一种基于现代控制论的LLM闭环心理干预算法及系统的制作方法

摘要: 本发明涉及控制理论与大语言模型,更具体地公开了一种基于现代控制论的llm闭环心理干预算法及系统。背景技术:1、心理健康干预决策是指根据患者的抑郁、焦虑等量表评分...
一种基于现代控制论的LLM闭环心理干预算法及系统的制作方法

本发明涉及控制理论与大语言模型,更具体地公开了一种基于现代控制论的llm闭环心理干预算法及系统。

背景技术:

1、心理健康干预决策是指根据患者的抑郁、焦虑等量表评分及临床信息,决定干预类型(认知行为治疗、药物治疗等)、强度、频率并持续随访调整的过程。

2、现有技术中,公告号为cn120764557a的文件公开了“一种基于大语言模型的用户情绪识别与心理干预的系统及方法”,系统支持对抑郁、焦虑、孤独等多类情绪状态的识别与分类,适用于多种交互场景(如app、网页、社交机器人等),可大幅提升情绪识别的精度与心理干预的及时性和有效性。基于大语言模型的情绪识别与心理干预方法,为构建智能化、持续化、个性化的心理健康管理体系提供了坚实的技术支撑,具有广泛的应用前景和深远的社会意义。

3、公告号为cn121964069a的文件公开了“基于大语言模型驱动的智能心理画像诊疗方法及系统”,系统采用高性能边缘计算平台和深度学习模型,结合心理学知识库,生成结构化的心理画像,并通过视觉内容提供情绪调节支持。其主要创新点包括跨模态心理评估、实时闭环干预机制、低成本专家经验复制、高性能一体化解决方案、可持续进化的人机协同模式以及隐私安全保障,旨在推动心理健康服务的普惠化和高效化。

4、综上,现有技术虽然通过大语言模型实现了情绪识别与心理干预,提升了识别精度和干预及时性,并支持多类情绪与多种交互场景,同时借助多模态感知和实时闭环机制生成心理画像与视觉干预,实现了低成本专家经验复制、系统持续进化及隐私安全保障;但是现有技术的经验决策不可解释、不可复现且依赖医生个人水平,同时规则引擎无法覆盖无限临床情景,不能区分个体差异,也无法优化多目标干预强度,且纯大模型建议缺乏稳定性与最优性保证,输出为自然语言而非可执行控制信号,最后经典控制方法需人工设定模型参数,无法利用非结构化语义信息,缺乏安全审查与鲁棒性验证,且量表噪声大,缺乏系统状态估计与在线校正能力。

技术实现思路

1、本发明主要是提供一种基于现代控制论的llm闭环心理干预算法及系统,能够解决背景技术中所提出的问题。

2、为解决上述技术问题,本发明提供如下技术方案,更具体地说是一种基于现代控制论的llm闭环心理干预算法,包括:

3、s1、采集患者的心理量表评分、年龄、既往史临床信息,通过大语言模型在线辨识个体心理状态动力学参数,并生成对应干预周期的个性化康复参考轨迹;

4、s2、将辨识得到的动力学参数经定量映射转换为状态权重系数、控制权重系数及状态空间模型缩放系数,通过多级映射传导构建覆盖多维度心理状态、适配多类干预手段的状态空间模型,求解得到最优反馈增益与初始干预控制量;

5、s3、对初始干预控制方案所依据的状态空间模型参数在设定的参数波动范围内进行蒙特卡洛闭环仿真验证,以评估最优反馈增益对参数不确定性的鲁棒性,再结合预设硬规则约束与大语言模型临床审查完成双重安全校验;

6、s4、通过大语言模型将经校验的数值型干预控制量编码为临床可执行的干预方案,明确干预的类型、执行强度、随访频率及核心干预焦点;

7、s5、在干预执行周期内通过卡尔曼滤波对含噪观测数据进行状态估计,基于状态估计误差通过模型参考自适应控制在线校正模型参数并重算最优反馈增益,结合随访反馈触发新一轮辨识与决策,形成持续闭环干预调整。

8、更进一步的,步骤s1中,采集的临床信息包含抑郁量表评分、焦虑量表评分、年龄与既往史信息,大语言模型基于预设的心理状态动力学模型辨识个体特征参数,同时结合患者风险等级与病史特点生成对应干预周期的个性化康复参考轨迹,轨迹内置临床安全边界约束,大语言模型不可用时自动回退至默认参数与线性插值轨迹。

9、更进一步的,步骤s2中,将辨识得到的动力学参数定量转换为状态权重系数、控制权重系数与状态空间模型缩放系数,构建覆盖多维度心理状态、适配多类干预手段的多输入多输出状态空间模型,通过最优控制算法求解得到反馈增益矩阵与初始干预控制量,并对控制量执行临床安全限幅。

10、更进一步的,步骤s3中,蒙特卡洛鲁棒性验证对状态空间模型参数在设定波动范围内进行多次独立抽样与闭环仿真,统计方案稳定率并以预设阈值作为定量放行标准;双重安全校验先执行干预强度、适用人群类预设硬规则检查,再通过大语言模型完成临床情境性安全审查。

11、更进一步的,步骤s4中,先通过阈值映射将数值型干预控制量转换为对应的干预类型、执行强度与随访频率,再由大语言模型结合患者具体症状特征生成匹配的核心干预焦点,形成临床可直接执行的完整干预方案。

12、更进一步的,步骤s5中,通过卡尔曼滤波融合模型预测结果与含噪量表观测数据,估计得到多维度的真实心理状态;按设定周期基于状态估计误差自适应校正模型参数,重新求解最优反馈增益,随访获取的新观测数据反馈至参数辨识环节,触发新一轮干预决策以形成持续闭环。

13、更进一步的,大语言模型承担参数辨识、参考轨迹规划、安全审查、干预编码四类认知任务,作为闭环控制回路的有机组成部分;辨识输出经定量映射后驱动控制律的权重与模型参数,轨迹输出作为控制跟踪目标;控制律及蒙特卡洛验证的输出结果反馈至大语言模型完成安全判断与临床编码,形成双向定量耦合的闭环控制架构。

14、根据本发明的另外一个方面,提供一种基于现代控制论的llm闭环心理干预系统,该系统基于以上的一种基于现代控制论的llm闭环心理干预算法实现,具体包括:临床信息采集模块、大语言模型认知处理模块、最优控制求解模块、鲁棒性验证模块、安全校验模块、干预编码模块、状态估计与自适应校正模块、闭环调度模块;

15、所述临床信息采集模块采集患者的心理量表评分、年龄、既往史临床信息并输出至大语言模型认知处理模块;

16、所述大语言模型认知处理模块辨识个体心理状态动力学参数、生成个性化康复参考轨迹、完成临床情境安全审查以及将控制量编码为临床干预方案;

17、所述最优控制求解模块将辨识得到的动力学参数定量映射为状态权重、控制权重与状态空间模型参数,构建多输入多输出状态空间模型并求解最优反馈增益与初始干预控制量;

18、所述鲁棒性验证模块接收最优控制求解模块输出的反馈增益与状态空间模型,对模型参数在设定波动范围内进行蒙特卡洛闭环仿真,输出稳定率验证结果;

19、所述安全校验模块在鲁棒性验证通过后,先执行预设临床硬规则检查,再调用大语言模型认知处理模块的安全审查单元完成临床情境审查,实现双重安全校验;

20、所述干预编码模块接收经安全校验的数值型干预控制量,通过阈值区间映射转换为对应的干预类型、执行强度与随访频率,结合患者具体症状特征生成匹配的核心干预焦点,输出临床可执行的完整干预方案;

21、所述状态估计与自适应校正模块通过卡尔曼滤波融合模型预测与含噪观测数据得到状态估计,基于状态估计误差通过模型参考自适应控制校正模型参数并重新求解最优反馈增益;

22、所述闭环调度模块按预设管线顺序依次调度上述各模块,接收随访反馈数据并触发新一轮干预决策,实现系统持续闭环运行。

23、本发明一种基于现代控制论的llm闭环心理干预算法及系统的有益效果为:本发明将大语言模型与闭环最优控制深度融合,构建了从患者信息到可执行干预方案的端到端决策管线,不仅使大模型辨识参数可直接驱动控制律,赋予控制策略个体适配的语义理解能力,还通过多变量协调优化实现多维度症状的协同干预,克服了单维决策的局限。

24、同时,集成了蒙特卡洛定量验证与临床情境审查的双重安全门控,在方案执行前分别评估数学稳定性与临床合理性,形成互补保障。

25、此外,通过状态估计与在线校正的闭环反馈机制,系统能够基于估计误差动态调整模型参数并重算控制增益,使干预方案在执行过程中持续适应患者响应的时变特性,从而为临床决策提供可预演、可调整、可追溯的整体支持。