基于卷积神经网络的房树人绘画图像分类研究

摘要

目的:针对房树人绘画评定的主观性问题，本研究应用深度学习领域成熟的技术-----卷积神经网络，摒弃传统房树人绘画评定过程中依赖研究者经验提取绘画特征和分类的做法，使用卷积神经网络模型自动学习房树人绘画图像特征，对绘画图像做出反映被试心理行为的正常与异常二分类。 方法:(1)本研究在湖南浏阳、耒阳、长沙等地抽取1074名5-8年级中小学生，填写Achenbach青少年行为自评量表并完成房树人绘画测验。依据量表开发者和国内相关研究的量表得分划界准则，把房树人绘画样本划分正常与异常两类，产生有监督的房树人绘画数据集。(2)使用卷积神经网络模型作为图像的特征与分类的方法，以绘画图像的像素为输入特征（自变量，featu re），分类结果为标签(因变量，label)，放入卷积神经网络模型中。经过卷积、池化、全连接、分类输出等运算操作，从底层像素矩阵特征到高级语义特征映射，自动学习到房树人绘画的图像特征，对房树人绘画图像反映的青少年心理行为做出正常与异常的分类。 结果:(1)依据Achenbach青少年行为自评量表的划界标准，把1074个被试划分为正常和异常两类，其中211个划归为异常样本，863个划归为正常样本，总分异常检出率为10.4％，8个问题因子至少有一个得分超出临界值的学生占测验总人数的20.58％。(2)卷积神经网络经过数轮的迭代，模型的损失值和正确率基本趋于稳定，训练集和测试集的分类正确率在0.90左右，ROC曲线下面积为0.833，F1值为0.89，表明房树人绘画图像的分类具有一定的准确性，模型具有较好的分类性能。 结论:(1)Achenbach青少年行为自评量表对湖南三个地区中小学生测评的心理行为异常检出率与国内的其他研究吻合。(2)无需心理或临床专家经验提取房树人绘画特征，应用卷积神经网络模型有效对房树人绘画图像表征的心理行为进行分类，验证了该技术对房树人绘画测验图像分类诊断的有效性。

目录

摘要

1．研究背景

2．1．1房树人绘画测验理论

2．1．2房树人绘画测验的国外研究

2．1．3房树人绘画测验的国内研究

2．1．4房树人绘画测验研究总结

2．2卷积神经网络

2．2．1深度学习相关概念

2．2．2卷积神经网络

2．3计算机视觉中的图像分类

2．3．1传统图像分类

2．3．2卷积神经网络的图像分类

2．4本章小结

2．4．1绘画测验与图像分类

2．4．2卷积神经网络的绘画图像分类

3．1问题提出

3．2研究目的

3．3研究意义

4．1研究设计

4．2被试

4．3研究材料

4．3．1 Achenbach青少年行为自评量表

4．3．2房树人绘画样本数据

4．4经典卷积神经网络结构

4．4．1卷积层

4．4．2池化层

4．4．3全连接层

4．4．4输出层

4．5模型评估

4．6运行环境

5．1卷积神经网络设计

5．2卷积神经网络分类结果

5．3专家分类评定

6．讨论

6．1量表与绘画测验结果讨论

6．2卷积神经网络绘画分类讨论

6．3不足与展望

7结论

参考文献

附录

攻读硕士期间发表的学术论文

致谢

声明