一种学生心理健康群体筛查方法及系统与流程

1.本发明属于在线心理云平台技术领域，具体涉及一种学生心理健康群体筛查方法及系统。


背景技术：

2.目前大学生心理健康筛查常用心理量表和脑电波检测仪，存在以下不足：心理量表，1、当前大多使用量表(scl-90、upi、epq、16pf等)多为国外翻译量表，不能完全反映了我国大学生特点，对国外引进问卷筛查标准的确立缺乏依据和检验，部分量表既有常模过于陈旧，实际应用中，测试结果出入很大，需三个月测一次；2、各高校用于筛查大学生心理问题的工具不统一，不利于教育部等有关部门机构了解和掌握我国大学生心理健康的现状；3、群体检测耗时耗力，且需要专人指导。脑电波检测仪，虽然可小规模检测，检测结果准确，但触式检测，无法大规模检测使用，为此，本发明根据需求，提出一种学生心理健康群体筛查系统。


技术实现要素：

3.本发明的目的是为了解决现有技术中存在上述缺点，而提出的一种学生心理健康群体筛查方法及系统。可实现非接触式ai情绪识别、30～60s快速检测、大规模群体筛查。
4.为了实现上述目的，本发明采用了如下技术方案：
5.设计一种学生心理健康群体筛查方法，具体包括如下步骤：
6.步骤1：通过前端高频摄像机采集30-60秒的学生面部、颈部肌肉群视频；
7.步骤2：获取前庭器官控制头部肌肉细微运动产生的微小振动频率和幅度参数；
8.步骤3：根据脑波与心理生理参数的映射关系，对步骤2获得振动频率和幅度参数通过心理生理参数提取算法进行视频与脑电图，以及视频图像与hrv之间的转换，获取映射参数和脑波信息；
9.步骤4：将步骤3中获取映射参数和脑波信息与基本特征数据库内的情绪算法模型进行比对，并快速统计出学生情感状态；
10.步骤5：将步骤4中统计出来的学生情感状态进行评估，并创建档案；
11.步骤6：筛查出异常情绪的高危可疑学员，并对筛查出来的学员每周检测一次，连续三次情绪均存在异常，系统对情绪异常学生进行标记，并自动发出预警；
12.步骤7：对步骤5中异常的学生进行记录跟踪检测，并进行线上和/或线下面对面沟通，直到情绪稳定终止跟踪检测。
13.进一步的，在所述步骤1中，摄像机在视频采集前，需要视频采集过滤器和视频截图格式的设置，进行图像的调试。
14.进一步的，在所述步骤2中，微小振动频率和幅度参数为头部点的运动参数，点与点之间光学对比存在差异，在每个点形成振动成像。
15.进一步的，所述光学对比差异包括如下：
16.信号的振幅在空间上每点的变化；
17.公式为：
18.其中：u
x，y，i
第i帧中(x，y)点处的信号量，u
x，y，(i 1)
第i 1帧中(x，y) 点处的信号量，n累积振动图像振幅分量的帧数；
19.信号的频率在空间上每点的变化；
20.公式为：
21.其中：δi为图像在第i点的帧间差异(有差别为1，无差别为0)，n为累积振动图像振幅分量的帧数；
22.由公式(1)和公式(2)推导出情绪算法模型：
[0023][0024]
其中，ei为某一种情绪状态，为一个人的头部以微振动形式做功在时间上的变化(频率)，为一个人的头部以微振动形式做功的空间分布(位移)；fi为对应关系。
[0025]
进一步的，在所述步骤4中，所述情绪模型算法包括攻击模型算法、压力模型算法、可疑模型算法、平衡模型算法、魅力模型算法、活力模型算法、自我调节模型算法、抑制模型算法、神经质模型算法、抑郁模型算法、幸福模型算法、外向性模型算法和稳定性模型算法。
[0026]
其中，攻击性值的模型算法方程式为：
[0027][0028]
其中，m为频率分布密度直方图中的最大频率；fi为在频率分布密度直方图中的第i个频率；f
in
为输入处理振动频率；n为n帧内帧间差大于阈值的计数；
[0029]
压力值的模型算法方程式为：
[0030][0031]
其中，为物体左侧第i条线振动频率分量总振幅；为物体右侧第i条线振动频率分量总振幅；为之间的最大值；为物体左侧第i行振动频率分量的最大频率；为物体右侧第i行振动频率分量的最大频率为为之间的最大值；n为图像占用的行数；
[0032]
焦虑值的模型算法方程式为：
[0033][0034]
其中，pi(f)为振动频率分布的频谱功率；f
max
为振动频率分布频谱中的最大频率；
[0035]
可疑值的模型算法方程式为：
[0036][0037]
其中，e1为攻击性等级；e2为压力等级；e3为焦虑等级；
[0038]
平衡值的方程式为：
[0039]
e5＝bl＝(100-2va)％，(公式8)
[0040]
其中，va为情绪参数可变性计算总和；
[0041]
魅力值的模型算法方程式为：
[0042][0043]
其中，w
li-w
ri
为每条线的振动图像振幅分量的左侧和右侧振幅平均值的差； c
li-c
ri
为每条线在振动图像振幅分量的左侧和右侧的最大频率值之间的差；n为处理过程的帧数；
[0044]
活力值的模型算法方程式为：
[0045][0046]
其中，m为频率直方图上计数的最大值；σ为振动频率的标准差，通过频率直方图计算；f
ps
为振动图像输入频率的最大值；
[0047]
自我调节值的模型算法方程式为：
[0048][0049]
其中，e5为测量过程中平衡参数的平均值；de5为平衡参数的变化范围；e6 为测量过程中魅力值参数的平均值；de6为魅力值参数的变化范围；
[0050]
抑制值的模型算法方程式为：
[0051][0052]
其中，f1为振动变化频率；tm为振动频率变化的平均周期；t：振动周期测量；
[0053]
神经质值的模型算法方程式为：
[0054]
e10＝nr＝10σ(e9)，(公式13)
[0055]
其中，σ(e9)为e9(抑制)值的标准差；
[0056]
抑郁值的模型算法方程式为：
[0057][0058]
其中，σ为频率直方图中的振动频率的标准差；m为频率直方图中振动频率的平均值；
[0059]
幸福值的模型算法方程式为：
[0060][0061]
其中，i为心理生理状态的信息有效性；e为心理生理状态的能量减少特征；di为心理生理状态信息有效性的变化；de为心理生理状态的能量减少特征的变化；
[0062]
外向性值的模型算法方程式为：
[0063][0064]
其中，r
ie
为信息效率(i)与能量消耗(e)之间的皮尔逊相关系数。
[0065]
稳定性值的模型算法方程式为：
[0066][0067]
其中，k为频率直方图的归一化系数，y'为正态分布密度；
[0068][0069][0070]
进一步的，学生情感状态由计算值、标准方差和变异值计算得到的参数。
[0071]
本发明还提出了一种学生心理健康群体筛查系统，包括：
[0072]
高频摄像机，用于前端学生面部、颈部肌肉群视频的采集；
[0073]
ai情绪识别模块，用于群体数据、图片信号进行快速分析和处理，得到学生头部振动点的运动参数；
[0074]
心理生理参数提取模块，用于根据脑波与心理生理参数的映射关系以及脑波检测与视频检测的映射关系，获取映射参数和脑波信息；
[0075]
振动成像模块，用于光学对比，信号的振幅在空间上每点的变化和信号的频率在空间上每点的变化，获取每个点形成振动成像；
[0076]
算法模型比对模块，用于与基本特征数据库内的情绪算法模型进行比对，快速统计出学生情感状态；
[0077]
评估模块，用于学生心理健康状态全面评估，用数据来量化各项指标是否正常；
[0078]
筛查模块，用于异常情绪的高危可疑学员的筛查；
[0079]
预警模块，用于连续三次检测存在异常情绪的学员进行自动预警；
[0080]
档案创建模块，用于对参加检测的学生做建档管理，对筛查出来的重点学员重点监控；
[0081]
跟踪服务模块，对筛查出来的重点学员进行线上和/或线下面对面跟踪，并进行心理沟通咨询；
[0082]
记录模块，用于对筛查出来的重点学员，每次检测做历史记录，及时发现情绪变化趋势。
[0083]
更进一步的，所述评估模块评估包括学生情感状态的攻击、压力、可疑、平衡、魅力、活力、自我调节、抑制、神经质、抑郁、幸福、外向性和稳定性综合数据，以及心理状态中负面情绪、正面情绪以及生理情绪在综合数据的占比；
[0084]
还评估包括活力度、集中度、疲劳度。
[0085]
更进一步的，所述档案创建模块包括检测时间单元、姓名单元、编号单元、年龄单元、单位单元、班级单元、综合评估单元和操作单元。
[0086]
更进一步的，所述记录模块包括脑疲劳度历史记录和集中力历史记录。
[0087]
与现有技术相比，采用本发明提出的一种学生心理健康群体筛查方法及系统，有益效果在于：通过人工智能、ai情绪识别技术，将从传感器采集来的群体数据、图片信号进行快速分析和处理，无接触式准确感知，及时把握群体认知及心理变化，从而预测、预警、主动决策反应，提高治理能力和水平，有效维护校园群体心理稳定态势。具体地：
[0088]
(1)、简单易用，检测只需要1分钟，就可以使心理状态可视化，全程不需要问诊及填表格。
[0089]
(2)、未接触式，只是坐在摄像机前测量或多个摄像机下流动抓拍，不需接触，身体没有其他负担。
[0090]
(3)、因为是无意识下的心理状态的检测，可以更客观的把握心理状态，和调查问卷相比，被测者通过自己的意识无法控制。
[0091]
(4)、通过定期测试，能够事前发现心理变化，以便采取相应措施尽早干预。
附图说明
[0092]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0093]
图1是本发明关于学生心理健康群体筛查的流程框图。
具体实施方式
[0094]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术学员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0095]
现结合说明书附图，详细说明本发明的结构特点。
[0096]
参见图1，一种学生心理健康群体筛查方法，具体包括如下步骤：
[0097]
1)、视频采集：通过前端高频摄像机获取30-60秒的学生面部、颈部肌肉群视频。其中，为了保证系统检测的准确性，摄像机在视频采集前，必须对摄像机进行设置，设置摄像机的视频采集过滤器和视频截图格式，进行图像的调试，摄像机的视频采集过滤器的设置根据不同的检测条件，可选择自动或手动设置“焦点”和“曝光”。如果照明是恒定的，使用手
动配置。如果光线不恒定 (例如，使用自然光照明)，使用自动配置。因为电子变焦会降低摄像机的帧率，所以参数的“缩放”和“焦点”使用手动设置，调整此参数时要注意观察输入帧率，要求大于25帧/秒。视频截图格式的设置，帧率必需设置30，而帧的大小设置640
×
480，这样可确保截图的质量。
[0098]
2)、获得头部微小振动频率和幅度参数：从学生面部、颈部肌肉群视频获取前庭器官控制头部肌肉细微运动产生的微小振动频率和幅度参数。微小振动频率和幅度参数为头部点的运动参数，点与点之间光学对比存在差异，在每个点形成振动成像。
[0099]
所述光学对比差异包括如下：
[0100]
信号的振幅在空间上每点的变化；
[0101]
公式为：
[0102]
其中：u
x，y，i
第i帧中(x，y)点处的信号量，u
x，y，(i 1)
第i 1帧中(x，y) 点处的信号量，n累积振动图像振幅分量的帧数；
[0103]
信号的频率在空间上每点的变化；
[0104]
公式为：
[0105]
其中：δi为图像在第i点的帧间差异(有差别为1，无差别为0)，n为累积振动图像振幅分量的帧数；
[0106]
由公式(1)和公式(2)推导出情绪模型算法：
[0107][0108]
其中，ei为某一种情绪状态，为一个人的头部以微振动形式做功在时间上的变化(频率)，为一个人的头部以微振动形式做功的空间分布(位移)；fi：对应关系。
[0109]
情绪模型算法包括攻击模型算法、压力模型算法、可疑模型算法、平衡模型算法、魅力模型算法、活力模型算法、自我调节模型算法、抑制模型算法、神经质模型算法、抑郁模型算法、幸福模型算法、外向性模型算法和稳定性模型算法。
[0110]
其中，攻击性值的模型算法方程式为：
[0111][0112]
其中，m为频率分布密度直方图中的最大频率；fi为在频率分布密度直方图中的第i个频率；f
in
为输入处理振动频率；n为n帧内帧间差大于阈值的计数；攻击性由振动频率直方图确定，反映了频率分布密度的最大值和人的振动的标准差。
[0113]
压力值的模型算法方程式为：
[0114][0115]
其中，为物体左侧第i条线振动频率分量总振幅；为物体右侧第i条线振动频率分量总振幅；为之间的最大值；为物体左侧第i行振动频率分量的最大频率；为物体右侧第i行振动频率分量的最大频率为为之间的最大值；n为图像占用的行数；外部频率振动的不对称程度反映压力的等级。
[0116]
焦虑值的模型算法方程式为：
[0117][0118]
其中，pi(f)为振动频率分布的频谱功率；f
max
为振动频率分布频谱中的最大频率；高密度的高频振动反映高的焦虑等级。
[0119]
可疑值的模型算法方程式为：
[0120][0121]
其中，e1为攻击性等级；e2为压力等级；e3为焦虑等级；攻击性、压力、焦虑反映可疑等级。
[0122]
平衡值的方程式为：
[0123]
e5＝bl＝(100-2va)％，
[0124]
其中，va为情绪参数可变性计算总和；标准差和数学期望的比率反映情绪参数可变性。
[0125]
魅力值的模型算法方程式为：
[0126][0127]
其中，w
li-w
ri
为每条线的振动图像振幅分量的左侧和右侧振幅平均值的差； c
li-c
ri
为每条线在振动图像振幅分量的左侧和右侧的最大频率值之间的差；n为处理过程的帧数；头部微运动的对称性反映魅力值。
[0128]
活力值的模型算法方程式为：
[0129][0130]
其中，m为频率直方图上计数的最大值；σ为振动频率的标准差，通过频率直方图计算；f
ps
为振动图像输入频率的最大值；最大密度与振动频率标准差之间的差值。
[0131]
自我调节值的模型算法方程式为：
[0132][0133]
其中，e5为测量过程中平衡参数的平均值；de5为平衡参数的变化范围；e6 为测量过程中魅力值参数的平均值；de6为魅力值参数的变化范围；自我调节等级反映积极情绪的稳定性(活力值和魅力值)。
[0134]
抑制值的模型算法方程式为：
[0135][0136]
其中，f1为振动变化频率；tm为振动频率变化的平均周期；t：振动周期测量；抑制等级来自人类对刺激的反应时间。
[0137]
神经质值的模型算法方程式为：
[0138]
e10＝nr＝10σ(e9)，
[0139]
其中，σ(e9)为e9(抑制)值的标准差；抑制参数的标准差反应神经质的等级。
[0140]
抑郁值的模型算法方程式为：
[0141][0142]
其中，σ为频率直方图中的振动频率的标准差；m为频率直方图中振动频率的平均值；频率直方图的振动频率的标准差和平均值反映抑郁等级。
[0143]
幸福值的模型算法方程式为：
[0144][0145]
其中，i为心理生理状态的信息有效性；e为心理生理状态的能量减少特征； di为心理生理状态信息有效性的变化；de为心理生理状态的能量减少特征的变化；信息效率和能量消耗反应幸福等级。
[0146]
外向性值的模型算法方程式为：
[0147][0148]
其中，r
ie
为信息效率(i)与能量消耗(e)之间的皮尔逊相关系数；信息效率和能量消耗的相关性反应外向性等级。
[0149]
稳定性值的模型算法方程式为：
[0150][0151]
其中，k为频率直方图的归一化系数，y'为正态分布密度；
[0152]
频率直方图和正态分布规律的相似程度反映稳定性等级。
[0153]
3)、获取映射参数和脑波信息：根据脑波与心理生理参数的映射关系，对上述获得
振动频率和幅度参数通过心理生理参数提取算法进行视频与脑电图，以及视频图像与hrv之间的转换，获取映射参数和脑波信息。在生成的振动影像状态下，可生成显示带有光环的实时影像，振动影像的光环线条的长短取决于振动幅度的中心线，光环线条的颜色则取决于振动影像范围内的最大振动频率。
[0154]
4)、模型比对：将上述中获取映射参数和脑波信息与基本特征数据库内的情绪算法模型进行比对，并快速统计出学生情感状态。学生情感状态包括攻击、压力紧张/焦虑、可疑、平衡、魅力、活力、自我调节、抑制、神经质、抑郁、幸福模、外向性和稳定性。学生情感状态由设定检测时间内的平均值、参数的均方根误差和参数变异性计算得到的参数。在数据采集完成后，可以在系统的主界面打开相应的表格，包括振动频率分析直方图和心理生理状态分析图。通过一定的测试时间后，人的心理能量状态可以通过曲线图直观的展现出来。
[0155]
5)、情感状态评估：将上述中统计出来的学生情感状态进行评估，并创建档案。对参加检测的学生做建档管理，对重点人员重点监控。
[0156]
6)、筛查预警：筛查出异常情绪的高危可疑学员，并对筛查出来的学员每周检测一次，连续三次情绪均存在异常，系统对情绪异常学生进行标记，并自动发出预警。
[0157]
对重点人员的每次检测做历史记录，及时发现情绪变化趋势
[0158]
7)、跟踪咨询：对上述中异常的学生进行记录跟踪检测，并进行线上和/或线下面对面沟通，直到情绪稳定终止跟踪检测。对重点人员的每次检测做历史记录，及时发现情绪变化趋势。
[0159]
为了进一步说明，本发明还提出了一种学生心理健康群体筛查系统，包括：
[0160]
高频摄像机，用于前端学生面部、颈部肌肉群视频的采集，在采集时，高频摄像机需要正对学生的面部。
[0161]
ai情绪识别模块，用于群体数据、图片信号进行快速分析和处理，得到学生头部振动点的运动参数。
[0162]
心理生理参数提取模块，用于根据脑波与心理生理参数的映射关系以及脑波检测与视频检测的映射关系，获取映射参数和脑波信息。
[0163]
振动成像模块，用于光学对比，信号的振幅在空间上每点的变化和信号的频率在空间上每点的变化，获取每个点形成振动成像。
[0164]
算法模型比对模块，用于与基本特征数据库内的情绪算法模型进行比对，快速统计出学生情感状态。学生情感状态包括攻击、压力、可疑、平衡、魅力、活力、自我调节、抑制、神经质、抑郁、幸福、外向性和稳定性综合数据。
[0165]
评估模块，用于学生心理健康状态全面评估，用数据来量化各项指标是否正常；评估模块评估包括学生情感状态的攻击、压力、可疑、平衡、魅力、活力、自我调节、抑制、神经质、抑郁、幸福、外向性和稳定性综合数据，以及心理状态中负面情绪、正面情绪以及生理情绪在综合数据的占比。
[0166]
筛查模块，用于异常情绪的高危可疑学员的筛查。
[0167]
预警模块，用于连续三次检测存在异常情绪的学员进行自动预警。
[0168]
档案创建模块，用于对参加检测的学生做建档管理，对筛查出来的重点学员重点监控；所述档案创建模块包括检测时间单元、姓名单元、编号单元、年龄单元、单位单元、班级单元、综合评估单元和操作单元。
[0169]
跟踪服务模块，对筛查出来的重点学员进行线上和/或线下面对面跟踪，并进行心理沟通咨询。
[0170]
记录模块，用于对筛查出来的重点学员，每次检测做历史记录，及时发现情绪变化趋势。所述记录模块包括脑疲劳度历史记录和集中力历史记录。
[0171]
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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术学员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。