文摘

HTP考试心理测验学是一个被广泛研究和应用心理评估技术。HTP测试是一种投影测试,指绘画本身的自由表达和创造力。因此,团体心理辅导的形式广泛应用于心理健康教育。与传统的神经网络相比,深度学习网络更深入、更网络层和可以学习更复杂的处理功能。在这个阶段,图像识别技术可以作为人类视觉的助理。人们可以很快获得通过的图片检索的信息。例如,你可以拍照的对象很难描述和快速搜索相关的内容。卷积神经网络,广泛应用于计算机视觉的图像分类任务,可以自动完成功能学习数据没有手动特征提取。与传统考试相比,测试可以反映不同群体的绘画特点。量化评分后,具有良好的信度和效度。 It has high application value in psychological evaluation, especially in the diagnosis of mental diseases. This paper focuses on the subjectivity of HTP evaluation. Convolutional neural network is a mature technology in deep learning. The traditional HTP assessment process relies on the experience of researchers to extract painting features and classification.

1。介绍

近年来,人工智能技术可广泛应用于复杂的模式和多个场景的深度学习,取得了一系列重大突破领域的图像识别和语音识别1]。HTP(树屋的人)的心理测验学测试是一个广泛的研究和应用心理评估技术。HTP测试也可以用作情报评估测试,主要是基于绘画的评价细节。传统的测试是一种心理投射测试,可以有效地应用于心理诊断、治疗和相关研究。测试可以反映不同群体的绘画特点,具有良好的信度和效度量化评分后,和心理评估中具有较高的应用价值,特别是在精神疾病的诊断。HTP测试是一种投影测试,指绘画本身的自由表达和创造力。这是一个测试的不同表现形式,唤醒考生的内心世界或个性特征,以便项目内心需求和欲望在绘画的过程中(2]。据统计,近85%的人的访问外部信息来自图像。随着计算机网络的快速发展,通信,软件和硬件技术,人类已经进入一个信息爆炸的时代3]。人们越来越重视形象的表达和处理信息。图像分类和识别的过程包括图像预处理、图像分割、关键特征提取和匹配识别。最新的图像分类技术的帮助下,我们不仅可以获得所需的信息更快的图像检索也应用于科学实验,流量识别、安全保护、医疗设备、人脸识别等领域(4]。

心理学的精髓在于探索人类的奥秘。因此,心理学家试图使用各种工具来理解人类[5]。面对的矛盾,有心理问题的人的数量增加,心理辅导的力量明显不足,很难个人辅导,以确保每个人都能及时咨询和有效。因此,团体心理辅导的形式广泛应用于心理健康教育(6]。与传统的神经网络相比,深度学习网络更深入、更网络层和可以学习更复杂的处理功能。照片带给我们一种方便的方法来记录和分享信息,但它是困难的对我们用图片表达的信息。越来越多的公司和研究人员使用深度学习讨论和研究图像分类,它提供了一个良好的发展,人工智能(7]。卷积神经网络,深度学习技术广泛应用于计算机视觉图像分类任务,可以自动完成功能学习数据没有手动特征提取(8]。图像从低级特征映射到高级特性通过多个隐藏层,和分类任务完成分类器的功能。

在信息技术快速发展的时代,它是时代的潮流,让电脑代替人类处理大量的信息和解决人类认知的局限性9]。符合时代潮流和应对政策,卷积神经网络,人工智能新技术,应用于HTP心理测量领域的测试。在这个阶段,图像识别技术可以作为人类视觉援助。人们可以快速的获得信息在图片搜索10]。例如,你可以拍照的对象很难描述和快速搜索相关内容。与现有的卷积神经网络相比,卷积神经网络将会更加合理和有效,减少训练时间,更合理的数据结果,和其他的优势,使其达到更高的精度比现有的技术在图像分类中的应用11]。我们主要总结和评论的基本原理HTP,心理辅导在各领域中的应用,以及存在的问题,以促进其在中国的进一步推广和应用程序(12]。

本文的创新贡献卷积神经网络技术应用于心理测验学。卷积神经网络近年来发展迅速,取得了良好的效果在自然语言、图像、语音识别,视频,等等。HTP树模块和模块之间,以出口为导向,稳定,和社会模块是主要的选择。主要部分是一个内在的、稳定的和群居的模具。每个能体现个性,活力,和自己的家庭。

2。相关的工作

领域的心理学和临床应用研究,受试者有铅笔,橡皮,和白皮书,他们必须利用白皮书。评价者分析和评价这幅画的内容按照一定的标准,以便理解心理现象,智力状态,个性,和其他内容的主题。Cai和郭先生提出的绘画特点的影子和重复的描述来反映主题的焦虑和认为阴影或黑色焦虑的表达是常见的神经症,强迫性人格,和其他精神病人(13]。刘等人开发了一个计算机辅助分析系统对HTP基于大量的临床研究。计算机辅助系统的总结专家的经验,使用计算机来存储记录,并试图标准化绘画图像信息的处理与计算机的帮助。目前,也有商业心理评估公司在市场上已经开发出类似HTP测试(计算机辅助系统14]。刘等人提出,HTP测试,作为一个非语言的诊断方法,能有效地反映抑郁,不能用言语来表达15]。李等人建立的逻辑回归模型的病理症状和个性画家绘画及其相关特点,预测和判断心理状态和人格特质通过绘画特征(16]。

程、张提出结论,中学生自杀计划的绘画特点更可能有许多房子,月亮和尖锐的部分图片,少人张开嘴巴,和太阳,和窗口相对较小17]。这些形式的绘画特点有一定参考价值的评价中学生的自杀问题。反向传播(BP)算法在18]。该算法解决了XOR问题的感知器,降低了神经网络的计算复杂度。它已广泛应用于各个领域,并引发神经网络研究的高潮。137年玉等人研究了HTP临床前社区成年人和121名临床病人和他们的社会内向内部氧化物明尼苏达多重人格测试,发现两组之间没有显著差异(19]。黄等人将273名小学学生分为正常和异常的组织运用儿童躯体化规模和奥肯博儿童行为量表和回归分析的特点HTP测试。结果表明,频率有显著差异的12幅特性之间的躯体化组和正常组(20.]。唐等人提出了神经元模型,描述了正式的数学描述神经元和网络结构的方法,并验证单个神经元具有的逻辑功能,从而打开大门的人工神经网络21]。高等人进行卡特尔16人格测试和对医学生HTP测试,发现有显著差异在绘画特征如笔的力量,画对称,线,和树类型。绘画测试是一种投影测试,基于心理动力学,并允许受试者来表达他们的心理状态和活动没有限制(隐藏在潜意识22]。

3所示。HTP图测试

3.1。HTP绘图测试理论

“投影”一词最初是由弗洛伊德提出,属于心理防御机制。翻译:个人无意识的心理倾向反映他们的思想、态度、愿望,情绪,人格,和其他心理特征在事物的解释23]。人对绘画很低的防御心理,潜意识信息(如动机、情绪、焦虑、冲突、和值)可以预测在绘画24]。他们不本身有一定的意义,但他们造成的反应具有特殊意义。的意义来自于主观的解释,认为测试刺激。不知不觉间,it项目其心理需求,性格,情感,动机,冲突、国防等内部状态。在各种绘画测试,HTP测试是最经典的一个,这是由三个熟悉的元素:房间,树,和人类25]。

HTP测试不仅辅助价值评价焦虑和抑郁等情绪状态对应力状态但也有参考意义。使用HTP测试来评估人格可以避免直接从攻击词汇,避免特殊的学科。避免敏感词汇引起他们的坏情绪或反应。潜意识的HTP投影测试侧重于评估和干预和指导的作用。它有广阔的应用前景在心理健康教育。房子,树的结合,人类不仅能大大降低受试者的负担也更有效地检测对象的个性特征,提高成功率,并扩大测试对象,如图1。

目前,人格主要是自陈量表的测量,和这些心理测试都是由问科目给正面或负面问题的答案。主题往往回答问题根据社会普遍接受的值,掩盖自己的真实的想法。HTP测试主要是基于心理动力学的观点,它认为房子,作为人们生活的地方,可能会导致对家庭和亲戚。树木的照片可以反映受试者的无意识。人反映受试者的自我形象和与他人相处的情况。是有差异的自闭症儿童和正常儿童之间的心理发展。HTP测试可以反映特定方面的差异。在中国,HTP绘画测试仍在开发的早期阶段。鉴于其独特的优势,它有很大的研究价值和应用空间。

3.2。HTP绘图测试研究总结

目前,主要有两种研究取向的绘画测试:意义解释取向和绘画特点分析取向。前分析绘画的意义和画家的心理状态或个性。后者建立了绘画的心理状态之间的关系表达式和人格特质通过建立标准化的评估标准的绘画特点,结合自陈量表。首先,绘画的心理测试是不限于语言,认知能力和年龄。它可以容纳更多的信息,如对象的心理状态、认知自己的角色,与环境和交互等。其次,根据精神分析理论,人们的潜意识或防御机制总是抗拒探索内心世界保护个人的需要。然而,大学生普遍缺乏自我意识,在很大程度上依赖于别人的评价。因此,HTP的非语言的性质可以反映隐藏的性格特点,帮助个人实现自己。HTP绘图测试分析的家庭辅导母女通信问题。结果表明,通过绘画和分析的过程中,母亲和女儿之间的通信是改善,家庭辅导的效果更好。

4所示。卷积神经网络

4.1。卷积神经网络的体系结构

在深度学习卷积神经网络模型。典型的卷积网络结构是,许多研究人员提高卷积网络的结构和性能,提高网络的普遍性和图像识别和分类的准确性,如图2。

神经网络是由大量的神经计算模型单元相互连接。MNIST数据库是由NIST SD-1和SD-3数据库,包含一系列的二进制手写数字图像。NIST数据库使用SD-3数据库作为训练样本集和SD-1作为测试样本集。SD-3比SD-1更清晰和更容易识别。SD-3数据库从笔迹统计局的工作人员,收集和收集SD-1学生在高中。60迭代的测试误差MNIST数据库和cifar-10数据库使用优化算法减少了,如图3和4。

从实验可以看出,SGD没有驾驶数量可以逐渐减少错误,但下降的速度和效果都一般。SGD和唠叨的影响驾驶能力优于SGD,但是早期的梯度下降缓慢,然后逐渐稳定,和SGD的影响驾驶能力优于唠叨。ADAGRAD的下行速度是稳定的,所以曲线光滑,效果很好。

改变后的数据量1000步的迭代之后,获得的实验结果在两个数据库,如图5和6。

在培训的过程中,可以看出,随着培训的数量的增加MNIST数据库和CIFAR-10数据库,测试误差会逐渐减少,随着数据的增加,它可以有效地防止过度拟合。

这些简单的处理单元构成一个大规模并行分布式处理器,它可以不断地从外部环境获取知识通过学习过程。权重,用于存储获取的知识,相当于细胞的激活人工神经网络的记忆。视觉皮层的神经细胞有非常复杂的模式,他们的条件很敏感的视觉区域。这些条件被称为当地接受字段,和所有的条件都可以平铺的覆盖整个视觉区域。传统神经网络通常只有两个或三层结构设计,而深层网络有更多的层和功能层。例如,降低抽样层是为了达到特定的学习效率。

卷积神经网络是一个网络结构常用于深度学习技术。因为深度学习的开发周期短,在图像分类中的应用一直是一个研究课题只有最近一年或两年。因此,图像分类基于深度学习是一种新的和有前途的研究课题。这两个分析公式一个和B建立了LFW面临性别分类,大量的匹配方案可以通过他们的关系。分类精度之间的关系一个和时间复杂性B了LFW数据集,每个可靠点的横坐标和纵坐标值反映了网络的时间复杂度在当前分类的准确性。分类精度开始下降时,时间复杂度下降很快,然后往往是平的,如图7。

学习方法都有一定的结构,有许多隐藏的神经网络。因此,所有机器学习方法与层次结构可以被称为深度学习。事实上,深层网络的前身是传统的人工神经网络。它们之间最大的区别主要体现在网络层和网络复杂性的数量。它由简单的细胞层,负责对特定刺激的接受域,提取特征,和交流复杂的细胞层,它可以被视为第一个网络卷积神经网络的实现。神经网络减少了网络参数的数量通过共享重量和提取最优局部特性通过限制接受域。最后,我们希望神经网络可以自动实现平移不变性,和所有这些功能可以实现卷积神经网络。

4.2。在卷积Neurovision图像分类

的方法有很多人类感知外部信息,包括听觉、视觉、嗅觉、味觉和触觉。换句话说,数据预处理的目的是减少甚至消除数据冗余。如果一个数据集包含了许多无关紧要的样品或嘈杂的冗余信息,很难找到他们在训练阶段。卷积神经网络的自由参数的数量大大减少由于本地连接共享和神经元权重的方法。55组控制参数是随机选择形成55个不同的网络训练模型,并获得的预测值之间的误差精度分析模型的公式和实际测试值比较,如图8。

55组控制参数是随机选择形成55个不同的网络训练模型,以及获得的预测值之间的错误的时间复杂度分析公式和实际测试中使用的时间值的模型比较,如图9。

最初的重量值和偏差值可以由一个零均值高斯随机采样功能。这个随机初始化的功能是为了打破对称。此外,图像功能平移、缩放和变形不变性的池层是非常好的。此外,有许多很好的算法,但他们不断促使卷积神经网络。卷积神经网络具有重大突破在图像的特性,所以它是更方便。因此,该行业使用更多的卷积神经网络。

图像分类是一种技术,使用计算机处理、分析和理解图像以识别各种目标和对象有不同的模式和将图像分为几个类别之一。它扮演着一个重要的角色在基于图像的数据采集和处理。一般来说,简单的网络,网络中的配置参数越小,越少时间来训练模型和应用测试。虽然复杂网络训练和测试期间更费时,需要更高的设备,它最终会显示更好的性能。具体地说,一个训练的例子 ,方不同的损失函数可以定义如下用于计算的输出值传播和转发吗W和b分别代表重量值和偏差值:

对所有米训练样本,总损失函数定义如下:

为了避免过度拟合,正则项或体重衰减项通常是添加到损失函数。衰变不用于重量偏差项。重量值,层指数和在哪里相邻的神经元指数隐藏层。重量衰减参数λ之间的相关性,平方误差项和正则化项已被控制。λ模型越大,价值越小是,这意味着模型改变越来越显示了更强的泛化能力:

培训的目的是减少损失函数的过程 。可以通过更新和b通过梯度下降法。参数和b更新在一个小范围在每个迭代的梯度下降法。α表示学习速率控制范围:

损失函数的导数 关于重量和偏见的定义如下:

每一层的神经元网络的误差项可以用来表示输出值之间的误差和真正的价值。

图像分类方法分为两类。第一类分类的图像在图像空间域和变换域。第二种是使用卷积神经网络学习图像特征自动图像分类。首先,改变一个可控参数,同时保持其他参数不变。分类精度之间的关系y和过滤器的大小x获得CIFAR-10数据设置如图10。

卷积神经网络学习层次特性描述监督或无监督的方式和直接使用图像像素信息作为输入,如图11。

所有的信息输入的图像保留在最大的程度上。特征提取和高层抽象由卷积操作,和模型直接输出图像识别的结果。卷积神经网络有能力结合图像的层次特征。

5。结论

在这篇文章中,卷积神经网络技术应用于心理测验学。卷积神经网络近年来发展迅速,取得了良好的效果在自然语言、图像、语音识别、视频和其他领域。卷积神经网络模型学习的本质区别HTP绘画由正常和异常组,也就是说,它依赖于矩阵运算,如卷积和池的网络,而不是绘画的任务总结和提取特征,然后进行分类和诊断绘画图像大量的实践。我们期待HTP标准化的研究,国内学者在未来。树HTP模块和模块之间,外向,稳定,和群居的模块是主要的选择。主要部分是一个内在的、稳定的和群居的模具。每一个能反映家庭的性格特征,活力和自我。HTP可以单独测试或用于团体辅导。心理测试目的是广泛应用于临床,因为其高的客观可靠性和简单的解释标准。尤其是在播出的采访中,HTP投影测试面试作为媒介,使受试者解释HTP绘画和快速了解受试者的内在冲突和感情。 This not only greatly improves the speed and accuracy of projection but also communicates with the subconscious and integrates itself through painting and uses its art therapy to promote the rehabilitation of mental patients. Although the final result has not completely reached the standard that can be applied to clinical diagnosis, however, we believe that the convolution neural network method is a new possibility for HTP mapping test evaluation, and it is also a new idea for psychometric research.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。