基于互聯(lián)網+機器學習的心理健康預警技術

李堅孝　吳家隱　李云錦　范振鍔　謝永輝

摘要：本文利用基于機器學習進行批量處理數(shù)據(jù)，對心理患者的情感表達文本數(shù)據(jù)進行大量的訓練，并利用訓練好的機器學習模型對心理疾病的數(shù)據(jù)進行心理情感分析，最后得出了用戶的心理健康變化情況并對用戶進行實時預警。本文實現(xiàn)了一對多跟蹤患者的病情發(fā)展，實時分析患者心理健康狀態(tài)，解決心理醫(yī)生數(shù)量匱乏的問題。

[關鍵詞]機器學習語義分析心理健康情感分析

1引言

隨著互聯(lián)網的發(fā)展，終端設備越來越越受到人們的喜歡，每一個人都通過輸入法進行文本的輸出，越來越多的人在通過萬維網進行檢索自己對世界的未知，通過了解萬維網知道我們需要的信息，Web3.0的來臨數(shù)據(jù)信息量的大幅度增長，信息存在著人們的情感，人對實物具有情感表達，輸入法和網頁瀏覽承載著人們的情感表達。在國內，心理健康醫(yī)療資源匱乏，心理醫(yī)生人數(shù)較少，難以面向海量的患者，而傳統(tǒng)的心里咨詢問診的方式下，心理醫(yī)生能夠接待的患者人數(shù)非常有限，很難實現(xiàn)大規(guī)模的病人管理。

由于無法實時監(jiān)控和分析患者的心理情況，使很多心理患者存在不知道自身的心理情況。因此，亟需一款能夠及時進行心理狀態(tài)的實時跟蹤、評級及預警的心理健康系統(tǒng)。

本文研究的是如何提高心理醫(yī)生的工作效率和實時跟蹤預警患者的心理情況。改變傳統(tǒng)的問診咨詢模式轉為一對多的實時跟蹤預警問診模式。

2機器學習處理情感分析

樸素貝斯算法為文本研究實驗的算法，是因為它具有非常高的穩(wěn)定性、易于實現(xiàn)、出錯率很低、邏輯比較簡單、對資源占用開銷小、很強的理論性。機器學習依賴于語料，本文所研究的語料分為兩類，即積極文本語料和消極文本語料，用機器學習方法進行處理和訓練這兩類數(shù)據(jù)。通過機器學習的情感分析對文本分析出[0，1]區(qū)間的概率，[0-0.5]的概率視為消極文本數(shù)據(jù)，[0.5-1]的概率視為積極文本數(shù)據(jù)。

本文使用Python進行自然語言處理，包括英文文本情感分析NaturalLanguageToolkit（NLTK），和中文文本情感分析SnowNLP。SnowNLP是用于處理中文文本情感分析的python類庫，是自然語言處理基于機器學習對文本數(shù)據(jù)分析的一種高效率、準確的情感分析。

3系統(tǒng)設計

系統(tǒng)主要包括：客戶端、服務端、醫(yī)生端、家屬端。

客戶端主要作用采集用戶文本數(shù)據(jù)和基本客戶端技術，經過數(shù)據(jù)采集、網頁記錄爬蟲、API映射。

服務端為客戶端、醫(yī)生端及家屬端提供Web后端、數(shù)據(jù)庫及心理健康評級預警的業(yè)務邏輯。服務端的主要實現(xiàn)的業(yè)務邏輯主要包括情感分析和健康評級，情感分析通過語義分析的手段，文本分類主要是由機器學習進行監(jiān)督學習，構建具有人工標注的語料庫實現(xiàn)。

醫(yī)生端主要顯示與該醫(yī)生綁定的用戶的狀態(tài)，在用戶心理健康水平較差時發(fā)出預警，以由醫(yī)生及時心理干預。

家屬端針對患者當前心理健康狀況，推送相關的輔助治療信息，使得患者家屬具備科學的心理干預知識，以便進行家庭治療。

4實驗結果與分析

本實驗研究的是心理健康預警系統(tǒng)，預警的目的主要是實現(xiàn)醫(yī)生的快速干預和輔助意思是治療，實驗數(shù)據(jù)主要通過分析心理疾病病人的日常表現(xiàn)和文字表述。系統(tǒng)的服務端主要采用python語言開發(fā)，實驗數(shù)據(jù)的形式基于分割成句子的形式來做測試數(shù)據(jù)和基于文本的形式來做測試數(shù)據(jù)。在實驗之前需要進行機器學習模型訓練，實驗的語料庫主要有兩種數(shù)據(jù)，積極文本數(shù)據(jù)和消極文本數(shù)據(jù)。

實驗評估指標：本實驗采用文本統(tǒng)計的平均值來評估一個用戶在心理健康評級的等級，等級分為差，中，好。在系統(tǒng)測試用戶的數(shù)據(jù)中，依據(jù)上述所說的概率值大于0.5的視為積極語句，概率小于0.5的視為消極語句。本實驗采用多次數(shù)據(jù)測試減少誤差。

采用評估函數(shù)進行評定用戶的心理健康評級，例如一個用戶的測試數(shù)據(jù)采用公式進行統(tǒng)計。一個用戶測試數(shù)據(jù)有10個語句，分別

統(tǒng)計積極語句文本的數(shù)量和消極數(shù)據(jù)的數(shù)量。計算消極率公式：

m表示消極文本的數(shù)量，M表示文本的總數(shù)量。

K表示積極文本的數(shù)量，M表示文本的總數(shù)量。

p表示消極率，Mp表示文本數(shù)量率的總數(shù)

（1）平均健康率在1%-30%被評為心理健康差的等級

（2）平均健康率在31%-80%被評為心理建康中的等級

（3）平均健康率在81%-100%被評為心理健康好的等級

在預警周期內，預警閾值設置為30%，即如果平均健康率低于30%，將發(fā)出預警報告，通知醫(yī)生端進行心理健康干預和治療。

5結束語

本文研究了互聯(lián)網+機器學習的心理健康預警系統(tǒng)，該系統(tǒng)包括客戶端、服務端、醫(yī)生端、家屬端。通過客戶端進行數(shù)據(jù)采集，由服務端進行語義分析與健康評級，并將數(shù)據(jù)反饋給心理醫(yī)生和家屬端。本文為醫(yī)生監(jiān)測心理疾病患者心理健康狀況提供了一種新的思路。

參考文獻

[1]楊佳能。基于語義分析的中文微博情感分類研究[D].廣東外語外貿大學，2014.

[2]郭勛誠。樸素貝葉斯分類算法應用研究[J].通訊世界，2019，26（01）：241-242.