基于运动社交关系网络的学生心理状态预判系统的制作方法

1.本发明涉及运动社交关系和心理问题预测技术领域，特别是涉及基于运动 社交关系网络的学生心理状态预判系统。


背景技术：

2.本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有 技术。
3.在学生出现心理问题后，会开始不愿与人交流，性格逐渐走向孤僻，进而 有抑郁症倾向，易与他人发生冲突。上述何种情况发生，都会影响到学生自身 发展并对社会造成破坏。目前高校发现此类存在此类心理问题学生的方法耗时 且成本高昂、效率低下，存在错误率高、准确性差以及预判时间长等缺陷。为 提高学生心理问题预判方法的准确率和及时性，发明一种合适的大学生心理问 题预判方法去辅助高校开展心理工作，为高校学生心理管理人员提供有价值的 信息，帮助学生及时摆脱心理困境的判别方法显得尤为重要。
4.为了及时的发现每个学生的心理问题，最初高校学生心理问题预判方法通 过专家进行诊断，该方法的识别成本高，而且耗时相当长，智能性比较差，识 别结果不稳定，每一个专家预判得到的学生心理危机状态识别结果可能不尽相 同，因此缺陷十分明显，不能适应现代高校学生心理危机研究发展的要求；更 多的高校因为资金不足，缺乏足够熟练掌握和运用心理学知识的专业知识的教 师，此类高校普遍采取心理测评的方式识别学生心理状态，例如使用slc
‑
90量 表、网络成瘾量表等等开展答题统计，并将这些量表分数进行记录在档、对量 表测评分数进行关联分析，通过量化分数分析来识别学生心理状态。
5.随着互联网与信息技术的发展，出现了智能化的高校学生心理问题预判方 法，这种预判系统的一个普遍例子是使用神经网络方法技术，如bp神经网络、 rbf神经网络。神经网络是一种模拟人脑的神经网络以期能够实现类人工智能 的机器学习技术，它具有自动学习能力，神经网络最重要的用途是分类，例如 模式识别、知识工程、专家系统、优化组合、机器人控制等。在原有专家诊断 模式下，存在的高校心理健康教育资金匮乏、专业队伍匮乏、心理咨询手段种 类参差不齐的问题，而使用神经网络构筑模型的学生心理问题预判方法有效解 决了这一问题，这种模型不仅节省了大量资金去辅助高校进行心理问题预判， 而且可以不断优化调整预判手段、针对新发生问题进行识别，做到与时俱进。 神经网络模型使用多态化数据，运用去噪方法处理，采取pca算法提取特征， 最后经过svm等学习方法组织神经网络的结构，可以有效拟合高校学生心理危 机状态变化特点。
6.事实上，由于神经网络是一种传统的机器学习算法，结构难以确定，而且 学习过程十分复杂，因此对数据的可靠性提出了很高的要求。而在神经网络中， 输入特征与一个模型的预测率直接相关。因此选择一种稳定、合适的数据关系 来构建输入特征显得尤为重要。
7.为了更好的提升预判方法的准确率，提高预判系统的可用性，研究人员们 提出了各种特征选择的方法，现有的特征选择通常有以下几类：
8.第一类选择采用采集到的学生心理状况量表，根据scl
‑
90总分和中国常规 模式
评价指南，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、焦虑和强迫作为模型的输入，以及大学生心理健康状态作 为评价模型的输出，其中大学生心理健康状态分为不健康、轻度不健康和健康。 第二类在进行高校学生心理危机状态识别过程中,选择信息自采集。首先引人激 光传感器采集高校学生心理危机状态识别的信号；然后引入小波变换对高校学生 心理危机状态信号进行去噪操作,并采用核主成分分析算法提取高校学生心理危 机状态识别特征；最后采用支持向量机建立高校学生心理危机状态识别模型,并 与其他高校学生心理危机状态识别方法进行对比测试。
9.此外随着互联网的普及应用，通过网络平台进行表达和交流的用户越来越 多，在此过程中不可避免地会留下与个人相关的大量网络文本数据和信息，这 些非结构化的文本数据往往体现着不同场景下的真实表达，反映了人们内在的 心理特质及人格倾向。利用文本挖掘相关技术基于网络文本数据分析心理特质 可以弥补传统心理测量方法易受应试动机等因素影响的缺陷。
10.但是，上述的心理问题预测算法仍然存在以下问题：
11.1)slc
‑
90等危机状态识别问题题量大，因为学生自身参与答题主观能动性 缺失，参与答题积极性不高，数据真实性不可靠、各量表间相关性不强，致使 训练的模型准确率不高。
12.2)耗时且操作成本高昂、预判时间长以及人为误差的大等缺陷。
13.3)文本数据处理量大，网络模型不能很好的处理文本数据对心理健康的高 维度影响。


技术实现要素：

14.为了解决现有技术的不足，本发明提供了基于运动社交关系网络的学生心 理状态预判系统；能够在利用原学生心理状况量表等做到高效数据融合，这类 融合了运动社交关系的量化数据相较于以前的数据具有更好的解释性，能适应 更加复杂的社会环境，对提升高校学生心理危机状态识别结果具有一定效果。
15.第一方面，本发明提供了基于运动社交关系网络的学生心理状态预判系统；
16.基于运动社交关系网络的学生心理状态预判系统，包括：
17.获取模块，其被配置为：获取目标学生和目标学生同学的运动数据信息和 文本信息；其中，目标学生的同学，为：至少有一次在同一地点且同一时间点， 与目标学生有共同运动的情况；
18.预处理模块，其被配置为：对目标学生和目标学生同学的运动数据信息分 别进行归一化处理，将归一化处理后的数据进行向量转换处理，将转换得到的 向量进行拼接处理，基于拼接处理后的结果，得到目标学生的运动社交关系网 络；
19.融合模块，其被配置为：将目标学生的运动社交关系网络与文本信息进行 融合，得到融合周围环境信息的特征；
20.预测模块，其被配置为：对融合周围环境信息的特征，采用训练后的学生 心理状态预判模型进行处理，得到目标学生的预测心理状态。
21.第二方面，本发明还提供了一种电子设备，包括：
22.存储器，用于非暂时性存储计算机可读指令；以及
23.处理器，用于运行所述计算机可读指令，
24.其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
25.获取目标学生和目标学生同学的运动数据信息和文本信息；其中，目标学 生的同学，为：至少有一次在同一地点且同一时间点，与目标学生有共同运动 的情况；
26.对目标学生和目标学生同学的运动数据信息分别进行归一化处理，将归一 化处理后的数据进行向量转换处理，将转换得到的向量进行拼接处理，基于拼 接处理后的结果，得到目标学生的运动社交关系网络；
27.将目标学生的运动社交关系网络与文本信息进行融合，得到融合周围环境 信息的特征；
28.对融合周围环境信息的特征，采用训练后的学生心理状态预判模型进行处 理，得到目标学生的预测心理状态。
29.第三方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指 令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
30.获取目标学生和目标学生同学的运动数据信息和文本信息；其中，目标学 生的同学，为：至少有一次在同一地点且同一时间点，与目标学生有共同运动 的情况；
31.对目标学生和目标学生同学的运动数据信息分别进行归一化处理，将归一 化处理后的数据进行向量转换处理，将转换得到的向量进行拼接处理，基于拼 接处理后的结果，得到目标学生的运动社交关系网络；
32.将目标学生的运动社交关系网络与文本信息进行融合，得到融合周围环境 信息的特征；
33.对融合周围环境信息的特征，采用训练后的学生心理状态预判模型进行处 理，得到目标学生的预测心理状态。
34.与现有技术相比，本发明的有益效果是：
35.本发明方法可通过基于单次运动数据、运动总时长、运动累计次数及运动 社交关系混合特征来进行心理问题预判。本发明方法有助于增强输入特征的表 示学习能力以及对同时受试者的社交关系的建模潜力。本发明方法提供了一个 融合运动社交关系的特征生成的方案，针对拥有不同社交关系的人，综合考虑 运动关系对人的心理影响，从一段时间内的运动状态来预测人现在的心理状态。
36.本发明附加方面的优点将在下面的描述中部分给出，或通过本发明的实践了 解到。
附图说明
37.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
38.图1为第一个实施例的单次运动数据、运动总时长、运动累计次数等数据 流程示意图；
39.图2为第一个实施例的大学生心理健康预测模型；
40.图3为第一个实施例的多月份运动社交关系示意图及数据处理流程图；
41.图4为第一个实施例的以运动社交关系构筑的神经网络模型；
42.图5为第一个实施例的multi
‑
head attention结构示意图。
具体实施方式
43.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的 普通技术人员通常理解的相同含义。
44.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
45.本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据 的合法应用。
46.实施例一
47.本实施例提供了基于运动社交关系网络的学生心理状态预判系统；
48.如图1、图3和图4所示，基于运动社交关系网络的学生心理状态预判系统， 包括：
49.获取模块，其被配置为：获取目标学生和目标学生同学的运动数据信息和 文本信息；其中，目标学生的同学，为：至少有一次在同一地点且同一时间点， 与目标学生有共同运动的情况；
50.预处理模块，其被配置为：对目标学生和目标学生同学的运动数据信息分 别进行归一化处理，将归一化处理后的数据进行向量转换处理，将转换得到的 向量进行拼接处理，基于拼接处理后的结果，得到目标学生的运动社交关系网 络；
51.融合模块，其被配置为：将目标学生的运动社交关系网络与文本信息进行 融合，得到融合周围环境信息的特征；
52.预测模块，其被配置为：对融合周围环境信息的特征，采用训练后的学生 心理状态预判模型进行处理，得到目标学生的预测心理状态。
53.进一步地，所述获取目标学生和目标学生同学的运动数据信息和文本信息； 其中，
54.所述运动数据信息，包括：体育运动总里程、运动天数、运动次数、运动 时间、运动总时长、运动平均配速和运动位置；
55.所述文本信息，包括：学生心理状况量表(scl
‑
90症状自评量表、青少年 网络成瘾量表、普通人群意志品质量表、自我概念量表、一般自我效能感量表、 时间管理倾向量表、心理弹性量表)得分、学生身体信息(性别、身高、体重、 胸围、上臂围、腰围)、学生学期体测成绩等。
56.所述运动数据信息，通过大学体育综合管理系统采集。
57.所述大学体育综合管理系统，包括：体育公众数据平台、体育课程教学平 台、体育联赛平台、体育实践平台、体育心理测评外接平台等。该系统等实现 可为以运动社交关系构筑的神经网络模型提供数据支撑。
58.体育实践平台，用于记录运动开始时间、运动轨迹、运动时间、配速和步 数等，数据统计集合主要有单次运动数据、运动总时长、运动累计次数等，后 合数据有相对应的用户管理模块，数据记录模块、用户数据分析模块，创建数 据库，并在后台服务器上实现数据存储功能同时在公告数据平台中进行数据的 查看维护。
59.体育公众数据平台，用于存储学生个人信息及其体育运动数据、教师数据、 运动
场馆数据等。同时，所述大学体育综合管理系统，还留有丰富的接口，在 数据脱敏保护学生隐私的情况下，可与高校现运行的心理测评中心、学生后勤 保障平台等对接。
60.大多数预测心理的数据处理流程如图2所示，包括：根据scl
‑
90总分和常 规模式评价指南，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、焦虑和强迫作为模型的输入，以及大学生心理健康状态 作为模型的输出，建立大学生心理健康预测模型，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。
61.基于运动社交关系的心理问题预判方法系统数据处理：除了根据scl
‑
90总 分和常规模式评价指南，我们还引入了运动社交关系来增强特征，目的是更好 的适应复杂的人际社交关系系统，研究人员对受试人员每个半年经行一次 scl
‑
90的调查，采用传统的专家模式，让心理学专家为心理状态进行评估。
62.然后，抽取体育综合管理系统其中的学生个人信息及其体育运动数据、运 动场馆数据等公共数据。
63.进一步地，所述将归一化处理后的数据进行向量转换处理；具体为：
64.通过bert(bidirectional encoder representations from transformers)语言表 征模型，将归一化处理后的数据进行向量转换处理。
65.进一步地，所述将转换得到的向量进行拼接处理；具体为：串联拼接。
66.进一步地，所述基于拼接处理后的结果，得到目标学生的运动社交关系网 络；具体为：
67.将目标学生和目标学生同学中的每个人视为一个节点，将拼接处理后的结 果作为节点信息；
68.如果两人之间存在同一时间点且同一地点一起运动的情况，则将这两个人 对应的两个节点之间进行连线，否则不连线；
69.对每一根连线赋予设定权重；所述权重根据两个人共同运动的次数得到；
70.得到目标学生的运动社交关系网络。
71.示例性的，对于学生s1的按月份生成一份运动社交关系图(记为g(s1))。 图中一个节点代表着一个人，节点信息包含，本月此人的体育运动总里程、运 动的天数、运动的次数、运动的时间(早、中、晚)、运动总时长、运动的平 均配速、运动的位置以及其他相关文本的信息等。边的信息包括两个人之间的 一起运动的次数。
72.运动社交关系图中，每个节点除拥有自身体征之外，不同的节点之间存在 着一定的联系，一个人的心理状态不仅和自身的生理心理状态相关，还和周围 的生活环境(人的行为特征因人类社会的复杂多样，受其各种因素的影响。诸 如文化、社会制度、民族、地区等,因而呈现出复杂多样的行为特征)息息相关， 所以，在进行实时预测人心理时，本实施例增加了体育运动总里程、运动的天 数、运动的次数、运动的时间(早、中、晚)、运动总时长、运动的平均配速、 运动的位置以及其他相关文本中的信息与此人的运动社交关系。
73.获取运动社交关系的心理问题预判模型的元数据信息(体育运动总里程、运 动的天数、运动的次数、运动的时间、运动总时长、运动的平均配速、运动的 位置)和其他相关文本中的信息，基于元数据信息提取形成一个运动社交网络 关系图；
74.运动社交网络关系图，是：对与一个人的运动社交关系的描述图。根据数 据平台
采集的信息，对敏感数据进行脱敏处理，依据他们的时间位置等信息来 判定生成运动社交关系，例如，两人在一个月内两次及两次以上在相近时间， 相近地点进行运动打卡，可视为两人代表的节点之间存在一条相关联的线，线 上数字代表一起运动的次数。这就是运动社交网络关系图。对于这样的情况， 我们认为该节点的心理变化不仅与自身生理心理相关，还与其相连节点的心理 状态相关。
75.在收集的数据集中，有每个人的历史的运动数据信息，其中包括该时间内运 动社交网络关系图，根据数据平台提供的元数据，每个人可以提取出一个运动 社交网络关系图。
76.根据每个人的运动社交网络关系，可以在融合时设置一个阈值，减少社交网 络关系图的大小，以此降低计算复杂度，提高计算速度。
77.进一步地，所述目标学生的运动社交关系网络与文本信息进行融合，得到 融合周围环境信息的特征；具体融合方式包括：
78.采用图注意力网络(gat，graph attention network)，对目标学生的运动社交 关系网络与文本信息进行融合，得到融合周围环境信息的特征。
79.进一步地，所述学生心理状态预判模型，具体为：长短期记忆模型(long
‑
shortterm memory。
80.进一步地，所述训练后的学生心理状态预判模型；训练步骤包括：
81.构建训练集和测试集；所述训练集和测试集，均为已知学生心理状态分类 结果的运动数据信息和文本信息；
82.对训练集和测试集进行预处理，得到训练集中所有学生的运动社交关系网 络和测试集中所有学生的运动社交关系网络；
83.对训练集中所有学生的运动社交关系网络于训练集文本信息进行融合，得 到训练集对应的融合周围环境信息的特征；
84.对测试集中所有学生的运动社交关系网络于测试集文本信息进行融合，得 到测试集对应的融合周围环境信息的特征；
85.设置滑动窗的尺寸和滑动步长；
86.采用滑动窗的方式对训练集的数据进行滑动取值；
87.将滑动取值结果输入到学生心理状态预判模型中，对模型进行训练，得到 初步训练后的学生心理状态预判模型；
88.将测试集输入到初步训练后的学生心理状态预判模型，对模型进行测试， 当测试准确率超过设定阈值时，得到最终训练后的学生心理状态预判模型。
89.将公共数据平台提供数据进行脱敏处理后输入到训练好的运动社交关系的 心理问题预判模型，通过权重计算生成对测试心理状态变换状况；
90.基于个人的运动社交网络关系，利用图网络方式将节点及周围节点中运动信 息和其他相关文本中的信息生成一个融合周围环境信息的特征，根据所述融合 周围环境信息的特征进行心理状态的预判。
91.图网络方式是用gat算法来融合周围环境信息，然后将得到前n个月的形 成的n个融合周围环境信息的特征输入到lstm(many to one结构，给一系列 输入得到一个输出。)中进行训练，然后进行预测，经过tanh激活层得到一个 (
‑
1，1)的数值。
92.预测值的数值在(
‑
1，0)区间内表示：该节点代表的人的心理状态变差。
93.预测值的数值在(0，1)区间内表示：该节点代表的人的心理状态变好。
94.在数据处理阶段，首先对平台获取元数据进行embedding，对于体育运动总 里程、运动的天数、运动的次数、运动的时间、运动总时长、运动的平均配速 等数值信息进行归一化处理，对与其他相关文字信息通过bert转成向量将所有 特征数据的向量进行拼接作为一个节点的信息。研究人员根据每个人运动的位 置与运动的时间按月份生成一份运动社交网络关系图。
95.根据每个月份生成一份运动社交网络关系图和该月下的所有相关节点的信 息。
96.对处理好的数据和社交网络关系通过用gat算法来融合周围环境信息，形 成的含有环境信息的向量，一月份的数据，通过一月份的网络社交关系进行融 合，这样的方法处理n个月的数据，采用时间滑窗的方法切分数据：
97.假设元数据有1000人的12个月运动数据。对于一个测试人员来说，1
‑
6月 份输入，经由lstm神经网络、tanh激活函数后得到(
‑
1，1)输出。与1
‑
6月 份的心理变化作对比，产生的损失函数回传给图注意力网络gat lstm神经网 络，经过反向传播，调整模型内部的参数，通过损失函数的不断下降找到一个 最理想的参数模型保存下来。利用7
‑
12月份的数据，来预测7
‑
12月份的心理状 态变化。依次类推可将12个月划分为2组。对于1000个测试人员来说，可以 构成2000条数据。
98.本实施例中embedding具体实施方法，对公共数据平台的元数据进行数值 化编码处理，将已有的数值进行归一化处理，对于文字信息采用bert处理。 例如其他相关文字信息通过bert转为200维的向量将所有特征数据的向量进 行拼接作为该月份运动社交网络关系节点数据。
99.假设某月份运动社交网络关系包含n个节点，每个节点的特征向量为h
i
， 维度是f：
100.h＝{h1,h2,...,h
ν
}，h1∈r
f
ꢀꢀ
(1)
101.对节点特征向量h利用公式(2)进行线性变换，得到新的特征向量h
i'
， 维度是f'，w为线性变换的矩阵：
102.h
i'
＝wh
i
，w∈r
f'
×
f
ꢀꢀ
(2)
103.h'＝{h'1,h'2,...,h'
ν
}，h'
i
∈r
f
ꢀꢀ
(3)
104.h'表示节点特征向量的线性变换结果。节点j是节点i的邻居，则使用 attention机制计算节点j对于节点i的相似系数，即attention score：
105.e
ij
＝attention(wh
i
,wh
j
)
ꢀꢀ
(4)
[0106][0107]
其中，a
ij
代表是注意力系数：把计算的所有相关系数进行softmax得到的结 果。
[0108]
attention机制：又称为注意力机制，是一种能让模型对重要信息重点关注并 充分学习吸收的技术，它不算是一个完整的模型，应当是一种技术，能够作用 于任何序列模型中。
[0109]
gat具体的attention做法如下：
[0110]
把节点i、j的特征向量h'i、h'j拼接在一起，然后和一个2f'维的向量a计 算内积。
[0111]
图注意力网络(gat，graph attention network)的激活函数采用leakyrelu， 公式如下：
[0112][0113]
图注意力网络(gat，graph attention network)的注意力机制采用多头注意力 机制multi
‑
head attention，即多个attention，如图5所示：
[0114]
k个attention的输出与线上的次数相乘。
[0115][0116]
β是h1节点与周围节点之间连接线上的数值(本月运动次数归一化后的数 值)
[0117]
经过gat后，生成一份该月份下包含周围环境信息的向量。
[0118]
初始心理状态经过专家系统打分。与6个月份的含周围环境信息的向量输 入lstm输出中间隐向量，接入全连接层，最后经过tanh激活层输出(
‑
1，1) 来表示此人最近心态变化情况。
[0119]
实施例二
[0120]
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个 存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个 或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存 储器存储的一个或多个计算机程序，以使电子设备执行执行以下步骤：
[0121]
获取目标学生和目标学生同学的运动数据信息和文本信息；其中，目标学 生的同学，为：至少有一次在同一地点且同一时间点，与目标学生有共同运动 的情况；
[0122]
对目标学生和目标学生同学的运动数据信息分别进行归一化处理，将归一 化处理后的数据进行向量转换处理，将转换得到的向量进行拼接处理，基于拼 接处理后的结果，得到目标学生的运动社交关系网络；
[0123]
将目标学生的运动社交关系网络与文本信息进行融合，得到融合周围环境 信息的特征；
[0124]
对融合周围环境信息的特征，采用训练后的学生心理状态预判模型进行处 理，得到目标学生的预测心理状态。
[0125]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是 其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵 列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组 件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0126]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数 据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存 储设备类型的信息。
[0127]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电 路或者软件形式的指令完成。
[0128]
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中 的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读 存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟 的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其 硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0129]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算 法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能 究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。 专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但 是这种实现不应认为超出本发明的范围。
[0130]
实施例三
[0131]
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述 计算机指令被处理器执行时，执行以下步骤：
[0132]
获取目标学生和目标学生同学的运动数据信息和文本信息；其中，目标学 生的同学，为：至少有一次在同一地点且同一时间点，与目标学生有共同运动 的情况；
[0133]
对目标学生和目标学生同学的运动数据信息分别进行归一化处理，将归一 化处理后的数据进行向量转换处理，将转换得到的向量进行拼接处理，基于拼 接处理后的结果，得到目标学生的运动社交关系网络；
[0134]
将目标学生的运动社交关系网络与文本信息进行融合，得到融合周围环境 信息的特征；
[0135]
对融合周围环境信息的特征，采用训练后的学生心理状态预判模型进行处 理，得到目标学生的预测心理状态。
[0136]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领 域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。