智慧养老视阈老年人精神保障模式的研究 ——以抑郁症为例

发布时间：2021-09-23 00:12

　　当下,我国处于高速发展时期,人民的生活节奏加快,贫富差距变大,生活压力不断增加,使得精神类疾病发病率迅速增加。老年人群体是精神类疾病发病的“重灾区”,这是因为在老年阶段,社会和家庭角色产生了骤变,老年生理特征日益显著,老年人负面情绪逐渐增多且情绪体验较深刻持久,容易产生以抑郁症为代表的精神问题。精神类疾病具有发病率高、隐匿性强、反复发作等特征,不但给患者本人带来极大痛苦,还会给家庭和社会带来沉重负担。因此,本研究尝试从智慧养老的视角出发,利用先进的信息技术,突破传统的研究框架,探寻大数据时代老年人精神保障的可实现路径,满足老年人精神需求,保障老年人精神健康。为了简化研究,本研究选取抑郁症作为老年人精神问题的典型代表。首先用文献研究法梳理了以往学者有关老年人精神保障的研究,并得出结论:我国的老年人精神保障研究尚未形成成熟的体系,研究视角比较单一;研究内容多为理论探讨而忽视了与实践的结合;研究方法以定性为主,定量为辅,对于保障模式的研究囿于传统框架。当前,我国正在积极探索推动国家发展的“智慧方案”,利用先进的信息技术解决社会问题,智慧养老作为其中重要一环,将逐渐成为解决我国未来养老难题的最... 

【文章来源】：安徽建筑大学安徽省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

词频统计的极坐标图

安徽建筑大学硕士学位论文第四章模式构建与部分实验验证27郁情绪重任，构建专门的抑郁情感词典不可或缺。构建抑郁情感词典，首先要获取抑郁症患者使用的高频词语。现代心里学研究表明，抑郁症和语言之间有着某种确切的关系。在抑郁症患者的语言中，负面情绪词汇过多。抑郁症患者的自我意识比常人严重，语言表达上使用第一人称更多，喜欢一些极端词汇。为了使读者更加直观的认识抑郁症患者的语言特征，以及分词工作的原理，本研究选择某微博认证的抑郁症患者，分词统计其博文中出现次数17次以上的词（或符号），结果如下：图1词频统计的极坐标图图2用户博文的词云图可以看出，第一人称“我”出现次数最多，是第二人称“你”的近5倍。否定词“不”出现了28次，极端词汇词“都”出现了22次，表达非平静情绪的符号“...”、“？”和“１也是高频出现。没有一个是表示心情喜悦的词汇。仅仅这30个出现次数最多的词，就给人一种莫名的心情压抑的感觉。而经过TF-IDF筛选后生成的词云图上，更是有“自杀”、“忍”、“任何”、“死”、“但是”等负性词汇。抑郁症患者的语言的确具有特定模式，只要我们深入挖掘其中的高频词汇，形成词典，通过微博等社交媒体上的文字表达，是能够把握其情绪特征，进而预测到抑郁症的发生的。基于词汇的TF-IDF值筛选，构建的领域情感词典具有较好的领域表达性[86]。4.4基于深度学习的抑郁情感预测抑郁情感词典的作用是为了更好地对用户的社交媒体数据进行分词，应用抑

安徽建筑大学硕士学位论文第四章模式构建与部分实验验证28郁情感词典对某账号社交媒体数据分词的结果如表1所示。表1某账号的社交媒体数据分词结果（1）忧郁/和/悲伤/之间/的/片刻/欢喜/透支/了/我/对/生命/全部/的/热情/储蓄（2）你治好/我/的/忧郁/而后/赐/我/悲伤（3）割腕/没死成/我/好/废物/对不对/那/今天/就/跳楼/试试/吧（4）可一/想到/终将/是/你/的/路人/便/觉得/是/沦为/整个/世界/的/路人（5）删完了/属于/过去/的/每/一条/我/是不是/也/该/告诉/自己/没人能/替/我/坚强（6）但愿/离去/是/幸/我/愿/永不/归来分词的结果再使用TF-IDF根据词汇出现的频率对词汇重要程度进行度量，选择其中一定数量个性情感明显的高频词语用于生成词向量。词向量含有词的上下文语义信息，这样词与词之间的语义相似性可以用词向量的相似性来度量。（1）用词向量表示用户社交媒体数据基于深度学习的情感分析的核心是分布式词向量。词向量是通过训练神经网络语言模型（NNLM）得到的。NNLM是从语言模型出发，在神经网络上针对目标函数进行模型的最优化训练，目标是在词环境下，预测下一个该是什么词，训练得到的参数即为词向量。语言模型形就是求一个给定字符串t,,www21是自然语言的概率),,,(21twwwP。根据贝叶斯公式：),,,|(),|()|()(),,,(12121312121tttwPwPwPwwPwwwwwwwPw（1）上面概率公式的意义为：第一个词确定后，看后面的词在前面的词出现的情况下出现的概率。其目标函数为：),,,|(log)(121ntttttLwwwwP（2）NNLM的网络结构如图3所示[87]。图3NNLM结构图用词串t,,www21训练该模型，通过随机梯度提升的方法，不断调整优化参


本文编号：3404635