基于多源數(shù)據(jù)整合的大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)方法

杜文玲

摘 要：針對(duì)大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)過(guò)程中數(shù)據(jù)的來(lái)源較為復(fù)雜，導(dǎo)致預(yù)測(cè)結(jié)果可信度較低的問(wèn)題，提出基于多源數(shù)據(jù)整合的大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)方法。采用卡爾曼濾波法完成數(shù)據(jù)濾波處理，并應(yīng)用C均值聚類方法完成數(shù)據(jù)預(yù)處理。使用密度函數(shù)計(jì)算相關(guān)數(shù)據(jù)結(jié)構(gòu)特征值，引入?yún)?shù)估計(jì)算法得到最終可應(yīng)用于心理壓力預(yù)測(cè)的數(shù)據(jù)樣本，實(shí)現(xiàn)數(shù)據(jù)信息結(jié)構(gòu)整合。計(jì)算信息增益率確定數(shù)據(jù)質(zhì)量，并應(yīng)用此數(shù)據(jù)構(gòu)建新型大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)模型。結(jié)果表明，此方法可對(duì)數(shù)據(jù)進(jìn)行高質(zhì)量處理，并得到可靠性較高的心理壓力預(yù)測(cè)結(jié)果，為大學(xué)生心理輔導(dǎo)工作提供幫助。

關(guān)鍵詞：Min-Max方法；多源數(shù)據(jù)整合；心理壓力預(yù)測(cè)；C均值聚類方法；卡爾曼濾波法

中圖分類號(hào)：TP391；B844.2? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2023）09-0074-04

高校大學(xué)生作為未來(lái)社會(huì)的高層人才，他們是具有高修養(yǎng)以及高素質(zhì)的群體，同時(shí)也是承受較高心理壓力的群體[1，2]。由于近年來(lái)工作壓力與學(xué)習(xí)壓力日益增加，社會(huì)對(duì)大學(xué)生心理承受能力的要求不斷提升，大學(xué)生心理健康也受到社會(huì)各界人士的關(guān)注。在對(duì)大量在校大學(xué)生進(jìn)行心理分析后發(fā)現(xiàn)，20%左右的學(xué)生存在不同程度上的心理問(wèn)題或是心理障礙。大學(xué)生的心理障礙問(wèn)題不僅影響其自身的發(fā)展，還會(huì)影響社會(huì)的和諧性。立足于社會(huì)角度，大學(xué)生作為國(guó)家發(fā)展的寶貴人才資源，作為重要的社會(huì)發(fā)展力量，其心理健康發(fā)展需要得到密切的關(guān)注。

隨著社會(huì)的不斷發(fā)展，教育水平的日益提升，大學(xué)生出現(xiàn)了多種不同層級(jí)的心理問(wèn)題，為對(duì)其展開(kāi)更具有針對(duì)性的治療，在過(guò)去的研究中部分專家提出了大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)方法，但此部分方法在應(yīng)用的過(guò)程中多存在不足，無(wú)法為大學(xué)生心理輔導(dǎo)提供幫助[3-5]。針對(duì)此情況，本次研究中應(yīng)用多源數(shù)據(jù)整合技術(shù)對(duì)采集到的大學(xué)生心理素質(zhì)數(shù)據(jù)進(jìn)行整合，并提出更為先進(jìn)的基于多源數(shù)據(jù)整合的大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)方法，希望此方法可在當(dāng)前方法的基礎(chǔ)上獲取可信度更高的心理壓力預(yù)測(cè)結(jié)果，為大學(xué)生心理疏導(dǎo)提供幫助。

1 大學(xué)生心理數(shù)據(jù)集成預(yù)處理

在大學(xué)生心理壓力預(yù)測(cè)過(guò)程中，需要獲取大量的心理測(cè)試或行為數(shù)據(jù)，此部分?jǐn)?shù)據(jù)質(zhì)量與特征選擇均對(duì)預(yù)測(cè)模型結(jié)果的真實(shí)性具有直接影響，決定預(yù)測(cè)方法預(yù)測(cè)質(zhì)量的上限，因此需要對(duì)此部分?jǐn)?shù)據(jù)進(jìn)行集成處理。

本次數(shù)據(jù)處理主要針對(duì)異常值與噪聲數(shù)據(jù)進(jìn)行處理，對(duì)于異常值不能采用常規(guī)的剔除處理將數(shù)據(jù)刪除，需要首先確定其是否為真異常值。如其為真異常值，再對(duì)其進(jìn)行刪除或平均值替換等方法進(jìn)行處理。異常值處理完成后，對(duì)數(shù)據(jù)中的噪聲值進(jìn)行處理。對(duì)比多種數(shù)據(jù)處理方法后，采用卡爾曼濾波法[6，7]完成數(shù)據(jù)濾波處理。假設(shè)采集到的原始數(shù)據(jù)為：

其中，S（k）表示k時(shí)刻下的數(shù)據(jù)狀態(tài)向量；P（k）表示數(shù)據(jù)觀測(cè)向量；？琢（k）表示數(shù)據(jù)處理系統(tǒng)的輸入向量；T（k+1，k）表示時(shí)刻變動(dòng)后的數(shù)據(jù)狀態(tài)轉(zhuǎn)移矩陣；Z（k+1，k）表示時(shí)刻變動(dòng)后的數(shù)據(jù)處理系統(tǒng)狀態(tài)控制矩陣；Q（k+1）表示時(shí)刻變動(dòng)后的預(yù)測(cè)輸出矩陣。此次研究中，將公式（1）視作數(shù)據(jù)狀態(tài)方程；公式（2）視作數(shù)據(jù)測(cè)量方程。根據(jù)卡爾曼濾波要求，將兩公式融合，得到數(shù)據(jù)中的噪聲協(xié)方差：

其中，表示數(shù)據(jù)處理環(huán)節(jié)狀態(tài)向量；？琢表示輸入向量；Z表示濾波環(huán)節(jié)控制矩陣；U表示狀態(tài)轉(zhuǎn)移矩陣；W表示誤差協(xié)方差矩陣。整合上述公式，得到卡爾曼濾波增益，將此數(shù)據(jù)帶入公式（4）中，得到可應(yīng)用于心理數(shù)據(jù)的卡爾曼濾波器，應(yīng)用此濾波器剔除原始數(shù)據(jù)中的噪聲數(shù)據(jù)，并設(shè)定其他數(shù)據(jù)處理環(huán)節(jié)，對(duì)其進(jìn)行后續(xù)處理。

由于大學(xué)生心理素質(zhì)數(shù)據(jù)組成較為復(fù)雜且數(shù)據(jù)來(lái)源較多，不同類型、不同性質(zhì)的數(shù)據(jù)集成在一起后，為保證數(shù)據(jù)質(zhì)量，需對(duì)其進(jìn)行集成整合，以此保證數(shù)據(jù)質(zhì)量。對(duì)比多種方法后，本次研究采用Min-Max方法[8]對(duì)數(shù)據(jù)進(jìn)行初步處理，此方法可在一定程度上可有效降低數(shù)據(jù)規(guī)模，減少數(shù)據(jù)分布差異，提升預(yù)測(cè)結(jié)果的可靠性。根據(jù)Min-Max方法的相關(guān)要求，將數(shù)據(jù)初步處理公式設(shè)定如下：

其中，a表示采集到的原始數(shù)據(jù)；max表示此類數(shù)據(jù)最大值；min表示以此類數(shù)據(jù)最小值。通過(guò)此部分公式，對(duì)數(shù)據(jù)進(jìn)行初步處理，并將其導(dǎo)入到指定數(shù)據(jù)庫(kù)中。而后，使用C均值聚類方法[9]對(duì)原始數(shù)據(jù)進(jìn)行簡(jiǎn)單的聚類處理。假設(shè)處理后的數(shù)據(jù)集合為C={c1，c2，…，cn}，此集合為有限數(shù)據(jù)集合，集合中的數(shù)據(jù)均為d維向量，將此部分?jǐn)?shù)據(jù)整合為模糊劃分矩陣形式，并在其中設(shè)定聚類中心點(diǎn)，得到數(shù)據(jù)聚類目標(biāo)函數(shù)：

其中，（bij）c*n表示模糊劃分矩陣；c表示聚類中心個(gè)數(shù)。公式（6）在應(yīng)用過(guò)程中，還需設(shè)定部分約束條件，具體內(nèi)容設(shè)定如下：

其中，m表示模糊加權(quán)系數(shù)；bij表示數(shù)據(jù)隸屬度；aj表示數(shù)據(jù)集合聚類核心；d表示不同數(shù)據(jù)核心的距離。在完成數(shù)據(jù)分類工作后，將數(shù)據(jù)按照不同類型保存好，為后續(xù)的心理健康分析提供數(shù)據(jù)支持。

2 整合大學(xué)生心理數(shù)據(jù)信息結(jié)構(gòu)

在完成心理壓力預(yù)測(cè)數(shù)據(jù)的初次數(shù)據(jù)挖掘后，假設(shè)數(shù)據(jù)庫(kù)中的多源數(shù)據(jù)集合為F={Fk|k=1，2，…，m}，數(shù)據(jù)度量集合為G={Gk|k=1，2，…，m}。在此假設(shè)下，數(shù)據(jù)度量集合可表示多源數(shù)據(jù)集合的信息結(jié)構(gòu)集合，通過(guò)其可確定多源數(shù)據(jù)集合的內(nèi)核特征點(diǎn)。本次研究為了更好地完成數(shù)據(jù)處理工作，使用密度函數(shù)計(jì)算相關(guān)數(shù)據(jù)結(jié)構(gòu)特征值，引入?yún)?shù)估計(jì)算法得到最終可應(yīng)用于心理壓力預(yù)測(cè)的數(shù)據(jù)樣本。使用e表示來(lái)自不同數(shù)據(jù)結(jié)構(gòu)集合？字，？酌之前的差異特征。對(duì)于數(shù)據(jù)樣本{？酌kl|l=1，2，…}則有：

其中，knl表示第k個(gè)信息源的第n個(gè)采樣點(diǎn)在數(shù)據(jù)存儲(chǔ)空間中的取值結(jié)果，在預(yù)設(shè)條件下，一定存在相應(yīng)的密度函數(shù)，此密度函數(shù)可在一定程度上表示不同信息單位的度量值，并由此計(jì)算出不同類型源頭數(shù)據(jù)的上近似邊界以及下近似邊界。

上述計(jì)算完成后，使用高低模型導(dǎo)入已經(jīng)獲取到的密度函數(shù)，此時(shí)高斯函數(shù)模型可連續(xù)表示為：

其中，V1表示數(shù)據(jù)存儲(chǔ)空間中的矢量；R表示協(xié)方差矩陣；？滓表示密度函數(shù)均值。針對(duì)任意量不同源頭數(shù)據(jù)集合，其密度函數(shù)均可應(yīng)用上述公式計(jì)算。根據(jù)以上公式，得到多源數(shù)據(jù)整合密度函數(shù)，則有：

應(yīng)用此部分公式，可對(duì)預(yù)處理后的全部數(shù)據(jù)集進(jìn)行整理，并得到相應(yīng)的對(duì)應(yīng)的數(shù)據(jù)結(jié)構(gòu)信息，整理此部分信息，完成大學(xué)生多源心理數(shù)據(jù)的整合工作。

3 構(gòu)建大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)模型

整理上文設(shè)定內(nèi)容，結(jié)合以往研究結(jié)果，構(gòu)建大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)模型，此模型操作流程具體設(shè)定如圖1所示。

按照?qǐng)D1設(shè)定流程，本次研究將決策樹(shù)劃分為系統(tǒng)樹(shù)、主樹(shù)以及子樹(shù)，通過(guò)三層決策樹(shù)對(duì)大學(xué)生心理數(shù)據(jù)進(jìn)行預(yù)測(cè)，并得到最終的大學(xué)生多級(jí)別心理壓力預(yù)測(cè)。整理上述內(nèi)容，將其有序連接，至此，基于多源數(shù)據(jù)整合的大學(xué)生多級(jí)別心理壓力智能預(yù)測(cè)方法設(shè)計(jì)完成。

4 實(shí)驗(yàn)論證分析

4.1 實(shí)驗(yàn)準(zhǔn)備

本次實(shí)驗(yàn)在對(duì)大量心理測(cè)試案例進(jìn)行分析后續(xù)，將本次研究中需要采集的大學(xué)生心理多級(jí)別壓力預(yù)測(cè)數(shù)據(jù)劃分為個(gè)人智力、情緒健康、意志健全、人格完整、自我評(píng)價(jià)正確、人力管理良好、社會(huì)關(guān)系正常7個(gè)方面。為保證本次實(shí)驗(yàn)具有較為可信的實(shí)驗(yàn)結(jié)果，選擇某高校的部分學(xué)生作為實(shí)驗(yàn)志愿者，獲取20位學(xué)生的原始心理健康指數(shù)，構(gòu)建原始數(shù)據(jù)集，具體內(nèi)容如表1所示。

對(duì)表1中數(shù)據(jù)進(jìn)行多次迭代運(yùn)算，得到以上7種指標(biāo)的數(shù)據(jù)整合中心，如表2所示。

綜合分析上述數(shù)據(jù)后，將原始樣本的心理壓力劃分為3個(gè)層級(jí)，具體層級(jí)劃分結(jié)果如下：

I級(jí)：A05、A06、A07、A11、A12、A15、A20

Ⅱ級(jí)：A03、A04、A08、A010、A16、A17、A18、A01、A02

III級(jí)：A09、A13、A14、A19

將上述數(shù)據(jù)作為此次實(shí)驗(yàn)的數(shù)據(jù)基礎(chǔ)，并使用文中方法、基礎(chǔ)方法以及人工智能方法對(duì)實(shí)驗(yàn)樣本心理壓力進(jìn)行等級(jí)預(yù)測(cè)，確定不同方法的預(yù)測(cè)能力與應(yīng)用效果。

4.2 數(shù)據(jù)整合精度實(shí)驗(yàn)結(jié)果分析

使用不同方法對(duì)獲取到的原始數(shù)據(jù)進(jìn)行整理，并分析不同方法應(yīng)用，不同指標(biāo)整合精準(zhǔn)度，具體實(shí)驗(yàn)結(jié)果如表3所示。

分析表3中數(shù)據(jù)可以看出三種方法使用后，所得數(shù)據(jù)整合結(jié)果具有較大的差異。文中方法使用后，各個(gè)指標(biāo)數(shù)據(jù)的整合精度得到明顯的提升，此方法整合后的數(shù)據(jù)整體質(zhì)量較高。基礎(chǔ)方法可對(duì)部分?jǐn)?shù)據(jù)進(jìn)行高質(zhì)量整合，無(wú)法對(duì)整體數(shù)據(jù)進(jìn)行整合，使用此部分?jǐn)?shù)據(jù)所得預(yù)測(cè)結(jié)果可靠性較差。人工智能技術(shù)在一定程度上緩解了基礎(chǔ)方法的不足，但其應(yīng)用效果無(wú)法與文中方法相比，因此在日后的研究中還需對(duì)其進(jìn)行優(yōu)化，以此提升此方法的數(shù)據(jù)處理能力。

4.3 大學(xué)生心理多層級(jí)壓力預(yù)測(cè)準(zhǔn)確性實(shí)驗(yàn)結(jié)果分析

應(yīng)用不用方法的預(yù)測(cè)過(guò)程，所得預(yù)測(cè)結(jié)果如下所示：

文中方法預(yù)測(cè)結(jié)果：

I級(jí)：A05、A06、A07、A11、A12、A15、A20

Ⅱ級(jí)：A03、A04、A08、A010、A16、A17、A18、A01

III級(jí)：A09、A13、A14、A19、A02

基礎(chǔ)方法：

I級(jí)：A05、A06、A07、A11、A12、A15、A20

Ⅱ級(jí)：A08、A010、A16、A17、A18、A02

III級(jí)：A09、A13、A14、A19、A03、A04、A01

人工智能方法：

I級(jí)：A05、A06、A07、A11、A12、A15、A20

Ⅱ級(jí)：A03、A04、A08、A010、A16、A17、A18、A01、A02、A14、A19

III級(jí)：A09、A13

分析上述內(nèi)容可以看出，三種方法的預(yù)測(cè)結(jié)果與預(yù)設(shè)的心理壓力分級(jí)結(jié)果存在不同，但文中方法對(duì)預(yù)設(shè)方法較為接近。為了更好地對(duì)上述結(jié)果進(jìn)行分析，使用以下公式確定不同方法的預(yù)測(cè)準(zhǔn)確率：

其中，i表示正確預(yù)測(cè)結(jié)果；？灼all表示全部預(yù)測(cè)結(jié)果。應(yīng)用此公式可以發(fā)現(xiàn)，文中方法的預(yù)測(cè)準(zhǔn)確率為97.50%；基礎(chǔ)方法的預(yù)測(cè)準(zhǔn)確率為89.0%；人工智能方法的預(yù)測(cè)準(zhǔn)確率為92.3%。由此部分?jǐn)?shù)據(jù)可以確定，文中方法的預(yù)測(cè)結(jié)果具有較高的可信度。綜合上述實(shí)驗(yàn)結(jié)果可知，文中方法的應(yīng)用效果優(yōu)于其他兩種方法，其具有較高的數(shù)據(jù)處理能力。

5 結(jié)束語(yǔ)

針對(duì)大學(xué)生多級(jí)別心理壓力預(yù)測(cè)過(guò)程中，數(shù)據(jù)量較大、類別較為復(fù)雜，且預(yù)測(cè)方法數(shù)據(jù)處理能力不佳，導(dǎo)致預(yù)測(cè)結(jié)果可靠性較差的問(wèn)題，提出應(yīng)用多源數(shù)據(jù)整合技術(shù)的新型預(yù)測(cè)方法。此方法經(jīng)實(shí)驗(yàn)證實(shí)，其應(yīng)用效果優(yōu)于當(dāng)前可應(yīng)用預(yù)測(cè)方法。但本次研究數(shù)據(jù)樣本較少，所得結(jié)果不具備普遍性，在日后的研究中還需增加數(shù)據(jù)樣本，對(duì)此方法進(jìn)行大規(guī)模測(cè)定，以保證其符合當(dāng)前心理測(cè)試要求。

——————————

參考文獻(xiàn)：

〔1〕王樣，胡雨含，周楚雯，等.基于KANO模型和PCSI指數(shù)的大學(xué)生心理健康服務(wù)設(shè)計(jì)研究[J].包裝工程，2023，44（06）：84-93.

〔2〕徐偉華，黃旭東，蔡可.基于粒計(jì)算的多源信息融合方法綜述[J].數(shù)據(jù)采集與處理，2023，38（02）：245-261.

〔3〕林艷飛，龍媛，張航，等.基于XGBoost的多種生理信號(hào)評(píng)估心理壓力等級(jí)方法[J].北京理工大學(xué)學(xué)報(bào)，2022，42（08）：871-880.

〔4〕家曉余，張宇馳，邱江.思維模式對(duì)大學(xué)生情緒健康的影響：壓力知覺(jué)和心理韌性的鏈?zhǔn)街薪樾?yīng)[J].西南大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2022，48（04）：202-209.

〔5〕朱逢樂(lè)，嚴(yán)霜，孫霖，等.基于深度學(xué)習(xí)多源數(shù)據(jù)融合的生菜表型參數(shù)估算方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（09）：195-204.

〔6〕張書(shū)欽，白光耀，李紅，等.多源數(shù)據(jù)融合的物聯(lián)網(wǎng)安全知識(shí)推理方法[J].計(jì)算機(jī)研究與發(fā)展，2022， 59（12）：2735-2749.

〔7〕王東方，孫夢(mèng)，歐陽(yáng)萱，等.簡(jiǎn)版社區(qū)心理體驗(yàn)評(píng)估測(cè)評(píng)大學(xué)生的效度和信度[J].中國(guó)心理衛(wèi)生雜志，2022，36（02）：172-178.

〔8〕黃伍，龍文浩，劉鑄，等.多維度智能心理測(cè)評(píng)系統(tǒng)[J].計(jì)算機(jī)應(yīng)用，2021，41（S2）：192-197.

〔9〕王姝，任玉，關(guān)展旭，等.基于差異信息量的多源數(shù)據(jù)融合方法[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2021， 42（09）：1246-1253.