基于KH-SVM的大学生心理健康评价

李力， 王鑫

(1. 商洛职业技术学院 师范教育系， 陕西 商洛 726000；2. 山西大学 信息技术系, 山西 太原 030006)

0 引言

传统的心理健康评价方法主要采用问卷调查方法，虽然取得了一定效果，但是成效不显著，导致很多心理问题不能被早期发现。随着社会的快速发展与竞争压力的不断增加，当代大学生的心理健康问题日益突出，给校园学生管理带来了诸多不确定性，因此进行大学生心理健康状况评价具有重要的理论价值和现实意义[1]。心理健康评价本质上属于模式识别或非线性分类问题。为弥补传统的大学生心理健康测评研究方法的缺点，改善和提高支持向量机(Support Vector Machine，SVM)的性能，运用磷虾群算法(Krill Algorithm，KH)优化选择SVM模型的惩罚系数C和核函数参数g。根据SCL-90总分和中国常规模式评价指南[2]，将9个维度的评价指标躯体化、人际关系敏感、精神病、抑郁、偏执、恐怖、敌对、焦虑和强迫作为KH-SVM评价模型的输入，以及大学生心理健康状态作为KH-SVM评价模型的输出，建立大学生心理健康KH-SVM评价模型，其中大学生心理健康状态分为不健康、轻度不健康和健康。与SVM、极限学习机(Extreme Learning Machine，ELM)以及前馈神经网络(Back-Propagation Neutral Network，BPNN)对比发现，KH-SVM可以有效提高大学生心理健康评价结果的准确率，为大学生心理健康评价评估提供了新的方法。

1 磷虾群算法

在标准的KH算法中，每个磷虾个体被看作一个可行解，食物被当作全局最优解。第k个磷虾的总的移动Zk由诱导运动Rk、觅食运动Sk以及随机扩散Tk构成[3]，如式(1)。

Zk=Rk+Sk+Tk

(1)

式中，Zk为第k个磷虾的总的移动。

(1) 诱导运动

诱导运动Rk为式(2)。

(2)

(2) 觅食运动

觅食运动Sk为式(3)。

(3)

式中，Vs为最大觅食速度；βk和ωk均处于[0,1]之间，且βk+ωs=1；βk和ωs分别为觅食方向和权重。

(3) 随机扩散

随机扩散速度Tk为式(4)。

Tk=Tmax(1-t/tmax)δ

(4)

式中，Tmax为最大随机扩散速度；δ为随机扩散方向，且δ∈[0,1]。

磷虾个体位置更新模型[4]为式(5)、式(6)。

xk(t+Δt)=xk(t)+Δt×Zk

(5)

(6)

式(5)和式(6)中，UBi和LBi为变量上界和下界；Ci为步长缩放因子；NV为变量维数。

2 基于KH-SVM的大学生心理健康评价

基于KH-SVM模型的大学生心理健康评价模型流程图，如图1所示。

图1 基于KH-SVM的大学生心理健康评价流程图

首先，将采集的大学生心理健康评价数据分析划分为训练数据和测试数据；之后，针对训练数据集运用KH优化SVM模型的参数组合(C，g)建立基于KH-SVM模型的大学生心理健康评价模型[5-6]；最后，将KH寻优获取的最佳参数组合(C，g)代入SVM模型进行测试。

2.1 评价指标

根据SCL-90总分和中国常规模式评价指南[7-8]，将9个维度的评价指标躯体化、人际关系敏感、精神病、抑郁、偏执、恐怖、敌对、焦虑和强迫作为KH-SVM评价模型的输入，以及大学生心理健康状态作为KH-SVM评价模型的输出，建立大学生心理健康KH-SVM评价模型，其中大学生心理健康状态分为不健康、轻度不健康和健康，大学生心理健康评价本质上为多分类问题[9]。基于KH-SVM的大学生心理健康评价模型示意图，如图2所示。

图2 大学生心理健康评价模型示意图

9个维度评价指标是大学生心理健康状态的评价指标或特征属性，作为KH-SVM模型的输入，而大学生心理健康状态是KH-SVM模型的输出。

2.2 适应度函数

为提高SVM分类模型的性能，本研究运用KH算法优化选择SVM模型的惩罚系数C和核函数参数g，将分类准确率T当作大学生心理健康评价KH-SVM模型的适应度函数为式(7)。

(7)

式中，right为分类正确的样本量；Total为样本总量。

2.3 算法流程

大学生心理健康评价KH-SVM模型的算法流程可详细描述如下。

(1) 读取大学生心理健康评价数据，将数据划分为训练集和测试集，为消除数据量纲差异带来的影响对数据进行归一化处理；

(2) 初始化KH算法参数：磷虾种群大小N、最大迭代次数Maxgen、最大觅食速度Vs、最大随机扩散速度Tmax以及最大诱导速度Rmax，随机初始化磷虾种群，令当前迭代次数iter=0；

(3) 针对训练集，按公式(7)计算每个磷虾个体的适应度并排序，计算磷虾个体的各运动分量；

(4)更新磷虾个体的位置；

(5)判断算法终止条件。如果iter

(6) 将最优惩罚参数C*和核参数g*代入大学生心理健康SVM模型评价大学生心理健康状况。

3 试验与结果分析

3.1 数据来源

为了验证KH-SVM进行大学生心理评价的有效性和可靠性，选择某学院2018年入校大学生所做的大学生心理健康测量表[10-11]数据为研究对象，该表涉及大学生心理健康状况的104个预设问题。选择不健康、轻度不健康和健康等3种状态为研究对象，不同心理健康状态样本数据，如表1所示。

表1 样本数据

3.2 评价指标

为了评价大学生心理健康评估的效果，选择准确率T和误判率F作为评价指标[12-13]。

(1) 准确率T：假设大学生心理健康被正确识别的数量为A，而大学生心理健康的实际数量为B，则大学生心理健康评估的准确率，为式(8)。

(8)

(2) 误判率F：假设大学生心理健康是第i类健康状态的人数为H，将该类心理健康状态误判为第j类大学生心理健康的人数为W，则大学生心理健康状态评价的误判率，为式(9)。

(9)

3.3 结果分析

为验证KH-SVM进行大学生心理健康评价的有效性和可靠性，将KH-SVM和ELM、SVM和BPNN进行对比[14]，KH参数设置为：磷虾种群大小N=100、最大迭代次数Maxgen=100、最大随机扩散速度Tmax=0.02、最大觅食速度Vs=0.02以及最大诱导速度Rmax=0.03；SVM模型参数取值：C∈[0.01,100]、g∈[0.01,10]。对比结果，如表2和图3-图6所示。

表2 大学生心理健康评价结果

图3-图6中，“○”为大学生心理健康状态的实际类别，“*”为大学生心理健康状态的评价类别，其中1、2、3分别表示大学生心理健康为不健康、轻度不健康和健康。当“*”和“○”重合时，说明大学生心理健康评价结果正确；当“*”和“○”不重合时，说明大学生心理健康评价结果错误。由表2和图3-图6可以看出，KH-SVM的大学生心理健康评价结果的准确率和误判率分别为96.41%和3.59%，优于ELM的92.28%和7.72%，SVM的90.46%和9.54%和BPNN的86.35%和13.65%。与ELM、SVM和BPNN对比发现，KH-SVM可以有效提高大学生心理健康评价结果的准确率，为大学生心理健康评价评估提供了新的方法。

图3 KH-SVM评估结果

图4 ELM评估结果

图5 SVM评估结果

图6 BPNN评估结果

4 总结

为弥补大学生心理健康测评研究传统方法的不足，提出一种基于KH-SVM的大学生心理评价方法。将9个维度的评价指标躯体化、人际关系敏感、精神病、抑郁、偏执、恐怖、敌对、焦虑和强迫作为KH-SVM评价模型的输入，以及大学生心理健康状态作为KH-SVM评价模型的输出，建立大学生心理健康KH-SVM评价模型。与ELM、SVM和BPNN对比发现，KH-SVM可以有效提高大学生心理健康评价结果的准确率，为大学生心理健康评价评估提供了新的方法。