個小塊是由一個卷積層，一個 BatchNorm 層，一個 ReLU 層和一個平均池化層 來構(gòu)成的。在全連接層之前加入了 Dropout 策略，增加了模型魯棒性。并且，我們?nèi)サ袅藗鹘y(tǒng) VGG19 中的多個全連接層，直接在一個全連接層后分為 7 類情緒去識別。

在用戶與系統(tǒng)進(jìn)行人機(jī)交互的聊天過程中，我們的系統(tǒng)會通過攝像頭實(shí)時捕捉用戶的面部表情，然后進(jìn)行實(shí)時的分析，每當(dāng)用戶的情緒有較大的波動時系統(tǒng)會將表情捕捉然后根據(jù)softmax激勵函數(shù)進(jìn)行處理后進(jìn)行輸出。在前面有對表情進(jìn)行七種分類，經(jīng)激勵函數(shù)處理以后選擇概率最高的情緒進(jìn)行輸出，這時就能得到用戶的情緒數(shù)據(jù)（不包括平淡的表情）。當(dāng)用戶在測量過程中情緒波動很大時，系統(tǒng)將持續(xù)的檢測出用戶的情緒然后進(jìn)行輸出。

在得到用戶的表情數(shù)據(jù)后，和用戶在聊天界面的文字輸入進(jìn)行比對分析，就可以得到更加有說服力的數(shù)據(jù)。

2.2.2 自然語言處理模型

CNN 處理文本的時候，輸入就是一個為矩陣的句子，就像原先圖像像素的輸入一樣，不過是單通道的。矩陣的每一行對應(yīng)一個單詞的 Token（標(biāo)記），通常是一個單詞，但它可以是一個字符。也就是說，每行是表示單詞的向量表示。通常，這些向量是詞嵌入向量（低維表示），如 word2vec 或 GloVe，但它們也可以是將單詞索引為詞匯表的 one-hot 向量（獨(dú)熱編碼、一位有效編碼）。

在計算機(jī)視覺中，濾波器會滑過圖像的局部色塊，但在 NLP 中，我們通常使用在矩陣的整行上滑動的濾波器。因此，濾波器的 “寬度” 通常與輸入矩陣的寬度相同。高度或區(qū)域大小可以變化，通常可以一次滑動超過 2-5 個單詞。

2.3 模型驗(yàn)證

本研究將收集到的數(shù)據(jù)集隨機(jī)分為兩組，第一組70%用作訓(xùn)練，用于模型訓(xùn)練和建模，第二組30%，用于測試以及驗(yàn)證使用建立的模型進(jìn)行預(yù)測的準(zhǔn)確率。經(jīng)大量經(jīng)驗(yàn)得知，在keep—prob是70%的時候，可以得到較好的效果。

2.4 訓(xùn)練測試結(jié)果

1） 測試集準(zhǔn)確性數(shù)據(jù)：

18.， 18.， 12.， 6.， 6.， 36.， 68.， 67.， 71.， 85.， 73.， 88.， 80.， 78.，

80.， 71.， 76.， 76.， 85.， 76.， 76.， 88.， 90.， 79.， 84.， 84.， 86.， 86.

2） 最高準(zhǔn)確率：90.000%

最高準(zhǔn)確率 Epoch：22

在訓(xùn)練了很長時間以后，訓(xùn)練準(zhǔn)確率幾乎穩(wěn)定在了98%，然后我們拿這時的模型去進(jìn)行測試，發(fā)現(xiàn)準(zhǔn)確率平均能達(dá)到90%。這時我們可以說這個模型訓(xùn)練成功了。

3 實(shí)驗(yàn)結(jié)果與分析

該系統(tǒng)可以用打字聊天的方式讓測試者與電腦聊天機(jī)器人互動，在用戶許可的情況下還會打開攝像頭對用戶的表情進(jìn)行采集從何得到更加準(zhǔn)確的結(jié)果，在聊天過程中，我們的系統(tǒng)會對用戶的聊天內(nèi)容以及表情進(jìn)行實(shí)時分析，在測試完成以后會打出相應(yīng)的分?jǐn)?shù)，如果用戶表現(xiàn)積極則會得到高分并給出鼓勵，用戶表現(xiàn)消極則會得到低分而且會給出相應(yīng)的建議。

4 結(jié)語

本文提出了基于深度學(xué)習(xí)來進(jìn)行大學(xué)生心理健康水平的測量，針對人臉圖像和語言進(jìn)行心理測試問題，該模型可以學(xué)習(xí)和提取到比較健壯的情緒特征，實(shí)現(xiàn)了大學(xué)生有心理健康問題和沒有心理健康問題的自動識別分類。

參考文獻(xiàn)：

[1]吳連海，王萍，王磊，等。心理健康癥狀對大學(xué)生自殺傾向預(yù)測模型的構(gòu)建[j] 中國健康心理學(xué)雜志，2010，18（1）：99-100 。

[2]蔣懷濱，張斌，李強(qiáng)，等。消極完美主義對自殺態(tài)度預(yù)測機(jī)制的內(nèi)隱實(shí)驗(yàn)研究[j] 現(xiàn)代預(yù)防醫(yī)學(xué)2015，42（6）：1038-1041.

[3]LAWRENCES，GILESCL，TSOI Ac，etc. Face recognition：a convolutional neural network approach[J]. IEEE transactions on neural networks， 1997， 8（1）：98-1 13

[4]KHALILHMSUNGLS A convolutional neural network approach for face verification[C]2014 International Conference on High Performance Computing and Simulation（HPCS）. Bologna， Italy， 2014：707714.

[5] Sentiment Classification with Convolutional Neural Networks： an Experimental Study on a Large-scale Chinese Conversation Corpus ? CIS 2016：計算智能與安全國際會議

【基金項(xiàng)目】本文系天津工業(yè)大學(xué)2019年度大學(xué)生實(shí)踐創(chuàng)新訓(xùn)練項(xiàng)目，項(xiàng)目編號：201910058064