[发明专利]一种基于隐私计算的心理健康评估方法

说明书

本发明涉及机器学习技术领域，具体涉及一种基于隐私计算的心理健康评估方法，包括：获取用于测试用户的心理健康水平的随机性数据，进行预处理，得到预处理后的用户心理健康测试数据；将预处理后的用户心理健康测试数据进行Paillier同态加密，得到加密数据；将加密数据送入心理健康状态评估模型中，判断该用户是否具有心理症状及其严重程度如何，得到评估结果。本发明能够有效保护在云环境中进行心理健康测评的用户隐私数据，防止用户的隐私数据泄露。

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于隐私计算的心理健康评估方法。

背景技术

随着当今社会许多公民的工作压力、学习压力、社交压力和生存压力的增加，越来越多的人存在这心理健康的问题，一些关于心理健康测评系统及方法也为解决此现象而应运而生。

随着机器学习技术和大数据技术的不断发展，基于机器学习的心理健康评估方法得到不断地发展，机器学习能够借助大量数据自动学习并构建智能评估模型，将用户的基本信息数据和历史行为数据作为模型评估心理健康的其中一项标准，使得评估结果更为可靠。专利号CN 112530546A公开了一种基于K-means聚类与XGBoost算法的心理预判方法及系统，该方法利用机器学习的方法，基于已知样本中的决定性特征，建立和训练基于样本决定性特征的心理预判模型；获取新个体的决定性特征数据，根据基于样本决定性特征的心理预判模型得到该新个体的心理健康状况，根据结果来预判学生心理健康。该方法利用机器学习中的XGBoost算法提取关键的决定性特征，有助于更加准确地进行心理健康状态评估。在适当调参后，在测试集上进行测试集测试，准确率能够有所提高，说明效果明显，模型普适性高。虽然已经出现的这些心理健康测评的系统能够在一定程度上对用户的心理健康问题进行检测，但是在这个数据和信息利益化的时代，用户填写的数据没有得到很好的保密，存在着信息泄露的风险。

发明内容

为了解决上述问题，本发明提供一种基于Logistic回归和隐私计算的心理健康评估方法，该方法能够提高心理健康评估的准确性并保障用户数据的安全性。

一种基于隐私计算的心理健康评估方法，包括以下步骤：

S1、获取用于测试用户的心理健康水平的随机性数据，进行预处理，得到预处理后的用户心理健康测试数据；

S2、将预处理后的用户心理健康测试数据进行Paillier同态加密，得到加密数据；

S3、将加密数据送入心理健康状态评估模型中，判断该用户是否具有心理症状及其严重程度如何，得到评估结果。

进一步的，数据的获取包括：在云环境中，基于症状自评量表SCL-90，利用心理学和统计学的原理和方法搜集心理健康水平的随机性数据，具体包括以下过程：

S1、症状自评量表SCL-90包含10个维度的测评因子，10个维度中包含了90个测评因子；将测评因子导入心理健康测评系统，生成相应的测试问题列表链接入口或者二维码入口，用户通过入口填写数据，用户填写的数据会存入云环境中；

S2、基于SCL-90的标准对用户填写的数据进行相应的统计，得到用于测试用户的心理健康水平的随机性数据。

进一步的，所述预处理包括：S1、数据选择：将用户心理健康测试的随机性数据里的无用信息进行删除；S2、数据清洗：对存在冗余、不完整、异常情况的数据进行删除，得到预处理后的用户心理健康测试数据。

进一步的，步骤S2中，将预处理后的用户心理健康测试数据进行Paillier同态加密，得到加密数据，具体包括：S21、用户使用密钥生成算法生成自身的公/私钥对；S22、用户使用公钥对预处理后的用户心理健康测试数据进行同态加密。

进一步的，心理健康状态评估模型的构建和训练过程包括：