技术特征：
1.一种心理测评量表分类模型获取方法，其特征在于，所述心理测评量表的分类模型获取方法包括以下步骤：s1：获取心理测评量表数据库，所述心理测评量表数据库中包含预训练心理测评量表的响应时间以及无标签心理测评量表的响应时间，所述预训练心理测评量表为已知分类标签的心理测评量表，所述无标签心理测评量表为无标签的心理测评量表，所述响应时间为答题者在完成心理测评量表中的各个题目对应的答题时间，所述分类标签用于表示所述心理测评量表是否为有效心理测评量表；s2：利用预训练心理测评量表的响应时间以及分类标签对所述初始神经网络分类器进行构建并训练，所述初始神经网络分类器的输入值为预训练心理测评量表的响应时间；s3：对心理测评量表数据库中无标签心理测评量表的响应时间进行降维得到低维特征，采用聚类方法将所述低维特征聚为两类，并为每类所述低维特征对应的无标签心理测评量表标记上聚类标签，所述聚类标签用于表示对应心理测评量表是否为有效心理测评量表；s4：将所述无标签心理测评量表的响应时间作为所述初始神经网络分类器的输入，并对所述初始神经网络分类器进行训练，利用所述聚类标签对所述初始神经网络分类器的训练进行监督得到分类模型，所述分类模型用于对心理测评量表进行筛选。2.如权利要求1所述的心理测评量表的分类模型获取方法，其特征在于，所述初始神经网络分类器包括：输入层、隐藏层以及输出层；其中，输入层和隐藏层均使用relu作为激活函数，输出层使用sigmoid作为激活函数。3.如权利要求2所述的心理测评量表的分类模型获取方法，其特征在于，选取准确率作为所述初始神经网络分类器的优化指标，以交叉熵函数作为所述初始神经网络分类器的损失函数；所述初始神经网络分类器的损失函数为：其中，l
y
表示所述初始神经网络分类器在预测所述具有分类标签的心理测评量表的类型时的损失函数；y
i
为第i个心理测评量表的分类标签，p
i
表示第i个心理测评量表预测为正常心理测评量表的概率，n表示所述心理测评量表数据库中具有分类标签的心理测评量表的数量。4.如权利要求3所述的心理测评量表的分类模型获取方法，其特征在于，所述心理测评量表的分类模型获取方法还包括：s5：对所述分类模型进行再次训练；s5-1：将所述完成上一次训练的分类模型的第一层网络提取的特征作为低维聚类特征；s5-2：采用聚类方法将所述低维聚类特征聚为两类，并更新每类所述低维聚类特征对应的无标签心理测评量表上的聚类标签；s5-3：采用无标签心理测评量表的响应时间以及更新后的聚类标签对分类模型进行监督训练并调整所述分类模型的参数；s5-4：重复s5-1～s5-3，直到本次分类模型第一层网络提取的低维聚类特征与上一次
分类模型第一层网络提取的低维聚类特征之间的差异小于预设值。5.如权利要求1-4中任意一项所述的心理测评量表的分类模型获取方法，其特征在于，所述利用预训练心理测评量表的响应时间以及分类标签对所述初始神经网络分类器进行构建并训练，具体为：将心理测评量表数据库中预训练心理测评量表的响应时间平均分为k个子样本，并分别记作子样本(1)、子样本(2)、...、子样本(i)...子样本(k)；对初始神经网络分类器进行k次迭代训练，其中第i次迭代训练的情况是将子样本(i)作为初始神经网络分类器的测试集，其余的k-1个子样本作为初始神经网络分类器的训练集。6.如权利要求1-4中任意一项所述的心理测评量表的分类模型获取方法，其特征在于，所述对心理测评量表数据库中无标签心理测评量表的响应时间进行降维得到低维特征具体为：采用基于深度学习的自编码器对心理测评量表数据库中所有心理测评量表的响应时间进行降维得到低维特征；所述采用聚类方法将所述低维特征聚为两类具体为：采用kmean聚类方法对所述低维特征进行聚类，并设置k＝2。7.一种心理测评量表的筛查方法，其特征在于，所述心理测评量表的筛查方法包括：获取待筛选的心理测评量表的响应时间；将当前获取到的所述响应时间输入到分类模型中，根据所述分类模型的输出确定待筛选的心理测评量表是否为无效心理测评量表，所述分类模型为如权利要求1-6中任意一项所述的分类模型。8.一种心理测评量表的分类模型获取系统，其特征在于，心理测评量表的分类模型获取系统包括：数据库访问模块，用于获取心理测评量表数据库，所述心理测评量表数据库中包含预训练心理测评量表的响应时间以及无标签心理测评量表的响应时间，所述预训练心理测评量表为已知分类标签的心理测评量表，所述无标签心理测评量表为无标签的心理测评量表，所述响应时间为答题者在完成心理测评量表中的各个题目对应的答题时间，所述分类标签用于表示所述心理测评量表是否为有效心理测评量表；初始训练模块，用于利用预训练心理测评量表的响应时间以及分类标签对所述初始神经网络分类器进行构建并训练，所述初始神经网络分类器的输入值为预训练心理测评量表的响应时间；降维与聚类模块，对心理测评量表数据库中无标签的心理测评量表的响应时间进行降维得到低维特征，采用聚类方法将所述低维特征聚为两类，并为每类所述低维特征对应的无标签心理测评量表标记上聚类标签，所述聚类标签用于表示对应心理测评量表是否为有效心理测评量表；二次训练模块，用于将所述无标签心理测评量表的响应时间作为所述初始神经网络分类器的输入，并对所述初始神经网络分类器进行训练，利用所述聚类标签对所述初始神经网络分类器的训练进行监督得到分类模型，所述分类模型用于对心理测评量表进行筛选。
技术总结
本发明涉及心理测评量表的分类模型获取方法、筛查方法及系统，心理测评量表的分类模型获取方法包括：S1：获取心理测评量表数据库，心理测评量表数据库中包含预训练心理测评量表的响应时间及无标签心理测评量表的响应时间。S2：利用预训练心理测评量表的响应时间以及分类标签构建并训练初始神经网络分类器。S3：对无标签心理测评量表的响应时间进行降维得到低维特征，采用聚类方法将低维特征聚为两类，并为每类低维特征对应的无标签心理测评量表标记上聚类标签。S4：将无标签心理测评量表的响应时间以及聚类标签对初始神经网络分类器进行训练得到分类模型。分类模型对新的无标签心理测评量表分类并判断是否为有效的心理测评量表。测评量表。测评量表。
技术研发人员：王菲 张锡哲 魏鑫茹
受保护的技术使用者：南京脑科医院
技术研发日：2022.03.25
技术公布日：2022/8/5