基于GCN和3D-CNN的高校学生精神异常行为监测.pdfVIP

2025年5月系统仿真技术May,2025

第21卷第2期SystemSimulationTechnologyVol.21,No.2

中图分类号：TP18；TP391文献标志码：A

基于GCN和3D-CNN的高校学生精神异常行为监测

谢卫朋

（陕西财经职业技术学院，陕西咸阳712000）

摘要：提出一种结合图卷积网络（GCN)和三维卷积神经网络（3D-CNN)的智能化监测方法，用于监测高校学生的

精神异常行为。该方法通过视频监控对学生的行为进行实时分析，并结合深度学习算法对异常行为进行分类和检

测。GCN用于处理视频片段之间的特征相似性，优化标签并过滤噪声；3D-CNN则用于提取时空特征并对行为进

行进一步分类。该智能化监测方法可有效提高精神异常行为监测的准确性，并降低监控中的误报率。实验结果表

明，该方法在精神异常行为识别方面表现出优异的性能，特别适用于高校学生的心理健康监测。

关键词：异常行为智能监测；图卷积网络；三维卷积神经网络；时间特征提取；心理异常识别；视频监控分析

DetectionofAbnormalMentalBehaviorofCollegeStudents

BasedonGCNand3D-CNN

XIEWeipeng

(ShaanxiCollegeofFinanceandEconomics,Xianyang712000,China)

Abstract:Thispaperproposesanintelligentsurveillancemethodthatintegratesgraphconvolutional

networks(GCN)and3Dconvolutionalneuralnetworks(3D-CNN)fordetectingmentalabnormal

behaviorincollegestudents.Real-timebehavioralanalysisisconductedthroughvideosurveillancein

thismethod,whereGCNisusedtoprocessinter-segmentsimilaritiesandoptimizeclassification

labelswhile3D-CNNisusedtoextractspatiotemporalfeaturesforbehavioralclassification.This

approachsignificantlyimprovesdetectionaccuracywhilereducingfalsepositiverateinsurveillance.

Experimentalvalidationdemonstratesthatthismethodshowsexcellentperformanceinrecognizing

mentalabnormalbehaviors,andisparticularlyapplicabletouniversitymentalhealthmonitoring

applications.

Keywords:intelligentabnormalbehaviordetection;graphconvolutionalnetwork;3Dconvolutional

neuralnetwork;temporalfeatureextraction;mentalabnormalityrecognition;videosurveillanceanal