文摘

所有大学的心理健康教育工作目前面临着同样的问题,尽管大学的规模迅速扩大,需求不断增加的学生:很少有教师从事这个领域,不能满足大部分学生的紧急需求。因为他们的精神疾病,大学生无法及时完成学业,影响自身发展。一个接一个,这样的事件发生。本文利用大学生的常见精神障碍鉴定为例,构建了一个基于CNN精神障碍识别模型。模型具有学习能力,允许它诊断心理障碍的大学生和大学心理咨询和心理健康提供支持的团队。然而,由于中国目前很少关注这一群体的心理健康,有必要调查和分析大学生的心理健康。

1。介绍

许多人正经历着不同程度的心理障碍造成越来越大的压力从四面八方在社会、家庭和生活。社会稳定,家庭和谐,幸福都遭受了由于心理障碍1]。所有大学的心理健康教育工作目前面临着同样的问题,尽管大学的规模迅速扩大,需求不断增加的学生:很少有教师从事这个领域,这不能满足大部分学生的紧急需求2]。全日制高校心理咨询师的严重短缺已成为一个主要的障碍心理健康教育和干预。根据影响因素的分析当代大学生的心理健康,我们可以总结成10个影响因素:个人未来的压力,社会压力,经济压力,环境适应压力、学习压力、情感压力,父母的期望的压力,家庭压力,影响职业情感压力,人际关系压力。我们必须重视大学生的心理健康问题,全面分析和研究大学生心理问题的原因和理解影响心理健康的因素。从源代码开始,使用有效的方法来检测预警迹象的心理问题以达到预防的目的,真正解决大学生心理健康问题的窒息摇篮中心理问题的出现。人工智能理论的发展带来机遇,计算机辅助精神障碍鉴定(3]。心理障碍的建模和预测可以帮助相关专家和学者理解心理障碍的变化特点和制定有关治疗心理疾病患者的计划。因此,心理障碍的预测具有非常重要的社会和实际应用价值。

起初人们用专家预测心理障碍。在这种方法中,心理障碍的预测结果是不安全的。不同的专家可以产生不同的预测结果,预测结果与专业知识密切相关,使心理障碍的预测结果非常主观的和不可靠的4]。他们是杰出的年轻大学生代表了知青(5]。许多研究文献表明,神经网络能有效地模型和预测时间序列。本文分析了影响中国大学生心理健康的原因,扩展了评价因素,收集相应的数据,利用卷积神经网络模型来预测和分析大学生的心理健康,和建立一个卷积神经网络预测模型适用于精神障碍的识别,根据当前形势和中国学生的特点。

目前,大学只提供咨询和指导的大学生心理健康教育在学校心理辅导教师或医院心理专家。然而,由于不同程度的经验和技巧,它无法产生预期的效果。神经网络专家系统可以执行复杂的模式识别和任务复杂的规则,不能提前预测。他们正在明显比同龄人更心理压力。因此,研究当今大学生的心理健康是至关重要的。为了应对未来心理健康要求,研究人员正在调查大量的内部法律方面影响心理健康。这有助于心理健康工作产生新的想法。本文开发了一种CNN-based [6)心理障碍识别模型。预测结果之间的误差和测量值输出,安7是小样本训练后,也取得了预期的效果。模型可以发现大学生的心理状态,并提供实时诊断结果,以及心理咨询和心理健康提供支持团队在大学。

2。相关工作

心理健康教育在国外大学分为三个阶段,根据文献[8]:初期阶段、发展阶段和成熟阶段。据统计在文献[9),大学辍学的学生由于各种精神障碍引起的精神疾病约占总辍学人数的一半。文献[10结合知识发现和NNs产生预期的结果,优于传统方法。140个医学研究生的调查是在文献[进行11]。发现各种因素的范围值主要学生从全国平均水平显著差异中,一些因素得分低于普通人。单因素分析方法用于分析相关因素在文学(12在研究生的研究生理和心理症状。社会因素如性别、是否独生子女、人格特征已被证明影响研究生的生理和心理症状的研究。文献[13)研究生调查,表明女性研究生的心理健康明显高于男性方面的研究生规模的因子得分和总分。在文献[14,15的帮助下,二次性能指标的最优控制,提出了使用二次性能指标计算控制律来获取所需的优化效果。文献[16]提到,社会变化和大量涌入的独生子女进入大学,大学生患有心理疾病的数量有明显上升趋势。文献[17)进行了一项调查的400名医学研究生在成都,发现女孩的自杀概率为78.99%,而男生只有58.60%。在文献[18),调查289名医学硕士学生在军事学校是按性别分组,和分组结果进行了比较与几个国内的研究成果。比较表明,女学生比男学生在某些因素。文献[19)提出了一个混合学习算法,交替使用了遗传算法和CNN算法。在文献[20.),828年研究生校园作为研究对象对研究生的人格差异和生活条件的差异。通过讨论,发现一些研究生人口的因素高于国家标准范围值。由于这一群体的人格差异,心理健康提出了“三高”和“现象三个低点。“文学(21)提出与NNs结合多种群遗传算法,可同时考虑全局优化和局部优化解决方案的解决方案。文献[22)使用NNs建立数学模型来解决实际问题。文献[23)首先应用支持向量机模型,时间序列预测在1997年。文献[24)验证支持向量机的预测效果五个金融时间序列数据。实验结果表明,该评价指标如预测均方误差和平均绝对误差在5个数据样本的支持向量机比反向传播神经网络。文献[25)全国大学生调查显示,22.01%的学生有明显的心理问题,大约3/8的学生有不同程度的心理障碍。文献[26)在2009年提出了一个较低的神经网络预测模型的复杂性。本文根据大学生的心理健康现状,预测系统模型建立了大学生的心理健康状况基于CNN。该模型具有较高的精度和效率高。学生的心理问题可以提前预测,可以采用相应的措施。最后,学校的安定团结和学生将意识到的生长。

3所示。精神障碍的预测基于CNN

3.1。神经网络算法

领域的计算机科学与人工智能、人工神经网络(ANN)模拟生物神经系统的信息传播机制,这样机器就可以模仿人类大脑学习和识别信息(27]。得到执行计算和传播信息通过大量相互连接的神经元。它们通常用于描述输入和输出之间的复杂关系,以及调查数据的内部结构和模式。人工神经网络的拓扑结构连接,以及突触连接的强度或连接权重,确定他们的功能特性。一个矩阵W可以用来代表所有的神经网络连接的权重。整体反映了神经网络的知识存储的问题。通过学习和训练样本,神经网络可以不断改变的连接重量和拓扑网络,使网络的输出接近所需的输出。变量权值的动态调整是这个过程的本质,这被称为神经网络学习或培训。

人工神经元是一个模拟的特征加权求和的生物神经元的输入信息。它使用激活函数来获得网络的输入映射到实现的处理放大或抑制神经元的输出值。假设n输入神经元的代表 ,对应于每个输入的连接权重 ,为代表的阈值 ,和实际的输出值神经元为代表y,然后输入输出映射关系可以表示为下面的公式:

在这里,被称为激活函数。图1显示了一个人工神经元的结构计算机系统。

CNN的学习方法的第三个主要因素决定了CNN的信息处理性能,所以学习中起着重要作用的研究在神经网络研究28]。规则变化的权重被称为学习规则或学习算法。当单个处理单元共同调整权重,网络显示“智能”的特点。有意义的信息并存储在分布调整权重矩阵。

3.2。大学生心理健康状况的评价模型

准备的数据显示在安一个非常积极的作用。良好的数据可以快速平衡网络的收敛性,并输出结果。相反,糟糕的数据,无论如何修改网络参数,不能使网络达到所需的效果。大学生常见的心理疾病的识别从五个特征为例,说明了模型服务的开发过程。输入包括行为的五个特征,情感状态,饮食和睡眠,性格特征,和身体疾病。四个大学生常见的心理疾病选为训练,和神经网络识别构造精神疾病。在实践中,精神疾病的特性更加复杂和庞大,有很多重叠的功能之间的交互。选择这里,只有五个独特的共性来构造训练集的神经网络识别。

改进的神经网络心理障碍预测模型适用于以下原则。首先,收集关于心理障碍的历史数据。混沌算法用于预处理历史数据对心理障碍为了更好地理解如何随时间变化的特征。最后,神经网络用于预处理历史数据学习的心理障碍,和粒子群优化算法用于提高神经网络存在的问题,建立最好的心理障碍的预测模型。图2描述的工作原理改进NN-based精神疾病预测模型。

在大学生生活是至关重要的阶段,一个人成熟。在此期间,他们将面临许多问题,如情感和社会。如果处理不当,会出现各种各样的心理问题,如抑郁和焦虑。卷积层使用本地连接共享和体重减少network-free参数和网络参数的复杂性。卷积层计算公式如下:

在这里,和表示层的神经元活动ll - 1,代表卷积核,b代表了偏见。

为了使神经网络更有效的培训和改善建立了神经网络的训练速度,神经网络的输入和输出数据应该先预处理。神经网络计算,有必要将文字概念转化为数值。为了方便数据的歧视,六维矢量值用来表示每个特性。前三位代表类别,最后三位代表功能,所以总共26 = 64的特性可以调整。输出的四个subconvolution网络融合的完整的连接层。第一个完整的尺寸连接层和第二个连接层是512和256,分别。最后,将Softmax函数选为分类器的输出。将Softmax函数估计的概率输入x属于一个特定的类别j∈凯西:

选择常用的整流线性单元(ReLU)激发函数。ReLU励磁功能可以防止梯度消失和过度拟合。ReLU激发函数被定义为

辍学是一种有效手段,能够防止过度拟合在CNN和改善效果。特征表示的数据是非常重要的成功的培训模式。更好的数据表示可以减少甚至消除的影响因素与培训任务的原始数据结果并保存有用的信息,有利于培训的任务。

每个影响因素的特征排序根据程度的心理阻力,该指数类别中的每个影响因素影响的初始心理性能状态,和精神表现的不同影响类别。m维大学生心理的复杂性,不同的精神表现状态序列的总数米的概率,k不同的心理状态序列被认为是性能 ,和精神状态的概率顺序排名。定义排列熵:

集成的状态序列(5),并使用(6)表达的情感特征行为对应于这个阶段的心理状态:

假设 表示时间序列的一组行为大学生心理状态的情感特征。由于大学生的行为倾向的复杂性以心理学为主,有必要构建一个与心理时间的关系τ,选择时间序列 形成一个新的时间点序列 ,并确定它根据相关性的计算和和心理上的持续时间τ。

本文运用精神障碍的患病率作为精神疾病的历史数据。他们组成一种时间序列数据按照时间顺序排列,不考虑相关影响因素,历史数据组成的一维时间序列数据。为了获得一个更高的精确度,精神障碍的预测结构,提出了一种改进的神经网络精神疾病预测模型。该模型具有自主学习的能力,能够实现大学生心理障碍的诊断。

4所示。结果分析和讨论

研究人员模拟真正的神经网络建立神经网络的计算能力。因为它逐步展示了强大的功能,如学习,记忆,和协会在其发展,神经网络在各种领域的广泛应用。简单的模式识别是通过神经网络诊断的应用研究大学生心理障碍,达到预期的诊断效果。目前,特定的系统只是一个简单的模拟生物神经系统的性能。理论上系统可以执行复杂的模式识别和完成任务的复杂规则,事先不能确定是否做了足够的培训和学习。后使用的内部表示神经网络学习样本集的权重和阈值,最能够满足数据需求通过神经网络的自适应学习获得的。特征识别样本集的数据输入到训练网络,然后理性和自动识别示例输出结果。当视为一个从输入数据映射到输出数据,神经网络是高度非线性的。数据3- - - - - -6实验的结果。

可以看出,无论输入样本长度是20或30卷积层和downsampling层1时,均方根误差和相关系数的预测结果比当卷积层和downsampling层2。决定系数的预测结果更接近于1。在这篇文章中,它被认为是更合理的选择1层和卷积downsampling卷积神经网络层汇率预测模型。

根据程度的心理阻力,每个影响因素的特征分类,类别受到每个影响因素的指标得到初始心理性能状态下,和精神表现的不同影响类别。单个神经元只能执行简单的功能。如果你想实现的功能模拟人类大脑神经网络,完成复杂的任务,需要大量的神经元连接以某种方式与不同的拓扑结构形成一个安。我们用火车()函数训练CNN模型。培训后的误差曲线如图7。

根据图形描述,可以看出,网络自主学习过程中,错误是不断减少,误差基本达到目标在780步。通过不断训练神经网络,网络可以达到最小误差的预测。可以看出,预测模型具有良好的预测效果。通过不断训练神经网络,网络可以达到最小误差预测,从而可以满足我们的需求。比较曲线预测结果和真实值之间的2020如图8。

通过几组数据的仿真试验,可以看出,预测结果和真实值之间的误差,每组很小,和输入数据的拟合程度基本上满足所需要求。这表明所建立的模型具有一定的准确性和完全可以预测大学生的心理健康。

相同的参数用于三subconvolution网络动态输入数据。提取的特点,每个用户的行为在不同的时间点,第一个卷积层选择64卷积核的大小13。卷积后层是池层,负责二次特征提取。选择最有效的集中方法。池层后,第二次卷积层连接,和128年卷积核的大小选择33。目标是提取每个用户行为的特征指数在不同时间点,以及在同一时间多个用户行为的特征。在第二次卷积层,池层是补充道。一个卷积层和池层是用来从静态输入数据中提取特征。雇佣了64名13-size卷积核的卷积层。图9显示了该算法误差比较之前和之后的优化。

从图9中可以看出,通过比较之前和之后的错误与遗传算法优化,可以发现,优化后的神经网络预测模型优于优化前,和优化神经网络可以达到数据拟合的效果更快。

预测大学生的心理健康是一个复杂的、系统的过程。因为每个特定的过程执行其功能的因素是无形的,无形的,因为影响的结果可能是非线性的,这种方法能反映相应的影响心理状态的因素之间的关系和结果需要开发预测模型。优化神经网络的能力来适应数据明显改善在不改变原有的网络结构和网络参数。这样做的原因是,使用适应度函数的遗传算法确定最优权重和阈值,然后将这些权重和阈值传递给神经网络训练取代Matlab生成的随机权重和阈值在每个培训。这严重限制了能力调整阈值根据自己的体重。神经网络的迭代步骤的数目明显减少了优化后,和预设的目标可以达到更快。实验表明,利用遗传算法提高了CNN的初始权值和阈值,使之与更好的数据。

模糊聚类分析和预测能力的优化心理健康数据明显改善因为CNN发现通过适应度函数最优权值和阈值,然后给出了权重和阈值神经网络训练取代Matlab生成的初始权值和阈值随机在每个训练,这大大减少了权重和阈值的自动调节能力。通过改变神经网络的参数,预测系统的最终结果的计算很简单,灵活,和网络模型的预测效率和准确性大大提高。这提供了一个良好的参考方法研究大学生心理健康在很大程度上。

5。结论

大学生心理健康的重要性是不言而喻的。对大学生产生巨大影响,学校,社会,国家作为一个整体。如今,大学生的步伐加快研究和生活,社会影响正在增长,以及对学生的心理压力。在心理学方面,大学生体验各种各样的消极反应和失调。有些是彻头彻尾的危险。暂停从学校辍学,甚至伤害和自杀的精神疾病近年来都增加。心理因素是心理疾病的主要原因。心理问题对大学生的发展产生重大影响。因此,大学是他们的一个首要任务优先为大学生心理健康教育。最近大学生的心理健康已经成为一个热门话题。 The ability of fuzzy clustering analysis and prediction of optimized mental health data is clearly improved because CNN finds the optimal weights and thresholds through fitness function and then gives the weights and thresholds to neural network training to replace the initial weights and thresholds randomly generated by Matlab in each training, greatly reducing the ability of weights and thresholds self-adjustment. As a result, this paper builds a forecasting model of university students’ psychological disorders based on CNN. The results show that the improved NN overcomes the drawbacks of the current mental disorder forecasting model, allowing university students to know their psychological health status in real time. It is a high-precision, high-efficiency model for predicting psychological disorders with a wide range of applications. We can predict students who may have psychological problems in advance using this NN psychological forecasting model, so that appropriate attention or measures can be provided on time, avoiding the enlargement or aggravation of students’ psychological problems and ensuring the positive and stable development of schools and students.

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是支持的年度心理健康计划(项目没有。hx - 239)。