基于大數據分析處理的青少年心理健康評測系統設計

賀冰心

（湖南環境生物職業技術學院，湖南 衡陽 421005）

0 引言

由于生活、工作、學習等因素的影響，青少年的心理健康異常逐漸成為常見的心理問題[1]。例如，在面臨高強度學習和大負荷工作壓力的情況時，青少年的心理狀態會發生巨大的改變，進嚴重影響到他們的心理健康[2]。以往的研究多以紙面問卷為調查手段，對青少年的心理健康狀況進行評估，既耗費人力、物力，又耗費巨大的時間成本。在當今社會中，競爭越來越激烈，體能和智力的消耗越來越不能適應社會的發展，如果精神狀態不好，不僅會給學習和生活造成很大影響，甚至會給未來的發展規劃和工作帶來難以解決的問題[3]。青少年的心理健康關系到個人的成長，關系到國家的前途。在當今社會中，因心理問題引發的各類悲劇事件日益增多，不僅影響個人的人生、前途，更是對家人、對他人的危害[4]。利用大數據處理技術，可以提高對青少年心理健康的測評與重視程度[5]。該文建立系統結構總框架，評測系統由基本信息管理模塊、測評試題篩選模塊、測評結果分析模塊以及個人心理評測模塊4個模塊組成，信息處理單元主芯片選用TMS320C6747，并建立模型，實現個體的心理評估。該文運用大數據信息處理技術建立了一套基于網絡的自動化心理健康評估體系，對青少年的心理動態進行全面了解，并將其與心理健康表相結合，進行更準確的心理健康預測。

1 系統結構總框架

為使青少年對自己的心理健康有一個準確的認識，并推動測試系統向更科學化、信息化的方向發展，該文建立了一套以大數據信息處理技術為基礎的青少年心理健康智能測評體系，通過科學的測評手段，全面、客觀地反映使用者的心理健康水平[6]。基于大數據分析處理的青少年心理健康評測系統由基本信息管理模塊、測評試題篩選模塊、測評結果分析模塊以及個人心理評測模塊4個模塊組成，如圖1所示。

圖1 系統結構總框架圖

基本信息管理模塊可以為使用者提供個性化的填寫與選擇服務，在使用者提交選擇后，由測評試題篩選模塊為使用者提供相應的考題。考題分為多種形式，使用者選擇了試題后，系統會為使用者提供相應的試題，在使用者回答后給出答案，并進行相應的處理評測結果分析，以此完成青少年心理健康評測。

2 系統硬件設計

基于大數據分析處理的青少年心理健康評測系統采用TI公司的TMS320C6747作為信息處理單元的主要芯片，它具有功耗低、體積小等特點，可以實現實時的系統需求，硬件設計如圖2所示。

圖2 硬件設計

采用W25Q32系列FLASH內存作為DSP的自啟動芯片。DSP與FPGA之間通過EMIFA接口進行高速的數據交互，達到工作主頻高且可超頻運行的狀態，有運行速度快、指令集合簡單等特性。該系統采用ASP.net，這是一種利用微軟Visual Studio 2008進行網頁架構開發的先進的Web技術，使用C#語言編寫Micorsotf SQLServer 2005，創建Web數據庫，并利用Ado.net與數據庫進行連接。

2 系統模塊設計

2.1 基本信息管理模塊

基本信息管理模塊是該系統設計的重要組成部分，其主要作用是管理系統的基礎資料。該系統能夠實時同步用戶的個人信息，準確追蹤使用者狀態，保證系統的后續評價準確性。該系統在實際應用中具有多種可供選擇的特點，以及較高的通用性和較強的綜合性能，可以滿足廣大用戶的需求。為了更好地了解和掌握用戶的心理特點，該文采用多特征融合方法對其進行研究，對不同途徑獲得的心理健康資料進行綜合分析，為心理健康評估提供參考。神經網絡是一種將輸入空間轉化為隱層空間的有效方法，可以方便地進行數據處理。假定神經網絡中的隱層采用了高斯函數，則由第i個單位得到的輻射基本函數如公式（1）所示。

式中：xi為第i個單位的心理健康特點輸入數據；si為第i個單元在隱層中的特征變換數據；β為第i個單位的控制參數。

通過對青少年的心理健康特征進行分析，并根據公式（1）推導出RBF，進而實現基于多特征融合的基礎信息管理，以對青少年心理健康水平進行評價。因此，該神經網絡在信息管理方面有很好的應用前景，能夠滿足大量的數據處理需要，適合對青少年心理健康基礎信息進行分析和管理。

2.2 測評試題篩選模塊

測評試題篩選模塊使用K-means聚類算法來分割已有的數據，其評估指標為距離，即物體之間的距離越接近，對象間的相似性愈高，而鄰近的對象就會組成一個簇，最終的目標是單獨的群集。在K-means聚類算法中，通過對具體的聚類目標函數進行多次迭代更新，使其達到最優解，進而達到提高分類精度的目的。將n個用戶評測數據對象分成k組，其中k組為輸入數據，數據內含有n組用戶評價數據，其輸出為k個最終集群以及用戶評測測試的數據對象。K-means群集算法的具體工作流程如圖3所示。

圖3 K-means聚類算法工作流程

處理K-means聚類算法的方法具體如下：1）對簇心進行初始化。從n個用戶評估的資料物件取樣組中選取k個取樣，以此來進行試題的初次篩選。2）數據點的分配。將剩余的評估數據對象指定分配到距離最近的群集中，根據數據點的要求及位置進行有序合理的分配，將測試題進行題庫區分。3）當所有的使用者評測數據對象樣本合集都已接近指定位置時，根據所得的群集計算出群集中心。4）如果新的群集中心不同于原始群集，則返回第）步重新開始，反之則直接進入第5個步驟。5）將k個最后的群集中心和評測數據對象樣本合集所處的群集作為K-means聚類算法的最終結果，以此來完成全部測評試題的篩選工作。

2.3 測評結果分析模塊

測評結果分析模塊采用可歸納學習的決策樹算法，根據一個例子對一組混沌的測評結果進行歸納，得出一種由樹狀結構表達的分類規則。在對決策樹進行分類過程中對樣本進行分類時，將決策樹的根結點作為起點，然后根據分枝向下的順序對樣本屬性進行逐步檢測[7]。該文采用C4.5決策樹算法，將其劃分為多個信息增益率，以克服在使用信息增益選取測試屬性時傾向于選取多個屬性的問題。具體限定信息增益速率如公式（2）所示。

式中：Gain（S，A）為屬性A的信息增益值；SplitInformation（S，A）為在特征A的基礎上，對采樣集S進行分割的結果。

利用決策樹C4.5算法對青少年心理健康評價結果進行分析，并給出相應的計算公式，具體如公式（3）所示。

式中：si為第i個單元在隱層中的特征變換數據。

決策樹產生的關鍵問題是如何確定分割對象。在C4.5算法中，要對每個訓練樣本的屬性信息增益率進行比較。在決策樹中，選擇信息增益系數最大的屬性作為一個分支節點[8]。如果屬性的描述是持續的，必須將其連續化，進而獲得離散的區間集。分立的方法如下：

首先，對連續間隔中的連續屬性A進行離散化，對連續屬性進行大、小排序，并對MIN和MAX分別進行最小值和最大值的歸類，給出相應的屬性值{A1，A2，…，An}。

其次，設Ai為等分分段的位置，當區間[MIN，MAX]中有N個等分分段點，按次序求出第i個等分點式，如公式（4）所示，其中i=1，2，…，N。

再次，分別計算分隔值[MIN，Ai]及[Ai，MAX]中的資訊增益值，并進行比較。

最后，假設連續屬性A的劃分門限是最大的信息增益Ak的分割點，基于此，對數據集合進行分割，將屬性值設定在[MIN，Ak]及[Ak，MAX]中，完成測評結果分析模塊。

2.4 個人心理評測模塊

設定青少年的心理健康評測因素集是U={U1，U2，...，Un}，n是心理健康評測因素數目。將心理健康評測的評語集設成M={M1，M2，M3，M4}，M1、M2、M3和M4依次代表心理健康狀態良好、心理健康狀態正常、心理健康狀態輕度異常和心理健康狀態嚴重異常。細分心理健康評測因素集U={U1，U2，...，Un}，采用比較廣泛的精神衛生量表SCL-90對青少年進行情感、思維、意識、行為習慣和習俗的分類，并將其分為幾個子集，為S=1，2，…，90，那么評價因子子集如公式（5）所示。

式中：i∈s。Usi=1Ui=U，Ui∩Uj=φ，i≠j，代表不同評測子集。

Ui里每個心理健康評測因素子集分配的權值是Ai={Ai1，Ai2，...，Ais}，全部權數符合條件=1。將各個評測因素子集Ui分別看作一種心理健康評測因素U，則如公式（6）所示。

此時心理健康評測的單因素bsn的決策矩陣R如公式（7）所示。

青少年心理健康評測因素U分為多個子集Ui，各個子集Ui代表在此基礎上，根據心理健康評價因子U中的某些特點及其對精神衛生的影響程度進行權重分配。則心理健康評測權重值如公式（8）所示。

式中：as為權重值。

以此能夠獲取心理健康評測的二級評測向量模型，如公式（9）所示。

根據模型，按不同的權重值融合各項心理健康評測因素的結果，完成個人心理評測模塊，實現基于大數據分析處理的青少年心理健康評測。

3 測試試驗

3.1 試驗準備

該系統以ASP.net為基礎，利用微軟Visual Studio 2008開發了一個基于C#的Web頁面設計框架。采用SQL服務數據庫，實現數據保密、數據完整性等多方面的功能，確保數據的安全；在具體的結構、保密功能和信道適應性方面，分別呈現出標準化、多元化以及一體化的特點。目前基于大數據分析處理的青少年心理健康評測系統界面是一個智能問題的管理界面，可以讓使用者直接選擇自己想要的內容，也可以直接刪除評價，使用起來非常方便，自由度較高。

3.2 試驗結果

該文以200例青少年為研究對象，將該系統與職業心理醫師測試的青少年心理健康結果進行對比，以此來測試系統是否符合要求。與實際結果相比較，得出如圖4所示的測試結果柱狀圖。

根據圖4可知，該文系統通過心理健康測評模塊對該校200名新生心理健康進行評測后，心理健康狀態良好的有120人、心理健康狀態正常的有50人、心理健康狀態輕度異常的有40人、心理健康狀態嚴重異常的有30人，4種心理健康狀況的成員數量與實際數量完全吻合，其評價結果具有較高的準確性和可信性。該系統在功能管理、心理健康評測輔導等各方面都有良好表現，在實際應用中可以給用戶帶來較好的使用體驗，值得在實踐中廣泛應用。

圖4 測評結果

4 結語

為了提高心理健康智能評測效果，該文構建了基于大數據處理分析的心理健康智能評測系統，通過對大量的數據進行統計，并運用AHP法進行心理健康評估。建立的系統結構總框架由4個模塊組成，信息處理單元主芯片選用TMS320C6747，利用高斯函數計算得出徑向基函數，完成青少年心理健康智能測評。測評試題篩選模塊采用K-means聚類算法對已知數據進行劃分，將k個最后的群集中心和評測數據對象樣本合集所處的群集作為K-means聚類算法的最終結果，以此來完成全部測評試題的篩選工作。測評結果分析模塊采用決策樹算法建立模型，實現個人心理評測。該系統能全面地幫助使用者了解自己的精神狀態，解決青少年的心理問題，提高青少年的認知能力。