一种基于机器学习的儿童心理健康问题预测方法及系统与流程

本发明属于心理健康预测，具体是指一种基于机器学习的儿童心理健康问题预测方法及系统。

背景技术：

1、儿童心理健康问题预测是指利用统计分析和机器学习方法，对儿童可能存在的心理健康问题进行预测的过程，它旨在及早发现心理健康问题，从而提供早期干预和支持，有助于减轻心理健康问题的严重程度，为儿童提供更好的治疗效果，促进儿童心理健康发展。

2、但在现有的儿童心理健康问题预测过程中，存在正常心理状态占据数据的大多数，导致数据集不平衡，对模型性能产生不良影响的技术问题；存在涉及多种不同类型数据，数据具有复杂性和多样性，缺乏一种高效提取数据特征的方法的技术问题；存在由于儿童心理健康问题复杂，受到多种因素影响，导致模型预测准确性低的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的儿童心理健康问题预测方法及系统，针对在儿童心理健康问题预测过程中，存在正常心理状态占据数据的大多数，导致数据集不平衡，对模型性能产生不良影响的技术问题，本方案采用自适应合成采样方法，通过合成样本增加数据多样性，从而平衡数据集，提高模型对心理异常状态的预测能力；针对在儿童心理健康问题预测过程中，存在涉及多种不同类型数据，数据具有复杂性和多样性，缺乏一种高效提取数据特征的方法的技术问题，本方案采用自动编码器进行特征提取，可以自动学习最有代表性的特征，有助于发现潜在特征，提升模型预测性能；针对在儿童心理健康问题预测过程中，存在由于儿童心理健康问题复杂，受到多种因素影响，导致模型预测准确性低的技术问题，本方案采用基于支持向量机的心理健康预测模型构建，通过优化参数来建立适应性强的决策边界，从而提高模型预测的准确性。

2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的儿童心理健康问题预测方法，该方法包括以下步骤：

3、步骤s1：数据采集，具体指获取儿童心理健康数据data1；

4、步骤s2：数据预处理，具体为通过数据清洗，得到儿童心理清洗数据data2，通过对儿童心理清洗数据data2进行缺失值填补，得到儿童心理标准数据data3，采用自适应合成采样方法，对儿童心理标准数据data3进行数据增强，得到儿童平衡心理数据data4；

5、步骤s3：特征提取，具体为通过最小化重构误差，优化自动编码器参数ωg和解码器参数ωh，计算得到已训练编码器，通过已训练编码器，对儿童平衡心理数据data4进行特征提取，计算得到儿童心理特征fea；

6、步骤s4：心理健康预测模型构建，具体为通过分类超平面模型，初始化支持向量机模型，得到初始模型model0，通过拉格朗日函数，优化支持向量机模型参数，并对初始模型model0进行训练，得到心理健康预测模型model1；

7、步骤s5：儿童心理健康问题预测。

8、作为本方案的进一步改进，在步骤s1中，所述儿童心理健康数据data1包括儿童个人信息、心理健康状况和心理状况标签，从医疗系统中获取儿童个人信息，通过家长填写优势和困难问卷获取心理健康状况，通过统计分析心理健康状况，得到心理状况标签，所述心理状况标签包括心理正常状态和心理异常状态。

9、作为本方案的进一步改进，在步骤s2中，所述数据预处理，包括以下步骤：

10、步骤s21：数据清洗，具体为对儿童心理健康数据data1进行数据清洗，所述数据清洗包括去重、z分数异常值删除和标准化，经过所述数据清洗，得到儿童心理清洗数据data2；

11、步骤s22：缺失值填补，包括以下步骤：

12、步骤s221：获取儿童心理清洗数据data2，计算公式为：

13、；

14、式中，data2是儿童心理清洗数据，da1是第1个儿童心理清洗数据样本，n是儿童心理清洗数据data2样本数量，所述儿童心理清洗数据样本包括儿童信息变量、心理状况变量和心理标签变量；

15、步骤s223：初始填补缺失值，具体为通过众数来初始填补儿童心理清洗数据data2的缺失值；

16、步骤s224：采用横截面插补算法，通过迭代填补缺失值，包括以下步骤：

17、步骤s2241：定义回归参数向量，计算公式为：

18、；

19、式中，gi是回归参数向量，ai1是第1个儿童心理清洗数据样本变量，ain是第n个儿童心理清洗数据样本变量，t是转置操作；

20、步骤s2242：通过回归参数向量，建立线性回归模型来估计缺失值，计算公式为：

21、；

22、式中，ya是缺失值变量，h（）是线性回归函数，yb是缺失值变量ya以外的其他变量，a是缺失值变量索引，b是缺失值变量ya以外的其他变量索引；

23、步骤s2243：通过线性回归模型，逐个填补儿童心理清洗数据data2的缺失值，计算得到儿童心理标准数据data3；

24、步骤s23：采用自适应合成采样方法，进行数据增强，包括以下步骤：

25、步骤s231：获取儿童心理标准数据data3，计算公式为：

26、；

27、式中，data3是儿童心理标准数据，at1是第1个儿童心理标准数据样本，是儿童心理标准数据样本数量；

28、步骤s232：选择一个心理异常状态的儿童心理标准数据样本，通过计算所选儿童心理标准数据样本与其他心理异常状态的儿童心理标准数据样本之间的欧氏距离，得到k个最近邻样本；

29、步骤s233：计算合成样本，计算公式为：

30、；

31、式中，eau是合成样本，atu是当前儿童心理标准数据样本，是随机最近邻样本，u是当前儿童心理标准数据样本索引，v是随机最近邻样本索引，α是取值范围为[0，1]的随机参数；

32、步骤s234：重复执行s232及后续操作x次，得到x个合成样本，将所有合成样本并入儿童心理标准数据data3，得到儿童平衡心理数据data4。

33、作为本方案的进一步改进，在步骤s3中，所述特征提取，具体为采用自动编码器进行特征提取，包括以下步骤：

34、步骤s31：通过自动编码器函数，计算隐藏层编码，计算公式为：

35、；

36、式中，f是隐藏层编码，g（）是自动编码器函数，z是儿童平衡心理数据样本，sigmoid（）是sigmoid函数，mg是自动编码器权重，cg是自动编码器偏置向量，ωg是自动编码器参数，所述自动编码器参数包括自动编码器权重mg和自动编码器偏置向量cg；

37、步骤s32：通过解码器函数，重构隐藏层编码，计算公式为：

38、；

39、式中，是儿童心理重构样本，h（）是解码器函数，mh是解码器权重，ch是解码器偏置向量，ωh是解码器参数，所述解码器参数包括解码器权重mh和解码器偏置向量ch；

40、步骤s33：依据儿童心理重构样本，计算重构误差，计算公式为：

41、；

42、式中，是重构误差，m是儿童平衡心理数据样本数量，j是儿童平衡心理数据样本和儿童心理重构样本索引，zj是第j个儿童平衡心理数据样本，是第j个儿童心理重构样本；

43、步骤s34：训练自动编码器，具体为通过最小化重构误差，优化自动编码器参数ωg和解码器参数ωh，计算得到已训练编码器；

44、步骤s35：通过已训练编码器，对儿童平衡心理数据data4进行特征提取，计算得到儿童心理特征fea。

45、作为本方案的进一步改进，在步骤s4中，所述心理健康预测模型构建，具体指基于支持向量机的心理健康预测模型构建，包括以下步骤：

46、步骤s41：初始化支持向量机模型，包括以下步骤：

47、步骤s411：构建训练集，具体为从儿童心理特征fea中划分出训练集q；

48、步骤s412：建立分类超平面模型，计算公式为：

49、；

50、式中，p是分类超平面法向量，qr是训练集样本，r是训练集样本索引，s是分类超平面偏移量；

51、步骤s413：通过分类超平面模型，初始化支持向量机模型，得到初始模型model0；

52、步骤s42：构建拉格朗日函数，计算公式为：

53、；

54、式中，是拉格朗日函数，是分类超平面法向量的欧几里得范数，w是训练集样本数，μr是松弛参数，labr是训练集样本标签；

55、步骤s43：通过拉格朗日函数，优化支持向量机模型参数，并对初始模型model0进行训练，得到心理健康预测模型model1。

56、作为本方案的进一步改进，在步骤s5中，所述儿童心理健康问题预测，具体为采用心理健康预测模型model1进行预测，将儿童心理健康分类并生成儿童心理健康报告。

57、本发明提供的一种基于机器学习的儿童心理健康问题预测系统，包括：数据采集模块、数据预处理模块、特征提取模块、心理健康预测模型构建模块、儿童心理健康问题预测模块；

58、所述数据采集模块获取儿童心理健康数据，并将所述儿童心理健康数据发送至数据预处理模块；

59、所述数据预处理模块接收来自数据采集模块的儿童心理健康数据，对所述儿童心理健康数据进行数据清洗、缺失值填补和数据增强操作，得到儿童平衡心理数据，并将所述儿童平衡心理数据发送至特征提取模块；

60、所述特征提取模块接收来自数据预处理模块的儿童平衡心理数据，采用自动编码器，对所述儿童平衡心理数据进行特征提取，得到儿童心理特征，并将所述儿童心理特征发送至心理健康预测模型构建模块；

61、所述心理健康预测模型构建模块接收来自特征提取模块的儿童心理特征，从所述儿童心理特征中获取数据，通过支持向量机模型训练，得到心理健康预测模型，并将所述心理健康预测模型发送至儿童心理健康问题预测模块；

62、所述儿童心理健康问题预测模块接收来自心理健康预测模型构建模块的心理健康预测模型，通过所述心理健康预测模型进行儿童心理健康问题预测，将儿童心理健康分类并生成儿童心理健康报告。

63、采用上述方案本发明取得的有益效果如下：

64、（1）针对在儿童心理健康问题预测过程中，存在正常心理状态占据数据的大多数，导致数据集不平衡，对模型性能产生不良影响的技术问题，本方案采用自适应合成采样方法，通过合成样本增加数据多样性，从而平衡数据集，提高模型对心理异常状态的预测能力。

65、（2）针对在儿童心理健康问题预测过程中，存在涉及多种不同类型数据，数据具有复杂性和多样性，缺乏一种高效提取数据特征的方法的技术问题，本方案采用自动编码器进行特征提取，可以自动学习最有代表性的特征，有助于发现潜在特征，提升模型预测性能。

66、（3）针对在儿童心理健康问题预测过程中，存在由于儿童心理健康问题复杂，受到多种因素影响，导致模型预测准确性低的技术问题，本方案采用基于支持向量机的心理健康预测模型构建，通过优化参数来建立适应性强的决策边界，从而提高模型预测的准确性。