【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于數(shù)據(jù)處理，具體是指一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)。
技術(shù)介紹
1、精神壓力監(jiān)測系統(tǒng)是利用聚類處理技術(shù)，對精神壓力數(shù)據(jù)進行分析和處理，實時監(jiān)測個體的精神壓力狀況，準確識別不同程度的壓力水平。但是現(xiàn)有的精神壓力監(jiān)測系統(tǒng)中存在初始聚類中心選擇隨機和在分類過程中對數(shù)據(jù)特征考慮不全面，導(dǎo)致聚類結(jié)果不穩(wěn)定和無法準確反映精神壓力的真實狀態(tài)的問題；現(xiàn)有的精神壓力監(jiān)測系統(tǒng)中存在參數(shù)盲目搜索和搜索效率低，導(dǎo)致無法準確分類精神壓力狀態(tài)和降低系統(tǒng)實用性的問題。
技術(shù)實現(xiàn)思路
1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本專利技術(shù)提供了一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，針對現(xiàn)有的精神壓力監(jiān)測系統(tǒng)中存在初始聚類中心選擇隨機和在分類過程中對數(shù)據(jù)特征考慮不全面，導(dǎo)致聚類結(jié)果不穩(wěn)定和無法準確反映精神壓力的真實狀態(tài)的問題，本方案引入相似度因子和熵得到綜合距離，基于綜合距離計算每個精神壓力數(shù)據(jù)被選為初始聚類中心的概率，根據(jù)累計概率確定初始聚類中心并分簇，使初始聚類中心的確定更科學(xué)；設(shè)計隨機查找向量來更新聚類中心，當收斂容差大于等于收斂閾值時停止更新迭代，得到精神壓力狀態(tài)分類模型，增強了模型對不同數(shù)據(jù)情況的適應(yīng)能力，能更好地反映不同精神壓力狀態(tài)的差異；針對現(xiàn)有的精神壓力監(jiān)測系統(tǒng)中存在參數(shù)盲目搜索和搜索效率低，導(dǎo)致無法準確分類精神壓力狀態(tài)和降低系統(tǒng)實用性的問題，本方案引入程度因子將參數(shù)搜索分為前期搜索和后期搜索，引入隨機對立位置和搜索方向設(shè)計前期搜索方法，引入變化幅度控制因子設(shè)計后期搜索方法，確定最佳模型參
2、本專利技術(shù)提供的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、構(gòu)建精神壓力狀態(tài)分類模型模塊、精神壓力狀態(tài)分類模型參數(shù)搜索模塊和精神壓力監(jiān)測模塊；
3、所述數(shù)據(jù)采集模塊采集歷史精神壓力數(shù)據(jù)；
4、所述數(shù)據(jù)預(yù)處理模塊對采集的數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸一化和構(gòu)建數(shù)據(jù)集處理；
5、所述構(gòu)建精神壓力狀態(tài)分類模型模塊引入相似度因子和熵得到綜合距離，基于綜合距離計算每個精神壓力數(shù)據(jù)被選為初始聚類中心的概率，根據(jù)累計概率確定初始聚類中心并分簇，設(shè)計隨機查找向量來更新聚類中心，當收斂容差大于等于收斂閾值時停止更新迭代，得到精神壓力狀態(tài)分類模型；
6、所述精神壓力狀態(tài)分類模型參數(shù)搜索模塊引入程度因子將參數(shù)搜索分為前期搜索和后期搜索，引入隨機對立位置和搜索方向設(shè)計前期搜索方法，引入變化幅度控制因子設(shè)計后期搜索方法，確定最佳模型參數(shù)；
7、所述精神壓力監(jiān)測模塊將數(shù)據(jù)輸入至基于最佳模型參數(shù)構(gòu)建的精神壓力狀態(tài)分類模型中，基于輸出的聚類結(jié)果，得到當前精神壓力的狀態(tài)，實現(xiàn)精神壓力狀態(tài)的監(jiān)測。
8、進一步地，所述數(shù)據(jù)采集模塊是采集歷史精神壓力數(shù)據(jù)；所述歷史精神壓力數(shù)據(jù)包括生理數(shù)據(jù)、行為數(shù)據(jù)、自我報告數(shù)據(jù)、環(huán)境數(shù)據(jù)、語音特征數(shù)據(jù)和精神壓力狀態(tài)；所述生理數(shù)據(jù)包括心率、血壓、呼吸頻率、皮膚電反應(yīng)和體溫；所述行為數(shù)據(jù)包括日常運動數(shù)據(jù)、睡眠數(shù)據(jù)和社交互動數(shù)據(jù)；所述自我報告數(shù)據(jù)包括壓力評估問卷數(shù)據(jù)和情緒狀態(tài)問卷數(shù)據(jù)；所述環(huán)境數(shù)據(jù)包括噪聲水平和光照強度；所述語音特征數(shù)據(jù)包括語調(diào)、語速和聲音強度；所述精神壓力狀態(tài)包括輕度壓力狀態(tài)、中度壓力狀態(tài)、重度壓力狀態(tài)、應(yīng)激狀態(tài)和衰竭狀態(tài)，將精神壓力狀態(tài)作為數(shù)據(jù)標簽，數(shù)據(jù)標簽在聚類時不予考慮，僅作為選取簇標簽時使用。
9、進一步地，所述數(shù)據(jù)預(yù)處理模塊是對采集的數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸一化和構(gòu)建數(shù)據(jù)集處理；數(shù)據(jù)清洗包括處理缺失值、異常值和重復(fù)值；數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)轉(zhuǎn)化為向量形式；數(shù)據(jù)歸一化是基于最大最小歸一化方法統(tǒng)一數(shù)據(jù)范圍；構(gòu)建數(shù)據(jù)集是基于處理后的數(shù)據(jù)構(gòu)建精神壓力監(jiān)測數(shù)據(jù)集。
10、進一步地，所述構(gòu)建精神壓力狀態(tài)分類模型模塊，包括確定初始聚類中心單元、分簇單元、更新聚類中心單元和模型確定單元，具體包括以下內(nèi)容：
11、確定初始聚類中心單元，包括以下內(nèi)容：
12、計算綜合距離，首先計算精神壓力監(jiān)測數(shù)據(jù)集的均值，然后引入相似度因子和熵來得到每個精神壓力數(shù)據(jù)和均值之間的綜合距離，并基于綜合距離的大小將精神壓力監(jiān)測數(shù)據(jù)集中的數(shù)據(jù)按從小到大的順序重新排列，所用公式如下：
13、；
14、；
15、式中，是精神壓力監(jiān)測數(shù)據(jù)集中第i個精神壓力數(shù)據(jù)xi和均值之間的相似度因子，是精神壓力數(shù)據(jù)xi和均值之間的綜合距離，i和q分別是精神壓力數(shù)據(jù)索引和特征維度索引，q是精神壓力數(shù)據(jù)的特征維度總數(shù)，是精神壓力數(shù)據(jù)xi和均值在第q個特征維度的余弦相似度，σq是第q個特征維度的標準差，和分別是精神壓力數(shù)據(jù)xi和均值的熵，是精神壓力數(shù)據(jù)xi和均值的互信息，xiq和分別是精神壓力數(shù)據(jù)xi和均值在第q個特征維度的值，ωq是第q個特征維度的權(quán)重，α1和α2分別是相似度權(quán)重和熵權(quán)重；
16、計算概率，基于綜合距離計算每個精神壓力數(shù)據(jù)被選為初始聚類中心的概率，所用公式如下：
17、；
18、式中，是精神壓力數(shù)據(jù)xi的概率，f是精神壓力監(jiān)測數(shù)據(jù)集；
19、選擇第一個初始聚類中心，預(yù)先設(shè)置初始聚類中心數(shù)量w和控制值c，計算每個精神壓力數(shù)據(jù)對應(yīng)的累積概率，在區(qū)間內(nèi)隨機生成一個隨機數(shù)a1，當時，選擇精神壓力數(shù)據(jù)xi作為第一個初始聚類中心，將精神壓力數(shù)據(jù)xi從精神壓力監(jiān)測數(shù)據(jù)集中刪除并構(gòu)建聚類中心數(shù)據(jù)集，所用公式如下：
20、；
21、式中，和分別是精神壓力監(jiān)測數(shù)據(jù)集中前i個和前i-1個精神壓力數(shù)據(jù)的概率和，將和分別作為精神壓力數(shù)據(jù)xi和精神壓力數(shù)據(jù)xi-1對應(yīng)的累積概率；b是精神壓力數(shù)據(jù)索引，是精神壓力監(jiān)測數(shù)據(jù)集中第b個精神壓力數(shù)據(jù)xb的概率；
22、確定剩余初始聚類中心，重新計算精神壓力監(jiān)測數(shù)據(jù)集中剩余精神壓力數(shù)據(jù)對應(yīng)的累積概率，再在區(qū)間內(nèi)隨機生成一個隨機數(shù)a2，當時，選擇精神壓力數(shù)據(jù)xj作為下一個初始聚類中心，將精神壓力數(shù)據(jù)xj從精神壓力監(jiān)測數(shù)據(jù)集中刪除并添加至聚類中心數(shù)據(jù)集，f是聚類中心數(shù)據(jù)集的數(shù)據(jù)數(shù)量，j是精神壓力數(shù)據(jù)索引，和分別是精神壓力監(jiān)測數(shù)據(jù)集中前j個和前j-1個精神壓力數(shù)據(jù)的概率和，將和分別作為精神壓力數(shù)據(jù)xj和精神壓力數(shù)據(jù)xj-1對應(yīng)的累積概率；
23、初始迭代，重復(fù)執(zhí)行確定剩余初始聚類中心的步驟，直至聚類中心數(shù)據(jù)集中的數(shù)據(jù)f數(shù)量等于預(yù)先設(shè)置的初始聚類中心數(shù)量w時，停止初始迭代，完成初始聚類中心的確認；
24、分簇單元，計算精神壓力監(jiān)測數(shù)據(jù)集中剩余精神壓力數(shù)據(jù)到各個初始聚類中心的綜合距離，并將其分配到綜合距離最近的初始聚類中心所在的簇，得到w個簇；
25、更新聚類中心單元，包括以下內(nèi)容：
26、設(shè)計隨機查找向量，預(yù)先設(shè)置每簇的上界和下界的初始值為和，以及查找因子的初始值為β0，在每次更新聚類中心前，先通過縮小每簇的上界和下界以本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、構(gòu)建精神壓力狀態(tài)分類模型模塊、精神壓力狀態(tài)分類模型參數(shù)搜索模塊和精神壓力監(jiān)測模塊；
2.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述構(gòu)建精神壓力狀態(tài)分類模型模塊具體包括以下內(nèi)容：
3.根據(jù)權(quán)利要求2所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述計算綜合距離具體為，首先計算精神壓力監(jiān)測數(shù)據(jù)集的均值，然后引入相似度因子和熵來得到每個精神壓力數(shù)據(jù)和均值之間的綜合距離，并基于綜合距離的大小將精神壓力監(jiān)測數(shù)據(jù)集中的數(shù)據(jù)按從小到大的順序重新排列，所用公式如下：
4.根據(jù)權(quán)利要求2所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述更新聚類中心單元具體包括以下內(nèi)容：
5.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述精神壓力狀態(tài)分類模型參數(shù)搜索模塊包括初始化個體位置單元、搜索個體位置單元和最佳模型參數(shù)確定單元，具體包括以下內(nèi)容：
6.根據(jù)權(quán)利要求5所述的一種基于聚類處理的精神壓力
7.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述數(shù)據(jù)采集模塊是采集歷史精神壓力數(shù)據(jù)；所述歷史精神壓力數(shù)據(jù)包括生理數(shù)據(jù)、行為數(shù)據(jù)、自我報告數(shù)據(jù)、環(huán)境數(shù)據(jù)、語音特征數(shù)據(jù)和精神壓力狀態(tài)；所述生理數(shù)據(jù)包括心率、血壓、呼吸頻率、皮膚電反應(yīng)和體溫；所述行為數(shù)據(jù)包括日常運動數(shù)據(jù)、睡眠數(shù)據(jù)和社交互動數(shù)據(jù)；所述自我報告數(shù)據(jù)包括壓力評估問卷數(shù)據(jù)和情緒狀態(tài)問卷數(shù)據(jù)；所述環(huán)境數(shù)據(jù)包括噪聲水平和光照強度；所述語音特征數(shù)據(jù)包括語調(diào)、語速和聲音強度；所述精神壓力狀態(tài)包括輕度壓力狀態(tài)、中度壓力狀態(tài)、重度壓力狀態(tài)、應(yīng)激狀態(tài)和衰竭狀態(tài)，將精神壓力狀態(tài)作為數(shù)據(jù)標簽，數(shù)據(jù)標簽在聚類時不予考慮，僅作為選取簇標簽時使用。
8.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述精神壓力監(jiān)測模塊是采集實時精神壓力數(shù)據(jù)；所述實時精神壓力數(shù)據(jù)包括生理數(shù)據(jù)、行為數(shù)據(jù)、自我報告數(shù)據(jù)、環(huán)境數(shù)據(jù)和語音特征數(shù)據(jù)；對實時精神壓力數(shù)據(jù)進行數(shù)據(jù)預(yù)處理后，將實時精神壓力數(shù)據(jù)和歷史精神壓力數(shù)據(jù)共同輸入至精神壓力狀態(tài)分類模型中進行聚類處理，基于輸出的聚類結(jié)果，選取簇中具有歷史精神壓力數(shù)據(jù)最多數(shù)量的標簽類型作為簇標簽，得到當前精神壓力的狀態(tài)，實現(xiàn)精神壓力狀態(tài)的監(jiān)測。
9.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述數(shù)據(jù)預(yù)處理模塊是對采集的數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸一化和構(gòu)建數(shù)據(jù)集處理；數(shù)據(jù)清洗包括處理缺失值、異常值和重復(fù)值；數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)轉(zhuǎn)化為向量形式；數(shù)據(jù)歸一化是基于最大最小歸一化方法統(tǒng)一數(shù)據(jù)范圍；構(gòu)建數(shù)據(jù)集是基于處理后的數(shù)據(jù)構(gòu)建精神壓力監(jiān)測數(shù)據(jù)集。
...【技術(shù)特征摘要】
1.一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、構(gòu)建精神壓力狀態(tài)分類模型模塊、精神壓力狀態(tài)分類模型參數(shù)搜索模塊和精神壓力監(jiān)測模塊；
2.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述構(gòu)建精神壓力狀態(tài)分類模型模塊具體包括以下內(nèi)容：
3.根據(jù)權(quán)利要求2所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述計算綜合距離具體為，首先計算精神壓力監(jiān)測數(shù)據(jù)集的均值，然后引入相似度因子和熵來得到每個精神壓力數(shù)據(jù)和均值之間的綜合距離，并基于綜合距離的大小將精神壓力監(jiān)測數(shù)據(jù)集中的數(shù)據(jù)按從小到大的順序重新排列，所用公式如下：
4.根據(jù)權(quán)利要求2所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述更新聚類中心單元具體包括以下內(nèi)容：
5.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述精神壓力狀態(tài)分類模型參數(shù)搜索模塊包括初始化個體位置單元、搜索個體位置單元和最佳模型參數(shù)確定單元，具體包括以下內(nèi)容：
6.根據(jù)權(quán)利要求5所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述搜索個體位置單元具體包括以下內(nèi)容：
7.根據(jù)權(quán)利要求1所述的一種基于聚類處理的精神壓力監(jiān)測系統(tǒng)，其特征在于：所述數(shù)據(jù)采集模塊是采集歷史精神壓力數(shù)據(jù)；所述歷史精神壓力數(shù)據(jù)包括生理數(shù)據(jù)、行為數(shù)據(jù)、自我報告數(shù)據(jù)、環(huán)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：邢字航，孫小燕，張娜娜，張紫萱，馬超，
申請(專利權(quán))人：石家莊市第八醫(yī)院石家莊市精神病醫(yī)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。