一种学生心理健康群体筛查方法及系统技术方案

本发明专利技术公开了一种学生心理健康群体筛查方法，涉及心理健康防治技术领域，包括如下步骤：前端高频摄像机采集学生面部、颈部肌肉群视频；从视频中获取头部肌肉细微运动产生的微小振动频率和幅度参数；通过心理生理参数提取算法获取映射参数和脑波信息；与情绪算法模型进行比对，快速统计出学生情感状态；对学生情感状态进行评估，并创建档案；筛查出异常情绪的高危可疑学员，并自动发出预警；对异常的学生进行记录跟踪检测，并进行咨询沟通。本发明专利技术还提出了一种学生心理健康群体筛查系统。可实现非接触式AI情绪识别、快速检测、大规模群体筛查，可及时把握群体认知及心理变化，提高治理能力和水平，有效维护校园群体心理稳定态势。势。势。

【技术实现步骤摘要】
一种学生心理健康群体筛查方法及系统


[0001]本专利技术属于在线心理云平台
，具体涉及一种学生心理健康群体筛查方法及系统。

技术介绍

[0002]目前大学生心理健康筛查常用心理量表和脑电波检测仪，存在以下不足：心理量表，1、当前大多使用量表(SCL
‑
90、UPI、EPQ、16PF等)多为国外翻译量表，不能完全反映了我国大学生特点，对国外引进问卷筛查标准的确立缺乏依据和检验，部分量表既有常模过于陈旧，实际应用中，测试结果出入很大，需三个月测一次；2、各高校用于筛查大学生心理问题的工具不统一，不利于教育部等有关部门机构了解和掌握我国大学生心理健康的现状；3、群体检测耗时耗力，且需要专人指导。脑电波检测仪，虽然可小规模检测，检测结果准确，但触式检测，无法大规模检测使用，为此，本专利技术根据需求，提出一种学生心理健康群体筛查系统。

技术实现思路

[0003]本专利技术的目的是为了解决现有技术中存在上述缺点，而提出的一种学生心理健康群体筛查方法及系统。可实现非接触式AI情绪识别、30～60s快速检测、大规模群体筛查。
[0004]为了实现上述目的，本专利技术采用了如下技术方案：
[0005]设计一种学生心理健康群体筛查方法，具体包括如下步骤：
[0006]步骤1：通过前端高频摄像机采集30
‑
60秒的学生面部、颈部肌肉群视频；
[0007]步骤2：获取前庭器官控制头部肌肉细微运动产生的微小振动频率和幅度参数；
[0008]步骤3：根据脑波与心理生理参数的映射关系，对步骤2获得振动频率和幅度参数通过心理生理参数提取算法进行视频与脑电图，以及视频图像与HRV之间的转换，获取映射参数和脑波信息；
[0009]步骤4：将步骤3中获取映射参数和脑波信息与基本特征数据库内的情绪算法模型进行比对，并快速统计出学生情感状态；
[0010]步骤5：将步骤4中统计出来的学生情感状态进行评估，并创建档案；
[0011]步骤6：筛查出异常情绪的高危可疑学员，并对筛查出来的学员每周检测一次，连续三次情绪均存在异常，系统对情绪异常学生进行标记，并自动发出预警；
[0012]步骤7：对步骤5中异常的学生进行记录跟踪检测，并进行线上和/或线下面对面沟通，直到情绪稳定终止跟踪检测。
[0013]进一步的，在所述步骤1中，摄像机在视频采集前，需要视频采集过滤器和视频截图格式的设置，进行图像的调试。
[0014]进一步的，在所述步骤2中，微小振动频率和幅度参数为头部点的运动参数，点与点之间光学对比存在差异，在每个点形成振动成像。
[0015]进一步的，所述光学对比差异包括如下：
[0016]信号的振幅在空间上每点的变化；
[0017]公式为：
[0018]其中：U
x，y，i
第i帧中(x，y)点处的信号量，U
x，y，(i+1)
第i+1帧中(x，y) 点处的信号量，N累积振动图像振幅分量的帧数；
[0019]信号的频率在空间上每点的变化；
[0020]公式为：
[0021]其中：Δ
i
为图像在第i点的帧间差异(有差别为1，无差别为0)，N为累积振动图像振幅分量的帧数；
[0022]由公式(1)和公式(2)推导出情绪算法模型：
[0023][0024]其中，E
i
为某一种情绪状态，为一个人的头部以微振动形式做功在时间上的变化(频率)，为一个人的头部以微振动形式做功的空间分布(位移)；f
i
为对应关系。
[0025]进一步的，在所述步骤4中，所述情绪模型算法包括攻击模型算法、压力模型算法、可疑模型算法、平衡模型算法、魅力模型算法、活力模型算法、自我调节模型算法、抑制模型算法、神经质模型算法、抑郁模型算法、幸福模型算法、外向性模型算法和稳定性模型算法。
[0026]其中，攻击性值的模型算法方程式为：
[0027][0028]其中，m为频率分布密度直方图中的最大频率；F
i
为在频率分布密度直方图中的第i个频率；F
in
为输入处理振动频率；n为N帧内帧间差大于阈值的计数；
[0029]压力值的模型算法方程式为：
[0030][0031]其中，为物体左侧第i条线振动频率分量总振幅；为物体右侧第i条线振动频率分量总振幅；为之间的最大值；为物体左侧第i行振动频率分量的最大频率；为物体右侧第i行振动频率分量的最大频率为为之间的最大值；n为图像占用的行数；
[0032]焦虑值的模型算法方程式为：
[0033][0034]其中，P
i
(f)为振动频率分布的频谱功率；f
max
为振动频率分布频谱中的最大频率；
[0035]可疑值的模型算法方程式为：
[0036][0037]其中，E1为攻击性等级；E2为压力等级；E3为焦虑等级；
[0038]平衡值的方程式为：
[0039]E5＝Bl＝(100
‑
2Va)％，(公式8)
[0040]其中，Va为情绪参数可变性计算总和；
[0041]魅力值的模型算法方程式为：
[0042][0043]其中，W
li
‑
W
ri
为每条线的振动图像振幅分量的左侧和右侧振幅平均值的差； C
li
‑
C
ri
为每条线在振动图像振幅分量的左侧和右侧的最大频率值之间的差；N为处理过程的帧数；
[0044]活力值的模型算法方程式为：
[0045][0046]其中，M为频率直方图上计数的最大值；σ为振动频率的标准差，通过频率直方图计算；F
ps
为振动图像输入频率的最大值；
[0047]自我调节值的模型算法方程式为：
[0048][0049]其中，E5为测量过程中平衡参数的平均值；dE5为平衡参数的变化范围；E6 为测量过程中魅力值参数的平均值；dE6为魅力值参数的变化范围；
[0050]抑制值的模型算法方程式为：
[0051][0052]其中，F1为振动变化频率；T
m
为振动频率变化的平均周期；T：振动周期测量；
[0053]神经质值的模型算法方程式为：
[0054]E10＝Nr＝10σ(E9)，(公式13)
[0055]其中，σ(E9)为E9(抑制)值的标准差；
[0056]抑郁值的模型算法方程式为：
[0057][0058]其中，σ为频率直方图中的振动频率的标准差；M为频率直方图中振动频率的平均值；
[0059]幸福值的模型算法方程式为：
[0060][0061]其中，I为心理生理状态的信息有效性；E为心理生理状态的能量减少特征；dI为心理生理状态信息有效性的变化；dE为心理生理状态的能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种学生心理健康群体筛查方法，其特征在于，具体包括如下步骤：S1：通过前端高频摄像机获取30
‑
60秒的学生面部、颈部肌肉群视频；S2：获取前庭器官控制头部肌肉细微运动产生的微小振动频率和幅度参数；S3：根据脑波与心理生理参数的映射关系，对S2获得振动频率和幅度参数通过心理生理参数提取算法进行视频与脑电图，以及视频图像与HRV之间的转换，获取映射参数和脑波信息；S4：将S3中获取映射参数和脑波信息与基本特征数据库内的情绪算法模型进行比对，并快速统计出学生情感状态；S5：将S4中统计出来的学生情感状态进行评估，并创建档案；S6：筛查出异常情绪的高危可疑学员，并对筛查出来的学员每周检测一次，连续三次情绪均存在异常，系统对情绪异常学生进行标记，并自动发出预警；S7：对S6中异常的学生进行记录跟踪检测，并进行线上和/或线下面对面沟通，直到情绪稳定终止跟踪检测。2.根据权利要求1所述的学生心理健康群体筛查方法，其特征在于，在所述S1中，摄像机在视频采集前，需要视频采集过滤器和视频截图格式的设置，进行图像的调试。3.根据权利要求1所述的学生心理健康群体筛查方法，其特征在于，在所述S2中，微小振动频率和幅度参数为头部点的运动参数，点与点之间光学对比存在差异，在每个点形成振动成像。4.根据权利要求3所述的学生心理健康群体筛查方法，其特征在于，所述光学对比差异包括如下：信号的振幅在空间上每点的变化；公式为：其中：U
x，y，i
第i帧中(x，y)点处的信号量，U
x，y，(i+1)
第i+1帧中(x，y)点处的信号量，N累积振动图像振幅分量的帧数；信号的频率在空间上每点的变化；公式为：其中：Δ
i
为图像在第i点的帧间差异(有差别为1，无差别为0)，N为累积振动图像振幅分量的帧数；由公式(1)和公式(2)推导出情绪模型算法：其中，E
i
为某一种情绪状态，为一个人的头部以微振动形式做功在时间上的变化(频率)，为一个人的头部以微振动形式做功的空间分布(位移)；f
i
：对应关系。5.根据权利要求4所述的学生心理健康...

【专利技术属性】
技术研发人员：赵峥来，桂丽，周冰清，刘峰，魏雪燕，
申请(专利权)人：江苏博脑智慧科技有限公司江苏博子岛智能科技有限公司，
类型：发明
国别省市：