本發(fā)明涉及醫(yī)療心理壓力測(cè)量評(píng)估領(lǐng)域，具體涉及一種基于bp神經(jīng)網(wǎng)絡(luò)算法的多參數(shù)心理壓力評(píng)估方法。

背景技術(shù)：

在當(dāng)今這個(gè)多元化的信息時(shí)代，絕大多數(shù)人或多或少都面臨各個(gè)方面的壓力，而長期處于這個(gè)狀態(tài)往往會(huì)導(dǎo)致各種各樣的精神疾病，這不僅危及個(gè)人的身體和精神健康，也將加重社會(huì)的負(fù)擔(dān)。

目前壓力狀況的評(píng)估往往離不開經(jīng)驗(yàn)豐富的醫(yī)護(hù)人員。已經(jīng)存在的客觀評(píng)估精神壓力狀況的算法有層次分析法，該方法存在特征向量和特征值的計(jì)算過程相對(duì)復(fù)雜、權(quán)重不容易確定以及判斷矩陣主觀性強(qiáng)等缺陷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于bp神經(jīng)網(wǎng)絡(luò)算法的多參數(shù)心理壓力評(píng)估方法，該方法是利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行深度學(xué)習(xí)，通過對(duì)各項(xiàng)參數(shù)的非線性建模得到焦慮值的分析方法，具有處理速度快，容錯(cuò)能力強(qiáng)的優(yōu)點(diǎn)。

本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

一種基于bp神經(jīng)網(wǎng)絡(luò)算法的多參數(shù)心理壓力評(píng)估方法，所述bp神經(jīng)網(wǎng)絡(luò)算法包括輸入層、隱含層和輸出層，隱含層內(nèi)設(shè)有經(jīng)驗(yàn)公式，所述基于bp神經(jīng)網(wǎng)絡(luò)算法的多參數(shù)心理壓力評(píng)估方法包括以下步驟：

步驟1：獲取待測(cè)試者h(yuǎn)rv信號(hào)，并對(duì)hrv信號(hào)分別進(jìn)行頻域、時(shí)域和非線性分析，得到輸入向量g＝{g1,g2,g3}，期望輸出向量為焦慮值d；

其中，g1＝{g11,g12}為hrv信號(hào)頻域參數(shù)集，g11為lf/hf，g12為tp；

g2＝{g21,g22,g23}為hrv信號(hào)時(shí)域參數(shù)集，g21為sdnn，g22為pnn50，g23為hr；

g3＝{g31,g32,g33}為hrv信號(hào)非線性分析參數(shù)集，g31為hdr，g32為vai，g33為hle；

步驟2：根據(jù)輸入向量g和期望輸出向量d的維數(shù)通過經(jīng)驗(yàn)公式計(jì)算出隱含層單元數(shù)l，初始化各層神經(jīng)元權(quán)值ωij和閾值b以及設(shè)置學(xué)習(xí)速率α和神經(jīng)元傳遞函數(shù)f(x)；

步驟3：通過最速下降bp算法對(duì)權(quán)值ωij和閾值b進(jìn)形逐次修正，使輸出向量達(dá)到所要求的誤差性能；

步驟4：利用輸入輸出映射的bp神經(jīng)網(wǎng)絡(luò)來計(jì)算焦慮值z(mì)，

其中，計(jì)算公式為：z＝zg1+zg2+zg3；

zg1＝(ω11*g11/15+ω12*g12/9000)*100；

zg2＝(ω21*(200-g21)/200+ω22*(60-g22)/60+ω23*g23/100)*100；

zg3＝(ω31*g31/10+ω32*(0.4-g32)/0.4+ω33*(10-g33)/10)*100，

式中，g11為lf/hf，g12為tp，g21為sdnn，g22為pnn50，g23為hr，g31為hdr，g32為vai，g33為hle，ω11、ω12、ω21、ω22、ω23、ω31、ω32和ω33為修正后的權(quán)值。

進(jìn)一步的，步驟4中所述焦慮值z(mì)是指z≤30，檢測(cè)者處于放松狀態(tài)；30<z≤50，檢測(cè)者處于心理稍微緊張狀態(tài)；z>50，檢測(cè)者處于心理較緊張狀態(tài)。

步驟3中所述最速下降bp算法的具體步驟包括：

步驟3-1：確定神經(jīng)元傳遞函數(shù)

步驟3-2：設(shè)k為迭代次數(shù)，則權(quán)值ωij和閾值b的修正按下列公式進(jìn)行：

x(k+1)＝x(k)-αg(k)

式中：x(k)為第k次迭代各層之間的連接權(quán)向量或閾值向量，α為學(xué)習(xí)速率，在訓(xùn)練時(shí)是一常數(shù)，可以通過改變訓(xùn)練參數(shù)進(jìn)行設(shè)置；g(k)第k次迭代的神經(jīng)網(wǎng)絡(luò)輸出誤差對(duì)各權(quán)值或閾值的梯度向量；

步驟3-3：計(jì)算第k次迭代的神經(jīng)網(wǎng)絡(luò)輸出誤差對(duì)各權(quán)值或閾值的梯度向量為：

式中：e(k)為第k次迭代的網(wǎng)絡(luò)輸出的總誤差性能函數(shù)，x(k)為第k次迭代各層之間的連接權(quán)向量或閾值向量，負(fù)號(hào)表示梯度的反方向，即梯度的最速下降方向；

步驟3-4：計(jì)算第k次迭代的網(wǎng)絡(luò)輸出的總誤差性能函數(shù)，若有n個(gè)輸入樣本：

式中，e(k)表示第次迭代的k均方誤差，n表示輸入的樣本數(shù)目，s表示s型傳輸函數(shù)，ti表示第i個(gè)輸出單元的期望值，ai(k)表示第k次迭代第i個(gè)輸出單元的實(shí)際值，e(k)表示第k次迭代時(shí)的標(biāo)準(zhǔn)差；

步驟3-5：根據(jù)神經(jīng)元傳遞函數(shù)，可以求出第k次迭代的總誤差曲面的梯度g(k)，代入步驟3-2，可逐次修正權(quán)值ωij和閾值b，并使總的誤差向減小的方向變化。

與層次分析法相比較，本發(fā)明能夠更客觀、更準(zhǔn)確地評(píng)估心理壓力狀況。本發(fā)明(1)采用待測(cè)試者h(yuǎn)rv生理參數(shù)的變化監(jiān)測(cè)被測(cè)者心理壓力狀態(tài)，有效避免因被測(cè)者主觀因素及認(rèn)知水平的不同對(duì)監(jiān)測(cè)結(jié)果造成的影響；(2)采用最速下降bp算法，使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值之間的均方誤差最小，提高學(xué)習(xí)的準(zhǔn)確性。

具體實(shí)施方式

所述bp神經(jīng)網(wǎng)絡(luò)算法包括輸入層，隱含層和輸出層，首先確定bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，隱含層的數(shù)量以及輸出樣本的數(shù)量。在確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)后，要通過輸入樣本和輸出樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，及對(duì)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系。

本實(shí)施例提供的基于bp神經(jīng)網(wǎng)絡(luò)算法的多參數(shù)心理壓力評(píng)估方法包括以下步驟：

步驟1：獲取待測(cè)試者h(yuǎn)rv信號(hào)，并對(duì)hrv信號(hào)分別進(jìn)行頻域、時(shí)域和非線性分析，得到輸入向量g＝{g1,g2,g3}，期望輸出向量為焦慮值d；

其中，g1＝{g11,g12}為hrv信號(hào)頻域參數(shù)集，g11為低頻與高頻比lf/hf，g12為總譜tp；

g2＝{g21,g22,g23}為hrv信號(hào)時(shí)域參數(shù)集，g21為正常竇性心率rr間期的標(biāo)準(zhǔn)差sdnn，g22為在所有rr間期中相鄰rr間期之差大于50ms的個(gè)數(shù)占所有rr間期個(gè)數(shù)的百分比pnn50，g23為以第一聲音為準(zhǔn)心臟每分鐘跳動(dòng)的次數(shù)hr；

g3＝{g31,g32,g33}為hrv信號(hào)非線性分析參數(shù)集，g31為相對(duì)分散度hdr，g32為散點(diǎn)圖向量角度指數(shù)vai，g33為李氏指數(shù)hle；

步驟2：根據(jù)輸入向量g和期望輸出向量d的維數(shù)通過經(jīng)驗(yàn)公式計(jì)算出隱含層單元數(shù)l，初始化各層神經(jīng)元權(quán)值ωij和閾值b以及設(shè)置學(xué)習(xí)速率α和神經(jīng)元傳遞函數(shù)f(x)；

其中，經(jīng)驗(yàn)公式為：

式中，n為輸入層節(jié)點(diǎn)個(gè)數(shù)，m為輸出層節(jié)點(diǎn)個(gè)數(shù)，a為1-10之間的常數(shù)；

通過經(jīng)驗(yàn)公式計(jì)算出隱含層單元數(shù)m＝8，設(shè)定學(xué)習(xí)速率α＝0.035；

步驟3：確定神經(jīng)元傳遞函數(shù)f(x)，神經(jīng)網(wǎng)絡(luò)通過對(duì)很多組輸入輸出所對(duì)應(yīng)的值進(jìn)行學(xué)習(xí)，可得到一個(gè)最為理想的傳輸函數(shù)，令f(x)為：

步驟4：設(shè)k為迭代次數(shù)，令k＝5000，則每一層權(quán)值和閾值的修正按下列進(jìn)行：

x(k+1)＝x(k)-αg(k)

式中：x(k)為第k次迭代各層之間的連接權(quán)向量或閾值向量，α為學(xué)習(xí)速率，在訓(xùn)練時(shí)是一常數(shù)，可以通過改變訓(xùn)練參數(shù)進(jìn)行設(shè)置；g(k)第k次迭代的神經(jīng)網(wǎng)絡(luò)輸出誤差對(duì)各權(quán)值或閾值的梯度向量；

步驟5：計(jì)算第k次迭代的神經(jīng)網(wǎng)絡(luò)輸出誤差對(duì)各權(quán)值或閾值的梯度向量為：

式中e(k)為第k次迭代的網(wǎng)絡(luò)輸出的總誤差性能函數(shù)，x(k)為第k次迭代各層之間的連接權(quán)向量或閾值向量，負(fù)號(hào)表示梯度的反方向，即梯度的最速下降方向。

步驟6：計(jì)算第k次迭代的網(wǎng)絡(luò)輸出的總誤差性能函數(shù)，若有n個(gè)輸入樣本

式中，e(k)表示第次迭代的k均方誤差，n表示輸入的樣本數(shù)目，s表示傳輸函數(shù)，ti表示第i個(gè)輸出單元的期望值，ai(k)表示第k次迭代第i個(gè)輸出單元的實(shí)際值，e(k)表示第k次迭代時(shí)的標(biāo)準(zhǔn)差；

輸入向量g與期望輸出向量d作為訓(xùn)練樣本，樣本數(shù)據(jù)如下表1：

表1訓(xùn)練樣本數(shù)據(jù)表

步驟7：根據(jù)各層傳輸函數(shù)，可以求出第k次迭代的總誤差曲面的梯度g(k)，代入步驟4，可逐次修正其權(quán)值和閾值，并使總的誤差向減小的方向變化，直到達(dá)到所要求的誤差性能為止，即訓(xùn)練時(shí)目標(biāo)誤差β小于等于0.65×10^-3時(shí)訓(xùn)練停止。

步驟8：利用達(dá)到輸入輸出映射的bp神經(jīng)網(wǎng)絡(luò)來計(jì)算焦慮值，輸入向量為各種時(shí)域、頻域和非線性參數(shù)，輸出為計(jì)算的焦慮值，其計(jì)算結(jié)果為：

g1＝{g11,g12}中各元素的權(quán)值ω1＝{0.51,0.17}；

g2＝{g21,g22,g23}中各元素的權(quán)值ω2＝{0.0946,0.0946,0.0308}；

g3＝{g31,g32,g33}中各元素的權(quán)值ω3＝{0.062,0.024,0.014}；

將各個(gè)權(quán)值代入公式中既可得到檢測(cè)者的心理壓力值：

zg1＝(ω11*g11/15+ω12*g12/9000)*100；

zg2＝(ω21*(200-g21)/200+ω22*(60-g22)/60+ω23*g23/100)*100；

zg3＝(ω31*g31/10+ω32*(0.4-g32)/0.4+ω33*(10-g33)/10)*100，

z＝zg1+zg2+zg3；

根據(jù)心理壓力評(píng)估等級(jí)判斷被測(cè)者心理壓力狀態(tài)，輸出被測(cè)者心理壓力評(píng)估報(bào)告。

z≤30，檢測(cè)者處于放松狀態(tài)；

30<z≤50，檢測(cè)者處于心理稍微緊張狀態(tài)；

z>50，檢測(cè)者處于心理較緊張狀態(tài)。

以上所述僅是本發(fā)明優(yōu)選的實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何基于本發(fā)明所提供的技術(shù)方案和發(fā)明構(gòu)思進(jìn)行的改造和替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍內(nèi)。