心理测评量表的分类模型获取方法、筛查方法及系统技术方案

本发明专利技术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。

【技术实现步骤摘要】
心理测评量表的分类模型获取方法、筛查方法及系统


[0001]本专利技术涉及领域，尤其涉及心理测评量表的分类模型获取方法、筛查方法及系统。

技术介绍

[0002]心理测评量表是心理/精神疾病患者必完成的一项心理测试工作。根据载体的不同，心理测评量表可分为纸质的问答式心理测评量表及网络式心理测评量表。纸质的问答式心理测评量表即为传统的心理测评量表方式，通过精神科医生以问答的方式完成测评。随着信息技术的飞速发展及互联网的普及，网络式心理测评量表因成本低、操作方便、实效性强等优势，逐渐取代传统的纸质心理测评。
[0003]然而两种心理量表测评方式皆存在严重的数据质量把控问题，一部分患者因短时情绪因素，或者为节省时间和精力等自身因素，会对心理测评中的部分问题进行不经思考的随意性作答，这就导致了低质量心理测评数据的产生，低质量的心理测评数据的存在会严重影响整体样本的数据分析，最终严重影响数据分析结果的准确性，尤其是在医学研究领域中，被调查者的心理评估量表的数据质量不仅会影响医生对该调查者的病情把控，同时也会影响基于此评估量表进行数据分析结果的准确性。因此，识别异常作答的低质量心理样本数据，从而提高心理量表样本的整体质量是非常必要的。
[0004]在心理量表测评中，被调查者对量表中每个问题的答题时间反映了被调查者思考问题的过程。这种答题响应时间可以用来评估被调查者回答心理测评量表的质量。例如，过长的反应时可能与对答案的不确定相关，而过短的反应时则提示被试对快速完成心理测评的意愿强于认真完成测评的意愿。对于心理测评而言，这些异常答题模式均对所收集数据的质量有影响。因此，有效的利用被调查者回答问题的响应时间可以用来筛选无效的量表。

技术实现思路

[0005](一)要解决的技术问题
[0006]本专利技术提供了心理测评量表的分类模型获取方法、筛查方法及系统，旨在解决现有心理量表测评过程中存在少量无效心理测评量表，从而提高量表测评结果整体质量的问题。
[0007](二)技术方案
[0008]为了解决上述问题，本专利技术提供了一种心理测评量表分类模型获取方法，所述心理测评量表的分类模型获取方法包括以下步骤：
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]优选地，所述初始神经网络分类器包括：输入层、隐藏层以及输出层；
[0014]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。
[0015]优选地，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；
[0016]所述初始神经网络分类器的损失函数为：
[0017][0018]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。
[0019]优选地，所述心理测评量表的分类模型获取方法还包括：
[0020]S5：对所述分类模型进行再次训练；
[0021]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；
[0022]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；
[0023]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；
[0024]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。
[0025]优选地，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：
[0026]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)；
[0027]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。
[0028]优选地，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：
[0029]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；
[0030]所述采用聚类方法将所述低维特征聚为两类具体为：
[0031]采用Kmean聚类方法对所述低维特征进行聚类，并设置K＝2。
[0032]优选地，本专利技术还提供了一种心理测评量表的筛查方法，所述心理测评量表的筛查方法包括：
[0033]获取待筛选的心理测评量表的响应时间；
[0034]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，所述分类模型为上述的分类模型。
[0035]优选地，本专利技术还提供了一种心理测评量表的分类模型获取系统，心理测评量表的分类模型获取系统包括：
[0036]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，所述无标签心本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王菲，张锡哲，魏鑫茹，
申请(专利权)人：南京脑科医院，
类型：发明
国别省市：