基于KH-SVM的大學生心理健康評價

李力， 王鑫

(1. 商洛職業(yè)技術學院 師范教育系， 陜西 商洛 726000；2. 山西大學 信息技術系, 山西 太原 030006)

0 引言

傳統(tǒng)的心理健康評價方法主要采用問卷調查方法，雖然取得了一定效果，但是成效不顯著，導致很多心理問題不能被早期發(fā)現(xiàn)。隨著社會的快速發(fā)展與競爭壓力的不斷增加，當代大學生的心理健康問題日益突出，給校園學生管理帶來了諸多不確定性，因此進行大學生心理健康狀況評價具有重要的理論價值和現(xiàn)實意義[1]。心理健康評價本質上屬于模式識別或非線性分類問題。為彌補傳統(tǒng)的大學生心理健康測評研究方法的缺點，改善和提高支持向量機(Support Vector Machine，SVM)的性能，運用磷蝦群算法(Krill Algorithm，KH)優(yōu)化選擇SVM模型的懲罰系數(shù)C和核函數(shù)參數(shù)g。根據SCL-90總分和中國常規(guī)模式評價指南[2]，將9個維度的評價指標軀體化、人際關系敏感、精神病、抑郁、偏執(zhí)、恐怖、敵對、焦慮和強迫作為KH-SVM評價模型的輸入，以及大學生心理健康狀態(tài)作為KH-SVM評價模型的輸出，建立大學生心理健康KH-SVM評價模型，其中大學生心理健康狀態(tài)分為不健康、輕度不健康和健康。與SVM、極限學習機(Extreme Learning Machine，ELM)以及前饋神經網絡(Back-Propagation Neutral Network，BPNN)對比發(fā)現(xiàn)，KH-SVM可以有效提高大學生心理健康評價結果的準確率，為大學生心理健康評價評估提供了新的方法。

1 磷蝦群算法

在標準的KH算法中，每個磷蝦個體被看作一個可行解，食物被當作全局最優(yōu)解。第k個磷蝦的總的移動Zk由誘導運動Rk、覓食運動Sk以及隨機擴散Tk構成[3]，如式(1)。

Zk=Rk+Sk+Tk

(1)

式中，Zk為第k個磷蝦的總的移動。

(1) 誘導運動

誘導運動Rk為式(2)。

(2)

(2) 覓食運動

覓食運動Sk為式(3)。

(3)

式中，Vs為最大覓食速度；βk和ωk均處于[0,1]之間，且βk+ωs=1；βk和ωs分別為覓食方向和權重。

(3) 隨機擴散

隨機擴散速度Tk為式(4)。

Tk=Tmax(1-t/tmax)δ

(4)

式中，Tmax為最大隨機擴散速度；δ為隨機擴散方向，且δ∈[0,1]。

磷蝦個體位置更新模型[4]為式(5)、式(6)。

xk(t+Δt)=xk(t)+Δt×Zk

(5)

(6)

式(5)和式(6)中，UBi和LBi為變量上界和下界；Ci為步長縮放因子；NV為變量維數(shù)。

2 基于KH-SVM的大學生心理健康評價

基于KH-SVM模型的大學生心理健康評價模型流程圖，如圖1所示。

圖1 基于KH-SVM的大學生心理健康評價流程圖

首先，將采集的大學生心理健康評價數(shù)據分析劃分為訓練數(shù)據和測試數(shù)據；之后，針對訓練數(shù)據集運用KH優(yōu)化SVM模型的參數(shù)組合(C，g)建立基于KH-SVM模型的大學生心理健康評價模型[5-6]；最后，將KH尋優(yōu)獲取的最佳參數(shù)組合(C，g)代入SVM模型進行測試。

2.1 評價指標

根據SCL-90總分和中國常規(guī)模式評價指南[7-8]，將9個維度的評價指標軀體化、人際關系敏感、精神病、抑郁、偏執(zhí)、恐怖、敵對、焦慮和強迫作為KH-SVM評價模型的輸入，以及大學生心理健康狀態(tài)作為KH-SVM評價模型的輸出，建立大學生心理健康KH-SVM評價模型，其中大學生心理健康狀態(tài)分為不健康、輕度不健康和健康，大學生心理健康評價本質上為多分類問題[9]。基于KH-SVM的大學生心理健康評價模型示意圖，如圖2所示。

圖2 大學生心理健康評價模型示意圖

9個維度評價指標是大學生心理健康狀態(tài)的評價指標或特征屬性，作為KH-SVM模型的輸入，而大學生心理健康狀態(tài)是KH-SVM模型的輸出。

2.2 適應度函數(shù)

為提高SVM分類模型的性能，本研究運用KH算法優(yōu)化選擇SVM模型的懲罰系數(shù)C和核函數(shù)參數(shù)g，將分類準確率T當作大學生心理健康評價KH-SVM模型的適應度函數(shù)為式(7)。

(7)

式中，right為分類正確的樣本量；Total為樣本總量。

2.3 算法流程

大學生心理健康評價KH-SVM模型的算法流程可詳細描述如下。

(1) 讀取大學生心理健康評價數(shù)據，將數(shù)據劃分為訓練集和測試集，為消除數(shù)據量綱差異帶來的影響對數(shù)據進行歸一化處理；

(2) 初始化KH算法參數(shù)：磷蝦種群大小N、最大迭代次數(shù)Maxgen、最大覓食速度Vs、最大隨機擴散速度Tmax以及最大誘導速度Rmax，隨機初始化磷蝦種群，令當前迭代次數(shù)iter=0；

(3) 針對訓練集，按公式(7)計算每個磷蝦個體的適應度并排序，計算磷蝦個體的各運動分量；

(4)更新磷蝦個體的位置；

(5)判斷算法終止條件。如果iter

(6) 將最優(yōu)懲罰參數(shù)C*和核參數(shù)g*代入大學生心理健康SVM模型評價大學生心理健康狀況。

3 試驗與結果分析

3.1 數(shù)據來源

為了驗證KH-SVM進行大學生心理評價的有效性和可靠性，選擇某學院2018年入校大學生所做的大學生心理健康測量表[10-11]數(shù)據為研究對象，該表涉及大學生心理健康狀況的104個預設問題。選擇不健康、輕度不健康和健康等3種狀態(tài)為研究對象，不同心理健康狀態(tài)樣本數(shù)據，如表1所示。

表1 樣本數(shù)據

3.2 評價指標

為了評價大學生心理健康評估的效果，選擇準確率T和誤判率F作為評價指標[12-13]。

(1) 準確率T：假設大學生心理健康被正確識別的數(shù)量為A，而大學生心理健康的實際數(shù)量為B，則大學生心理健康評估的準確率，為式(8)。

(8)

(2) 誤判率F：假設大學生心理健康是第i類健康狀態(tài)的人數(shù)為H，將該類心理健康狀態(tài)誤判為第j類大學生心理健康的人數(shù)為W，則大學生心理健康狀態(tài)評價的誤判率，為式(9)。

(9)

3.3 結果分析

為驗證KH-SVM進行大學生心理健康評價的有效性和可靠性，將KH-SVM和ELM、SVM和BPNN進行對比[14]，KH參數(shù)設置為：磷蝦種群大小N=100、最大迭代次數(shù)Maxgen=100、最大隨機擴散速度Tmax=0.02、最大覓食速度Vs=0.02以及最大誘導速度Rmax=0.03；SVM模型參數(shù)取值：C∈[0.01,100]、g∈[0.01,10]。對比結果，如表2和圖3-圖6所示。

表2 大學生心理健康評價結果

圖3-圖6中，“○”為大學生心理健康狀態(tài)的實際類別，“*”為大學生心理健康狀態(tài)的評價類別，其中1、2、3分別表示大學生心理健康為不健康、輕度不健康和健康。當“*”和“○”重合時，說明大學生心理健康評價結果正確；當“*”和“○”不重合時，說明大學生心理健康評價結果錯誤。由表2和圖3-圖6可以看出，KH-SVM的大學生心理健康評價結果的準確率和誤判率分別為96.41%和3.59%，優(yōu)于ELM的92.28%和7.72%，SVM的90.46%和9.54%和BPNN的86.35%和13.65%。與ELM、SVM和BPNN對比發(fā)現(xiàn)，KH-SVM可以有效提高大學生心理健康評價結果的準確率，為大學生心理健康評價評估提供了新的方法。

圖3 KH-SVM評估結果

圖4 ELM評估結果

圖5 SVM評估結果

圖6 BPNN評估結果

4 總結

為彌補大學生心理健康測評研究傳統(tǒng)方法的不足，提出一種基于KH-SVM的大學生心理評價方法。將9個維度的評價指標軀體化、人際關系敏感、精神病、抑郁、偏執(zhí)、恐怖、敵對、焦慮和強迫作為KH-SVM評價模型的輸入，以及大學生心理健康狀態(tài)作為KH-SVM評價模型的輸出，建立大學生心理健康KH-SVM評價模型。與ELM、SVM和BPNN對比發(fā)現(xiàn)，KH-SVM可以有效提高大學生心理健康評價結果的準確率，為大學生心理健康評價評估提供了新的方法。