本發(fā)明涉及心理健康評估，特別指一種基于ai的心理健康狀態(tài)評估方法及系統(tǒng)。

背景技術(shù)：

1、隨著學(xué)生的心理健康被重視，學(xué)生心理健康工作也得到推動，很多學(xué)校都設(shè)有心理健康教師的崗位用于對學(xué)生的心理健康狀態(tài)進(jìn)行評估，進(jìn)而對心理健康狀態(tài)不佳的學(xué)生進(jìn)行情緒的疏導(dǎo)，即傳統(tǒng)上采取人工進(jìn)行心理健康狀態(tài)評估的方法。然而，傳統(tǒng)的心理健康狀態(tài)評估方法存在如下問題：

2、1、心理健康教師的師資嚴(yán)重短缺，無法滿足學(xué)生日益增長的心理健康服務(wù)需求；2、很多心理健康教師由思政教師或行政管理人員兼任，心理輔導(dǎo)與咨詢等專業(yè)能力亟待提升，不可避免地存在專業(yè)性和規(guī)范性不足的問題；3、需要面對面的交流和評估，主觀性較強(qiáng)，容易受到心理健康教師主觀因素的影響；4、需要在特定的時間和地點進(jìn)行，可能會對被學(xué)生的正常學(xué)習(xí)和生活產(chǎn)生一定的影響。

3、因此，如何提供一種基于ai的心理健康狀態(tài)評估方法及系統(tǒng)，實現(xiàn)提升心理健康狀態(tài)評估的效率、專業(yè)性、客觀性以及靈活性，成為一個亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題，在于提供一種基于ai的心理健康狀態(tài)評估方法及系統(tǒng)，實現(xiàn)提升心理健康狀態(tài)評估的效率、專業(yè)性、客觀性以及靈活性。

2、第一方面，本發(fā)明提供了一種基于ai的心理健康狀態(tài)評估方法，包括如下步驟：

3、步驟s1、獲取大量的心理健康狀態(tài)評估的歷史評估問卷以及對應(yīng)的歷史面部表情圖像、歷史情感文本數(shù)據(jù)，對各所述歷史面部表情圖像以及歷史情感文本數(shù)據(jù)進(jìn)行預(yù)處理；

4、步驟s2、基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)創(chuàng)建一面部表情識別模型以及一文本情感分析模型，分別設(shè)定所述面部表情識別模型以及文本情感分析模型的損失函數(shù)、優(yōu)化器以及超參數(shù)；

5、步驟s3、通過預(yù)處理后的各所述歷史面部表情圖像對面部表情識別模型進(jìn)行訓(xùn)練，通過預(yù)處理后的各所述歷史情感文本數(shù)據(jù)對文本情感分析模型進(jìn)行訓(xùn)練；

6、步驟s4、獲取待心理健康狀態(tài)評估的實際評估問卷以及對應(yīng)的實際面部表情圖像、實際情感文本數(shù)據(jù)，通過預(yù)設(shè)的心理測評量表對所述實際評估問卷進(jìn)行評估得到問卷評估分值，將所述實際面部表情圖像輸入面部表情識別模型得到表情類別，將所述實際情感文本數(shù)據(jù)輸入文本情感分析模型得到情感類別；

7、步驟s5、基于所述問卷評估分值、表情類別以及情感類別自動生成心理健康狀態(tài)評估結(jié)果，完成心理健康狀態(tài)的評估。

8、進(jìn)一步的，所述步驟s1具體為：

9、獲取大量的心理健康狀態(tài)評估的歷史評估問卷以及對應(yīng)的歷史面部表情圖像、歷史情感文本數(shù)據(jù)，將各所述歷史評估問卷、歷史面部表情圖像以及歷史情感文本數(shù)據(jù)進(jìn)行綁定存儲；

10、對各所述歷史面部表情圖像進(jìn)行至少包括圖像清洗、隨機(jī)剪裁、像素歸一化以及圖像尺寸統(tǒng)一的處理后，對各所述歷史面部表情圖像進(jìn)行表情類別的標(biāo)注，以完成預(yù)處理；所述表情類別至少包括悲傷、憤怒、高興、驚訝、恐懼、厭惡以及中性；

11、對各所述歷史情感文本數(shù)據(jù)進(jìn)行至少包括文本清洗、分段截詞、段落長度統(tǒng)一、構(gòu)建文本字典的處理后，對各所述歷史情感文本數(shù)據(jù)進(jìn)行情感類別的標(biāo)注，以完成預(yù)處理；所述情感類別至少包括積極因子、消極因子以及抑郁因子。

12、進(jìn)一步的，所述步驟s2中，所述面部表情識別模型以resnet網(wǎng)絡(luò)作為骨干，設(shè)有若干個殘差模塊以及一個用于輸出各表情類別對應(yīng)概率的線性層；

13、各所述殘差模塊之間跳躍鏈接后，輸出端與所述線性層連接；

14、所述面部表情識別模型的損失函數(shù)為多元交叉熵?fù)p失函數(shù)，公式為：

15、

16、其中，limg()表示多元交叉熵?fù)p失函數(shù)的損失值；ypre_porb_img表示歷史面部表情圖像被預(yù)測為每種表情類別的概率；yimg表示歷史面部表情圖像的真實標(biāo)簽，即真實的標(biāo)簽類別；n表示歷史面部表情圖像的樣本數(shù)量；yi_img表示第i個歷史面部表情圖像的真實標(biāo)簽；yi_pre_porb_img表示第i個歷史面部表情圖像被預(yù)測為每種表情類別的概率；

17、所述面部表情識別模型的優(yōu)化器采用adam。

18、進(jìn)一步的，所述步驟s2中，所述文本情感分析模型以通過masked?lm技術(shù)進(jìn)行預(yù)訓(xùn)練的bert網(wǎng)絡(luò)作為骨干，設(shè)有若干個雙向transformer模塊以及一個用于輸出各情感類別對應(yīng)概率的一維卷積層；

19、各所述雙向transformer模塊依次串聯(lián)后，輸出端與所述一維卷積層連接；

20、所述文本情感分析模型的損失函數(shù)為負(fù)對數(shù)似然損失函數(shù)，公式為：

21、

22、其中，ltext()表示負(fù)對數(shù)似然損失函數(shù)的損失值；ypre_porb_text表示歷史情感文本數(shù)據(jù)被預(yù)測為每種情感類別的概率；ytext表示歷史情感文本數(shù)據(jù)的真實標(biāo)簽，即真實的情感類別；m表示歷史情感文本數(shù)據(jù)的樣本數(shù)量；wi表示第i個歷史情感文本數(shù)據(jù)的權(quán)重；yi_text表示第i個歷史情感文本數(shù)據(jù)的真實標(biāo)簽；yi_pre_porb_text表示第i個歷史情感文本數(shù)據(jù)被預(yù)測為每種情感類別的概率；

23、所述文本情感分析模型的優(yōu)化器采用adamw。

24、進(jìn)一步的，所述步驟s2中，所述超參數(shù)至少包括初始學(xué)習(xí)率、訓(xùn)練批次以及迭代次數(shù)；

25、所述步驟s3具體為：

26、通過在圖像處理大數(shù)據(jù)集imagenet上訓(xùn)練的第一模型參數(shù)初始化所述面部表情識別模型，將預(yù)處理后的各所述歷史面部表情圖像轉(zhuǎn)換為jpg格式的訓(xùn)練樣本對面部表情識別模型進(jìn)行訓(xùn)練，保存在訓(xùn)練過程中使所述面部表情識別模型的識別精度達(dá)到最高的第二模型參數(shù)；

27、通過在自然語言大數(shù)據(jù)集imdb上訓(xùn)練的第三模型參數(shù)初始化所述文本情感分析模型，將預(yù)處理后的各所述歷史情感文本數(shù)據(jù)轉(zhuǎn)換為utf-8編碼、txt格式的訓(xùn)練樣本對文本情感分析模型進(jìn)行訓(xùn)練，保存在訓(xùn)練過程中使所述面部表情識別模型的識別精度達(dá)到最高的第四模型參數(shù)；

28、所述步驟s4中，所述將所述實際面部表情圖像輸入面部表情識別模型得到表情類別，將所述實際情感文本數(shù)據(jù)輸入文本情感分析模型得到情感類別具體為：

29、對所述實際面部表情圖像執(zhí)行圖像增強(qiáng)的預(yù)處理后輸入面部表情識別模型，得到被預(yù)測為每種表情類別的第一概率，采用閾值法和非極大抑制值法，基于所述第一概率輸出最終識別的表情類別；

30、對所述實際情感文本數(shù)據(jù)執(zhí)行數(shù)據(jù)清洗的預(yù)處理后輸入文本情感分析模型，得到被預(yù)測為每種情感類別的第二概率，采用閾值法和非極大抑制值法，基于所述第二概率輸出最終識別的情感類別。

31、第二方面，本發(fā)明提供了一種基于ai的心理健康狀態(tài)評估系統(tǒng)，包括如下模塊：

32、歷史數(shù)據(jù)獲取模塊，用于獲取大量的心理健康狀態(tài)評估的歷史評估問卷以及對應(yīng)的歷史面部表情圖像、歷史情感文本數(shù)據(jù)，對各所述歷史面部表情圖像以及歷史情感文本數(shù)據(jù)進(jìn)行預(yù)處理；

33、ai模型創(chuàng)建模塊，用于基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)創(chuàng)建一面部表情識別模型以及一文本情感分析模型，分別設(shè)定所述面部表情識別模型以及文本情感分析模型的損失函數(shù)、優(yōu)化器以及超參數(shù)；

34、ai模型訓(xùn)練模塊，用于通過預(yù)處理后的各所述歷史面部表情圖像對面部表情識別模型進(jìn)行訓(xùn)練，通過預(yù)處理后的各所述歷史情感文本數(shù)據(jù)對文本情感分析模型進(jìn)行訓(xùn)練；

35、識別模塊，用于獲取待心理健康狀態(tài)評估的實際評估問卷以及對應(yīng)的實際面部表情圖像、實際情感文本數(shù)據(jù)，通過預(yù)設(shè)的心理測評量表對所述實際評估問卷進(jìn)行評估得到問卷評估分值，將所述實際面部表情圖像輸入面部表情識別模型得到表情類別，將所述實際情感文本數(shù)據(jù)輸入文本情感分析模型得到情感類別；

36、健康狀態(tài)評估模塊，用于基于所述問卷評估分值、表情類別以及情感類別自動生成心理健康狀態(tài)評估結(jié)果，完成心理健康狀態(tài)的評估。

37、進(jìn)一步的，所述歷史數(shù)據(jù)獲取模塊具體用于：

38、獲取大量的心理健康狀態(tài)評估的歷史評估問卷以及對應(yīng)的歷史面部表情圖像、歷史情感文本數(shù)據(jù)，將各所述歷史評估問卷、歷史面部表情圖像以及歷史情感文本數(shù)據(jù)進(jìn)行綁定存儲；

39、對各所述歷史面部表情圖像進(jìn)行至少包括圖像清洗、隨機(jī)剪裁、像素歸一化以及圖像尺寸統(tǒng)一的處理后，對各所述歷史面部表情圖像進(jìn)行表情類別的標(biāo)注，以完成預(yù)處理；所述表情類別至少包括悲傷、憤怒、高興、驚訝、恐懼、厭惡以及中性；

40、對各所述歷史情感文本數(shù)據(jù)進(jìn)行至少包括文本清洗、分段截詞、段落長度統(tǒng)一、構(gòu)建文本字典的處理后，對各所述歷史情感文本數(shù)據(jù)進(jìn)行情感類別的標(biāo)注，以完成預(yù)處理；所述情感類別至少包括積極因子、消極因子以及抑郁因子。

41、進(jìn)一步的，所述ai模型創(chuàng)建模塊中，所述面部表情識別模型以resnet網(wǎng)絡(luò)作為骨干，設(shè)有若干個殘差模塊以及一個用于輸出各表情類別對應(yīng)概率的線性層；

42、各所述殘差模塊之間跳躍鏈接后，輸出端與所述線性層連接；

43、所述面部表情識別模型的損失函數(shù)為多元交叉熵?fù)p失函數(shù)，公式為：

44、

45、其中，limg()表示多元交叉熵?fù)p失函數(shù)的損失值；ypre_porb_img表示歷史面部表情圖像被預(yù)測為每種表情類別的概率；yimg表示歷史面部表情圖像的真實標(biāo)簽，即真實的標(biāo)簽類別；n表示歷史面部表情圖像的樣本數(shù)量；yi_img表示第i個歷史面部表情圖像的真實標(biāo)簽；yi_pre_porb_img表示第i個歷史面部表情圖像被預(yù)測為每種表情類別的概率；

46、所述面部表情識別模型的優(yōu)化器采用adam。

47、進(jìn)一步的，所述ai模型創(chuàng)建模塊中，所述文本情感分析模型以通過masked?lm技術(shù)進(jìn)行預(yù)訓(xùn)練的bert網(wǎng)絡(luò)作為骨干，設(shè)有若干個雙向transformer模塊以及一個用于輸出各情感類別對應(yīng)概率的一維卷積層；

48、各所述雙向transformer模塊依次串聯(lián)后，輸出端與所述一維卷積層連接；

49、所述文本情感分析模型的損失函數(shù)為負(fù)對數(shù)似然損失函數(shù)，公式為：

50、

51、其中，ltext()表示負(fù)對數(shù)似然損失函數(shù)的損失值；ypre_porb_text表示歷史情感文本數(shù)據(jù)被預(yù)測為每種情感類別的概率；ytext表示歷史情感文本數(shù)據(jù)的真實標(biāo)簽，即真實的情感類別；m表示歷史情感文本數(shù)據(jù)的樣本數(shù)量；wi表示第i個歷史情感文本數(shù)據(jù)的權(quán)重；yi_text表示第i個歷史情感文本數(shù)據(jù)的真實標(biāo)簽；yi_pre_porb_text表示第i個歷史情感文本數(shù)據(jù)被預(yù)測為每種情感類別的概率；

52、所述文本情感分析模型的優(yōu)化器采用adamw。

53、進(jìn)一步的，所述ai模型創(chuàng)建模塊中，所述超參數(shù)至少包括初始學(xué)習(xí)率、訓(xùn)練批次以及迭代次數(shù)；

54、所述ai模型訓(xùn)練模塊具體用于：

55、通過在圖像處理大數(shù)據(jù)集imagenet上訓(xùn)練的第一模型參數(shù)初始化所述面部表情識別模型，將預(yù)處理后的各所述歷史面部表情圖像轉(zhuǎn)換為jpg格式的訓(xùn)練樣本對面部表情識別模型進(jìn)行訓(xùn)練，保存在訓(xùn)練過程中使所述面部表情識別模型的識別精度達(dá)到最高的第二模型參數(shù)；

56、通過在自然語言大數(shù)據(jù)集imdb上訓(xùn)練的第三模型參數(shù)初始化所述文本情感分析模型，將預(yù)處理后的各所述歷史情感文本數(shù)據(jù)轉(zhuǎn)換為utf-8編碼、txt格式的訓(xùn)練樣本對文本情感分析模型進(jìn)行訓(xùn)練，保存在訓(xùn)練過程中使所述面部表情識別模型的識別精度達(dá)到最高的第四模型參數(shù)；

57、所述識別模塊中，所述將所述實際面部表情圖像輸入面部表情識別模型得到表情類別，將所述實際情感文本數(shù)據(jù)輸入文本情感分析模型得到情感類別具體為：

58、對所述實際面部表情圖像執(zhí)行圖像增強(qiáng)的預(yù)處理后輸入面部表情識別模型，得到被預(yù)測為每種表情類別的第一概率，采用閾值法和非極大抑制值法，基于所述第一概率輸出最終識別的表情類別；

59、對所述實際情感文本數(shù)據(jù)執(zhí)行數(shù)據(jù)清洗的預(yù)處理后輸入文本情感分析模型，得到被預(yù)測為每種情感類別的第二概率，采用閾值法和非極大抑制值法，基于所述第二概率輸出最終識別的情感類別。

60、本發(fā)明的優(yōu)點在于：

61、1、通過獲取大量的心理健康狀態(tài)評估的歷史評估問卷以及對應(yīng)的歷史面部表情圖像、歷史情感文本數(shù)據(jù)，對各歷史面部表情圖像以及歷史情感文本數(shù)據(jù)進(jìn)行預(yù)處理；接著基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)創(chuàng)建面部表情識別模型、文本情感分析模型，分別設(shè)定面部表情識別模型以及文本情感分析模型的損失函數(shù)、優(yōu)化器以及超參數(shù)；接著通過預(yù)處理后的各歷史面部表情圖像對面部表情識別模型進(jìn)行訓(xùn)練，通過預(yù)處理后的各歷史情感文本數(shù)據(jù)對文本情感分析模型進(jìn)行訓(xùn)練；接著獲取待心理健康狀態(tài)評估的實際評估問卷以及對應(yīng)的實際面部表情圖像、實際情感文本數(shù)據(jù)，通過預(yù)設(shè)的心理測評量表對實際評估問卷進(jìn)行評估得到問卷評估分值，將實際面部表情圖像輸入面部表情識別模型得到表情類別，將實際情感文本數(shù)據(jù)輸入文本情感分析模型得到情感類別，最后基于問卷評估分值、表情類別以及情感類別自動生成心理健康狀態(tài)評估結(jié)果，完成心理健康狀態(tài)的評估；即通過預(yù)訓(xùn)練的面部表情識別模型識別心理健康狀態(tài)評估過程中的表情類別，通過預(yù)訓(xùn)練的文本情感分析模型識別心理健康狀態(tài)評估過程中的情感類別，再結(jié)合評估問卷的問卷評估分值即可輸出心理健康狀態(tài)評估結(jié)果，整個評估過程自動進(jìn)行，無需心理健康教師介入，避免心理健康教師在專業(yè)性和規(guī)范性上欠缺的問題，避免心理健康教師的主觀因素影響，且可靈活的選擇評估時間和地點，最終極大的提升了心理健康狀態(tài)評估的效率、專業(yè)性、客觀性以及靈活性。

62、2、通過對各歷史面部表情圖像進(jìn)行至少包括圖像清洗、隨機(jī)剪裁、像素歸一化以及圖像尺寸統(tǒng)一的處理，對各歷史情感文本數(shù)據(jù)進(jìn)行至少包括文本清洗、分段截詞、段落長度統(tǒng)一、構(gòu)建文本字典的處理，有效提升用于訓(xùn)練的數(shù)據(jù)集的數(shù)據(jù)質(zhì)量，極大的提升了面部表情識別模型和文本情感分析模型的識別、分析精度，進(jìn)而極大的提升了心理健康狀態(tài)評估的準(zhǔn)確性。

63、3、通過在圖像處理大數(shù)據(jù)集imagenet上訓(xùn)練的第一模型參數(shù)初始化面部表情識別模型，通過在自然語言大數(shù)據(jù)集imdb上訓(xùn)練的第三模型參數(shù)初始化文本情感分析模型，有效加快面部表情識別模型和文本情感分析模型的收斂速度，進(jìn)而極大的提升了面部表情識別模型和文本情感分析模型的訓(xùn)練速度。