數據挖掘技術的心理障礙預測模型研究

林 媛

（華南農業大學，廣東 廣州 510642）

0 引 言

隨著人們生活壓力的不斷增加，一分部人可能存在一定的心理疾病，而心理障礙是一種常見的心理疾病，輕微的心理障礙可以通過自身調節進行治愈，而嚴重的心理障礙問題就需要進行相應的治療，因此心理障礙問題已經成為困擾人們生活健康的一個重要難題[1?3]。心理障礙的發生過程是一個長時間積累的過程，對心理障礙發展程度進行預測，可以幫助人們提前了解心理障礙將來的狀態，盡可能早地制定一些調節和治療措施，降低心理障礙發生的機率。因此心理障礙預測研究成為當前心理數據挖掘中的一個熱點方向[4?6]。

針對心理障礙預測問題，近10 多年人們進行了深入的探討，并取得了一些不錯的成果，提出許多有效的心理障礙預測模型。將心理障礙預測模型可以劃分為兩大類，一類是傳統心理障礙預測模型，另一類為現代心理障礙預測模型。傳統心理障礙預測模型采用傳統數學建模方法進行，如多元線性回歸，對心理障礙歷史數據進行分析，找到相應的多元線性回歸系數，建立相應的心理障礙預測模型，并對將來一段時間的心理障礙進行估計預測，對心理障礙問題進行了簡化。因此心理障礙預測結果不太可靠，無法適應現代心理障礙預測建模的要求?，F代心理障礙預測模型主要包括人工智能技術、非線性控制技術、自動化技術，當前主要有各種人工神經網絡的心理障礙預測模型、灰色理論的心理障礙預測模型，它們通常具有智能化學習功能，根據心理障礙歷史數據擬合心理障礙的變化規律，預測結果要優于傳統心理障礙預測模型。在心理障礙實際預測中，目前還有許多問題有待解決，如：人工神經網絡的收斂速度慢，心理障礙預測結果出現過擬合的概率相當高，心理障礙預測的泛化能力差，而且人工神經網絡相關參數直接影響心理障礙預測結果，而當前人工神經網絡參數優化方法主要采用人工方式憑經驗確定人工神經網絡的參數，使得心理障礙預測精度并非達到最優，因此心理障礙預測面臨巨大的挑戰。

為了解決當前心理障礙預測模型存在的誤差，預測結果可信度低等不足，以提高心理障礙預測精度為目標，提出了數據挖掘技術的心理障礙預測模型，并在Matlab 2019 平臺進行了心理障礙預測的仿真模擬實驗，結果表明，本文模型是一種效果好、速度快的心理障礙預測模型，預測效果要明顯優于當前其他心理障礙預測模型。

1 數據挖掘技術的心理障礙預測模型

1.1 采集心理障礙信號

在進行心理障礙預測時，首先要對心理障礙相關的信號進行采集，由于一個人的心理出現了障礙，其語言會發生相應的變化，如焦慮、急躁，因此本文采集心理障礙者的語言信號進行心理障礙預測，通過TMS320C6713 實現語音信號的采集，采集到的語音信號為模擬信號。由于心理障礙預測是通過計算機來實現，因此要將模擬信號通過數模轉換裝置產生數字信號。采集信號可以用圖1 進行描述。

圖1 采集的心理障礙信號

1.2 心理障礙信號的預處理

在心理障礙信號的采集過程中，難免出會出現一些噪聲，這些噪聲會對心理障礙信號的后續處理產生不利影響，因此本文引入小波變換對心理障礙信號進行預處理。設ψ(t)為可積函數，那么其傅里葉變換滿足式（1）條件，則稱ψ(t)為小波母函數。

ψ(t)在正負交替具有波動性，均值滿足如下條件：

對ψ(t)進行平移、伸縮操作可以得到：

對于心理障礙信號f(t)，其連續小波為：

式（4）是心理障礙信號f(t)在ψa,b(t)的多尺度平移信號的投影，f(t)的小波變換為wf1(a,b)和wf2(a,b)，那么可以得到：

本文采用小波閾值算法對心理障礙信號進行去噪，基本原理為：對含噪的心理障礙信號進行小波變換，得到許多小波系數，這樣小波系數可以劃分為干凈心理障礙信號的小波系數和噪聲的小波系數，然后選擇最優閾值與所有小波系數進行比較，如果小波系數小于最優閾值，表示是噪聲，那么將該小波系數設置為0，最后通過小波逆變換對小波系數進行重構，得到干凈的心理障礙信號。

1.3 提取心理障礙信號的特征

當人的心理狀態發生變化后，心理信號也會發生相應的改變，因此一旦出現心理障礙，那么其特征就會發生改變，本文采用4 種特征進行心理障礙識別。

1）短時能量。設心理障礙信號為f(t)，對其進行分幀處理，第i幀心理障礙信號可以表示為：

式中：w(n)表示心理障礙信號的窗函數；inc 表示心理障礙信號的幀移。

第i幀心理障礙信號的短時能量計算公式為：

式中：L表示心理障礙信號的幀長；m表示心理障礙信號分幀后的總幀數。

2）短時過零率。短時過零率用于描述心理障礙信號波形穿過橫軸的次數，具體計算公式為：

式中sgn[·]表示符號函數，具體如下：

1.4 數據挖掘技術

支持向量機是一種新型的數據挖掘技術，主要針對一些復雜的問題進行建模，具有一定的智能決策能力。對一個問題的數據集{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}，n為樣本數，采用映射函數?(?)對數據集進行映射，然后建立最優分類超平面，具體如下：

基于結構風險最小化學習原理，分類超平面可以滿足如下條件：

引入松弛變量ξi弱化分類誤差，提升分類精度，這樣分類超平面可以轉化為如下優化問題：

式中C為懲罰參數。

采用Lagrange 算法得到式（12）的對偶形式，具體為：

采用核函數代替內積操作：k(xi,xj)=?(xi)?(xj)，可以得到:

最優分離超平面可以表示為：

本文選擇的核函數為：

1.5 數據挖掘技術的心理障礙預測步驟

數據挖掘技術的心理障礙預測步驟如下：

Step1：通過TMS320C6713 采集語音信號，并通過數模轉換裝置產生數字信號。

Step2：通過小波變換對原始語音信號進行預處理，去除其中的噪聲，得到干凈的語音數字信號。

Step3：從去噪后的語音信號中提取短時能量和短時過零率，將它們作為心理障礙預測特征向量。由于它們的單位不一樣，因此對它們進行預處理，即：

式中fmax和fmin表示心理障礙預測特征的最大值和最小值。

Step4：將心理障礙值和特征向量組合在一起，得到心理障礙預測的學習樣本。

Step5：設置支持向量機參數，如懲罰參數和核函數參數。

Step6：采用支持向量機對心理障礙學習樣本進行訓練，建立心理障礙預測模型，具體流程如圖2 所示。

圖2 數據挖掘技術的心理障礙預測流程

2 仿真測試

2.1 測試環境

為了測試數據挖掘技術的心理障礙預測模型的性能，對其進行仿真實驗，具體測試環境如表1 所示。

表1 心理障礙預測實驗的測試環境

選擇BP 神經網絡的心理障礙預測模型進行對比測試，選擇心理障礙預測精度和建模時間作為心理障礙預測仿真實驗結果的評價指標。

2.2 心理障礙仿真實驗的測試數據集

為了使心理障礙仿真實驗結果具有較強的說服力，選擇5 個測試數據集進行仿真實驗，每一個測試數據集包含的心理障礙樣本數量如表2 所示。

表2 心理障礙仿真實驗的測試數據集

2.3 心理障礙預測結果與分析

將表2 的心理障礙仿真實驗的測試數據集劃為兩部分：一部分為訓練集，用于建立心理障礙預測模型，測試心理障礙預測的擬合能力；另一部分為測試集，用于分析心理障礙預測模型的泛化能力。它們的比例為3∶1。

2.3.1 心理障礙訓練精度分析

兩種心理障礙訓練精度如圖3 所示。

圖3 兩種方法的心理障礙訓練精度比較

對圖3 進行分析可以發現：

1）BP 神經網絡的心理障礙訓練精度平均值為81.49%，心理障礙訓練誤差的平均值為18.51%，心理障礙訓練精度要低于實際應用的要求，這主要是因為BP神經網絡雖然學習能力強，但是經常出現一些擬合錯誤偏大的點，出現了過擬合心理障礙的預測結果。

2）本文方法的心理障礙訓練精度平均值為93.34%，心理障礙訓練誤差的平均值為6.66%，心理障礙訓練精度遠遠高于實際應用要求的85%，心理障礙訓練精度要高于BP 神經網絡，這表明本文方法克服了BP神經網絡存在的缺陷，可以更好地描述心理障礙變化特點，心理障礙預測結果的擬合效果更優。

2.3.2 心理障礙預測的測試精度分析

兩種心理障礙預測結果的測試精度如圖4 所示。對圖4 測試精度分析可知：兩種方法心理障礙預測的測試精度要低于訓練精度，這是正?，F象，但是本文方法的心理障礙預測測試精度要高于BP 神經網絡，這是因為本文方法是一種更加有效的數據挖掘技術，能夠更加深層次、全面地描述心理障礙變化態勢，獲得了理想的心理障礙預測結果。

圖4 兩種方法的心理障礙測試集的測試精度比較

2.3.3 心理障礙預測建模效率分析

兩種方法的心理障礙建模訓練時間和測試時間如圖5 所示。從圖5 可以發現，心理障礙建模訓練時間要遠遠長于測試時間，因為通過訓練過程找到心理障礙預測模型的最優參數，耗費時間比較長。對于相同的數據集，本文方法的心理障礙建模訓練時間要少于BP 神經網絡，加快了心理障礙建模效率，測試時間相差不大，因此本文方法的心理障礙建?？倳r間要明顯短于BP 神經網絡，提高了心理障礙預測建模的效率。

圖5 兩種方法的心理障礙訓練和測試時間比較

3 結 語

心理障礙是當前社會關注的一個焦點問題。當前心理障礙預測模型存在精度低、預測效率低等弊端，難以滿足心理障礙分析的實際要求，為了獲得理想的心理障礙預測結果，本文提出了數據挖掘技術的心理障礙預測模型。測試結果表明，本文模型的心理障礙預測效果要明顯優于當前其他心理障礙預測模型，而且心理障礙預測建模效率得以大幅度改善，具有十分廣泛的應用前景。