基于机器学习的心理健康检测系统

陶仲睿 乌斯曼 闻煜超

摘要：在互联网技术高度发达的今日，人们可以通过网络轻松检索自己对世界的认知。然而令人担忧的是，互联网的普及以及快节奏的社会带给了人们巨大的压力。对于大学生而言，考试焦虑、睡眠不足等多方面因素使得这一群体很容易诱发心理疾病。而国内目前心理健康咨询工作难以普及到各个地区及学校，因此亟需一种非人工的心理健康评估系统，以便快速检测出广大学生可能存在的心理问题。本文通过调查问卷采集学生心理健康问题数据，并根据机器学习算法比较手动测试的结果，从而形成可靠的心理健康检测方案。

关键词：心理测量、问卷统计、机器学习

1 引言：

在现代社会生活中，人们面临着各种生活压力。由于国内心理医疗资源相对匮乏，心理医生数量无法满足国内大量的患者需求，因此需要一种能够快速检测患者心理健康状况的检测预警系统，来缓解心理健康医疗资源紧张的压力。基于学生心理健康问题，本文揭示出一种将问卷调查与机器学习心理检测系统相结合的方法，以评估学生的心理健康状况。

心理测量作为研究人的心理与行为的有效工具，已广泛地应用在心理素质及心理健康状况的评估和诊断工作。目前，传统的心理健康统计方法已无法适应样本容量激增的现代社会，同时问卷的制作、筛选、分析等一系列工作量成倍增加，而心理健康软件测试系统是一种高效率的处理方式。与传统检测方式相比，软件测试系统更具针对性，管理人性化、规范化，且适用于大容量样本。心理健康工作者可以根据软件统计结果，投入更多的时间进行心理咨询和科学研究，使测量系统工作的优势得到充分利用。

针对已经通过测试软件测得的结果，我们可以用机器学习对结果进行验证，以此获得最准确的判定结果。本文主要研究大学生心理健康状况，并针对最典型的三种心理疾病进行测试，通过科学的测量方法和分析准确得出心理健康状况。

2 问卷调查结果统计：

在本研究中，我们共使用了两套问卷报告。第一套为自我反馈问卷报告，初步判断是否有心理问题。第二套为问题检测问卷报告，具体分析是哪种心理疾病。我们主要分析以下三种疾病：抑郁症、焦虑症、睡眠障碍。

抑郁症：也称为抑郁障碍，以显著而持久的心情低落为特征，抑郁症会带来思维迟缓，认知功能减退等一系列症状。患者悲观厌世，严重者甚至会自杀。目前，我国在防治抑郁症方面还存在许多不足，迫切需要有效的解决方案。

焦虑症：无缘由的紧张担心，坐立不安是焦虑症的典型特征。在学生群体中，学习压力过大是导致焦虑症的主要原因，根据调查结果，约15%的同学患有焦虑症。

睡眠障碍：睡眠障碍导致睡眠质量不佳，而睡眠问题会影响生活质量，严重者会危害身心健康。在校学生由于学业压力，常常缺乏睡眠或者睡眠质量不佳，导致睡眠障碍问题的出现。

本心理检测系统，首先基于自我反馈问卷的初步筛查，确认检测对象是否存在心理问题。自我反馈问卷的调查内容是基于心理健康问题的一般症状，通过特定的算法对其回答内容给出一个评估，预测学生是否患有心理疾病。在300个统计样本中，我们发现有68名同学可能存在心理问题，如图1所示。随后，我们对这些同学通过问题检测问卷进行进一步的调查，判定是否存在上述三种疾病。从问卷统计得出有15人患有抑郁症，21人患有焦虑症，34人患有睡眠障碍，如图2所示。其中三种心理疾病分别占总样本的5%，7%和%11.4，其中睡眠障碍患者较多，说明在校学生睡眠状况不佳，需要引起重视。

3 基于机器学习的心理健康检测方案：

基于上述问卷统计结果，我们对问卷测试加入了机器学习的功能。该学习过程分为训练和测试两部分，如下图3所示。

机器学习算法主要有监督学习和无监督学习。本文中主要基于监督学习算法。监督学习先选择一个适合目标任务的数学模型，再将问卷统计的内容以输入-输出的形式给机器去学习，机器在既定的答案中不断学习并总结一套自己的“方法论”，随后便可以尝试其他的输入，检测是否可以正确判断心理疾病。

在监督学习模式下，我们使用了不同的相关算法，从中找出最准确的结果。本次研究主要运用了逻辑回归、支持向量机、决策树及朴素贝叶斯算法。逻辑回归是一种实现方式简单且易于观察的二分类模型。逻辑回归可以分析数据集并生成二进制结果。数据集可以由一个或多个自变量组成，这些多维的因素决定了检测结果。支持向量机简化了监督学习分类和回归的问题，有着优秀的泛化能力。决策树快速可靠，是最适应于人的直观思维方式。朴素贝叶斯适合文本数据，常用于文本分类，同样也可以用于本次的心理健康检测。

4  结语：

机器学习在人类生活的方便性中起着至关重要的作用，而心理测量则是确保心理健康的重要保障，二者的有机结合能让心理健康测试事半功倍。同时通过不间断的监督学习并完善相应模型，心理测量的检测结果将会更加准确。在心理健康问题专家的帮助下，采用机器学习的心理健康测试系统将有着广泛的应用前景，能够更加及时有效地预测心理健康问题并针对性治疗。

参考文献：

[1]李坚孝，吴家隐，李云锦，范振锷，谢永辉.基于互联网+机器学习的心理健康预警技术[J].电子技术与软件工程，2019，{4}（08）：148.

[2]黎屿.基于互联网+的高校学生心理健康数据收集与分析[J].心理月刊，2018，{4}（09）：15-16.

[3]贾绪计，金桃，汪强，林琳.机器学习及其在心理健康领域的应用[J].宁波大学学报（教育科学版），2021，43（04）：117-122.

[4]王一溢，占繼尔，陈泽龙，田渊明.机器学习在心理测量中的应用[J].电脑知识与技术，2021，17（03）：204-206.

[5]郑敬华，许成喜，汪松鹤.网络空间用户心理健康风险研究[J].网络安全技术与应用，2017（11）：14-16.

作者简介：

陶仲睿，男，生于1999年11月，汉族，江苏苏州人，扬州大学本科生在读，电子信息专业

【基金项目】：

本文系扬州大学2020年本科生创新项目立项资助项目，得到院学科发展基金经费资助，项目编号：X20200398