心理健康预测方法和装置、电子设备、存储介质

1.本发明涉及人工智能技术领域，尤其涉及一种心理健康预测方法和装置、电子设备、存储介质。


背景技术：

2.青少年心理健康的监测和干预是心理健康防卫工作的重要部分，对青少年的心理健康情况进行检测和筛查，可以了解青少年当下的心理健康状况，便于及时给予相应关注或采取相应措施，避免青少年的心理问题扩大化或者严重化，帮助心理问题较大的青少年恢复健康，实现对青少年心理健康的实时监测和及时干预。
3.目前主要的青少年心理健康检测方法，如心理问卷调查、心理咨询等，针对比较严重的心理问题或心理疾病效果显著，但对于许多青少年存在轻度的心理问题的情况，如心理不平衡或者轻度心理不健康等，上述传统的检测方法缺乏针对性，存在片面性，不能较全面、迅速地得出筛查检测结果，导致心理健康情况的预测准确率较低、监测效果较差。


技术实现要素：

4.本公开实施例的主要目的在于提出一种心理健康预测方法和装置、电子设备、存储介质，能够提高心理健康预测的准确率，提升对心理健康情况的监测效果。
5.为实现上述目的，本公开实施例的第一方面提出了一种心理健康预测方法，包括：
6.获取样本数据；所述样本数据包括视频数据、文本数据、语音数据、生理指标数据；
7.对所述样本数据进行数据预处理，得到多模态超边集；
8.将所述多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；所述原始神经网络模型为动态超图神经网络模型；
9.对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型；
10.根据预设的模型训练数据对所述第一神经网络模型进行训练，得到训练好的第二神经网络模型；
11.将所述样本数据对应的所述多模态超边集输入所述第二神经网络模型；
12.通过所述第二神经网络模型对所述样本数据进行预测，得到心理健康预测结果。
13.在一些实施例，所述对所述样本数据进行数据预处理，得到多模态超边集，包括：
14.对所述样本数据进行特征提取处理，得到初始特征；
15.对所述初始特征进行向量表示处理，得到特征向量；
16.根据所述特征向量进行超边集构建，得到单模态超边集；
17.将所述单模态超边集进行超边集融合，得到所述多模态超边集。
18.在一些实施例，所述对所述样本数据进行特征提取处理，得到初始特征，包括：
19.若所述样本数据为所述视频数据，则根据预设的第一卷积递归神经网络提取出视频特征；
20.若所述样本数据为所述文本数据，则根据预设的中文语句情感极性分析网络提取
出文本特征；
21.若所述样本数据为所述语音数据，则根据预设的第二卷积递归神经网络提取出语音特征；
22.若所述样本数据为所述生理指标数据，则根据预设的阈值函数提取出生理指标特征。
23.在一些实施例，所述对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型，包括：
24.对所述初始神经网络模型进行超图构建处理，得到第一子神经网络模型；
25.对所述第一子神经网络模型进行超图卷积处理，得到中间特征；
26.根据所述中间特征对所述第一子神经网络模型进行超图迭代构建处理，得到所述第一神经网络模型。
27.在一些实施例，所述对所述初始神经网络模型进行超图构建处理，得到第一子神经网络模型，包括：
28.针对所述初始神经网络模型中的每个节点，根据预设的临近算法计算临近节点，并根据所述临近节点得到第一超边；
29.根据预设的聚类算法对所述节点进行聚类处理，得到聚类节点，并根据所述聚类节点得到第二超边；
30.根据所述第一超边、所述第二超边进行超图构建，得到所述第一子神经网络模型。
31.在一些实施例，所述对所述第一子神经网络模型进行超图卷积处理，得到中间特征，包括：
32.对所述第一子神经网络模型进行节点卷积处理，得到第一子特征；
33.根据预设的多层感知器对所述第一子特征进行超边卷积处理，得到所述中间特征。
34.在一些实施例，所述对所述第一子神经网络模型进行节点卷积处理，得到第一子特征，包括：
35.对所述第一子神经网络模型中的每个节点进行特征学习，得到第二子特征，并构建变换矩阵；
36.根据所述第二子特征、所述变换矩阵对同一个超边内的节点的相互关系进行建模表示，得到建模结果；
37.对所述建模结果进行维度压缩处理，得到所述第一子特征。
38.为实现上述目的，本公开的第二方面提出了一种心理健康预测装置，包括：
39.数据获取模块，用于获取样本数据；所述样本数据包括视频数据、文本数据、语音数据、生理指标数据；
40.预处理模块，用于对所述样本数据进行数据预处理，得到多模态超边集；
41.初始模型生成模块，用于将所述多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；所述原始神经网络模型为动态超图神经网络模型；
42.模型构建模块，用于对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型；
43.模型训练模块，用于根据预设的模型训练数据对所述第一神经网络模型进行训练，得到训练好的第二神经网络模型；
44.数据输入模块，用于将所述样本数据对应的所述多模态超边集输入所述第二神经网络模型；
45.心理健康预测模块，用于通过所述第二神经网络模型对所述样本数据进行预测，得到心理健康预测结果。
46.为实现上述目的，本公开的第三方面提出了一种电子设备，包括：
47.至少一个存储器；
48.至少一个处理器；
49.至少一个程序；
50.所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。
51.为实现上述目的，本公开的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
52.如上述第一方面所述的方法。
53.本公开实施例提出的心理健康预测方法和装置、电子设备、存储介质，先获取样本数据，并对样本数据进行数据预处理，得到多模态超边集，然后将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型，进而对初始神经网络模型进行模型构建处理，并根据模型训练数据对模型进行训练，最后将样本数据对应的多模态超边集输入训练好的模型中，对样本数据进行预测，得到心理健康预测结果,通过本公开实施例提供的技术方案可以提高心理健康预测的准确率，提升对心理健康情况的监测效果。
附图说明
54.图1是本公开实施例提供的心理健康预测方法的流程图。
55.图2是图1中的步骤s120的流程图。
56.图3是图2中的步骤s210的流程图。
57.图4是图1中的步骤s140的流程图。
58.图5是图4中的步骤s410的流程图。
59.图6是图4中的步骤s420的流程图。
60.图7是图6中的步骤s610的流程图。
61.图8是本公开实施例提供的心理健康预测装置的模块框图。
62.图9是本公开实施例提供的电子设备的硬件结构示意图。
63.附图标记：数据获取模块810、预处理模块820、初始模型生成模块830、模型构建模块840、模型训练模块850、数据输入模块860、心理健康预测模块870、处理器901、存储器902、输入/输出接口903、通信接口904、总线905。
具体实施方式
64.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
65.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
66.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
67.青少年心理健康的监测和干预是心理健康防卫工作的重要部分，对青少年的心理健康情况进行检测和筛查，可以了解青少年当下的心理健康状况，便于及时给予相应关注或采取相应措施，避免青少年的心理问题扩大化或者严重化，帮助心理问题较大的青少年恢复健康，实现对青少年心理健康的实时监测和及时干预。
68.目前主要的青少年心理健康检测方法，如心理问卷调查、心理咨询等，针对比较严重的心理问题或心理疾病效果显著，但对于许多青少年存在轻度的心理问题的情况，如心理不平衡或者轻度心理不健康等，上述传统的检测方法缺乏针对性，存在片面性，不能较全面、迅速地得出筛查检测结果，导致心理健康情况的预测准确率较低、监测效果较差。
69.因此，利用先进的神经网络技术发明一种能够较全面且迅速地检测青少年心理健康的方法成为迫切的需要。
70.基于此，本公开实施例提供一种心理健康预测方法和装置、电子设备、存储介质，先获取样本数据，并对样本数据进行数据预处理，得到多模态超边集，然后将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型，进而对初始神经网络模型进行模型构建处理，并根据模型训练数据对模型进行训练，最后将样本数据对应的多模态超边集输入训练好的模型中，对样本数据进行预测，得到心理健康预测结果，通过本公开实施例提供的技术方案可以提高心理健康预测的准确率，提升对心理健康情况的监测效果。
71.具体地，本公开实施例提供一种心理健康预测方法，基于神经网络和超图技术，提取融合青少年检测者的多种模态样本数据，通过神经网络提取各模态的特征作为单位样本特征，为样本的每种模态特征分别构建超边集，再将这些单模态超边集合并为一个多模态超边集；多模态超边集是样本数据的预处理结果，后续将作为初始超图结构输入网络；利用已标注的样本数据完成对动态超图神经网络的搭建和训练优化；之后将青少年心理健康检测者的数据输入其中，通过多层网络进化和特征聚类，最终输出预测结果，作为该青少年检测者的心理健康检测结果，实现青少年心理健康的筛查检测。
72.本公开实施例提供的心理健康预测方法是一种利用动态超图神经网络(dynamic hypergraph neural network framework，dhgnn)对青少年心理健康进行筛查检测的方法。
73.其中，动态超图神经网络是的一种新型超图神经网络模型，包括动态超图构建(dynamic hypergraph construction,dhg)和超图卷积(hypergrpah convolution,hgc)两
大部分。具体地，动态超图构建用来动态更新每一层的超图结构；而超图卷积使用节点卷积和超边卷积用来汇集点和边的信息。
74.使用动态超图神经网络进行心理健康预测的优势至少包括：
75.(1)与其它的超图神经网络相比，动态超图构建能够动态更新超图结构，更好地表示出多模态数据在深层次上的分布，挖掘出青少年检测样本不同模态特征之间的高阶关系；
76.(2)超图卷积使用固定大小、权值共享的可学习卷积核进行特征提取，能够更好地进行信息聚合，对青少年检测样本进行更加可靠的特征聚类；
77.(3)动态超图神经网络与传统的心理检测方法相比速度更快，利用动态超图神经网络可以实现更加快速、准确、可靠的青少年心理健康检测。
78.在具体的实施例中，利用dhgnn进行青少年心理健康筛查检测时，节点表示一个青少年检测样本，超边表示包含在这条边中的所有节点代表的样本之间的某种共同属性。动态地更新超图结构能够随着网络的深入不断生成新的嵌入特征，捕捉到嵌入特征的高阶关系；超图卷积操作能够提取出样本各模态特征之间的局部关系和全局关系。
79.青少年的心理问题机理复杂多样，表型重叠不一，dhgnn通过对多种模态特征的学习，能得到更全面可靠的预测结果。
80.本公开实施例提供心理健康预测方法和装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的心理健康预测方法。
81.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
82.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
83.本公开实施例提供的心理健康预测方法，涉及人工智能技术领域，尤其涉及数据预测技术领域。本公开实施例提供的心理健康预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现心理健康预测方法的应用等，但并不局限于以上形式。
84.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例
程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
85.本公开实施例提出了一种心理健康预测方法，包括：获取样本数据；样本数据包括视频数据、文本数据、语音数据、生理指标数据；对样本数据进行数据预处理，得到多模态超边集；将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；原始神经网络模型为动态超图神经网络模型；对初始神经网络模型进行模型构建处理，得到第一神经网络模型；根据预设的模型训练数据对第一神经网络模型进行训练，得到训练好的第二神经网络模型；将样本数据对应的多模态超边集输入第二神经网络模型；通过第二神经网络模型对样本数据进行预测，得到心理健康预测结果。
86.图1是本公开实施例提供的心理健康预测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s110至步骤s170，具体包括：
87.s110，获取样本数据；
88.s120，对样本数据进行数据预处理，得到多模态超边集；
89.s130，将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；
90.s140，对初始神经网络模型进行模型构建处理，得到第一神经网络模型；
91.s150，根据预设的模型训练数据对第一神经网络模型进行训练，得到训练好的第二神经网络模型；
92.s160，将样本数据对应的多模态超边集输入第二神经网络模型；
93.s170，通过第二神经网络模型对样本数据进行预测，得到心理健康预测结果。
94.在步骤s110中，样本数据为多个模态的数据，包括但不限于视频数据、文本数据、语音数据、生理指标数据，其中，生理指标数据包括但不限于心率、血压、心率变异、心率信噪比、呼吸频次、紧张值、放松值等指标。
95.在步骤s120中，数据预处理的目的是对多个模态的样本数据进行融合，得到多模态超边集，用于后续的模型构建过程和预测过程，提升预测的精确度。
96.在步骤s130中，原始神经网络模型为动态超图神经网络模型，因此，后续通过原始神经网络模型经过各种途径得到的模型都为动态超图神经网络模型，如初始神经网络模型、第一神经网络模型、第二神经网络模型。
97.在步骤s140中，第一神经网络模型为经过模型构建之后得到的网络模型，此时，模型的结构相对完整，可以进行模型训练以实现模型预测。
98.在步骤s150中，预设的模型训练数据为用于模型训练的数据，具体地，使用python搭建dhgnn，把已标注的数据分别作为训练集和测试集，完成网络模型的训练和优化。
99.在步骤s160至s170中，把样本数据对应的多模态超边集输入训练好的网络模型中，经历多层超图构建和超图卷积网络的迭代，最终心理健康预测结果。心理健康预测结果包括模型的输出标签，具体包括健康、强迫、抑郁、偏执症、焦虑症等。
100.本公开实施例提出的心理健康预测方法，先获取样本数据，并对样本数据进行数据预处理，得到多模态超边集，然后将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型，进而对初始神经网络模型进行模型构建处理，
并根据模型训练数据对模型进行训练，最后将样本数据对应的多模态超边集输入训练好的模型中，对样本数据进行预测，得到心理健康预测结果，通过本公开实施例提供的技术方案可以提高心理健康预测的准确率，提升对心理健康情况的监测效果。
101.在一些实施例，对样本数据进行数据预处理，得到多模态超边集，包括：对样本数据进行特征提取处理，得到初始特征；对初始特征进行向量表示处理，得到特征向量；根据特征向量进行超边集构建，得到单模态超边集；将单模态超边集进行超边集融合，得到多模态超边集。
102.图2是一些实施例中的步骤s120的流程图，图2示意的步骤s120包括但不限于步骤s210至步骤s240：
103.s210，对样本数据进行特征提取处理，得到初始特征；
104.s220，对初始特征进行向量表示处理，得到特征向量；
105.s230，根据特征向量进行超边集构建，得到单模态超边集；
106.s240，将单模态超边集进行超边集融合，得到多模态超边集。
107.在步骤s210中，针对不同模态的数据，使用各自合适的神经网络方法来处理，提取出每种模态的样本数据对应的初始特征。
108.在步骤s220中，每种模态的数据特征分类结果用一个n维特征向量表示，得到每种模态的样本数据对应的特征向量。
109.在步骤s230中，为样本的每种模态特征分别构建超边集，得到每种模态的样本数据对应的单模态超边集。
110.在步骤s240中，将这些单模态超边集合并为一个多模态超边集。
111.在一些实施例，对样本数据进行特征提取处理，得到初始特征，包括：若样本数据为视频数据，则根据预设的第一卷积递归神经网络提取出视频特征；若样本数据为文本数据，则根据预设的中文语句情感极性分析网络提取出文本特征；若样本数据为语音数据，则根据预设的第二卷积递归神经网络提取出语音特征；若样本数据为生理指标数据，则根据预设的阈值函数提取出生理指标特征。
112.图3是一些实施例中的步骤s210的流程图，图3示意的步骤s210包括但不限于步骤s310至步骤s340：
113.s310，若样本数据为视频数据，则根据预设的第一卷积递归神经网络提取出视频特征；
114.s320，若样本数据为文本数据，则根据预设的中文语句情感极性分析网络提取出文本特征；
115.s330，若样本数据为语音数据，则根据预设的第二卷积递归神经网络提取出语音特征；
116.s340，若样本数据为生理指标数据，则根据预设的阈值函数提取出生理指标特征。
117.在步骤s310中，对于视频数据，利用二维的卷积递归神经网(convolutional recurrent neural network，crnn)，提取出视频特征并分类。其中，第一卷积递归神经网络为2d crnn网络。
118.在步骤s320中，对于文本数据，选择不同的数据集，进行不同的情感语句的极性分类，通过公共的情感类数据集进行预训练，利用训练好的中文语句情感极性分析网络的输
出文本特征。
119.在步骤s330中，对于语音数据，得出声谱图，利用crnn算法分别提取时域特征和频域特征，最后使用attention pooling技术进行分类输出，其中，第一卷积递归神经网络为crnn网络。
120.在步骤s340中，对于生理指标数据，将生理指标通过阈值函数输出指标分类，得到生理指标特征。
121.在一些实施例，对初始神经网络模型进行模型构建处理，得到第一神经网络模型，包括：对初始神经网络模型进行超图构建处理，得到第一子神经网络模型；对第一子神经网络模型进行超图卷积处理，得到中间特征；根据中间特征对第一子神经网络模型进行超图迭代构建处理，得到第一神经网络模型。
122.图4是一些实施例中的步骤s140的流程图，图4示意的步骤s140包括但不限于步骤s410至步骤s430：
123.s410，对初始神经网络模型进行超图构建处理，得到第一子神经网络模型；
124.s420，对第一子神经网络模型进行超图卷积处理，得到中间特征；
125.s430，根据中间特征对第一子神经网络模型进行超图迭代构建处理，得到第一神经网络模型。
126.在步骤s410中，第一子神经网络模型为进行超图构建处理后得到的模型。
127.在步骤s420中，中间特征为对超图结构进行卷积操作提取特征。
128.在步骤s430中，第一神经网络模型为经过迭代的构建后得到的、构建完成后的网络模型。
129.在步骤s410至s430中，dhgnn的模型构建工作包括：通过节点之间的关系构建超图结构，然后对超图结构进行卷积操作提取特征，接着根据新提取出的特征再次构建超图结构，由此实现了超图结构的更新。
130.需要说明的是，步骤s410至s430表示一次超图网络的进化，这个进化过程可以迭代多次，使得节点之间的关系进行多次动态调整，迭代次数可根据实际构建情况、所需精度等条件进行适当调整。
131.在一些实施例，对初始神经网络模型进行超图构建处理，得到第一子神经网络模型，包括：针对初始神经网络模型中的每个节点，根据预设的临近算法计算临近节点，并根据临近节点得到第一超边；根据预设的聚类算法对节点进行聚类处理，得到聚类节点，并根据聚类节点得到第二超边；根据第一超边、第二超边进行超图构建，得到第一子神经网络模型。
132.图5是一些实施例中的步骤s410的流程图，图5示意的步骤s410包括但不限于步骤s510至步骤s530：
133.s510，针对初始神经网络模型中的每个节点，根据预设的临近算法计算临近节点，并根据临近节点得到第一超边；
134.s520，根据预设的聚类算法对节点进行聚类处理，得到聚类节点，并根据聚类节点得到第二超边；
135.s530，根据第一超边、第二超边进行超图构建，得到第一子神经网络模型。
136.在步骤s510中，超图采用邻接矩阵的形式来表示，矩阵大小为|n|*|e|，分别表示
节点的数量和边的数量，其中有关系的节点和边表示为h(n,e)＝1,其余的表示为h(n,e)＝0。首先针对每一个节点，采用knn(knn，k-nearestneighbor)的方法找到和该节点最相似(即特征空间中最邻近)的n个节点，形成一个超边，于是得到|n|个超边。
137.其中，第一超边表示采用knn的方法找得到的临近节点形成的超边；邻近算法，又称说k最邻近分类算法。
138.在步骤s520中，然后利用kmeans等聚类方法在节点中圈出k个中心点，对于每一个节点，将它归属为最近的s个中心节点形成超边，又得到k个新的超边。
139.其中，第二超表表示采用聚类算法圈到的节点得到的超边；kmeans算法认为一个样本在特征空间中最相似的样本中大多数属于某一个类别，则该样本也属于这个类别。
140.在步骤s530中，将第一超边、第二超边一起用于模型的构建，使得超图构建的过程结合knn和kmeans的方法，提升了模型的预测精确度。
141.在一些实施例，对第一子神经网络模型进行超图卷积处理，得到中间特征，包括：对第一子神经网络模型进行节点卷积处理，得到第一子特征；根据预设的多层感知器对第一子特征进行超边卷积处理，得到中间特征。
142.图6是一些实施例中的步骤s420的流程图，图6示意的步骤s420包括但不限于步骤s610至步骤s620：
143.s610，对第一子神经网络模型进行节点卷积处理，得到第一子特征；
144.s620，根据预设的多层感知器对第一子特征进行超边卷积处理，得到中间特征。
145.在具体的实施例中，超图卷积处理包括步骤s610中的节点卷积(node convolution)和步骤s620中的超边卷积(hyperedge convolution)。节点卷积将节点特征聚合到超边，然后超边卷积将相邻的超边特征聚合到中心节点。
146.在步骤s610中，节点卷积将节点特征聚合到超边，其中，第一子特征为通过卷积操作得到节点的特征，用于生成最终的中间特征。
147.在步骤s620中，超边卷积将步骤s610中得到的用第一子特征mlp(multilayer perceptron，多层感知器)计算其权重，对于每一个中心节点，计算其所关联的所有边的加权和，得到中心节点的特征。
148.步骤s620中中间特征的计算过程如下：
149.w＝softmax(xew+b)
ꢀꢀ
(公式1)
[0150][0151]
其中，|e|为相邻超边集的大小，xe为相邻超边特征，xn为中心节点特征，w和b是可学习的参数。
[0152]
在一些实施例，对第一子神经网络模型进行节点卷积处理，得到第一子特征，包括：对第一子神经网络模型中的每个节点进行特征学习，得到第二子特征，并构建变换矩阵；根据第二子特征、变换矩阵对同一个超边内的节点的相互关系进行建模表示，得到建模结果；对建模结果进行维度压缩处理，得到第一子特征。
[0153]
图7是一些实施例中的步骤s610的流程图，图7示意的步骤s610包括但不限于步骤s710至步骤s730：
[0154]
s710，对第一子神经网络模型中的每个节点进行特征学习，得到第二子特征，并构
建变换矩阵；
[0155]
s720，根据第二子特征、变换矩阵对同一个超边内的节点的相互关系进行建模表示，得到建模结果；
[0156]
s730，对建模结果进行维度压缩处理，得到第一子特征。
[0157]
在步骤s710中，节点卷积首先对节点进行特征学习构建出一个变换矩阵，变换矩阵用于特征排列和加权，第二子特征表示步骤s710中得到的节点特征。
[0158]
在步骤s720中，通过变换矩阵和第二子特征相乘对同一个超边内的节点的相互关系进行建模和表示。
[0159]
在步骤s730中，经过一个卷积操作进行维度的压缩，得到第一子特征，第一子特征表示包含步骤s720中节点的边的特征。
[0160]
步骤s710至s730中的第一子特征的计算过程为：
[0161]
t＝mlp(xn)
ꢀꢀ
(公式3)
[0162]
xe＝conv(t
·
mlp(xn))
ꢀꢀ
(公式4)
[0163]
其中，xe为相邻超边特征，xn为中心节点特征。
[0164]
本公开实施例提出了一种心理健康预测装置，包括：数据获取模块，用于获取样本数据；样本数据包括视频数据、文本数据、语音数据、生理指标数据；预处理模块，用于对样本数据进行数据预处理，得到多模态超边集；初始模型生成模块，用于将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；原始神经网络模型为动态超图神经网络模型；模型构建模块，用于对初始神经网络模型进行模型构建处理，得到第一神经网络模型；模型训练模块，用于根据预设的模型训练数据对第一神经网络模型进行训练，得到训练好的第二神经网络模型；数据输入模块，用于将样本数据对应的多模态超边集输入第二神经网络模型；心理健康预测模块，用于通过第二神经网络模型对样本数据进行预测，得到心理健康预测结果。
[0165]
请参阅图8，图8示意了一实施例的心理健康预测装置，心理健康预测装置包括：数据获取模块810、预处理模块820、初始模型生成模块830、模型构建模块840、模型训练模块850、数据输入模块860、心理健康预测模块870，数据获取模块810与预处理模块820连接，预处理模块820与初始模型生成模块830连接，初始模型生成模块830与模型构建模块840连接，模型构建模块840与模型训练模块850连接，模型训练模块850与数据输入模块860连接，数据输入模块860与心理健康预测模块870连接。
[0166]
本实施例的心理健康预测装置的具体实施方式与上述心理健康预测方法的具体实施方式基本一致，属于相同的发明构思，在此不再赘述。
[0167]
本公开实施例还提供了一种电子设备，包括：
[0168]
至少一个存储器；
[0169]
至少一个处理器；
[0170]
至少一个程序；
[0171]
所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开实施上述的心理健康预测方法。该电子设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，简称pda)、车载电脑等任意智能终端。
[0172]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0173]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
[0174]
存储器902，可以采用rom(readonlymemory，只读存储器)、静态存储设备、动态存储设备或者ram(randomaccessmemory，随机存取存储器)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本公开实施例的心理健康预测方法；
[0175]
输入/输出接口903，用于实现信息输入及输出；
[0176]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wi fi、蓝牙等)实现通信；和
[0177]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0178]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0179]
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述心理健康预测方法。
[0180]
本公开实施例提出的心理健康预测方法和装置、电子设备、存储介质，先获取样本数据，并对样本数据进行数据预处理，得到多模态超边集，然后将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型，进而对初始神经网络模型进行模型构建处理，并根据模型训练数据对模型进行训练，最后将样本数据对应的多模态超边集输入训练好的模型中，对样本数据进行预测，得到心理健康预测结果，通过本公开实施例提供的技术方案提高心理健康预测的准确率，提升对心理健康情况的监测效果。
[0181]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0182]
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
[0183]
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0184]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0185]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0186]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0187]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0188]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0189]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0190]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0191]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0192]
以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替
换和改进，均应在本公开实施例的权利范围之内。