本发明涉及精神健康状态评估，具体是指基于大数据的精神健康状态辅助评估系统。
背景技术：
1、精神健康状态评估是指对个体的心理功能和情绪状态的系统性评估过程，其目的是全面了解其心理健康状态，通过收集和分析个体的主观体验和行为表现来评估其精神状态，不仅有助于早期发现和干预心理问题，还能为制定个性化治疗方案提供科学依据，提高治疗效果和生活质量。
2、然而，传统的精神健康状态评估方法存在易受限于主观性因素且无法捕捉到精神状态的动态变化和复杂的情绪特征，难以分析和预测长期心理健康趋势的技术问题；传统的精神健康状态评估方法存在传统的超参数调优方法的时间消耗和计算成本过大且难以在复杂的超参数空间中快速而准确地找到最优解，缺乏灵活性和高效性的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于大数据的精神健康状态辅助评估系统，针对传统的精神健康状态评估方法存在易受限于主观性因素且无法捕捉到精神状态的动态变化和复杂的情绪特征，难以分析和预测长期心理健康趋势的技术问题，本方案创造性地采用了结合径向基函数网络的变压器模型进行精神状态评估，通过引入径向基函数网络增强了对复杂情绪特征的捕捉能力，同时，变压器结构能够关注到不同部分的长距离依赖关系，提高了模型的实时性；针对传统的精神健康状态评估方法存在传统的超参数调优方法的时间消耗和计算成本过大且难以在复杂的超参数空间中快速而准确地找到最优解，缺乏灵活性和高效性的技术问题，本方案创造性地采用了蝠鲼觅食优化进行模型超参数优化，能够减少时间消耗和计算成本的同时，快速地在超参数空间中找到最优解，具有较好的全局搜索能力，提高了模型的稳定性和高效性。
2、本发明采取的技术方案如下：本发明提供的基于大数据的精神健康状态辅助评估系统，包括数据采集模块、数据预处理模块、精神状态评估模型构建模块、超参数优化模块、辅助精神健康状态评估模块；
3、所述数据采集模块，通过数据采集，得到历史患者数据集；
4、所述数据预处理模块，采用数据清洗、数据标注、数据编码、数据归一化、特征提取和数据集分割进行预处理，得到特征训练集和特征测试集；
5、所述精神状态评估模型构建模块，通过构建结合径向基函数网络的变压器模型，得到精神状态评估模型；
6、所述超参数优化模块，采用蝠鲼觅食优化对所述精神状态评估模型进行超参数优化，得到优化后的精神状态评估模型；
7、所述辅助精神健康状态评估模块，采用所述优化后的精神状态评估模型进行精神状态评估，得到精神健康参考数据，辅助进行精神健康状态评估。
8、进一步地，在数据采集模块中，所述历史患者数据集，具体包括历史患者行为数据、历史患者心理测试数据、历史患者情绪状态数据、历史患者生理数据和历史患者基本信息。
9、进一步地，在数据预处理模块中，所述数据清洗，具体为去除缺失值和重复值，所述数据标注，具体为标注数据为正常、轻度异常、中度异常和高度异常，并将标注作为数据标签，所述数据编码，具体为采用独热编码法进行编码，所述数据归一化，具体为采用最小-最大归一化法进行归一化，所述特征提取，具体为提取特征并转换为向量形式，所述数据集分割，具体为对通过所述数据清洗、所述数据标注、所述数据编码、所述数据归一化和所述特征提取处理后的所述历史患者数据集进行分割，得到特征训练集和特征测试集。
10、进一步地，在精神状态评估模型构建模块中，所述结合径向基函数网络的变压器模型，具体包括径向基函数网络子模块和情绪感知变压器子模块，所述精神状态评估模型构建模块，具体内容包括径向基函数网络子模块构建、情绪感知变压器子模块构建、计算模型输出、设计损失函数和构建并训练模型；
11、所述径向基函数网络子模块构建，内容包括确定核中心、计算宽度参数、设计核函数和计算子模块输出；
12、所述确定核中心，用于确定径向基函数核中心，具体为通过k均值聚类方法确定所述径向基函数网络子模块的径向基函数核中心，内容包括：
13、初始化聚类中心，具体为随机选择n个数据点作为初始聚类中心，n表示聚类中心数；
14、分配聚类，具体为计算数据点到聚类中心的距离，并分配数据点给最近的聚类中心，所述计算数据点到聚类中心的距离，所用公式如下：
15、；
16、式中，表示第m个数据点到第n个聚类中心的距离，表示第m个数据点，表示第n个聚类中心，表示计算欧几里得距离；
17、更新聚类中心，所用公式如下：
18、；
19、式中，表示更新后的第n个聚类中心，表示第n个聚类中数据点的数量，表示第n个聚类中的第l个数据点，表示第n个聚类中数据点组成的集合；
20、迭代更新，具体为不断迭代更新k均值聚类直至聚类中心的变化量小于阈值或达到最大迭代次数；
21、所述计算宽度参数，用于确定径向基函数神经元的宽度参数，具体为采用聚类内的数据点到聚类中心的平均距离作为宽度参数，所用公式如下：
22、；
23、式中，表示第n个径向基函数神经元的宽度参数；
24、所述设计核函数，用于确定径向基函数核函数，具体为采用高斯核函数作为径向基函数核函数，所用公式如下：
25、；
26、式中，表示第n个径向基函数神经元的输出函数，i表示径向基函数网络子模块的输入；
27、所述计算子模块输出，所用公式如下：
28、；
29、式中，o表示径向基函数网络子模块的输出，表示第n个径向基函数神经元的输出的权重，rb表示径向基函数网络子模块的输出偏置项；
30、所述情绪感知变压器子模块构建，内容包括计算情绪感知头部自注意力、设计情绪感知多头自注意力和设计情绪感知前馈神经网络；
31、所述计算情绪感知头部自注意力，所用公式如下：
32、；
33、式中，表示第a个头部的自注意力，表示softmax函数，q表示查询矩阵，k表示键矩阵，v表示值矩阵，e表示情绪状态嵌入，表示键的维度，表示第a个头部用于查询的线性变换矩阵，表示第a个头部用于键的线性变换矩阵，表示第a个头部用于值的线性变换矩阵，表示情绪状态嵌入在自注意力机制中的权重；
34、所述设计情绪感知多头自注意力，所用公式如下：
35、；
36、式中，表示情绪感知多头自注意力函数，表示拼接函数，表示第一个头部的自注意力，表示第二个头部的自注意力，表示第a个头部的自注意力，a表示头部总数，表示情绪感知多头自注意力输出线性变换矩阵；
37、所述设计情绪感知前馈神经网络，所用公式如下：
38、；
39、式中，表示情绪感知前馈神经网络函数，表示relu激活函数，s表示情绪感知前馈神经网络的输入，表示情绪感知前馈神经网络的第一次线性变换的权重矩阵，表示情绪感知前馈神经网络的第二次线性变换的权重矩阵，表示情绪状态嵌入在情绪感知前馈神经网络中的权重，表示情绪感知前馈神经网络的第一次线性变换的偏置项，表示情绪感知前馈神经网络的第二次线性变换的偏置项；
40、所述计算模型输出，所用公式如下：
41、；
42、式中，y表示模型的输出，表示全连接层函数，h表示模型输出层的输入；
43、所述设计损失函数，所用公式如下：
44、；
45、式中，loss表示损失函数值，b表示样本总数，g表示类别总数，表示样本b属于类别g的真实标签，表示模型对样本b属于类别g的预测概率；
46、所述构建并训练模型，具体为通过所述径向基函数网络子模块构建、所述情绪感知变压器子模块构建、所述计算模型输出和所述设计损失函数，进行所述结合径向基函数网络的变压器模型的构建，并基于所述特征训练集进行模型训练，基于所述特征测试集验证性能，得到精神状态评估模型。
47、进一步地，在超参数优化模块中，具体为采用蝠鲼觅食优化对所述精神状态评估模型进行超参数优化，得到优化后的精神状态评估模型，所述超参数优化模块，具体内容包括：初始化、更新位置和迭代更新；
48、所述初始化，内容包括初始化搜索空间、初始化速度矩阵和初始化最佳位置；
49、所述初始化搜索空间，具体为构造蝠鲼单元集，并初始化蝠鲼单元位置矩阵，所述蝠鲼单元，用于表示候选解，所述蝠鲼单元位置矩阵，表示如下：
50、；
51、式中，表示初始蝠鲼单元位置矩阵，表示第i个蝠鲼单元在第j个维度上的位置，u表示蝠鲼单元总数，v表示维度总数；
52、所述初始化速度矩阵，蝠鲼单元速度矩阵，表示如下：
53、；
54、式中，表示初始蝠鲼单元速度矩阵，表示第i个蝠鲼单元在第j个维度上的速度；
55、所述初始化最佳位置，具体为计算蝠鲼单元适应度，并选择具有最低适应度的蝠鲼单元的位置作为最佳位置，所述适应度，具体为所述精神状态评估模型的损失函数；
56、所述更新位置，内容包括速度更新、位置更新、螺旋更新、适应度更新和最佳位置更新；
57、所述速度更新，所用公式如下：
58、；
59、式中，表示第t+1次迭代时的蝠鲼单元速度矩阵，表示第t次迭代时的蝠鲼单元速度矩阵，表示第t次迭代时的蝠鲼单元位置矩阵，表示当前迭代次数的最佳位置，表示历史最佳位置，表示惯性权重，表示用于调整蝠鲼单元向当前迭代次数的最佳位置靠近的加速常数，表示用于调整蝠鲼单元向历史最佳位置靠近的加速常数，表示在范围[0,1]内的随机数，表示在范围[0,1]内的随机数；
60、所述位置更新，所用公式如下：
61、；
62、式中，表示第t+1次迭代时的蝠鲼单元位置矩阵；
63、所述螺旋更新，所用公式如下：
64、；
65、式中，表示第i个蝠鲼单元在第j个维度上的更新后的位置，表示第i个蝠鲼单元在第j个维度上的当前迭代次数的位置，表示在范围[-1,1]内的随机数，sf表示螺旋因子；
66、所述适应度更新，具体为计算更新后蝠鲼单元的适应度，并与更新前蝠鲼单元的适应度比较，若更新后蝠鲼单元的适应度较低，则保留蝠鲼单元新位置，并更新适应度，若更新后蝠鲼单元的适应度较高，则保留蝠鲼单元原位置；
67、所述最佳位置更新，具体为基于更新后蝠鲼单元的适应度，更新最佳位置；
68、所述迭代更新，具体为不断迭代更新直至蝠鲼单元的适应度小于阈值或达到最大迭代次数，得到优化后的精神状态评估模型。
69、进一步地，在辅助精神健康状态评估模块中，具体为采用所述优化后的精神状态评估模型进行精神状态评估，得到精神健康参考数据，并基于所述精神健康参考数据辅助进行精神健康状态评估。
70、采用上述方案本发明取得的有益效果如下：
71、（1）针对传统的精神健康状态评估方法存在易受限于主观性因素且无法捕捉到精神状态的动态变化和复杂的情绪特征，难以分析和预测长期心理健康趋势的技术问题，本方案创造性地采用了结合径向基函数网络的变压器模型进行精神状态评估，通过引入径向基函数网络增强了对复杂情绪特征的捕捉能力，同时，变压器结构能够关注到不同部分的长距离依赖关系，提高了模型的实时性。
72、（2）针对传统的精神健康状态评估方法存在传统的超参数调优方法的时间消耗和计算成本过大且难以在复杂的超参数空间中快速而准确地找到最优解，缺乏灵活性和高效性的技术问题，本方案创造性地采用了蝠鲼觅食优化进行模型超参数优化，能够减少时间消耗和计算成本的同时，快速地在超参数空间中找到最优解，具有较好的全局搜索能力，提高了模型的稳定性和高效性。
1.基于大数据的精神健康状态辅助评估系统，其特征在于：该系统包括数据采集模块、数据预处理模块、精神状态评估模型构建模块、超参数优化模块、辅助精神健康状态评估模块；
2.根据权利要求1所述的基于大数据的精神健康状态辅助评估系统，其特征在于：所述结合径向基函数网络的变压器模型，具体包括径向基函数网络子模块和情绪感知变压器子模块，所述精神状态评估模型构建模块，具体内容包括径向基函数网络子模块构建、情绪感知变压器子模块构建、计算模型输出、设计损失函数和构建并训练模型。
3.根据权利要求2所述的基于大数据的精神健康状态辅助评估系统，其特征在于：所述径向基函数网络子模块构建，内容包括确定核中心、计算宽度参数、设计核函数和计算子模块输出；
4.根据权利要求1所述的基于大数据的精神健康状态辅助评估系统，其特征在于：在超参数优化模块中，具体为采用蝠鲼觅食优化对所述精神状态评估模型进行超参数优化，得到优化后的精神状态评估模型，所述超参数优化模块，具体内容包括：初始化、更新位置和迭代更新；
5.根据权利要求1所述的基于大数据的精神健康状态辅助评估系统，其特征在于：在数据采集模块中，所述历史患者数据集，具体包括历史患者行为数据、历史患者心理测试数据、历史患者情绪状态数据、历史患者生理数据和历史患者基本信息。
6.根据权利要求1所述的基于大数据的精神健康状态辅助评估系统，其特征在于：在数据预处理模块中，所述数据清洗，具体为去除缺失值和重复值，所述数据标注，具体为标注数据为正常、轻度异常、中度异常和高度异常，并将标注作为数据标签，所述数据编码，具体为采用独热编码法进行编码，所述数据归一化，具体为采用最小-最大归一化法进行归一化，所述特征提取，具体为提取特征并转换为向量形式，所述数据集分割，具体为对通过所述数据清洗、所述数据标注、所述数据编码、所述数据归一化和所述特征提取处理后的所述历史患者数据集进行分割，得到特征训练集和特征测试集。
7.根据权利要求1所述的基于大数据的精神健康状态辅助评估系统，其特征在于：在辅助精神健康状态评估模块中，具体为采用所述优化后的精神状态评估模型进行精神状态评估，得到精神健康参考数据，并基于所述精神健康参考数据辅助进行精神健康状态评估。
