1.一种心理健康教育的心理健康预警方法，其特征在于：包括，收集多模态数据并进行预处理，提取预处理后多模态数据的特征向量进行融合；

使用延迟嵌入构建相空间轨迹点计算轨迹复杂度，使用加权求和计算心理健康评分与预警；所述使用延迟嵌入构建相空间轨迹点计算轨迹复杂度指使用互信息法计算时间序列的最优延迟时间 ；

使用FNN法计算嵌入维度m；

基于最优延迟时间 和嵌入维度m，使用延迟嵌入构建相空间轨迹点X(t)；

将相空间轨迹点X(t)按照时间顺序进行排序，构成轨迹序列，A为相空间轨迹点的总数， 为时间序列的第i个时间点；

将相空间轨迹序列中的每个点按时间顺序依次连接，形成闭合多边形，多边形的顶点为 ，使用多边形面积公式计算轨迹面积S；

使用欧氏距离累加法计算相邻相空间轨迹点的轨迹长度L；

使用局部曲率公式计算相邻相空间轨迹点的局部曲率；

计算局部曲率 的平均值得到总体曲率 ；

通过轨迹长度L、轨迹面积S和总体曲率 的结合，定义轨迹复杂度D，公式为：，

其中D为轨迹复杂度；

构建可视化界面实时展示心理健康评分，存储收集和分析产生的多模态数据；使用加权求和计算心理健康评分与预警指设定聚类数为3，使用K‑means聚类算法对轨迹复杂度D进行情绪状态分类，包括平稳、波动和剧烈波动；

使用统计分析法计算分类结果的情绪状态时间占比 ；

使用信息熵公式计算情绪状态熵值H；

基于轨迹复杂度D和情绪状态熵值H使用加权求和计算心理健康评分R；

使用正态分布法设定健康阈值 ，将心理健康评分R与健康阈值 进行对比，若 则判定为高风险，发出预警并通过电子邮箱通知监测员，若 则判定为正常，继续监测多模态数据。

2.如权利要求1所述的心理健康教育的心理健康预警方法，其特征在于：所述收集多模态数据并进行预处理指在心理健康教育过程中，使用高清摄像头和麦克风收集用户的多模态数据并进行预处理；

所述多模态数据包括，语音和面部表情数据；

所述预处理包括，对收集的多模态数据添加时间戳，使用线性插值方法将多模态数据进行时间同步校正，使用带通滤波器去除语音数据的噪声，对去噪后的语音数据进行标准化处理，使用高斯滤波去除面部表情数据的噪声，使用拉普拉斯算子对面部表情数据进行锐化处理，使用仿射变换法对面部表情数据进行准化对齐。

3.如权利要求2所述的心理健康教育的心理健康预警方法，其特征在于：所述提取预处理后多模态数据的特征向量进行融合指收集历史多模态数据并进行预处理与特征向量提取，生成训练集；

使用预训练的FER+模型对历史语音数据进行情绪分类并分配对应的情绪标签，使用预训练的OpenSMILE模型对历史面部表情数据进行情绪分类并分配对应的情绪标签；

使用预训练的OpenAI的Whisper模型提取历史语音数据的语音特征向量，使用预训练的VGG‑Face模型提取历史面部表情数据的面部特征向量；

从标准正态分布中引入随机噪声 ，使用全连接网络分别将历史语音和面部特征向量转换为均值和方差，使用加权平均融合分别将均值和方差进行融合，得到历史融合的均值和方差，基于融合后的均值和方差使用高斯分布定义变分分布 ，其中U为正态分布的符号，为历史融合特征向量，为融合后的均值，为融合后的方差， 为语音和面部特征向量；

使用重参数化公式生成历史融合特征向量Z；

使用标准正态分布定义先验分布 ，其中 为单位方差矩阵；

计算变分分布 与先验分布 之间的KL散度 ，公式为：，

其中K为历史融合特征向量Z的维数， 和 分别为变分分布 在第k维的均值和方差；

将KL散度 定义为冗余信息损失函数 ，公式为：，

使用反向传播算法对KL散度的模型参数进行优化，迭代最小化冗余信息损失函数 ；

使用累积方差贡献率法设定主成分数量a，分别计算语音和面部特征向量的协方差矩阵，对协方差矩阵进行分解得到语音和面部的特征值和特征向量，对特征值按降序排列，保留前a个最大的特征值对应的特征向量，构成主成分矩阵，使用主成分矩阵对语音和面部特征向量进行投影，得到语音和面部特征向量的潜在表示；

使用能量基准模型构建能量函数 ，公式为：

，

其中Z为历史融合特征向量， 为历史融合特征向量和线性映射函数 的内积， 为线性映射函数， 为能量基准偏置项；

线性映射函数 ，公式为：

，

其中 为映射的参数矩阵，Y为情绪标签， 为映射的偏置项；

从训练集中随机抽取历史融合特征向量和对应的情绪标签，记作正样本对，从同一批次抽取历史融合特征向量中随机选择另一个情绪标签，记作负样本对；

基于对比学习定义能量差损失函数 ，公式为：

，

其中N为样本的总数量， 为第i个样本的历史融合特征向量， 为第i个样本的情绪标签， 为与第i个样本历史融合特征向量配对的错误情绪标签， 为正样本的能量项， 为负样本能量项；

使用梯度下降法对能量函数的参数进行优化，迭代最小化能量差损失函数 ；

使用多目标优化将冗余信息损失函数 和能量差损失函数 结合，定义为信息瓶颈损失函数 ，公式为：，

其中 为权衡系数；

使用二阶优化方法进行融合后的均值和方差迭代优化；

将实时收集的多模态数据使用训练好的信息瓶颈损失函数 ，得到实时融合特征向量z；

将实时融合特征向量z按照时间排序，形成时间序列z(t)。

4.如权利要求3所述的心理健康教育的心理健康预警方法，其特征在于：所述构建可视化界面实时展示心理健康评分指使用前端框架Vue.js构建可视化界面，实时展示心理健康评分，在可视化界面上方显示风险警报标识，当预警时警报标识变为红色闪烁；

允许通过实名验证的用户进行查阅。

5.如权利要求4所述的心理健康教育的心理健康预警方法，其特征在于：所述存储收集和分析产生的多模态数据指将收集的多模态数据和分析产生的心理健康评分存储至中央数据库中，中央数据库按照时间顺序进行排序，并标记对应的标签，同步将收集的多模态数据和分析产生的心理健康评分进行云端备份，定期对备份数据进行完整性检测。

6.一种基于权利要求1‑5任一所述的心理健康教育的心理健康预警方法的心理健康教育的心理健康预警系统，其特征在于：包括，收集融合模块，用于收集多模态数据并进行预处理，提取预处理后多模态数据的特征向量进行融合；

计算预警模块，用于使用延迟嵌入构建相空间轨迹点计算轨迹复杂度，使用加权求和计算心理健康评分与预警；

可视化存储模块，用于构建可视化界面实时展示心理健康评分，存储收集和分析产生的多模态数据。

7.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的心理健康教育的心理健康预警方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的心理健康教育的心理健康预警方法的步骤。