本公开实施例提供心理健康预测方法和装置、电子设备、存储介质，涉及人工智能技术领域。该心理健康预测方法，包括：获取样本数据；对样本数据进行数据预处理，得到多模态超边集；将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；对初始神经网络模型进行模型构建处理，得到第一神经网络模型；对第一神经网络模型进行训练，得到训练好的第二神经网络模型；将样本数据对应的多模态超边集输入第二神经网络模型；通过第二神经网络模型对样本数据进行预测，得到心理健康预测结果，通过本公开实施例提供的技术方案可以提高心理健康预测的准确率，提升对心理健康情况的监测效果。提升对心理健康情况的监测效果。提升对心理健康情况的监测效果。
【技术实现步骤摘要】
心理健康预测方法和装置、电子设备、存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种心理健康预测方法和装置、电子设备、存储介质。
技术介绍
[0002]青少年心理健康的监测和干预是心理健康防卫工作的重要部分，对青少年的心理健康情况进行检测和筛查，可以了解青少年当下的心理健康状况，便于及时给予相应关注或采取相应措施，避免青少年的心理问题扩大化或者严重化，帮助心理问题较大的青少年恢复健康，实现对青少年心理健康的实时监测和及时干预。
[0003]目前主要的青少年心理健康检测方法，如心理问卷调查、心理咨询等，针对比较严重的心理问题或心理疾病效果显著，但对于许多青少年存在轻度的心理问题的情况，如心理不平衡或者轻度心理不健康等，上述传统的检测方法缺乏针对性，存在片面性，不能较全面、迅速地得出筛查检测结果，导致心理健康情况的预测准确率较低、监测效果较差。
技术实现思路
[0004]本公开实施例的主要目的在于提出一种心理健康预测方法和装置、电子设备、存储介质，能够提高心理健康预测的准确率，提升对心理健康情况的监测效果。
[0005]为实现上述目的，本公开实施例的第一方面提出了一种心理健康预测方法，包括：
[0006]获取样本数据；所述样本数据包括视频数据、文本数据、语音数据、生理指标数据；
[0007]对所述样本数据进行数据预处理，得到多模态超边集；
[0008]将所述多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；所述原始神经网络模型为动态超图神经网络模型；
[0009]对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型；
[0010]根据预设的模型训练数据对所述第一神经网络模型进行训练，得到训练好的第二神经网络模型；
[0011]将所述样本数据对应的所述多模态超边集输入所述第二神经网络模型；
[0012]通过所述第二神经网络模型对所述样本数据进行预测，得到心理健康预测结果。
[0013]在一些实施例，所述对所述样本数据进行数据预处理，得到多模态超边集，包括：
[0014]对所述样本数据进行特征提取处理，得到初始特征；
[0015]对所述初始特征进行向量表示处理，得到特征向量；
[0016]根据所述特征向量进行超边集构建，得到单模态超边集；
[0017]将所述单模态超边集进行超边集融合，得到所述多模态超边集。
[0018]在一些实施例，所述对所述样本数据进行特征提取处理，得到初始特征，包括：
[0019]若所述样本数据为所述视频数据，则根据预设的第一卷积递归神经网络提取出视频特征；
[0020]若所述样本数据为所述文本数据，则根据预设的中文语句情感极性分析网络提取
出文本特征；
[0021]若所述样本数据为所述语音数据，则根据预设的第二卷积递归神经网络提取出语音特征；
[0022]若所述样本数据为所述生理指标数据，则根据预设的阈值函数提取出生理指标特征。
[0023]在一些实施例，所述对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型，包括：
[0024]对所述初始神经网络模型进行超图构建处理，得到第一子神经网络模型；
[0025]对所述第一子神经网络模型进行超图卷积处理，得到中间特征；
[0026]根据所述中间特征对所述第一子神经网络模型进行超图迭代构建处理，得到所述第一神经网络模型。
[0027]在一些实施例，所述对所述初始神经网络模型进行超图构建处理，得到第一子神经网络模型，包括：
[0028]针对所述初始神经网络模型中的每个节点，根据预设的临近算法计算临近节点，并根据所述临近节点得到第一超边；
[0029]根据预设的聚类算法对所述节点进行聚类处理，得到聚类节点，并根据所述聚类节点得到第二超边；
[0030]根据所述第一超边、所述第二超边进行超图构建，得到所述第一子神经网络模型。
[0031]在一些实施例，所述对所述第一子神经网络模型进行超图卷积处理，得到中间特征，包括：
[0032]对所述第一子神经网络模型进行节点卷积处理，得到第一子特征；
[0033]根据预设的多层感知器对所述第一子特征进行超边卷积处理，得到所述中间特征。
[0034]在一些实施例，所述对所述第一子神经网络模型进行节点卷积处理，得到第一子特征，包括：
[0035]对所述第一子神经网络模型中的每个节点进行特征学习，得到第二子特征，并构建变换矩阵；
[0036]根据所述第二子特征、所述变换矩阵对同一个超边内的节点的相互关系进行建模表示，得到建模结果；
[0037]对所述建模结果进行维度压缩处理，得到所述第一子特征。
[0038]为实现上述目的，本公开的第二方面提出了一种心理健康预测装置，包括：
[0039]数据获取模块，用于获取样本数据；所述样本数据包括视频数据、文本数据、语音数据、生理指标数据；
[0040]预处理模块，用于对所述样本数据进行数据预处理，得到多模态超边集；
[0041]初始模型生成模块，用于将所述多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；所述原始神经网络模型为动态超图神经网络模型；
[0042]模型构建模块，用于对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型；
[0043]模型训练模块，用于根据预设的模型训练数据对所述第一神经网络模型进行训练，得到训练好的第二神经网络模型；
[0044]数据输入模块，用于将所述样本数据对应的所述多模态超边集输入所述第二神经网络模型；
[0045]心理健康预测模块，用于通过所述第二神经网络模型对所述样本数据进行预测，得到心理健康预测结果。
[0046]为实现上述目的，本公开的第三方面提出了一种电子设备，包括：
[0047]至少一个存储器；
[0048]至少一个处理器；
[0049]至少一个程序；
[0050]所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。
[0051]为实现上述目的，本公开的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
[0052]如上述第一方面所述的方法。
[0053]本公开实施例提出的心理健康预测方法和装置、电子设备、存储介质，先获取样本数据，并对样本数据进行数据预处理，得到多模态超边集，然后将多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型，进而对初始神经网络模型进行模型构建处理，并根据模型训练数据对模型进行训练，最后将样本数据对应的多模态超边集输入训练好的模型中，对样本数据进行预测，得到心理健康预测本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种心理健康预测方法，其特征在于，包括：获取样本数据；所述样本数据包括视频数据、文本数据、语音数据、生理指标数据；对所述样本数据进行数据预处理，得到多模态超边集；将所述多模态超边集作为初始超图结构，输入到预设的原始神经网络模型中，以生成初始神经网络模型；所述原始神经网络模型为动态超图神经网络模型；对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型；根据预设的模型训练数据对所述第一神经网络模型进行训练，得到训练好的第二神经网络模型；将所述样本数据对应的所述多模态超边集输入所述第二神经网络模型；通过所述第二神经网络模型对所述样本数据进行预测，得到心理健康预测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行数据预处理，得到多模态超边集，包括：对所述样本数据进行特征提取处理，得到初始特征；对所述初始特征进行向量表示处理，得到特征向量；根据所述特征向量进行超边集构建，得到单模态超边集；将所述单模态超边集进行超边集融合，得到所述多模态超边集。3.根据权利要求2所述的方法，其特征在于，所述对所述样本数据进行特征提取处理，得到初始特征，包括：若所述样本数据为所述视频数据，则根据预设的第一卷积递归神经网络提取出视频特征；若所述样本数据为所述文本数据，则根据预设的中文语句情感极性分析网络提取出文本特征；若所述样本数据为所述语音数据，则根据预设的第二卷积递归神经网络提取出语音特征；若所述样本数据为所述生理指标数据，则根据预设的阈值函数提取出生理指标特征。4.根据权利要求1所述的方法，其特征在于，所述对所述初始神经网络模型进行模型构建处理，得到第一神经网络模型，包括：对所述初始神经网络模型进行超图构建处理，得到第一子神经网络模型；对所述第一子神经网络模型进行超图卷积处理，得到中间特征；根据所述中间特征对所述第一子神经网络模型进行超图迭代构建处理，得到所述第一神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述对所述初始神经网络模型进行超图构建处理，得到第一子神经网络模型，包括：针对所述初始神经网络模型中的每个节点，根据预设的临近算法计算临近节点，并根据所述临近节点得到第一超边；根...
【专利技术属性】
技术研发人员：李蒙含，于冬梅，秦培武，李方，王煜琪，苏成婷，
申请(专利权)人：清华伯克利深圳学院筹备办公室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。