一种基于电子心理沙盘的心理评估装置、方法及系统
技术领域
本发明涉及基于电子心理沙盘的心理评估领域，特别是涉及一种基于电子心理沙盘的心理评估装置、方法及系统。
背景技术
沙盘游戏又称箱庭游戏，是国际上很流行的心理治疗方法。在学校和幼儿园，它被广泛应用于儿童的心理教育与心理治疗；在大学和成年人的心理诊所，它也深受欢迎。通过唤起童心，人们找到了回归心灵的途径，进而身心失调、社会适应不良、人格发展障碍等问题在沙盘中得以化解。沙盘游戏是一种投射性的心理测试，被试者可以通过沙盘中的沙具、沙子和水等实物将内心的潜意识投射在沙盘作品中，沙盘心理分析师通过分析沙盘作品和聆听沙盘作品中发生的故事，从而探查出作者的内心世界。
沙盘游戏虽然是一项广受关注的心理投射测验，但是它的推广却受到很多因素的限制，沙盘由沙箱和沙具组成，沙具的个数少则几百个多则几千个，所以要把这些数目繁多的沙具分门别类的摆放在沙具架上，这无疑需要不少的空间和时间。其次，传统的沙盘游戏操作者在制作沙盘的过程中需要由分析师做摆放沙具信息的记录和拍摄照片，沙盘作品制作的过程要有分析师陪伴，制作一个沙盘作品的时间少则几十分钟多则数小时，而沙盘心理分析师在我国或者世界来说都是人员短缺的状态，所以就造成了传统的沙盘游戏的推广难题，这也是传统的沙盘游戏在很多的学校、监所等机构如同虚设的状态原因。
近年来随着计算机技术、多媒体技术的发展，依靠3D技术来营造心理沙盘环境的电子心理沙盘，通过让来访者在丰富、灵性的沙具王国中，对内在世界进行外显性投射的一款软件设备。电子心理沙盘确实解决了传统沙盘空间占地大和操作过程自动记录的问题，但是这些电子沙盘作品仍然需要沙盘心理分析师一个一个的进行分析，所以分析师的短缺就成了电子心理沙盘推广和应用的最大障碍。
发明内容
本发明的目的是提供一种基于电子心理沙盘的心理评估装置、方法及系统，能够解决电子心理沙盘由于沙盘心理分析师的短缺造成的推广和应用的难题。
为实现上述目的，本发明提供了如下方案：
一种基于电子心理沙盘的心理评估装置，包括：依次连接的电子心理沙盘设备、电子心理沙盘分析服务器、数据存储服务器、数据分析和展示服务器，操作者在所述电子心理沙盘设备上制作电子心理沙盘作品，并将所述电子心理沙盘作品的原始数据传输至所述电子心理沙盘分析服务器；所述电子心理沙盘设备用于将所述原始数据传输至电子心理沙盘分析服务器，所述电子心理沙盘分析服务器对不同数据的特点采用不同的数据处理和人工智能方法训练人工智能心理评估模型用于智能的评估每个电子沙盘作品透露出的作者的心理状态；所述数据存储服务器用于存储用户基础信息、每次作者的心理状态评估结果以及数据分析结果；所述数据分析和展示服务器用于获取存储在所述数据存储器中用户的基础信息和每次作者的心理状态评估结果，并对单个用户的单次和多次的分析结果进行数据分析，确定用户的异常心理状态和非正常心理变化，并根据所述异常心理状态和非正常心理变化确定用户异常心理状态的调整建议。
可选的，所述原始数据包括沙盘作品地形图像数据、沙盘作品中的摆放沙具信息数据、文本描述数据以及语音描述数据。
一种基于电子心理沙盘的心理评估方法，包括：
从电子心理沙盘设备中获取多种不同类型的电子心理沙盘作品原始数据，所述原始数据包括沙盘作品地形图像数据、沙盘作品中的摆放沙具信息数据、文本描述数据以及语音描述数据；
针对各所述原始数据的的特点采用不同的人工智能方法进行处理，得到不同的心理分词；
将各所述原始数据作为输入，对应的心理分词作为输出，进行模型训练，得到心理分词预测模型；
获取多种不同类型的心理分词和沙盘心理分析师标注的二级标注数据，所述沙盘心理分析师标注的二级标注数据为与所述心理分词对应的心理状态；
将各所述心理分词作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型；
获取待预测的电子心理沙盘作品；
采用所述心理分词预测模型和所述心理状态预测模型对所述待预测的电子心理沙盘作品进行预测，得到测试者的心理状态。
可选的，所述将各所述原始数据作为输入，对应的心理分词作为输出，进行模型训练，得到心理分词预测模型，具体包括：
采用卷积神经网络技术提取所述沙盘作品地形图像数据中的特征向量，记为第一特征向量；
将所述第一特征向量作为输入，将由心理分析师经过分析沙盘作品地形图像数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第一心理分词预测模型；
获取所述沙盘作品中的摆放沙具信息数据的特征向量，记为第二特征向量；
将所述第二特征向量作为输入，将由心理分析师经过分析摆放沙具信息数据给出的作品展现的图像心理分词标注作为输出，采用支持向量机的机器学习方法进行训练，得到第二心理分词预测模型；
获取所述沙盘作品中的文本描述数据的特征向量，记为第三特征向量；
将所述第一特征向量作为输入，将由心理分析师经过分析文本描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第三心理分词预测模型；
获取所述沙盘作品中的语音描述数据的特征向量，记为第三特征向量；
将所述第一特征向量作为输入，将由心理分析师经过分析语音描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第四心理分词预测模型。
可选的，所述将各所述心理分词作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型，具体包括：
将各所述心理分词进行汇总整合，得到心理分词特征向量；
将所述心理分词特征向量进行归一化，得到归一化特征向量；
将所述归一化特征向量作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型。
一种基于电子心理沙盘的心理评估系统，包括：
原始数据获取模块，用于从电子心理沙盘设备中获取多种不同类型的电子心理沙盘作品原始数据，所述原始数据包括沙盘作品地形图像数据、沙盘作品中的摆放沙具信息数据、文本描述数据以及语音描述数据；
心理分词确定模块，用于针对各所述原始数据的的特点采用不同的人工智能方法进行处理，得到不同的心理分词；
心理分词预测模型确定模块，用于将各所述原始数据作为输入，对应的心理分词作为输出，进行模型训练，得到心理分词预测模型；
心理分词和心理状态获取模块，用于获取多种不同类型的心理分词和沙盘心理分析师标注的二级标注数据，所述沙盘心理分析师标注的二级标注数据为与所述心理分词对应的心理状态；
心理状态预测模型确定模块，用于将各所述心理分词作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型；
待预测子心理沙盘作品获取模块，用于获取待预测的电子心理沙盘作品；
预测模块，用于采用所述心理分词预测模型和所述心理状态预测模型对所述待预测的电子心理沙盘作品进行预测，得到测试者的心理状态。
可选的，所述心理分词预测模型确定模块，具体包括：
第一特征向量确定单元，用于采用卷积神经网络技术提取所述沙盘作品地形图像数据中的特征向量，记为第一特征向量；
第一心理分词预测模型确定单元，用于将所述第一特征向量作为输入，将由心理分析师经过分析沙盘作品地形图像数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第一心理分词预测模型；
第二特征向量确定单元，用于获取所述沙盘作品中的摆放沙具信息数据的特征向量，记为第二特征向量；
第二心理分词预测模型确定单元，用于将所述第二特征向量作为输入，将由心理分析师经过分析摆放沙具信息数据给出的作品展现的图像心理分词标注作为输出，采用支持向量机的机器学习方法进行训练，得到第二心理分词预测模型；
第三特征向量确定单元，用于获取所述沙盘作品中的文本描述数据的特征向量，记为第三特征向量；
第三心理分词预测模型确定单元，用于将所述第一特征向量作为输入，将由心理分析师经过分析文本描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第三心理分词预测模型；
第四特征向量确定单元，用于获取所述沙盘作品中的语音描述数据的特征向量，记为第三特征向量；
第四心理分词预测模型确定单元，用于将所述第一特征向量作为输入，将由心理分析师经过分析语音描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第四心理分词预测模型。
可选的，所述心理状态预测模型确定模块，具体包括：
汇总整合单元，用于将各所述心理分词进行汇总整合，得到心理分词特征向量；
归一化单元，用于将所述心理分词特征向量进行归一化，得到归一化特征向量；
心理状态预测模型确定单元，用于将所述归一化特征向量作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明采集了电子心理沙盘输出的多种数据，根据每种数据各自的特点选择了不同的人工智能领域的技术方法，训练多个预测模型，首先预测出心理分词结果，再将预测的心理分词结果进行整合，归一化成特征向量，输入到最后的心理分词到心理状态的预测模型中，得到最终的心理状态。本发明采集了大量的沙盘作品样本数据，创新的使用了二级标注的数据处理方法，首先标注出每种数据的心理分词标注，然后再根据整体的作品数据分析给出心理状态标注。由于本发明采用了人工智能手段，所以模型的准确性会随着样本量和技术的提示而不断的得到提升，从而解决人工无法处理和归纳总结大量数据样本的问题。
本发明通过人工智能的技术手段，能够降低电子沙盘使用的成本和使用的效率，解决由于沙盘心理分析师的短缺而造成的电子心理沙盘难以广泛使用的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于电子心理沙盘的心理评估装置组成结构图；
图2为本发明基于电子心理沙盘的心理评估方法流程图；
图3为本发明数据标注结构图；
图4为本发明沙盘作品地形图像的训练和检测流程图；
图5为为本发明检测阶段心理评估方法的流程图；
图6为本发明基于电子心理沙盘的心理评估系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于电子心理沙盘的心理评估装置、方法及系统，能够解决电子心理沙盘由于沙盘心理分析师的短缺造成的推广和应用的难题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了解决电子心理沙盘由于沙盘心理分析师的短缺造成的推广和应用的难题，本发明提出一种基于电子心理沙盘的人工智能心理评估装置、方法及系统，可以利用人工智能领域的计算机图像理解技术、自然语言理解技术、语音识别技术等先进技术通过训练可以自动化分析沙盘作品进行心理评估的算法模型，智能化的完成沙盘作品的分析工作。另外由于大数据和人工智能技术先天的优势，随着数据量的增大，评估系统的准确性会不断的进行提升。另外本发明提出的心理评估装置、方法及系统会跟踪测试者多次心理评估的结果，智能化的分析出测试者突变性和持续性的心理状态，给出建议性或者预警性的提示，使得心理分析师或使用者加强对测试者这些心理状态关注。
图1为本发明基于电子心理沙盘的心理评估装置组成结构图。如图1所示，一种基于电子心理沙盘的心理评估装置，包括：依次连接的电子心理沙盘设备1、电子心理沙盘分析服务器2、数据存储服务器3、数据分析和展示服务器4，操作者在所述电子心理沙盘设备1上制作电子心理沙盘作品，并将所述电子心理沙盘作品的原始数据传输至所述电子心理沙盘分析服务器2；所述电子心理沙盘设备1用于将所述原始数据传输至电子心理沙盘分析服务器2，所述电子心理沙盘分析服务器2对不同数据的特点采用不同的数据处理和人工智能方法训练人工智能心理评估模型用于智能的评估每个电子沙盘作品透露出的作者的心理状态；所述数据存储服务器3用于存储用户基础信息、每次作者的心理状态评估结果以及数据分析结果；所述数据分析和展示服务器4用于获取存储在所述数据存储器中用户的基础信息和每次作者的心理状态评估结果，并对单个用户的单次和多次的分析结果进行数据分析，确定用户的异常心理状态和非正常心理变化，并根据所述异常心理状态和非正常心理变化确定用户异常心理状态的调整建议。所述原始数据包括沙盘作品地形图像数据、沙盘作品中的摆放沙具信息数据、文本描述数据以及语音描述数据。
图2为本发明基于电子心理沙盘的心理评估方法流程图。如图2所示，一种基于电子心理沙盘的心理评估方法包括：
步骤101：从电子心理沙盘设备中获取多种不同类型的电子心理沙盘作品原始数据，所述原始数据包括沙盘作品地形图像数据、沙盘作品中的摆放沙具信息数据、文本描述数据以及语音描述数据。
本发明在相关机构的帮助下收集了大量的沙盘作品样本数据，图3为本发明数据标注结构图，如图3所示，采用了二级的数据标注方法，一级标注是将每种数据单独的进行标注。首先，由专业的多位沙盘心理分析师经过查阅大量的文献和多年的经验总结出与沙盘分析有关的心理分词，沙盘作品图像数据、沙盘作品中摆放沙具信息数据、文本描述数据、语音描述数据分别给出一组心理分词标注。然后，将四种心理分词标注进行汇总，心理分析师们再根据汇总的心理分词标注给出沙盘作品所反映出来的作者的心理状态标注，视为二级标注。
步骤102：针对各所述原始数据的的特点采用不同的人工智能方法进行处理，得到不同的心理分词。
步骤103：将各所述原始数据作为输入，对应的心理分词作为输出，进行模型训练，得到心理分词预测模型。
步骤103主要是四种数据的处理、四种心理分词预测模型的训练和使用。第一种数据是沙盘作品地形图像数据，模型的训练样本为沙盘作品地形图像数据以及上文所提到的由心理分析师经过分析沙盘作品地形图像数据给出的作品的心理分词标注。该步骤103具体包括：
步骤1031：采用卷积神经网络技术提取所述沙盘作品地形图像数据中的特征向量，记为第一特征向量。
步骤1032：将所述第一特征向量作为输入，将由心理分析师经过分析沙盘作品地形图像数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第一心理分词预测模型。
沙盘作品地形图像是操作者绘制的沙盘地形高度图把高度在图形像素上面的映射而形成的灰度图像。图4为本发明沙盘作品地形图像的训练和检测流程图。如图4所示，模型训练时采用卷积神经网络(Convolutional Neural Networks，简写为CNN)技术提取沙盘作品地形图像的特征向量，把特征向量和图像心理分词标注用长短期记忆网络(LongShort-Term Memory，简写为LSTM)算法训练心理分词预测分类器，训练方法包括但不限于LSTM方法。同样的使用时，将沙盘作品图像输入到训练好的预测模型中得到预测的心理分词。
步骤1033：获取所述沙盘作品中的摆放沙具信息数据的特征向量，记为第二特征向量。
步骤1034：将所述第二特征向量作为输入，将由心理分析师经过分析摆放沙具信息数据给出的作品展现的图像心理分词标注作为输出，采用支持向量机的机器学习方法进行训练，得到第二心理分词预测模型。
沙盘作品中的摆放沙具信息数据包括：沙盘各个位置摆放沙具的数量、各个类别沙具摆放的数量、删除沙具的数量、隐含属性类别每种沙具摆放的数量和各个方向沙具摆放的数量，将这些数量除以摆放沙具的总数，形成特征向量。沙盘心理分析师会根据每个沙盘作品中的沙具信息数据给出一组心理分词标注。这里会利用生成的沙盘作品中沙具摆放信息数据生成的特征向量和心理分词标注，采用支持向量机(SupportVectorMachine，简写为SVM)的机器学习方法训练由沙盘作品中沙具摆放信息数据到心理分词的预测模型，但训练方法包括但是不限于SVM算法。使用时提取沙盘作品中的沙具摆放信息数据的特征向量，然后将特征向量输入到预测模型中得到一组心理分词预测结果。
步骤1035：获取所述沙盘作品中的文本描述数据的特征向量，记为第三特征向量。
步骤1036：将所述第一特征向量作为输入，将由心理分析师经过分析文本描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第三心理分词预测模型。
文本描述数据是操作者在制作完沙盘作品后对沙盘作品进行的文本形式的描述。首先，由沙盘心理分析师根据多年的案例经验和文献资料研究，建立一个文本描述的常用词词典，词典中的常用词要与作者心理状态有一定关联。用现有的Word2Vec的分词方法将文本描述数据生成中文分词，然后采用基于词频-逆文档频率(Term Frequency-InverseDocument Frequency，简写为TF-IDF)方法进行关键词提取，生成常用词词典的特征向量。利用文本描述数据生成的常用词词典的TF-IDF特征向量和对应文本描述数据的心理分词标注，采用LSTM算法训练由文本描述数据到心理分词的预测模型。使用时，用Word2Vec的方法将文本描述数据生成中文分词，然后采用基于TF-IDF算法进行关键词提取，生成常用词词典的特征向量，然后将特征向量输入到预测模型中得到预测的心理分词。中文文本分词向量的生成方法有很多，包括但不限于TF-IDF的向量提取方法。文本分类的方法也很多包括但是不限于LSTM文本分类方法。
步骤1037：获取所述沙盘作品中的语音描述数据的特征向量，记为第三特征向量。
步骤1038：将所述第一特征向量作为输入，将由心理分析师经过分析语音描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第四心理分词预测模型。
语音描述数据实际上就是用语音形式记录下来的文本描述数据，是沙盘操作者在制作沙盘作品后用语音的形式录制下的对作品的描述或者心理状态表达。所以语音描述数据的处理方法和文本描述数据的处理方法基本上相同，只是多了一步，就是要先把语音描述数据通过语音识别的形式识别成文本描述，本文采用现有的语音识别技术来实现的语音转文字的操作。然后按照上文中文本描述数据的处理方法来处理语音描述数据，得到心理分词结果。
步骤104：获取多种不同类型的心理分词和沙盘心理分析师标注的二级标注数据，所述沙盘心理分析师标注的二级标注数据为与所述心理分词对应的心理状态。
步骤105：将各所述心理分词作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型，具体包括：
步骤1051：将各所述心理分词进行汇总整合，得到心理分词特征向量。
步骤1052：将所述心理分词特征向量进行归一化，得到归一化特征向量。
步骤1053：将所述归一化特征向量作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型。
心理分词结果只是心理评估系统的中间产物，也就是中间结果，要得到最终的心理评估结果就要采用机器学习方法训练一个心理分词到心理状态的预测模型，本发明采用的逻辑回归(logistics regression，简写为LR)，可用的方法很多包括但不限于LR方法。模型训练时会用到样本的一级样本标注和二级样本标注，一级样本标注是沙盘心理分析师根据四种输入数据分别给出的四组心理分词标注，二级标注是沙盘心理分析师根据汇总得到的心理分词结果和对沙盘作品整体数据的分析给出的操作者心理状态的评估。所以模型训练时，先将一级标注的心理分词进行汇总整合成心理分词特征向量，然后进行归一化，形成归一化的特征向量。然后采用LR方法来训练从心理分词到心理状态的预测模型，即心理状态预测模型。
步骤106：获取待预测的电子心理沙盘作品；
步骤107：采用所述心理分词预测模型和所述心理状态预测模型对所述待预测的电子心理沙盘作品进行预测，得到测试者的心理状态。
在检测时，将得到的四种数据预测出的心理分词结果整合成心理分词特征向量，然后再对特征向量进行归一化，输入到心理状态预测模型中得到最终测试者的心理状态。
图5为为本发明检测阶段心理评估方法的流程图。电子沙盘心理分析服务器会在每一份电子沙盘作品中收集四种数据，分别是沙盘作品地形图像数据、沙盘作品中摆放沙具信息数据、文本描述数据(操作者对于沙盘作品的文字形式描述)和语音描述数据(操作者对于沙盘作品的语音形式描述)，针对每种数据的特点采用不同的数据处理方法和预测模型的训练方法，上文中已经详细说明在此不再赘述。四种数据输入到训练好的四个心理分词预测模型中会得到四个心理分词结果，也就是图中的心理分词结果1到4，然后将心理分词结果进行整合也就是特征向量相加，之后进行归一化，输入到心理状态预测模型即训练好的LR模型中预测，得到测试者的心理状态。
本发明会针对一级的心理分词结果和心理状态(最终的心理评估结果)给出专业性定制化得建议，建议由电子沙盘心理分析师经过多年经验和案例总结而成。同时会跟踪每一位测试者多次的心理评估结果，记录测试者心理状态的变化，对突变性和进化性的心理状态问题给出预警。
本发明采集了电子心理沙盘输出的多种数据，根据每种数据各自的特点选择了不同的人工智能领域的技术方法，训练多个预测模型，首先预测出心理分词结果，再将预测的心理分词结果进行整合，归一化成特征向量，输入到最后的心理分词到心理状态的预测模型中，得到最终的心理评估结果即心理状态。
本发明采集了大量的沙盘作品样本数据，创新的使用了二级标注的数据处理方法，首先标注出每种数据的心理分词标注，然后再根据整体的作品数据分析给出心理状态标注，同时为了规避由于分析师的主观影响，请了多位心理分析师各自对同一份数据进行标注，然后再综合所有的标注结果，给出最终版本的标注数据。本发明通过人工智能的技术手段，解决了由于沙盘心理分析师的短缺而造成的电子心理沙盘难以广泛使用的问题。
图6为本发明基于电子心理沙盘的心理评估系统结构图。如图6所示，一种基于电子心理沙盘的心理评估系统，包括：
原始数据获取模块201，用于从电子心理沙盘设备中获取多种不同类型的电子心理沙盘作品原始数据，所述原始数据包括沙盘作品地形图像数据、沙盘作品中的摆放沙具信息数据、文本描述数据以及语音描述数据。
心理分词确定模块202，用于针对各所述原始数据的的特点采用不同的人工智能方法进行处理，得到不同的心理分词。
心理分词预测模型确定模块203，用于将各所述原始数据作为输入，对应的心理分词作为输出，进行模型训练，得到心理分词预测模型。
心理分词和心理状态获取模块204，用于获取多种不同类型的心理分词和沙盘心理分析师标注的二级标注数据，所述沙盘心理分析师标注的二级标注数据为与所述心理分词对应的心理状态。
心理状态预测模型确定模块205，用于将各所述心理分词作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型；
待预测子心理沙盘作品获取模块206，用于获取待预测的电子心理沙盘作品。
预测模块207，用于采用所述心理分词预测模型和所述心理状态预测模型对所述待预测的电子心理沙盘作品进行预测，得到测试者的心理状态。
所述心理分词预测模型确定模块203，具体包括：
第一特征向量确定单元，用于采用卷积神经网络技术提取所述沙盘作品地形图像数据中的特征向量，记为第一特征向。
第一心理分词预测模型确定单元，用于将所述第一特征向量作为输入，将由心理分析师经过分析沙盘作品地形图像数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第一心理分词预测模型。
第二特征向量确定单元，用于获取所述沙盘作品中的摆放沙具信息数据的特征向量，记为第二特征向量。
第二心理分词预测模型确定单元，用于将所述第二特征向量作为输入，将由心理分析师经过分析摆放沙具信息数据给出的作品展现的图像心理分词标注作为输出，采用支持向量机的机器学习方法进行训练，得到第二心理分词预测模型。
第三特征向量确定单元，用于获取所述沙盘作品中的文本描述数据的特征向量，记为第三特征向量。
第三心理分词预测模型确定单元，用于将所述第一特征向量作为输入，将由心理分析师经过分析文本描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第三心理分词预测模型。
第四特征向量确定单元，用于获取所述沙盘作品中的语音描述数据的特征向量，记为第三特征向量。
第四心理分词预测模型确定单元，用于将所述第一特征向量作为输入，将由心理分析师经过分析语音描述数据给出的作品展现的图像心理分词标注作为输出，采用长短期记忆网络算法进行训练，得到第四心理分词预测模型。
所述心理状态预测模型确定模块205，具体包括：
汇总整合单元，用于将各所述心理分词进行汇总整合，得到心理分词特征向量。
归一化单元，用于将所述心理分词特征向量进行归一化，得到归一化特征向量。
心理状态预测模型确定单元，用于将所述归一化特征向量作为输入，对应的心理状态作为输出，采用逻辑回归方法进行训练，得到心理状态预测模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
