基于云计算的大学生心理健康在线服务平台设计＊

钟晓虹

（闽西职业技术学院，福建 龙岩 364021）

1 引言

随着大学招生规模的不断扩展，学生数量不断上升，大多数学生是独生子女，进入大学后，部分学生适应能力和独立生活能力相对较差，再加上学业、就业以及社会多方面压力，一些学生出现了不同程度的心理健康问题[1-3]。近些年，由于心理健康问题引起的一些恶性事件在高校出现的概率越来越高，如何减少心理健康问题的发生，保证大学生心理健康是当前高校面临的一个难题[4-6]。

为了及时、有效掌握发现大学生心理健康变化规律，许多专家、高校老师以及研究人员进行了一系列的研究，提出了许多大学生心理健康服务平台[7]，通过心理健康服务平台对一些与心理健康相关的数据进行分析，跟踪大学生心理变化趋势，识别一些心理健康有问题的学生，并对其制定相应预案。有学者提出了如基于QT技术的网络心理健康平台[8]、基于互联网技术的网络心理健康平台[9]、移动终端的网络心理健康平台等[10-11]。这些平台在实际应用中，均存在一些不足，如无法进行心理健康在线服务，且心理健康问题具有海量性，心理健康数据分析效率低[12]。

云计算技术集成了互联网络技术、并行计算技术、通信技术，适合于海量的心理健康数据分析[13-14]。为了改进当前服务平台存在的不足，以获得理想的服务效果，本文设计了基于云计算技术的大学生心理健康在线服务平台，并通过具体实例和对比分析，验证了该平台的特性。

2 云计算大学生心理健康在线服务平台

2.1 大学生心理健康在线服务平台的架构

基于云计算的大学生心理健康在线服务平台采用多层结构进行设计，各层之间具有一定的关联性，每一层包括多个模块，各个模块具有一定的功能，同一层模块相对独立，服务平台易扩展，自适应能力强，该平台的基本架构如图1所示。

2.2 平台功能模块设计

平台包括：数据采集层、数据传输层、云计算层、结果展示层，具体描述如下：

(1) 数据采集层。该层是实现大学生心理健康在线服务的基础，通过一些设备对大学生心理健康数据进行采集，并对这些设备进行统一管理。设备包括：各种类型传感器以及摄像机，其中传感器采集大学生心理指标数据、摄像机用于学生身份信息的采集和认证；

(2) 数据传输层。采用多种网络进行大学生心理健康数据的接收、传输以及存储；

(3) 云计算层。该层是大学生心理健康在线服务平台的核心层，又可以细分为：数据预处理层、数据智能分析层、信息服务层，它们相互配合实现大规模大学生心理健康数据挖掘、分析、融合。子层具体描述如下：

a) 数据预处理层。大学生心理健康数据类型多，量纲不一样，同时数据可能存在一些以噪声形式表现的无用数据，该层主要功能为：数据分类，将数据划分为多个类别，对数据进行归一化操作，使它们的值处于同一个区间内，并去除其中噪声，提高大学生心理健康数据的质量，便于后续数据智能挖掘与分析；

b) 数据智能分析层。其最为关键，主要通过引入一些数据挖掘技术拟合大学生心理健康变化规律，通过云计算分布式技术同时将大学生心理健康分析任务分配给各个节点并行处理，对各节点的数据处理结果进行融合，得到大学生心理健康状态；

c) 信息服务器。即将大学生心理健康状态以消息、语音、视频方式存储起来，为结果展示层提供相应信息；

(4) 结果展示层。该层是大学生心理健康服务平台的最外层，主要负责将健康状态分析结果发送给大学生或者心理咨询师，实现大学生心理健康服务。

2.3 云计算平台的基本结构

随着计算机技术、信息技术、自动化技术以及模式识别技术不断发展，每天产生大量的数据，传统单机方法对这些数据处理的速度已经达到了瓶劲，从技术层面上无法实现突破，在该背景下，出现了云计算技术[15]。云计算技术将一些单机组织在一起，采用并行方式进行运行和管理，具有强大的数据处理能力，一个大型任务被细分为多个子任务，对每一个子任务分配一个普通计算机(节点)，更快完成任务的处理速度。云计算平台的基本结构见图2。

2.4 大学生心理健康服务数据处理方式

为了满足大数据的处理需求，云计算平台采用MapReduce 方式对数据进行处理，包括Map 和Reduce 函数。具体处理方式为：首先读取大学生心理健康数据，分成多个小规模的数据，Map 函数为每一个小规模数据分配一个节点，每一个节点并行对数据进行并行处理，得到相应的处理结果，然后采用Reduce函数对节点的处理结果进行融合，并将大学生心理健康数据存储到服务器中，具体如图3所示。

2.5 大学生心理健康服务的数据挖掘

大学生心理健康服务数据挖掘本质是将其划为多种等级，如正常、异常，异常又可以细分为严重、中等、轻度，实际是一种多分类问题。为此本文引入数据挖掘技术中的支持向量机对大学生心理健康状态进行分类，该算法在普通节点上实现，所有普通节点得到的结果在服务器进行融合和输出。

支持向量机算法寻找一个最优分类超平面对大学生心理健康状态进行分类，该平面尽可能将各类大学生心理健康状态区分开来。设大学生心理健康服务数据集合：{xi，yi}，i=1，2，…，n，xi表示大学生心理健康特征；yi表示大学生心理健康状态的类型，最优该超平面可以描述

式中，ω和b是待求解权值向量和偏移向量。

对式(1)中权值和偏移向量进行直接求解，一般无法实现，因此需要对式(1)进行一定的变换，得到一个与其求解过程等价的形式，通过引入松弛因子ξi变化一个二次化问题，具体如下

式中，C为支持向量机的惩罚参数。

为进一步简化求解过程，采用Lagrange乘子(αi)设计式(2)的对偶形式，得到

根据式(3)得到Lagrange 乘子的值，从而得到ω的计算公式为

大学生心理健康状态分类的决策函数具体如下

大学生心理健康服务数据具有一定的非线性，引入核函数k(x，xi)代替点积操作Φ(xi)Φ(xj)，这样式(5)变为

对于云计算平台中的每一个节点，根据式(6)可以得到基于支持向量机的大学生心理健康状态分类结果，在服务器中对健康状态分类结果进行融合，从而得到最终结果，根据最终结果判断学生是否存在心理健康问题。

3 仿真测试

3.1 测试对象以及云计算平台设置

为分析基于云计算的大学生心理健康在线服务平台的性能，采用具体实例进行测试，随机选取某省多名大学生作为测试对象。该云计算平台包括一个云服务器，20个普通节点，服务器主要负责对普通节点进行管理、协调和控制，而普通节点主要负责心理健康在线服务，配置如表1所示。

表1 云计算的服务器和普通节点配置

构建大学生心理健康在线服务平台，界面如下图所示。

3.2 平台工作效率测试

对于一个心理健康服务平台，工作效率十分关键，直接影响大学生心理健康在线、实时性，统计不同规模数据量下平台的响应时间，在相同条件下，选择基于QT 技术和Android的心理健康服务平台进行对比测试。从图5可知，随着心理健康分析数据不断增加，所有平台的响应时间上升，其中QT 技术的响应时间上升幅度最大，其次为Android，而本文平台的响应时间上升幅度小，表示本文平台的工作效率最高，这主要是因为本文平台引入云计算技术对大学生心理健康分析问题进行并行处理，加快了数据处理速度，能够满足现代大学生心理健康服务数据向大规模发展的要求，可以实现心理健康在线服务要求。

3.3 大学生心理健康评测精度分析

对于一个大学生心理健康在线服务平台来说，评测精度十分重要，同样采用两种平台进行对照实验，进行10次仿真实验，每一次选取对不同数量大学生作为测试对象，统计每一次实验的心理健康评测精度，结果如图6所示。对图6的评测精度进行分析可知，QT 平台的评测精度最低，本文平台的评测精度最高，这是因为本文引入了数据挖掘技术对大学生心理健康状态进行分类，高精度描述了学生心理健康变化规律，准确刻画了每一个学生心里健康状态，可根据评测结果制定相应大学生心理健康问题预防方案，降低心理健康问题发生概率。

4 结束语

大学生心理健康问题直接影响学生情绪和高校稳定，是国家和社会关注的焦点，为了适应当前大学生心理健康的发展要求，提供更优的大学生心理健康服务质量，设计了基于云计算的大学生心理健康服务平台。通过云计算技术构建服务平台，服务器通过分布式技术将各个节点连接在一起，在各节点上引入数据挖掘技术拟合大学生心理健康变化特点，得到心理健康状态，服务器对各节点结果进行有效融合，通过网络将结果输出到相应的终端。测试结果表明，该平台可以满足大学生心理健康服务要求，具有十分广泛的应用前景。