数据挖掘技术的心理障碍预测模型研究

林 媛

（华南农业大学，广东 广州 510642）

0 引 言

随着人们生活压力的不断增加，一分部人可能存在一定的心理疾病，而心理障碍是一种常见的心理疾病，轻微的心理障碍可以通过自身调节进行治愈，而严重的心理障碍问题就需要进行相应的治疗，因此心理障碍问题已经成为困扰人们生活健康的一个重要难题[1⁃3]。心理障碍的发生过程是一个长时间积累的过程，对心理障碍发展程度进行预测，可以帮助人们提前了解心理障碍将来的状态，尽可能早地制定一些调节和治疗措施，降低心理障碍发生的机率。因此心理障碍预测研究成为当前心理数据挖掘中的一个热点方向[4⁃6]。

针对心理障碍预测问题，近10 多年人们进行了深入的探讨，并取得了一些不错的成果，提出许多有效的心理障碍预测模型。将心理障碍预测模型可以划分为两大类，一类是传统心理障碍预测模型，另一类为现代心理障碍预测模型。传统心理障碍预测模型采用传统数学建模方法进行，如多元线性回归，对心理障碍历史数据进行分析，找到相应的多元线性回归系数，建立相应的心理障碍预测模型，并对将来一段时间的心理障碍进行估计预测，对心理障碍问题进行了简化。因此心理障碍预测结果不太可靠，无法适应现代心理障碍预测建模的要求。现代心理障碍预测模型主要包括人工智能技术、非线性控制技术、自动化技术，当前主要有各种人工神经网络的心理障碍预测模型、灰色理论的心理障碍预测模型，它们通常具有智能化学习功能，根据心理障碍历史数据拟合心理障碍的变化规律，预测结果要优于传统心理障碍预测模型。在心理障碍实际预测中，目前还有许多问题有待解决，如：人工神经网络的收敛速度慢，心理障碍预测结果出现过拟合的概率相当高，心理障碍预测的泛化能力差，而且人工神经网络相关参数直接影响心理障碍预测结果，而当前人工神经网络参数优化方法主要采用人工方式凭经验确定人工神经网络的参数，使得心理障碍预测精度并非达到最优，因此心理障碍预测面临巨大的挑战。

为了解决当前心理障碍预测模型存在的误差，预测结果可信度低等不足，以提高心理障碍预测精度为目标，提出了数据挖掘技术的心理障碍预测模型，并在Matlab 2019 平台进行了心理障碍预测的仿真模拟实验，结果表明，本文模型是一种效果好、速度快的心理障碍预测模型，预测效果要明显优于当前其他心理障碍预测模型。

1 数据挖掘技术的心理障碍预测模型

1.1 采集心理障碍信号

在进行心理障碍预测时，首先要对心理障碍相关的信号进行采集，由于一个人的心理出现了障碍，其语言会发生相应的变化，如焦虑、急躁，因此本文采集心理障碍者的语言信号进行心理障碍预测，通过TMS320C6713 实现语音信号的采集，采集到的语音信号为模拟信号。由于心理障碍预测是通过计算机来实现，因此要将模拟信号通过数模转换装置产生数字信号。采集信号可以用图1 进行描述。

图1 采集的心理障碍信号

1.2 心理障碍信号的预处理

在心理障碍信号的采集过程中，难免出会出现一些噪声，这些噪声会对心理障碍信号的后续处理产生不利影响，因此本文引入小波变换对心理障碍信号进行预处理。设ψ(t)为可积函数，那么其傅里叶变换满足式（1）条件，则称ψ(t)为小波母函数。

ψ(t)在正负交替具有波动性，均值满足如下条件：

对ψ(t)进行平移、伸缩操作可以得到：

对于心理障碍信号f(t)，其连续小波为：

式（4）是心理障碍信号f(t)在ψa,b(t)的多尺度平移信号的投影，f(t)的小波变换为wf1(a,b)和wf2(a,b)，那么可以得到：

本文采用小波阈值算法对心理障碍信号进行去噪，基本原理为：对含噪的心理障碍信号进行小波变换，得到许多小波系数，这样小波系数可以划分为干净心理障碍信号的小波系数和噪声的小波系数，然后选择最优阈值与所有小波系数进行比较，如果小波系数小于最优阈值，表示是噪声，那么将该小波系数设置为0，最后通过小波逆变换对小波系数进行重构，得到干净的心理障碍信号。

1.3 提取心理障碍信号的特征

当人的心理状态发生变化后，心理信号也会发生相应的改变，因此一旦出现心理障碍，那么其特征就会发生改变，本文采用4 种特征进行心理障碍识别。

1）短时能量。设心理障碍信号为f(t)，对其进行分帧处理，第i帧心理障碍信号可以表示为：

式中：w(n)表示心理障碍信号的窗函数；inc 表示心理障碍信号的帧移。

第i帧心理障碍信号的短时能量计算公式为：

式中：L表示心理障碍信号的帧长；m表示心理障碍信号分帧后的总帧数。

2）短时过零率。短时过零率用于描述心理障碍信号波形穿过横轴的次数，具体计算公式为：

式中sgn[·]表示符号函数，具体如下：

1.4 数据挖掘技术

支持向量机是一种新型的数据挖掘技术，主要针对一些复杂的问题进行建模，具有一定的智能决策能力。对一个问题的数据集{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}，n为样本数，采用映射函数ϕ(⋅)对数据集进行映射，然后建立最优分类超平面，具体如下：

基于结构风险最小化学习原理，分类超平面可以满足如下条件：

引入松弛变量ξi弱化分类误差，提升分类精度，这样分类超平面可以转化为如下优化问题：

式中C为惩罚参数。

采用Lagrange 算法得到式（12）的对偶形式，具体为：

采用核函数代替内积操作：k(xi,xj)=ϕ(xi)ϕ(xj)，可以得到:

最优分离超平面可以表示为：

本文选择的核函数为：

1.5 数据挖掘技术的心理障碍预测步骤

数据挖掘技术的心理障碍预测步骤如下：

Step1：通过TMS320C6713 采集语音信号，并通过数模转换装置产生数字信号。

Step2：通过小波变换对原始语音信号进行预处理，去除其中的噪声，得到干净的语音数字信号。

Step3：从去噪后的语音信号中提取短时能量和短时过零率，将它们作为心理障碍预测特征向量。由于它们的单位不一样，因此对它们进行预处理，即：

式中fmax和fmin表示心理障碍预测特征的最大值和最小值。

Step4：将心理障碍值和特征向量组合在一起，得到心理障碍预测的学习样本。

Step5：设置支持向量机参数，如惩罚参数和核函数参数。

Step6：采用支持向量机对心理障碍学习样本进行训练，建立心理障碍预测模型，具体流程如图2 所示。

图2 数据挖掘技术的心理障碍预测流程

2 仿真测试

2.1 测试环境

为了测试数据挖掘技术的心理障碍预测模型的性能，对其进行仿真实验，具体测试环境如表1 所示。

表1 心理障碍预测实验的测试环境

选择BP 神经网络的心理障碍预测模型进行对比测试，选择心理障碍预测精度和建模时间作为心理障碍预测仿真实验结果的评价指标。

2.2 心理障碍仿真实验的测试数据集

为了使心理障碍仿真实验结果具有较强的说服力，选择5 个测试数据集进行仿真实验，每一个测试数据集包含的心理障碍样本数量如表2 所示。

表2 心理障碍仿真实验的测试数据集

2.3 心理障碍预测结果与分析

将表2 的心理障碍仿真实验的测试数据集划为两部分：一部分为训练集，用于建立心理障碍预测模型，测试心理障碍预测的拟合能力；另一部分为测试集，用于分析心理障碍预测模型的泛化能力。它们的比例为3∶1。

2.3.1 心理障碍训练精度分析

两种心理障碍训练精度如图3 所示。

图3 两种方法的心理障碍训练精度比较

对图3 进行分析可以发现：

1）BP 神经网络的心理障碍训练精度平均值为81.49%，心理障碍训练误差的平均值为18.51%，心理障碍训练精度要低于实际应用的要求，这主要是因为BP神经网络虽然学习能力强，但是经常出现一些拟合错误偏大的点，出现了过拟合心理障碍的预测结果。

2）本文方法的心理障碍训练精度平均值为93.34%，心理障碍训练误差的平均值为6.66%，心理障碍训练精度远远高于实际应用要求的85%，心理障碍训练精度要高于BP 神经网络，这表明本文方法克服了BP神经网络存在的缺陷，可以更好地描述心理障碍变化特点，心理障碍预测结果的拟合效果更优。

2.3.2 心理障碍预测的测试精度分析

两种心理障碍预测结果的测试精度如图4 所示。对图4 测试精度分析可知：两种方法心理障碍预测的测试精度要低于训练精度，这是正常现象，但是本文方法的心理障碍预测测试精度要高于BP 神经网络，这是因为本文方法是一种更加有效的数据挖掘技术，能够更加深层次、全面地描述心理障碍变化态势，获得了理想的心理障碍预测结果。

图4 两种方法的心理障碍测试集的测试精度比较

2.3.3 心理障碍预测建模效率分析

两种方法的心理障碍建模训练时间和测试时间如图5 所示。从图5 可以发现，心理障碍建模训练时间要远远长于测试时间，因为通过训练过程找到心理障碍预测模型的最优参数，耗费时间比较长。对于相同的数据集，本文方法的心理障碍建模训练时间要少于BP 神经网络，加快了心理障碍建模效率，测试时间相差不大，因此本文方法的心理障碍建模总时间要明显短于BP 神经网络，提高了心理障碍预测建模的效率。

图5 两种方法的心理障碍训练和测试时间比较

3 结 语

心理障碍是当前社会关注的一个焦点问题。当前心理障碍预测模型存在精度低、预测效率低等弊端，难以满足心理障碍分析的实际要求，为了获得理想的心理障碍预测结果，本文提出了数据挖掘技术的心理障碍预测模型。测试结果表明，本文模型的心理障碍预测效果要明显优于当前其他心理障碍预测模型，而且心理障碍预测建模效率得以大幅度改善，具有十分广泛的应用前景。