一种基于互联网云端数据库的心理健康评估方法与流程

本发明涉及心理健康状态评估技术领域，具体涉及一种基于互联网云端数据库的心理健康评估方法。

背景技术：

随着社会经济发展，人类生活水平的提高，人们对健康的需求也在不断提升，健康的概念，已经跨越了″无病″的时代，开始进入身心健康和高质量的生活时代，心理健康，是现代人健康不可分割的重要方面，心理健康主要是指精神、活动正常、心理素质好，现代人物质生活相对安逸，但精神上、心里上的压力大，心里健康问题日益成为现代人健康的主要健康话题，因此，如何快速、准确、全面的评估个人的身心健康亟待研究。

在技术信息时代的今天，互联网日益成为人们生活中的常用工具。以心理测验为关键词进行搜索，可以搜索到数以千计的网址。这些网址上提供的心理测验只有少量是专业机构编制的标准化测验，其余大多是各种各样科普的或趣味性的心理测验，这些测评工具通常既没有坚实的理论基础，也没有严格的编制和施测程序。但是，心理健康评估和心理问题识别本质上属于模式识别或非线性分类问题。每个独立个体的心理状况都是多维的信息系统，其基本特征是多变量、多层次、强耦合，系统内部各因素存在复杂的非线性相互作用，因此，很难用传统的数学方法描述。径向基(RBF)神经网络是在借鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络，其基本思想是：用径向基函数作为隐单元的″基″，构成隐含层空间隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内线性不可分的问题在高维空间内线性可分，中国临床心理学杂志，2011年第19卷第6期中，奚晓岚等的一篇文献(基于神经网络的大学生心理健康评估模型)中报道了将人工神经网络技术应用于大学生心理评估建模，且分别建立了RBF神经网络和BP神经网络模型，评估大学生心理健康状态，并分析得出了RBF神经网络相对BP神经网络建模具有较好的准确性和适应性，但是该文献并未公开将RBF神经网络和互联网云端技术相结合，没有公开将已知样本中的心里测试量表的因子得分基于云端存储，也没有公开其采用神经网络对心里健康的具体评估方法，该文献重点是在于两种神经网络模型的建立和对比。专利文献CN104835103公开了一种基于神经网络和模糊综合评价的移动网络健康评价方法，公开了其方法包括建立评价体系、建立和训练BP神经网络模型及测试BP网络模型进行健康度评价等步骤，但是该评价方法是应用于移动网络健康评价，且也不是将神经网络和互联网云端技术相结合的健康评价方法，专利US2005/0236004A1公开了一种人体健康状况的监测方法，其中一个非线性的输入向量模块包含神经网络，但其同样不是将神经网络和互联网云端技术结合用于心里健康的评估。基于上述，如何有效利用测验信息提高心理问题识别率，建立更科学、快速、准确、全面的心理健康状态评估和分析方法和系统是十分必要的。

技术实现要素：

针对上述问题，本申请提供一种能够更科学、快速、准确、全面的一种基于互联网云端数据库的心理健康评估方法。

一种基于互联网云端数据库的心理健康评估方法，其特征在于，包括步骤：

利用RBF神经网络算法，基于云端数据库存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；

获取新个体的心理测试量表的因子得分，根据所述RBF神经网络评估模型得到所述新个体的心理健康状况评估结果。

优选地，所述心理测试量表包括：简明精神病量表、抑郁自评量表、Conners儿童多动症测评量表、瑞文标准推理测验量表、症状自评测验量表和爱丁堡产后抑郁量表中的一个或多个。

优选地，所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议。

优选地，所述建立和训练RBF神经网络评估模型包括：

从云端数据库存储的已知样本中提取前100个样本，按测试时间相近排序；

利用newrbe函数建立一个RBF神经网络评估模型；

利用所述100个样本对所述RBF神经网络评估模型进行训练。

优选地，所述建立和训练RBF神经网络评估模型之前，还包括步骤：获取所述新个体的个人信息，所述新个体的个人信息包括年龄、职业、爱好和婚姻状况。

优选地，所述从云端数据库存储的已知样本中提取前100个样本的步骤包括：匹配与所述新个体的个人信息相同或相似的所述云端数据库存储的已知样本中的样本；提取按测试时间降序排列的所述匹配的相同或相似的所述云端存储的已知样本中的前100个样本。

更优选地，所述心理健康评估方法还包括步骤：将所述新个体的个人信息及新个体的心理测试量表的因子得分形成一检测报告并上传于所述云端数据库。

一种基于互联网的心理健康评估系统，其特征在于，包括：评估系统和云端数据库，所述评估系统与所述云端数据库网络连接；

所述评估系统还包括RBF神经网络模型建立单元、心理测试量表单元和RBF神经网络评估单元；

所述RBF神经网络模型建立单元用于利用RBF神经网络算法，基于云端数据库存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；

所述心理测试量表单元用于新个体的心理测试，并获取所述心理测试量表的因子得分；

所述RBF神经网络评估单元用于获取所述新个体的心理测试量表的因子得分，并根据所述RBF神经网络评估模型得到所述新个体的心理健康状况评估结果。

优选地，所述评估系统还包括注册单元，所述注册单元用于新个体注册个人信息，所述新个体的个人信息包括年龄、职业、爱好和婚姻状况。

优选地，所述RBF神经网络模型建立单元包括匹配单元、云端数据库、提取单元、newrbe函数建立单元和训练单元；

所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议；

所述匹配单元用于匹配所述云端存储的已知样本中的个人信息与所述新个体的个人信息相同或相似的样本；

所述提取单元用于提取所述样本中的按测试时间降序排列的所述匹配的相同或相似的所述云端数据库存储的已知样本中的前100个样本；

所述newrbe函数建立单元用于利用newrbe函数建立一个RBF神经网络评估模型；

所述训练单元用于利用所述100个样本对所述RBF神经网络评估模型进行训练。

更优选地，所述评估系统还包括检测报告形成单元，所述检测报告形成单元用于将所述新个体的个人信息及新个体的心理测试量表的因子得分、评估结果、对策建议等数据形成一检测报告并上传于所述云端数据库进行更新存储。

本发明有益效果：本发明采用将RBF神经网络和互联网云端数据库存储技术结合用于心里健康的评估中，有效利用测验信息提高心理问题识别率和进行治疗方案的精确匹配，建立了更科学、快速、精确、全面的心理健康状态评估方法和系统。由于利用RBF神经网络算法，基于已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型，该RBF神经网络评估模型对评估心理健康状态具有较好的准确性和适应性，误差较小，拟合性较好，使得新个体利用本申请的心理健康评估方法测得的心理健康结果更准确，更具有可靠性。由于结合了云端存储技术，使得已知样本、新样本的存储信息查询、提取更方便，可以根据心理测试量表的类型对新个体的检测报告分类存储，在RBF神经网络评估模型建立前对新个体的个人信息进行相同或相似匹配，并按照测试时间顺序匹配取样，使得建立的RBF神经网络评估模型更精确，通过数据库中匹配的评估结果和治疗对策，为患者提供更加精准的治疗方案。

附图说明

图1为实施例一的心理健康评估方法流程图；

图2为实施例二的心理健康评估系统原理图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。

在本发明实施例中，基于神经网络建立心理健康评估模型，通过建立的心理健康评估模型达到精确评估心理健康状态的目的，并根据数据库的匹配数据结果提供更加精准的治疗方案。

实施例一：

本例提供一种基于互联网的心理健康评估方法，其流程图如图1所示，包括如下步骤。

S101：建立和训练RBF神经网络评估模型。

具体的，利用RBF神经网络算法，基于云端存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；RBF神经网络算法是本领域技术人员所熟知的，不作赘述；从云端存储的已知样本中提取前100个样本，根据心理测试量表的因子个数构成N×100的输入矩阵，其中，N为相应心理测试量表的因子个数；本例的心理测试量表包括：简明精神病量表、抑郁自评量表、Conners儿童多动症测评量表、瑞文标准推理测验量表、SCL-90症状自评测验量表和爱丁堡产后抑郁量表等，每一个量表中的可归纳的因子个数N不同，如，Conners儿童多动症测评量表可归纳6个因子：品行问题、学习问题、心身障碍、冲动-多动、焦虑和多动指数，此时，N为6；SCL-90症状自评测验量表可归纳10个因子：躯体化、强迫症状、人际关系敏感、忧郁、焦虑、敌对、恐怖、偏执、精神病性和寝食状态，此时，N为10：利用newrbe函数建立一个RBF神经网络评估模型；利用100个样本对RBF神经网络评估模型进行训练，从而完成RBF神经网络评估模型的建立与训练；另外，为了更好地保证RBF神经网络建模结果的准确性，在完成建立与训练后，还需要对RBF神经网络评估模型进行测试，该测试可以采用其样本中的部分数据进行，确保建模结果在允许误差范围内，网络均方误差目标值小于0.0005。

神经网络的输入和输出编码一般采用等汉明距离的编码方式，本例的RBF神经网络评估模型的输出三个测量结果值：健康、轻度不健康和不健康，依次编码为100、010和001，本例的RBF神经网络评估模型的输入：将上述量表的因子得分作为输入。

为了针对新个体建立更精确的RBF神经网络评估模型，在步骤S101之前还需要获取新个体的个人信息，个人信息包括：年龄、职业、爱好、婚姻状况等，在提取样本之前，先进行信息匹配，即，将新个体的个人信息与云端存储的已知样本中的个人信息进行匹配，将个人信息相匹配的已知样本作为提取的对像，如，以个人信息中的年龄和爱好为匹配特征，只有当新个体的年龄和爱好与已知样本中的年龄和爱好相同或相似时，才将该样本作为提取的对像，因为，个人信息相同或相似的已知样本更具有参考价值，利用该已知样本训练的RBF神经网络评估模型更具有精确性。进一步，针对同一个心理测试量表，由于时代的不同，个体与个体之间存在的观点不同，如，80年代的人15岁时和90年代的人15岁时采用同一个的心理测试量表测试其因子得分会有很大差别，所以，本例中，提取样本时，是按测试时间顺序的降序提取匹配相同或相似的样本中的前100个样本。

S102：获取新个体的心理测试量表的因子得分，利用RBF神经网络评估模型评估新个体的心理健康状况评估结果。

新个体通过选取相应的心理测试量表进行心理健康测试，测试后，获取新个体的心理测试量表的因子得分，将该因子得分输入RBF神经网络评估模型内，经过RBF神经网络评估模型评估输出相应的评估结果。

S103：将新个体的检测报告上传至云端数据库。所述云端数据库存储的数据包括以下数据：心理测试量表的因子得分、测试数据来源时间、个人信息、评估结果、对策建议。

为了将新个体的心理健康状况评估结果作为下一个新个体的训练参数，本例中，将新个体的个人信息及新个体的心理测试量表的因子得分、测试数据来源时间、评估结果、对策建议等信息形成一检测报告，并将该检测报告上传于云端数据库，便于建立和训练下一个RBF神经网络评估模型时可以从云端处获取相应的因子得分。

进一步，云端会根据心理测试量表的类型对新个体的检测报告分类存储，以便于测试结果后续的快速查询和提取，有利于医生或咨询师根据数据库的匹配数据结果提供更加精准的治疗方案。。

实施例二：

基于实施例一，本例提供一种基于互联网的心理健康评估系统，其原理图如图1所示。包括：评估系统1和云端2，评估系统1与云端2网络连接。

评估系统1包括注册单元11、RBF神经网络模型建立单元12、心理测试量表单元13和RBF神经网络评估单元14注册单元11用于新个体注册个人信息，个人信息包括：年龄、职业、爱好、婚姻状况等。

RBF神经网络模型建立单元12用于利用RBF神经网络算法，基于云端1存储的已知样本中心理测试量表的因子得分，建立和训练RBF神经网络评估模型；心理测试量表单元13用于新个体的心理测试，并获取心理测试量表的因子得分；RBF神经网络评估单元14用于获取新个体的心理测试量表的因子得分，并根据RBF神经网络评估模型得到新个体的心理健康状况评估结果。

进一步，RBF神经网络模型建立单元12包括匹配单元121、提取单元122、newrbe函数建立单元123和训练单元124；匹配单元121用于匹配云端1存储的已知样本中的个人信息与新个体的个人信息相似的样本；提取单元122用于提取样本中的前100个样本；newrbe函数建立单元123用于利用newrbe函数建立一个RBF神经网络评估模型；训练单元124用于利用100个样本对RBF神经网络评估模型进行训练。

进一步，评估系统1还包括检测报告形成单元15，检测报告形成单元15用于将新个体的个人信息及新个体的心理测试量表的因子得分形成一检测报告并上传于云端2。

本例的RBF神经网络模型建立单元12、心理测试量表单元13、RBF神经网络评估单元14和检测报告形成单元15的工作过程具体请参考实施例一中的步骤S101～步骤S103，本例不作赘述。

基于RBF神经网络算法和互联网云端数据库存储，本实施例所获得的心理健康评估系统为新个体的心理健康提供更科学、快速、精确、全面的健康评估结果和更加精准的治疗方案。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明，本发明可以是其发明内容部分所包含的各优选技术方案的任意组合，对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换均包括在本发明的范围内。