基于深度學習的大學生心理測試系統

楊學武 王若巖 夏震

摘 要：大學生心理問題頻發，但傳統的心理檢測存在費時費力、結果不精準等問題。本項目根據高校大學生心理健康問題，首次設計并研發了一種基于深度學習的智能心理測試系統。該系統利用深度學習技術進行人臉情感分析、自然語言處理，并根據SCL90，UPI等關于大學生心理測試的量表進行分析。用戶通過網頁或app平臺，可以通過語音、文字多維人機交互的方式進行心理測試。系統綜合得出準確的心理狀況分析并根據分析結果給出相應的治療方案。

關鍵詞：心理測試系統;深度學習特征;人機交互;自殺

引言：

近年來隨著計算機運算能力和神經網絡理論的發展，深度學習越來越引起科學界和工業界的關注。深度學習是一種自動學習特征的算法，其中最為代表的是卷積神經網絡（Convolutional Neural Network，CNN），它在人臉圖像識別領域得到廣泛的應用[3-5]，深度學習技術已經廣泛應用于心理學領域，用于心理健康或者情感分析，但基于深度學習技術對于自殺分析的研究還較少，為此本研究應用深度學習技術以大學生心理健康為研究對象，對大學生心理健康水平測試建立有效的算法模型用以識別其心理狀況進而為預防自殺提供有效支持。

1 數據采集

本研究的語言文本數據集采用的是來自 CIS 2016（計算智能與安全國際會議）的一篇paper [6]的一個數據集，表情數據集是來自kaggle的一次人臉表情比賽的Fer2013數據集，Fer2013人臉表情數據集由35886張人臉表情圖片組成，其中，測試圖（Training）28708張，公共驗證圖（PublicTest）和私有驗證圖（PrivateTest）各3589張，每張圖片是由大小固定為48×48的灰度圖像組成，共有7種表情，分別對應于數字標簽0-6，具體表情對應的標簽和中英文如下：0 anger 生氣;1 disgust厭惡;2 fear 恐懼;3 happy 開心;4 sad 傷心;5 surprised 驚訝;6 normal中性。

2 研究方法

2.1 文本預處理

中文分詞是中文文本處理的一個基礎步驟，也是中文人機自然語言交互的基礎模塊，在進行中文自然語言處理時，通常需要先進行分詞，jieba分詞算法使用了基于前綴詞典實現高效的詞圖掃描，生成句子中漢字所有可能生成詞情況所構成的有向無環圖（DAG）， 再采用了動態規劃查找最大概率路徑，找出基于詞頻的最大切分組合，對于未登錄詞，采用了基于漢字成詞能力的HMM模型，使用了Viterbi算法。

使用jieba分詞包對消息回復進行分詞處理除去分詞后文本中含有較少信息的詞語，例如（“啊”“哎”“吧”），經過篩選，找出消息回復中帶有情感色彩的話，比如，開心、哈哈、難受等字眼。

2.2 模型方法

這一部分我們將詳細介紹該心理測試系統用到的模型方法，因為在測試過程中有根據圖像識別和根據自然語言來識別，所以這部分我們分為兩個方面來介紹。

2.2.1 圖像識別模型

在圖像識別模型中，我們采用深度卷積神經網絡來將人臉表情特征提取與表情分類融合到一個 End-to-End 的網絡中。采用了 VGG19 來完成表情的識別與分類。VGG19 的每一個小塊是由一個卷積層，一個 BatchNorm 層，一個 ReLU 層和一個平均池化層 來構成的。在全連接層之前加入了 Dropout 策略，增加了模型魯棒性。并且，我們去掉了傳統 VGG19 中的多個全連接層，直接在一個全連接層后分為 7 類情緒去識別。

在用戶與系統進行人機交互的聊天過程中，我們的系統會通過攝像頭實時捕捉用戶的面部表情，然后進行實時的分析，每當用戶的情緒有較大的波動時系統會將表情捕捉然后根據softmax激勵函數進行處理后進行輸出。在前面有對表情進行七種分類，經激勵函數處理以后選擇概率最高的情緒進行輸出，這時就能得到用戶的情緒數據（不包括平淡的表情）。當用戶在測量過程中情緒波動很大時，系統將持續的檢測出用戶的情緒然后進行輸出。

在得到用戶的表情數據后，和用戶在聊天界面的文字輸入進行比對分析，就可以得到更加有說服力的數據。

2.2.2 自然語言處理模型

CNN 處理文本的時候，輸入就是一個為矩陣的句子，就像原先圖像像素的輸入一樣，不過是單通道的。矩陣的每一行對應一個單詞的 Token（標記），通常是一個單詞，但它可以是一個字符。也就是說，每行是表示單詞的向量表示。通常，這些向量是詞嵌入向量（低維表示），如 word2vec 或 GloVe，但它們也可以是將單詞索引為詞匯表的 one-hot 向量（獨熱編碼、一位有效編碼）。

在計算機視覺中，濾波器會滑過圖像的局部色塊，但在 NLP 中，我們通常使用在矩陣的整行上滑動的濾波器。因此，濾波器的 “寬度” 通常與輸入矩陣的寬度相同。高度或區域大小可以變化，通?？梢砸淮位瑒映^ 2-5 個單詞。

2.3 模型驗證

本研究將收集到的數據集隨機分為兩組，第一組70%用作訓練，用于模型訓練和建模，第二組30%，用于測試以及驗證使用建立的模型進行預測的準確率。經大量經驗得知，在keep—prob是70%的時候，可以得到較好的效果。

2.4 訓練測試結果

1） 測試集準確性數據：

18.， 18.， 12.， 6.， 6.， 36.， 68.， 67.， 71.， 85.， 73.， 88.， 80.， 78.，

80.， 71.， 76.， 76.， 85.， 76.， 76.， 88.， 90.， 79.， 84.， 84.， 86.， 86.

2） 最高準確率：90.000%

最高準確率 Epoch：22

在訓練了很長時間以后，訓練準確率幾乎穩定在了98%，然后我們拿這時的模型去進行測試，發現準確率平均能達到90%。這時我們可以說這個模型訓練成功了。

3 實驗結果與分析

該系統可以用打字聊天的方式讓測試者與電腦聊天機器人互動，在用戶許可的情況下還會打開攝像頭對用戶的表情進行采集從何得到更加準確的結果，在聊天過程中，我們的系統會對用戶的聊天內容以及表情進行實時分析，在測試完成以后會打出相應的分數，如果用戶表現積極則會得到高分并給出鼓勵，用戶表現消極則會得到低分而且會給出相應的建議。

4 結語

本文提出了基于深度學習來進行大學生心理健康水平的測量，針對人臉圖像和語言進行心理測試問題，該模型可以學習和提取到比較健壯的情緒特征，實現了大學生有心理健康問題和沒有心理健康問題的自動識別分類。

參考文獻：

[1]吳連海，王萍，王磊，等。心理健康癥狀對大學生自殺傾向預測模型的構建[j] 中國健康心理學雜志，2010，18（1）：99-100 。

[2]蔣懷濱，張斌，李強，等。消極完美主義對自殺態度預測機制的內隱實驗研究[j] 現代預防醫學2015，42（6）：1038-1041.

[3]LAWRENCES，GILESCL，TSOI Ac，etc. Face recognition：a convolutional neural network approach[J]. IEEE transactions on neural networks， 1997， 8（1）：98-1 13

[4]KHALILHMSUNGLS A convolutional neural network approach for face verification[C]2014 International Conference on High Performance Computing and Simulation（HPCS）. Bologna， Italy， 2014：707714.

[5] Sentiment Classification with Convolutional Neural Networks： an Experimental Study on a Large-scale Chinese Conversation Corpus ? CIS 2016：計算智能與安全國際會議

【基金項目】本文系天津工業大學2019年度大學生實踐創新訓練項目，項目編號：201910058064