具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，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。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

针对背景技术中存在的以下问题：

(1)症状自评量表题量较大，作答时间较长，简化量表题量少，提高测试效率，降低被试者对测试的抵触情绪。

(2)现有基于机器学习的心理测评量表简化研究多选用心理疾病量表，将其归纳为分类问题，而症状自评量表的测试结果不适合作为分类问题研究。

本发明提供下面几种解决上述问题的实施方案：

实施例一

如图1所示，本实施例提供了一种症状自评量表简化方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：

一种症状自评量表简化方法，包括：

获取症状自评量表测试记录；统计因子得分，并对因子进行排序；

训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；

根据简化表因子，训练删除因子分数预测模型，得到删除因子分数；

根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；

基于简化表保留因子、删除因子分数和简化题组题目，生成简化症状自评量表。

其中，评价指标包括均方根误差和校正决定系数。

具体的，本实施例的技术方案包括以下步骤：

步骤(1)：导出数据库中量表测评结果；

步骤(2)：统计因子得分情况，并对因子进行排序；

步骤(3)：建立基于SVR的量表分数预测模型，确定简化量表保留因子；

步骤(4)：建立基于岭回归的删除因子分数预测模型；

步骤(5)：对于步骤(3)结果中因子题组，建立基于SVR的因子分数预测模型，确定简化题组题目；

步骤(6)：根据步骤(3)、步骤(4)和步骤(5)的结果，生成简化症状自评量表。

其中，步骤(1)中，所述量表测评结果存储在本地数据库中，导出的测评结果信息包括量表90道题目选项分数、10个因子均分、量表总分，导出信息存储为csv文件。

步骤(2)的过程为：统计各个因子均分超出正常均分，即得分大于2的测评结果数，并据此对因子进行排序，得到因子排序结果，将排序结果存储为文本文档。

步骤(3)的过程为：

步骤(3-1)：采用SVR算法训练量表分数预测模型，将步骤(2)中的因子排序结果作为特征排序，按照前向特征选择的方法，将特征数量从1增加到10,SVR核函数选用“linear”；

步骤(3-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果，RMSE值越小，模型预测误差越小，校正决定系数取值范围为[0,1]，值越接近于1，模型拟合效果越好；

均方根误差(RMSE)计算公式如下：

其中，n为测试集样本数量，y_i为真实值，为预测值。

校正决定系数计算公式如下：

其中，n为测试集样本数量，p为特征数量，R²为决定系数，其计算公式如下：

其中，y为真实值，为预测值，为测试集样本y平均值。

步骤(3-3)：筛选出RMSE值不大于5的特征数；

步骤(3-4)：选择步骤(3-3)结果中校正决定系数大于0.85时的最小特征数N作为简化量表因子数，根据特征排序结果，前N项即为症状自评量表简化后保留的因子；

步骤(3-5)：保存步骤(3-4)结果对应的分数预测模型。

步骤(4)的过程为：

步骤(4-1)：根据步骤(3)保留的因子，采用岭回归算法，分别训练删除因子分数预测模型；

步骤(4-2)：保存步骤(4-1)中训练的删除因子分数预测模型；

步骤(5)的过程为：

步骤(5-1)：对于步骤(3)结果选出的保留因子，计算因子题组内项目与保留因子分数之间的相关性，并根据相关性排序得到特征排序结果；

步骤(5-1-1)：计算每个因子题组内项目与因子均分之间的Pearson相关系数，计算公式如下：

其中，X为题目，Y为因子分数。

步骤(5-1-2)：根据Pearson相关系数对题组内题目进行排序，Pearson相关系数的值越接近于1，题目与分数的相关性越大，题目排序结果作为因子题组特征排序结果，将题目排序结果存储为文本文档；

步骤(5-2)：采用SVR算法训练因子分数预测模型；

步骤(5-2-1)：根据步骤(5-1-2)所得题目排序结果作为因子题组的特征排序结果，采用前向特征选择方法，将特征数量从1增加到M(因子题组项目数)，SVR核函数选用“linear”，训练因子分数预测模型；

步骤(5-2-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果；

步骤(5-3)：根据模型效果确定题组题目；

步骤(5-3-1)：筛选出RMSE值不大于0.1的特征数；

步骤(5-3-2)：选择步骤(5-3-1)结果中校正决定系数大于0.85时的最小特征数N作为题组题目数，根据特征排序结果，前N项即为因子题组简化后保留的题目；

步骤(5-4)：保存步骤(5-3)结果对应的因子分数预测模型。

步骤(6)中，根据步骤(3)、步骤(5)结果，生成简化症状自评量表，简化量表题目不少于30题。

实施二

本实施例提供了一种症状自评量表简化系统。

一种症状自评量表简化系统，包括：

获取和预处理模块，其被配置为：获取症状自评量表测试记录；统计因子得分，并对因子进行排序；

简化表因子获取模块，其被配置为：训练量表分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化表保留因子；

删除因子分数生成模块，其被配置为：将保留因子分数输入删除因子分数预测模型，得到删除因子分数；

简化题组题目获取模块，其被配置为：根据简化表保留因子对应的因子题组，训练因子分数预测模型，依据设定的评价指标所对应的最小特征数，得到简化题组题目；

简化症状自评量表生成模块，其被配置为：基于简化表保留因子、删除因子分数和简化题组题目，生成简化症状自评量表。

实施三

本实施例提供了一种症状自评量表结果预测方法。

如图2所示，一种症状自评量表结果预测方法，包括：

获取被测试者完成的实施例一所述的简化症状自评量表；

将答案分数输入训练好的因子分数预测模型，得到保留因子分数；

将保留因子分数输入删除因子分数预测模型，得到删除因子分数；

将保留因子分数输入量表分数预测模型，得到量表分数；

将量表分数、保留因子分数、删除因子分数以及题目作答情况整合生成心理测评报告。

具体的，本实施例简化量表的步骤包括：

步骤(1)：导出数据库中量表测评结果；

步骤(2)：统计因子得分情况，并对因子进行排序；

步骤(3)：建立基于SVR的量表分数预测模型，确定简化量表保留因子；

步骤(4)：建立基于岭回归的删除因子分数预测模型，根据删除因子分数预测模型，获得保留因子分数预测的删除因子分数；

步骤(5)：对于步骤(3)结果中因子题组，建立基于SVR的因子分数预测模型，确定简化题组题目；

步骤(6)：根据步骤(3)、步骤(4)和步骤(5)的结果，生成简化症状自评量表。其中，步骤(1)中，所述量表测评结果存储在本地数据库中，导出的测评结果信息包括量表90道题目选项分数、10个因子均分、量表总分，导出信息存储为csv文件。

步骤(2)的过程为：统计各个因子均分超出正常均分，即得分大于2的测评结果数，并据此对因子进行排序，得到因子排序结果，将排序结果存储为文本文档。

步骤(3)的过程为：

步骤(3-1)：采用SVR算法训练量表分数预测模型，将步骤(2)中的因子排序结果作为特征排序，按照前向特征选择的方法，将特征数量从1增加到10,SVR核函数选用“linear”；

步骤(3-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果，RMSE值越小，模型预测误差越小，校正决定系数取值范围为[0,1]，值越接近于1，模型拟合效果越好；

均方根误差(RMSE)计算公式如下：

其中，n为测试集样本数量，y_i为真实值，为预测值。

校正决定系数计算公式如下：

其中，n为测试集样本数量，p为特征数量，R²为决定系数，其计算公式如下：

其中，y为真实值，为预测值，为测试集样本y平均值。

步骤(3-3)：筛选出RMSE值不大于5的特征数；

步骤(3-4)：选择步骤(3-3)结果中校正决定系数大于0.85时的最小特征数N作为简化量表因子数，根据特征排序结果，前N项即为症状自评量表简化后保留的因子；

步骤(3-5)：保存步骤(3-4)结果对应的分数预测模型。

步骤(4)的过程为：

步骤(4-1)：根据步骤(3)保留的因子，采用岭回归算法，分别训练删除因子分数预测模型；

步骤(4-2)：保存步骤(4-1)中训练的删除因子分数预测模型；

步骤(5)的过程步骤为：

步骤(5-1)：对于步骤(3)结果选出的保留因子，计算因子题组内项目与保留因子分数之间的相关性，并根据相关性排序得到特征排序结果；

步骤(5-1-1)：计算每个因子题组内项目与因子均分之间的Pearson相关系数，计算公式如下：

其中，X为题目，Y为因子分数。

步骤(5-1-2)：根据Pearson相关系数对题组内题目进行排序，Pearson相关系数的值越接近于1，题目与分数的相关性越大，将题目排序结果存储为文本文档；

步骤(5-2)：采用SVR算法训练因子分数预测模型；

步骤(5-2-1)：根据步骤(5-1-2)所得题目排序结果作为因子的特征排序结果，采用前向特征选择方法，将特征数量从1增加到M(因子题组项目数)，SVR核函数选用“linear”，训练因子分数预测模型；

步骤(5-2-2)：计算均方根误差(RMSE)和校正决定系数评估模型效果；

步骤(5-3)：根据模型效果确定题组题目；

步骤(5-3-1)：筛选出RMSE值不大于0.1的特征数；

步骤(5-3-2)：选择步骤(5-3-1)结果中校正决定系数大于0.85时的最小特征数N作为题组题目数，根据特征排序结果，前N项即为因子题组简化后保留的题目；

步骤(5-4)：保存步骤(5-3)结果对应的因子分数预测模型。

步骤(6)中，根据步骤(3)、步骤(4)和步骤(5)结果，生成简化症状自评量表，简化量表题目不少于30题。

步骤(7)的过程为：

步骤(7-1)：用户完成简化量表；

步骤(7-2)：加载训练好的因子分数预测模型；

步骤(7-3)：将答案分数输入对应因子分数预测模型，输出保留因子分数；

步骤(7-4)：加载训练好的删除因子分数预测模型；

步骤(7-5)：将因子分数输入到删除因子分数预测模型，输出删除因子分数；

步骤(7-6)：加载训练好的量表分数预测模型；

步骤(7-7)：将步骤(7-3)输出的保留因子分数输入量表分数预测模型，输出量表分数，返回结果；

步骤(7-8)：根据上述步骤得到的量表分数、保留因子分数、删除因子分数，结合题目作答情况生成心理测评报告。

实施例四

本实施例提供了一种症状自评量表结果预测系统。

一种症状自评量表结果预测系统，包括：

获取模块，其被配置为：获取被测试者完成的实施例三所述的简化症状自评量表；

因子分数生成模块，其被配置为：将答案分数输入训练好的因子分数预测模型，得到保留因子分数，将保留因子分数输入训练好的删除因子分数预测模型，得到删除的因子分数；

量表分数生成模块，其被配置为：将因子分数输入量表分数预测模型，得到量表分数；

测评报告生成模块，其被配置为：将作答情况、保留因子分数、删除因子分数以及量表分数整合生成心理测评报告。

实施例五

本实施例提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的症状自评量表简化方法中的步骤和/或执行时实现如实施例三所述的症状自评量表结果预测方法中的步骤。

实施例六

本实施例提供了一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的症状自评量表简化方法中的步骤和/或执行所述程序时实现如实施例三所述的症状自评量表结果预测方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

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。