鐘曉虹
(閩西職業技術學院,福建 龍巖 364021)
隨著大學招生規模的不斷擴展,學生數量不斷上升,大多數學生是獨生子女,進入大學后,部分學生適應能力和獨立生活能力相對較差,再加上學業、就業以及社會多方面壓力,一些學生出現了不同程度的心理健康問題[1-3]。近些年,由于心理健康問題引起的一些惡性事件在高校出現的概率越來越高,如何減少心理健康問題的發生,保證大學生心理健康是當前高校面臨的一個難題[4-6]。
為了及時、有效掌握發現大學生心理健康變化規律,許多專家、高校老師以及研究人員進行了一系列的研究,提出了許多大學生心理健康服務平臺[7],通過心理健康服務平臺對一些與心理健康相關的數據進行分析,跟蹤大學生心理變化趨勢,識別一些心理健康有問題的學生,并對其制定相應預案。有學者提出了如基于QT技術的網絡心理健康平臺[8]、基于互聯網技術的網絡心理健康平臺[9]、移動終端的網絡心理健康平臺等[10-11]。這些平臺在實際應用中,均存在一些不足,如無法進行心理健康在線服務,且心理健康問題具有海量性,心理健康數據分析效率低[12]。
云計算技術集成了互聯網絡技術、并行計算技術、通信技術,適合于海量的心理健康數據分析[13-14]。為了改進當前服務平臺存在的不足,以獲得理想的服務效果,本文設計了基于云計算技術的大學生心理健康在線服務平臺,并通過具體實例和對比分析,驗證了該平臺的特性。
基于云計算的大學生心理健康在線服務平臺采用多層結構進行設計,各層之間具有一定的關聯性,每一層包括多個模塊,各個模塊具有一定的功能,同一層模塊相對獨立,服務平臺易擴展,自適應能力強,該平臺的基本架構如圖1所示。
平臺包括:數據采集層、數據傳輸層、云計算層、結果展示層,具體描述如下:
(1) 數據采集層。該層是實現大學生心理健康在線服務的基礎,通過一些設備對大學生心理健康數據進行采集,并對這些設備進行統一管理。設備包括:各種類型傳感器以及攝像機,其中傳感器采集大學生心理指標數據、攝像機用于學生身份信息的采集和認證;
(2) 數據傳輸層。采用多種網絡進行大學生心理健康數據的接收、傳輸以及存儲;
(3) 云計算層。該層是大學生心理健康在線服務平臺的核心層,又可以細分為:數據預處理層、數據智能分析層、信息服務層,它們相互配合實現大規模大學生心理健康數據挖掘、分析、融合。子層具體描述如下:
a) 數據預處理層。大學生心理健康數據類型多,量綱不一樣,同時數據可能存在一些以噪聲形式表現的無用數據,該層主要功能為:數據分類,將數據劃分為多個類別,對數據進行歸一化操作,使它們的值處于同一個區間內,并去除其中噪聲,提高大學生心理健康數據的質量,便于后續數據智能挖掘與分析;
b) 數據智能分析層。其最為關鍵,主要通過引入一些數據挖掘技術擬合大學生心理健康變化規律,通過云計算分布式技術同時將大學生心理健康分析任務分配給各個節點并行處理,對各節點的數據處理結果進行融合,得到大學生心理健康狀態;
c) 信息服務器。即將大學生心理健康狀態以消息、語音、視頻方式存儲起來,為結果展示層提供相應信息;
(4) 結果展示層。該層是大學生心理健康服務平臺的最外層,主要負責將健康狀態分析結果發送給大學生或者心理咨詢師,實現大學生心理健康服務。
隨著計算機技術、信息技術、自動化技術以及模式識別技術不斷發展,每天產生大量的數據,傳統單機方法對這些數據處理的速度已經達到了瓶勁,從技術層面上無法實現突破,在該背景下,出現了云計算技術[15]。云計算技術將一些單機組織在一起,采用并行方式進行運行和管理,具有強大的數據處理能力,一個大型任務被細分為多個子任務,對每一個子任務分配一個普通計算機(節點),更快完成任務的處理速度。云計算平臺的基本結構見圖2。
為了滿足大數據的處理需求,云計算平臺采用MapReduce 方式對數據進行處理,包括Map 和Reduce 函數。具體處理方式為:首先讀取大學生心理健康數據,分成多個小規模的數據,Map 函數為每一個小規模數據分配一個節點,每一個節點并行對數據進行并行處理,得到相應的處理結果,然后采用Reduce函數對節點的處理結果進行融合,并將大學生心理健康數據存儲到服務器中,具體如圖3所示。
大學生心理健康服務數據挖掘本質是將其劃為多種等級,如正常、異常,異常又可以細分為嚴重、中等、輕度,實際是一種多分類問題。為此本文引入數據挖掘技術中的支持向量機對大學生心理健康狀態進行分類,該算法在普通節點上實現,所有普通節點得到的結果在服務器進行融合和輸出。
支持向量機算法尋找一個最優分類超平面對大學生心理健康狀態進行分類,該平面盡可能將各類大學生心理健康狀態區分開來。設大學生心理健康服務數據集合:{xi,yi},i=1,2,…,n,xi表示大學生心理健康特征;yi表示大學生心理健康狀態的類型,最優該超平面可以描述
式中,ω和b是待求解權值向量和偏移向量。
對式(1)中權值和偏移向量進行直接求解,一般無法實現,因此需要對式(1)進行一定的變換,得到一個與其求解過程等價的形式,通過引入松弛因子ξi變化一個二次化問題,具體如下
式中,C為支持向量機的懲罰參數。
為進一步簡化求解過程,采用Lagrange乘子(αi)設計式(2)的對偶形式,得到
根據式(3)得到Lagrange 乘子的值,從而得到ω的計算公式為
大學生心理健康狀態分類的決策函數具體如下
大學生心理健康服務數據具有一定的非線性,引入核函數k(x,xi)代替點積操作Φ(xi)Φ(xj),這樣式(5)變為
對于云計算平臺中的每一個節點,根據式(6)可以得到基于支持向量機的大學生心理健康狀態分類結果,在服務器中對健康狀態分類結果進行融合,從而得到最終結果,根據最終結果判斷學生是否存在心理健康問題。
為分析基于云計算的大學生心理健康在線服務平臺的性能,采用具體實例進行測試,隨機選取某省多名大學生作為測試對象。該云計算平臺包括一個云服務器,20個普通節點,服務器主要負責對普通節點進行管理、協調和控制,而普通節點主要負責心理健康在線服務,配置如表1所示。
表1 云計算的服務器和普通節點配置
構建大學生心理健康在線服務平臺,界面如下圖所示。
對于一個心理健康服務平臺,工作效率十分關鍵,直接影響大學生心理健康在線、實時性,統計不同規模數據量下平臺的響應時間,在相同條件下,選擇基于QT 技術和Android的心理健康服務平臺進行對比測試。從圖5可知,隨著心理健康分析數據不斷增加,所有平臺的響應時間上升,其中QT 技術的響應時間上升幅度最大,其次為Android,而本文平臺的響應時間上升幅度小,表示本文平臺的工作效率最高,這主要是因為本文平臺引入云計算技術對大學生心理健康分析問題進行并行處理,加快了數據處理速度,能夠滿足現代大學生心理健康服務數據向大規模發展的要求,可以實現心理健康在線服務要求。
對于一個大學生心理健康在線服務平臺來說,評測精度十分重要,同樣采用兩種平臺進行對照實驗,進行10次仿真實驗,每一次選取對不同數量大學生作為測試對象,統計每一次實驗的心理健康評測精度,結果如圖6所示。對圖6的評測精度進行分析可知,QT 平臺的評測精度最低,本文平臺的評測精度最高,這是因為本文引入了數據挖掘技術對大學生心理健康狀態進行分類,高精度描述了學生心理健康變化規律,準確刻畫了每一個學生心里健康狀態,可根據評測結果制定相應大學生心理健康問題預防方案,降低心理健康問題發生概率。
大學生心理健康問題直接影響學生情緒和高校穩定,是國家和社會關注的焦點,為了適應當前大學生心理健康的發展要求,提供更優的大學生心理健康服務質量,設計了基于云計算的大學生心理健康服務平臺。通過云計算技術構建服務平臺,服務器通過分布式技術將各個節點連接在一起,在各節點上引入數據挖掘技術擬合大學生心理健康變化特點,得到心理健康狀態,服務器對各節點結果進行有效融合,通過網絡將結果輸出到相應的終端。測試結果表明,該平臺可以滿足大學生心理健康服務要求,具有十分廣泛的應用前景。