基于改進ANN 的心理狀態預警建模與仿真

白茹

（西安航空職業技術學院，陜西西安 710000）

隨著社會發展與時代的進步，心理問題越發受到人們的重視。大學生由于社會經驗欠缺且處理挫折的能力有限，在面對學業、工作、感情與人際關系時，會造成較大的情緒波動[1-2]，若不及時排解，便會形成一定的心理問題，導致行為偏激等。然而，現階段所提出的一些心理問題預警算法均存在著準確率不足等問題[3-5]。因此，亟需一種可以代替人工，并能及時、準確發現大學生心理問題的算法。

針對上述提到的問題，文中基于改進人工神經網絡（Artificial Neural Network，ANN）設計了一套心理危機預警算法模型。該模型可以有效結合ANN、BP（Back Propagation）算法與ReLU 激活函數的優勢，在保證準確率的條件下完成對心理危機的預警。對比實驗結果也充分驗證了該算法的可行性與可靠性。

1 改進ANN算法設計

人工神經網絡[6-9]是一種通過模擬人腦行為，利用邏輯規則建立的數據智能分析算法。ANN 算法的基本信息處理單元稱為“神經元”，一個神經元的輸入能夠與若干渠道的數據進行交互，同時每個渠道均擁有對應的連接權值。在經處理單元與映射函數處理后，神經元會將多個輸入數據處理成唯一結果后再進行輸出。其所對應的具體架構，如圖1 所示。

圖1 神經元基本架構

由圖1 可知，一個典型的神經元主要由五個部分所組成：

1）輸入數據：該模塊由多個渠道的待處理數據所組成。若將各渠道的數據記作xi，則神經元的輸入數據可表述為：[x1,x2,…,xn,1]T。

2）連接權值：其是神經元進行線性映射的重要參數，通常采用w=[w1,w2,…,wi,…,wn,b] 表示。其中，wi為各渠道輸入數據與該神經元的連接權值，b為修正因子。連接權值代表了輸入待處理數據與神經元之間聯系的緊密程度，若其值為正數，說明該神經元被激勵；反之，則說明神經元被抑制。

3）數據處理：該模塊的主要功能是根據輸入數據及其對應的連接權值，計算相應的加權和，對應的數學表達式為：

4）激活函數：其在神經網絡中，負責將數據處理得到的加權結果通過非線性映射的方式傳遞至數據輸出模塊。常見的激活函數包括Tanh、Softmax 以及ReLU 函數等。

5）數據輸出：多渠道輸入數據庫經多次處理后得到的最終結果用y=f(z)來表示，f為所選用的激活函數。

在ANN 網絡結構的設計與應用中，除了要考慮上述激活函數外，還應考慮神經網絡的拓撲結構連接方式與所使用的模型訓練算法。目前，神經網絡的連接方式可分為前饋型和反饋型兩種，而模型訓練算法則有BP[10]、自組織特征映射（Kohonen）[11]及可變學習速率算法（Variable Learning Rate Backpropagation，VLBP）[12]等。根據該文研究心理問題的特點，選用前饋型神經網絡（Feedforaward Neural Network，FNN）[13]、ReLU 激活函數[14]以及BP 算法進行心理危機預警模型的設計與研究。前饋型神經網絡由輸入層、隱藏層和輸出層所構成，其基本架構如圖2 所示。

圖2 FNN基本組成架構

在FNN 神經網絡中，各層神經元所接收到的輸入僅能是上一層神經元的輸出，然后經過本層激活函數的非線性映射處理后，再作為輸出傳遞至下一層。同時，該神經網絡中的數據信息傳遞方向均為由輸入層經隱藏層到輸出層的單向傳輸，且其中并無任何反饋與回滾（Rollback）。

在利用傳統ANN 算法解決諸多實際問題時，通常會遇到樣本不均衡、所得模型泛化程度較弱等問題。此類問題若不及時解決，可能會造成所得到的最終結果誤差較大等情況。為此，需對傳統ANN 算法加以改進。過往的改進算法通常在進行優化時，存在考慮較為片面的情況，如：基于欠采樣算法的ANN，僅考慮了樣本不均衡的問題而沒有考慮如何提升模型的準確度；基于集成學習的算法[15]則只考慮了模型相較于訓練樣本的準確性，但并未考慮樣本自身可能存在的不均衡問題。

基于上述提到的問題，文中提出了一種充分結合欠采樣（Undersampling）與集成學習（Ensemble Learning）優點的集成采樣算法（ES-ANN）[16]。該算法一方面可解決樣本不均衡問題，另一方面也能夠提高模型的準確度。

ES-ANN 的基本思想是先根據訓練樣本的分布情況決定模型訓練過程中弱分類器的數量。在設置弱分類器個數時，應充分考慮以下幾個方面的影響：1）考慮到分類中可能存在同票問題，故弱分類器的個數應設置為奇數；2）還應保證樣本的均衡性，所以弱分類器個數的設置也不能較??；3）由于文中的訓練和測試樣本數較少，因而弱分類器個數也不應設置過大。當設置完成弱分類器之后，再使用集成學習算法的思想對網絡整體進行評估及優化，最終即可得到理想結果。

2 預警模型設計

2.1 心理數據集和特征選取

該文采用的數據集來自某高校3 655 名學生的心理調查問卷。由于部分學生作答存在前后矛盾或未完整作答等情況，需對原始的問卷進行篩選，最終選取了其中的2 347 份有效問卷。同時為了更準確地對學生心理健康狀態進行評估，還調取了問卷對應學生的基本信息、學業情況以及校園一卡通消費等信息。通過對以上信息的分析，在一定程度上也能得到影響學生心理的因素，以此綜合多方面的信息得到更為準確的結果。其中學業信息涉及的字段及其對應的解釋，如表1 所示。

表1 學生學業基本信息

根據上述四個數據來源，從中提取了三類數據特征，以供后續模型的進一步分析與處理。

1）消費特征：該類特征主要通過分析校園一卡通的消費情況而來。通常經濟條件較好的學生在外就餐次數偏多，而經濟條件較差的學生，則在校內的次數較多。

2）學習特征：該特征是根據學生的各科成績，分析學業壓力對學生心理的影響。

3）心理特征：此特征主要通過分析心理調查問卷而來，其可反映出現階段學生所面對的主要壓力，進而判斷問題出現的主要原因。

2.2 心理危機預警模型設計

根據上文對改進ANN 算法、心理數據集構建以及特征選取方法的分析研究，該文提出的基于改進ANN 心理危機預警模型整體架構，如圖3 所示。

圖3 心理危機預警模型整體架構

該模型的構建從整體上可分為三個模塊：數據采集與預處理、數據處理與模型建立、心理危機預警。其中，數據采集與預處理模塊又可細分為采集、預處理兩部分。采集負責獲取學生的基本信息和學業信息等基礎數據，而數據預處理則根據需求對獲取到的原始數據進行篩選，去除其中的無效信息，同時還需按照劃分的特征進行選取，為下一個模塊的操作提供重要的數據支撐。數據處理與模型建立模塊可構建ES-ANN 網絡，并利用BP 算法、ReLU 激活函數與訓練集數據對模型進行訓練，以得到滿足需求的模型。心理危機預警模塊則是根據模型的輸出結果，對高校學生的心理狀態進行評估。當存在異常時，及時發出預警信息，以便后續的跟蹤與處理。

2.3 ES-ANN模型構建

ES-ANN 構建是整個心理危機預警模型中最重要的部分。為了充分利用有效數據集，使模型能在該數據集下達到最優的學習訓練效果，該文使用了十折交叉驗證法（10-Fold Cross Validation，10-FCV）。其基本思想是：將每種數據集劃分為10 份，其中9 份為訓練集，剩下的1 份為測試集。且10 次訓練測試結果所求得的平均值，即代表最終的結果。若用A代表所有數據，Atrain代表訓練集，Atest代表測試集，AT代表正樣本，AN 代表負樣本，利用10-FCV 法所形成的數據集組成，如表2 所示。

表2 10-FCV數據集組成

為解決樣本的非均衡問題，經過實際參數調優，最終確定當弱分類器的個數為5 時，取得的效果最優。因此便將剩下的負樣本訓練集利用隨機采樣的方式分成5 份，再將所有的正樣本訓練集復制到上述5 個隨機分成的負樣本集中，從而形成了5 個弱分類器訓練集進行后續處理。具體形成的數據集組成，如表3 所示。

表3 弱分類器的訓練集組成

其中，ANtrain代表隨機分成的負樣本集，ATtrain代表正樣本訓練集。

3 實驗與分析

為驗證文中所提基于改進ANN 的心理危機預警算法模型的可行性與準確性，在某高校的大學生中進行了問卷調查，并將提取的數據信息輸入模型，完成了數值實驗驗證。同時為體現該算法的優勢，還設置了基于支持向量機（Support Vector Machine，SVM）與基于隨機森林（Random Forest，RF）算法的預警模型作為對照，具體的實驗過程及結果如下。

3.1 評價指標

為有效利用數據集來準確評估本算法在心理危機預警中的表現，利用10-FCV 法對數據集進行劃分。此外，還引入了目標檢測分類評估的兩個關鍵指標準確率（Accuracy，ACC）與查準率（Precision，PRE）來對模型的準確度加以衡量。兩個指標的具體定義為：

式中，TP 代表預測為真實際為真的次數，TN代表預測為假實際為假的次數，FN 表示預測為假實際為真的次數，FP 則表示預測為真實際為假的次數。

3.2 實驗參數調優

該部分實驗主要確定心理危機預警模型中，ESANN 網絡的兩個關鍵參數：學習率與弱分類器數量。

1）學習率調優

學習率是監督學習中的重要參數，該參數能夠保證目標函數在恰當的時間收斂至局部最小值，進而提高模型的準確率。為此文中在弱分類器數量固定為5 的條件下，采用不同學習率進行實驗，所得結果如表4 所示。

表4 學習率參數調優實驗

由表可以看出，隨著學習率的不斷減小，所得到的模型效果也越來越優。但考慮到模型訓練迭代時間的影響，故并未進一步減少學習率，而是選取學習率為0.001 進行后續實驗。

2）弱分類器數量

由于弱分類器數量存在限制因素，該文在學習率固定為0.001 時，選取1、3、5、7 個弱分類器進行實驗。實驗結果如表5 所示。

表5 弱分類器數量調優實驗

由表5 可知，當弱分類器的數量設置為5 時，實驗結果最優。

3.3 實驗對比

為體現所提算法的優勢，在保證各算法參數最優的條件下，利用相同訓練集對各算法對應的模型加以訓練。同時利用相同測試集進行模型驗證，并以準確率ACC 及查準率PRE 為評估指標。對比結果如表6 所示。

表6 多種算法實驗對比結果

從表6 結果可知，該文算法在準確率與查準率上均優于其他兩組算法，由此驗證了該文算法的可行性與可靠性。

4 結束語

文中首先介紹了傳統ANN 算法，并針對其在實際應用中所存在的問題提出了一種改進算法：ESANN。同時在該算法的基礎上設計出具有更高準確率的心理危機預警模型。實驗結果表明，與其他算法相比，所提算法的準確率和查準率更優，充分體現了該算法的優勢以及設計方案的有效性。