基于改進(jìn)ANN 的心理狀態(tài)預(yù)警建模與仿真

白茹

（西安航空職業(yè)技術(shù)學(xué)院，陜西西安 710000）

隨著社會(huì)發(fā)展與時(shí)代的進(jìn)步，心理問(wèn)題越發(fā)受到人們的重視。大學(xué)生由于社會(huì)經(jīng)驗(yàn)欠缺且處理挫折的能力有限，在面對(duì)學(xué)業(yè)、工作、感情與人際關(guān)系時(shí)，會(huì)造成較大的情緒波動(dòng)[1-2]，若不及時(shí)排解，便會(huì)形成一定的心理問(wèn)題，導(dǎo)致行為偏激等。然而，現(xiàn)階段所提出的一些心理問(wèn)題預(yù)警算法均存在著準(zhǔn)確率不足等問(wèn)題[3-5]。因此，亟需一種可以代替人工，并能及時(shí)、準(zhǔn)確發(fā)現(xiàn)大學(xué)生心理問(wèn)題的算法。

針對(duì)上述提到的問(wèn)題，文中基于改進(jìn)人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）設(shè)計(jì)了一套心理危機(jī)預(yù)警算法模型。該模型可以有效結(jié)合ANN、BP（Back Propagation）算法與ReLU 激活函數(shù)的優(yōu)勢(shì)，在保證準(zhǔn)確率的條件下完成對(duì)心理危機(jī)的預(yù)警。對(duì)比實(shí)驗(yàn)結(jié)果也充分驗(yàn)證了該算法的可行性與可靠性。

1 改進(jìn)ANN算法設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)[6-9]是一種通過(guò)模擬人腦行為，利用邏輯規(guī)則建立的數(shù)據(jù)智能分析算法。ANN 算法的基本信息處理單元稱為“神經(jīng)元”，一個(gè)神經(jīng)元的輸入能夠與若干渠道的數(shù)據(jù)進(jìn)行交互，同時(shí)每個(gè)渠道均擁有對(duì)應(yīng)的連接權(quán)值。在經(jīng)處理單元與映射函數(shù)處理后，神經(jīng)元會(huì)將多個(gè)輸入數(shù)據(jù)處理成唯一結(jié)果后再進(jìn)行輸出。其所對(duì)應(yīng)的具體架構(gòu)，如圖1 所示。

圖1 神經(jīng)元基本架構(gòu)

由圖1 可知，一個(gè)典型的神經(jīng)元主要由五個(gè)部分所組成：

1）輸入數(shù)據(jù)：該模塊由多個(gè)渠道的待處理數(shù)據(jù)所組成。若將各渠道的數(shù)據(jù)記作xi，則神經(jīng)元的輸入數(shù)據(jù)可表述為：[x1,x2,…,xn,1]T。

2）連接權(quán)值：其是神經(jīng)元進(jìn)行線性映射的重要參數(shù)，通常采用w=[w1,w2,…,wi,…,wn,b] 表示。其中，wi為各渠道輸入數(shù)據(jù)與該神經(jīng)元的連接權(quán)值，b為修正因子。連接權(quán)值代表了輸入待處理數(shù)據(jù)與神經(jīng)元之間聯(lián)系的緊密程度，若其值為正數(shù)，說(shuō)明該神經(jīng)元被激勵(lì)；反之，則說(shuō)明神經(jīng)元被抑制。

3）數(shù)據(jù)處理：該模塊的主要功能是根據(jù)輸入數(shù)據(jù)及其對(duì)應(yīng)的連接權(quán)值，計(jì)算相應(yīng)的加權(quán)和，對(duì)應(yīng)的數(shù)學(xué)表達(dá)式為：

4）激活函數(shù)：其在神經(jīng)網(wǎng)絡(luò)中，負(fù)責(zé)將數(shù)據(jù)處理得到的加權(quán)結(jié)果通過(guò)非線性映射的方式傳遞至數(shù)據(jù)輸出模塊。常見的激活函數(shù)包括Tanh、Softmax 以及ReLU 函數(shù)等。

5）數(shù)據(jù)輸出：多渠道輸入數(shù)據(jù)庫(kù)經(jīng)多次處理后得到的最終結(jié)果用y=f(z)來(lái)表示，f為所選用的激活函數(shù)。

在ANN 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)與應(yīng)用中，除了要考慮上述激活函數(shù)外，還應(yīng)考慮神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)連接方式與所使用的模型訓(xùn)練算法。目前，神經(jīng)網(wǎng)絡(luò)的連接方式可分為前饋型和反饋型兩種，而模型訓(xùn)練算法則有BP[10]、自組織特征映射（Kohonen）[11]及可變學(xué)習(xí)速率算法（Variable Learning Rate Backpropagation，VLBP）[12]等。根據(jù)該文研究心理問(wèn)題的特點(diǎn)，選用前饋型神經(jīng)網(wǎng)絡(luò)（Feedforaward Neural Network，F(xiàn)NN）[13]、ReLU 激活函數(shù)[14]以及BP 算法進(jìn)行心理危機(jī)預(yù)警模型的設(shè)計(jì)與研究。前饋型神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層所構(gòu)成，其基本架構(gòu)如圖2 所示。

圖2 FNN基本組成架構(gòu)

在FNN 神經(jīng)網(wǎng)絡(luò)中，各層神經(jīng)元所接收到的輸入僅能是上一層神經(jīng)元的輸出，然后經(jīng)過(guò)本層激活函數(shù)的非線性映射處理后，再作為輸出傳遞至下一層。同時(shí)，該神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)信息傳遞方向均為由輸入層經(jīng)隱藏層到輸出層的單向傳輸，且其中并無(wú)任何反饋與回滾（Rollback）。

在利用傳統(tǒng)ANN 算法解決諸多實(shí)際問(wèn)題時(shí)，通常會(huì)遇到樣本不均衡、所得模型泛化程度較弱等問(wèn)題。此類問(wèn)題若不及時(shí)解決，可能會(huì)造成所得到的最終結(jié)果誤差較大等情況。為此，需對(duì)傳統(tǒng)ANN 算法加以改進(jìn)。過(guò)往的改進(jìn)算法通常在進(jìn)行優(yōu)化時(shí)，存在考慮較為片面的情況，如：基于欠采樣算法的ANN，僅考慮了樣本不均衡的問(wèn)題而沒有考慮如何提升模型的準(zhǔn)確度；基于集成學(xué)習(xí)的算法[15]則只考慮了模型相較于訓(xùn)練樣本的準(zhǔn)確性，但并未考慮樣本自身可能存在的不均衡問(wèn)題。

基于上述提到的問(wèn)題，文中提出了一種充分結(jié)合欠采樣（Undersampling）與集成學(xué)習(xí)（Ensemble Learning）優(yōu)點(diǎn)的集成采樣算法（ES-ANN）[16]。該算法一方面可解決樣本不均衡問(wèn)題，另一方面也能夠提高模型的準(zhǔn)確度。

ES-ANN 的基本思想是先根據(jù)訓(xùn)練樣本的分布情況決定模型訓(xùn)練過(guò)程中弱分類器的數(shù)量。在設(shè)置弱分類器個(gè)數(shù)時(shí)，應(yīng)充分考慮以下幾個(gè)方面的影響：1）考慮到分類中可能存在同票問(wèn)題，故弱分類器的個(gè)數(shù)應(yīng)設(shè)置為奇數(shù)；2）還應(yīng)保證樣本的均衡性，所以弱分類器個(gè)數(shù)的設(shè)置也不能較小；3）由于文中的訓(xùn)練和測(cè)試樣本數(shù)較少，因而弱分類器個(gè)數(shù)也不應(yīng)設(shè)置過(guò)大。當(dāng)設(shè)置完成弱分類器之后，再使用集成學(xué)習(xí)算法的思想對(duì)網(wǎng)絡(luò)整體進(jìn)行評(píng)估及優(yōu)化，最終即可得到理想結(jié)果。

2 預(yù)警模型設(shè)計(jì)

2.1 心理數(shù)據(jù)集和特征選取

該文采用的數(shù)據(jù)集來(lái)自某高校3 655 名學(xué)生的心理調(diào)查問(wèn)卷。由于部分學(xué)生作答存在前后矛盾或未完整作答等情況，需對(duì)原始的問(wèn)卷進(jìn)行篩選，最終選取了其中的2 347 份有效問(wèn)卷。同時(shí)為了更準(zhǔn)確地對(duì)學(xué)生心理健康狀態(tài)進(jìn)行評(píng)估，還調(diào)取了問(wèn)卷對(duì)應(yīng)學(xué)生的基本信息、學(xué)業(yè)情況以及校園一卡通消費(fèi)等信息。通過(guò)對(duì)以上信息的分析，在一定程度上也能得到影響學(xué)生心理的因素，以此綜合多方面的信息得到更為準(zhǔn)確的結(jié)果。其中學(xué)業(yè)信息涉及的字段及其對(duì)應(yīng)的解釋，如表1 所示。

表1 學(xué)生學(xué)業(yè)基本信息

根據(jù)上述四個(gè)數(shù)據(jù)來(lái)源，從中提取了三類數(shù)據(jù)特征，以供后續(xù)模型的進(jìn)一步分析與處理。

1）消費(fèi)特征：該類特征主要通過(guò)分析校園一卡通的消費(fèi)情況而來(lái)。通常經(jīng)濟(jì)條件較好的學(xué)生在外就餐次數(shù)偏多，而經(jīng)濟(jì)條件較差的學(xué)生，則在校內(nèi)的次數(shù)較多。

2）學(xué)習(xí)特征：該特征是根據(jù)學(xué)生的各科成績(jī)，分析學(xué)業(yè)壓力對(duì)學(xué)生心理的影響。

3）心理特征：此特征主要通過(guò)分析心理調(diào)查問(wèn)卷而來(lái)，其可反映出現(xiàn)階段學(xué)生所面對(duì)的主要壓力，進(jìn)而判斷問(wèn)題出現(xiàn)的主要原因。

2.2 心理危機(jī)預(yù)警模型設(shè)計(jì)

根據(jù)上文對(duì)改進(jìn)ANN 算法、心理數(shù)據(jù)集構(gòu)建以及特征選取方法的分析研究，該文提出的基于改進(jìn)ANN 心理危機(jī)預(yù)警模型整體架構(gòu)，如圖3 所示。

圖3 心理危機(jī)預(yù)警模型整體架構(gòu)

該模型的構(gòu)建從整體上可分為三個(gè)模塊：數(shù)據(jù)采集與預(yù)處理、數(shù)據(jù)處理與模型建立、心理危機(jī)預(yù)警。其中，數(shù)據(jù)采集與預(yù)處理模塊又可細(xì)分為采集、預(yù)處理兩部分。采集負(fù)責(zé)獲取學(xué)生的基本信息和學(xué)業(yè)信息等基礎(chǔ)數(shù)據(jù)，而數(shù)據(jù)預(yù)處理則根據(jù)需求對(duì)獲取到的原始數(shù)據(jù)進(jìn)行篩選，去除其中的無(wú)效信息，同時(shí)還需按照劃分的特征進(jìn)行選取，為下一個(gè)模塊的操作提供重要的數(shù)據(jù)支撐。數(shù)據(jù)處理與模型建立模塊可構(gòu)建ES-ANN 網(wǎng)絡(luò)，并利用BP 算法、ReLU 激活函數(shù)與訓(xùn)練集數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，以得到滿足需求的模型。心理危機(jī)預(yù)警模塊則是根據(jù)模型的輸出結(jié)果，對(duì)高校學(xué)生的心理狀態(tài)進(jìn)行評(píng)估。當(dāng)存在異常時(shí)，及時(shí)發(fā)出預(yù)警信息，以便后續(xù)的跟蹤與處理。

2.3 ES-ANN模型構(gòu)建

ES-ANN 構(gòu)建是整個(gè)心理危機(jī)預(yù)警模型中最重要的部分。為了充分利用有效數(shù)據(jù)集，使模型能在該數(shù)據(jù)集下達(dá)到最優(yōu)的學(xué)習(xí)訓(xùn)練效果，該文使用了十折交叉驗(yàn)證法（10-Fold Cross Validation，10-FCV）。其基本思想是：將每種數(shù)據(jù)集劃分為10 份，其中9 份為訓(xùn)練集，剩下的1 份為測(cè)試集。且10 次訓(xùn)練測(cè)試結(jié)果所求得的平均值，即代表最終的結(jié)果。若用A代表所有數(shù)據(jù)，Atrain代表訓(xùn)練集，Atest代表測(cè)試集，AT代表正樣本，AN 代表負(fù)樣本，利用10-FCV 法所形成的數(shù)據(jù)集組成，如表2 所示。

表2 10-FCV數(shù)據(jù)集組成

為解決樣本的非均衡問(wèn)題，經(jīng)過(guò)實(shí)際參數(shù)調(diào)優(yōu)，最終確定當(dāng)弱分類器的個(gè)數(shù)為5 時(shí)，取得的效果最優(yōu)。因此便將剩下的負(fù)樣本訓(xùn)練集利用隨機(jī)采樣的方式分成5 份，再將所有的正樣本訓(xùn)練集復(fù)制到上述5 個(gè)隨機(jī)分成的負(fù)樣本集中，從而形成了5 個(gè)弱分類器訓(xùn)練集進(jìn)行后續(xù)處理。具體形成的數(shù)據(jù)集組成，如表3 所示。

表3 弱分類器的訓(xùn)練集組成

其中，ANtrain代表隨機(jī)分成的負(fù)樣本集，ATtrain代表正樣本訓(xùn)練集。

3 實(shí)驗(yàn)與分析

為驗(yàn)證文中所提基于改進(jìn)ANN 的心理危機(jī)預(yù)警算法模型的可行性與準(zhǔn)確性，在某高校的大學(xué)生中進(jìn)行了問(wèn)卷調(diào)查，并將提取的數(shù)據(jù)信息輸入模型，完成了數(shù)值實(shí)驗(yàn)驗(yàn)證。同時(shí)為體現(xiàn)該算法的優(yōu)勢(shì)，還設(shè)置了基于支持向量機(jī)（Support Vector Machine，SVM）與基于隨機(jī)森林（Random Forest，RF）算法的預(yù)警模型作為對(duì)照，具體的實(shí)驗(yàn)過(guò)程及結(jié)果如下。

3.1 評(píng)價(jià)指標(biāo)

為有效利用數(shù)據(jù)集來(lái)準(zhǔn)確評(píng)估本算法在心理危機(jī)預(yù)警中的表現(xiàn)，利用10-FCV 法對(duì)數(shù)據(jù)集進(jìn)行劃分。此外，還引入了目標(biāo)檢測(cè)分類評(píng)估的兩個(gè)關(guān)鍵指標(biāo)準(zhǔn)確率（Accuracy，ACC）與查準(zhǔn)率（Precision，PRE）來(lái)對(duì)模型的準(zhǔn)確度加以衡量。兩個(gè)指標(biāo)的具體定義為：

式中，TP 代表預(yù)測(cè)為真實(shí)際為真的次數(shù)，TN代表預(yù)測(cè)為假實(shí)際為假的次數(shù)，F(xiàn)N 表示預(yù)測(cè)為假實(shí)際為真的次數(shù)，F(xiàn)P 則表示預(yù)測(cè)為真實(shí)際為假的次數(shù)。

3.2 實(shí)驗(yàn)參數(shù)調(diào)優(yōu)

該部分實(shí)驗(yàn)主要確定心理危機(jī)預(yù)警模型中，ESANN 網(wǎng)絡(luò)的兩個(gè)關(guān)鍵參數(shù)：學(xué)習(xí)率與弱分類器數(shù)量。

1）學(xué)習(xí)率調(diào)優(yōu)

學(xué)習(xí)率是監(jiān)督學(xué)習(xí)中的重要參數(shù)，該參數(shù)能夠保證目標(biāo)函數(shù)在恰當(dāng)?shù)臅r(shí)間收斂至局部最小值，進(jìn)而提高模型的準(zhǔn)確率。為此文中在弱分類器數(shù)量固定為5 的條件下，采用不同學(xué)習(xí)率進(jìn)行實(shí)驗(yàn)，所得結(jié)果如表4 所示。

表4 學(xué)習(xí)率參數(shù)調(diào)優(yōu)實(shí)驗(yàn)

由表可以看出，隨著學(xué)習(xí)率的不斷減小，所得到的模型效果也越來(lái)越優(yōu)。但考慮到模型訓(xùn)練迭代時(shí)間的影響，故并未進(jìn)一步減少學(xué)習(xí)率，而是選取學(xué)習(xí)率為0.001 進(jìn)行后續(xù)實(shí)驗(yàn)。

2）弱分類器數(shù)量

由于弱分類器數(shù)量存在限制因素，該文在學(xué)習(xí)率固定為0.001 時(shí)，選取1、3、5、7 個(gè)弱分類器進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表5 所示。

表5 弱分類器數(shù)量調(diào)優(yōu)實(shí)驗(yàn)

由表5 可知，當(dāng)弱分類器的數(shù)量設(shè)置為5 時(shí)，實(shí)驗(yàn)結(jié)果最優(yōu)。

3.3 實(shí)驗(yàn)對(duì)比

為體現(xiàn)所提算法的優(yōu)勢(shì)，在保證各算法參數(shù)最優(yōu)的條件下，利用相同訓(xùn)練集對(duì)各算法對(duì)應(yīng)的模型加以訓(xùn)練。同時(shí)利用相同測(cè)試集進(jìn)行模型驗(yàn)證，并以準(zhǔn)確率ACC 及查準(zhǔn)率PRE 為評(píng)估指標(biāo)。對(duì)比結(jié)果如表6 所示。

表6 多種算法實(shí)驗(yàn)對(duì)比結(jié)果

從表6 結(jié)果可知，該文算法在準(zhǔn)確率與查準(zhǔn)率上均優(yōu)于其他兩組算法，由此驗(yàn)證了該文算法的可行性與可靠性。

4 結(jié)束語(yǔ)

文中首先介紹了傳統(tǒng)ANN 算法，并針對(duì)其在實(shí)際應(yīng)用中所存在的問(wèn)題提出了一種改進(jìn)算法：ESANN。同時(shí)在該算法的基礎(chǔ)上設(shè)計(jì)出具有更高準(zhǔn)確率的心理危機(jī)預(yù)警模型。實(shí)驗(yàn)結(jié)果表明，與其他算法相比，所提算法的準(zhǔn)確率和查準(zhǔn)率更優(yōu)，充分體現(xiàn)了該算法的優(yōu)勢(shì)以及設(shè)計(jì)方案的有效性。