精神壓力分析儀神經網絡算法評估方法

產品展示

精神壓力分析儀

新聞中心

網站首頁 >新聞中心 > 精神壓力分析儀神經網絡算法評估方法

　　精神壓力分析儀神經網絡算法評估方法

　　一種基于BP神經網絡算法的多參數精神壓力分析儀評估方法，所述BP神經網絡算法包括輸入層、隱含層和輸出層，隱含層內設有經驗公式，其特征在于：所述基于BP神經網絡算法的多參數精神壓力分析儀評估方法包括以下步驟：

精神壓力分析儀神經網絡算法評估方法

　　步驟1：獲取待測試者HRV信號，并對HRV信號分別進行頻域、時域和非線性分析，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信號頻域參數集，G11為LF/HF，G12為TP；

　�。絳G21,G22,G23}為HRV信號時域參數集，G21為SDNN，G22為PNN50，G23為HR；

　�。絳G31,G32,G33}為HRV信號非線性分析參數集，G31為HDR，G32為VAI，G33為HLE；

　　步驟2：根據輸入向量G和期望輸出向量D的維數通過經驗公式計算出隱含層單元數l，初始化各層神經元權值ωij和閾值b以及設置學習速率α和神經元傳遞函數f(x)；

　　步驟3：通過最速下降BP算法對權值ωij和閾值b進形逐次修正，使輸出向量達到所要求的誤差性能；

　　步驟4：利用輸入輸出映射的BP神經網絡來計算焦慮值Z，

　　其中，計算公式為：Z＝ZG1+ZG2+ZG3；

　�。�(ω11*G11/15+ω12*G12/9000)*100；

　�。�(ω21*(200-G21)/200+ω22*(60-G22)/60+ω23*G23/100)*100；

　�。�(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為修正后的權值。

　　根據權利要求1所述的基于BP神經網絡算法的多參數精神壓力分析儀評估方法，其特征在于：步驟4中所述焦慮值Z是指Z≤30，檢測者處于放松狀態；30<Z≤50，檢測者處于心理稍微緊張狀態；Z>50，檢測者處于心理較緊張狀態。

　　說明書

　　基于BP神經網絡算法的多參數精神壓力分析儀評估方法

　　技術領域

　　本發明涉及醫療精神壓力分析儀測量評估領域，具體涉及一種基于BP神經網絡算法的多參數精神壓力分析儀評估方法。

　　背景技術

　　在當今這個多元化的信息時代，絕大多數人或多或少都面臨各個方面的壓力，而長期處于這個狀態往往會導致各種各樣的精神疾病，這不僅危及個人的身體和精神健康，也將加重社會的負擔。

　　目前壓力狀況的評估往往離不開經驗豐富的醫護人員。已經存在的客觀評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算過程相對復雜、權重不容易確定以及判斷矩陣主觀性強等缺陷。

　　發明內容

　　本發明的目的在于提供一種基于BP神經網絡算法的多參數精神壓力分析儀評估方法，該方法是利用神經網絡算法進行深度學習，通過對各項參數的非線性建模得到焦慮值的分析方法，具有處理速度快，容錯能力強的優點。

　　本發明的目的是通過以下技術方案實現的：

　　一種基于BP神經網絡算法的多參數精神壓力分析儀評估方法，所述BP神經網絡算法包括輸入層、隱含層和輸出層，隱含層內設有經驗公式，所述基于BP神經網絡算法的多參數精神壓力分析儀評估方法包括以下步驟：

　　步驟1：獲取待測試者HRV信號，并對HRV信號分別進行頻域、時域和非線性分析，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信號頻域參數集，G11為LF/HF，G12為TP；

　�。絳G21,G22,G23}為HRV信號時域參數集，G21為SDNN，G22為PNN50，G23為HR；

　�。絳G31,G32,G33}為HRV信號非線性分析參數集，G31為HDR，G32為VAI，G33為HLE；

　　步驟2：根據輸入向量G和期望輸出向量D的維數通過經驗公式計算出隱含層單元數l，初始化各層神經元權值ωij和閾值b以及設置學習速率α和神經元傳遞函數f(x)；

　　步驟3：通過最速下降BP算法對權值ωij和閾值b進形逐次修正，使輸出向量達到所要求的誤差性能；

　　步驟4：利用輸入輸出映射的BP神經網絡來計算焦慮值Z，

　　其中，計算公式為：Z＝ZG1+ZG2+ZG3；

　�。�(ω11*G11/15+ω12*G12/9000)*100；

　�。�(ω21*(200-G21)/200+ω22*(60-G22)/60+ω23*G23/100)*100；

　�。�(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為修正后的權值。

　　進一步的，步驟4中所述焦慮值Z是指Z≤30，檢測者處于放松狀態；30<Z≤50，檢測者處于心理稍微緊張狀態；Z>50，檢測者處于心理較緊張狀態。

　　步驟3中所述最速下降BP算法的具體步驟包括：

　　步驟3-1：確定神經元傳遞函數

　　步驟3-2：設k為迭代次數，則權值ωij和閾值b的修正按下列公式進行：

　�。絰(k)-α

　　式中：x(k)為第k次迭代各層之間的連接權向量或閾值向量，α為學習速率，在訓練時是一常數，可以通過改變訓練參數進行設置；g(k)第k次迭代的神經網絡輸出誤差對各權值或閾值的梯度向量；

　　步驟3-3：計算第k次迭代的神經網絡輸出誤差對各權值或閾值的梯度向量為：

精神壓力分析儀神經網絡算法評估方法

　　式中：E(k)為第k次迭代的網絡輸出的總誤差性能函數，x(k)為第k次迭代各層之間的連接權向量或閾值向量，負號表示梯度的反方向，即梯度的最速下降方向；

　　步驟3-4：計算第k次迭代的網絡輸出的總誤差性能函數，若有n個輸入樣本：

　　式中，E(k)表示第次迭代的k均方誤差，n表示輸入的樣本數目，S表示S型傳輸函數，ti表示第i個輸出單元的期望值，ai(k)表示第k次迭代第i個輸出單元的實際值，e(k)表示第k次迭代時的標準差；

　　步驟3-5：根據神經元傳遞函數，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，本發明能夠更客觀、更準確地評估精神壓力分析儀狀況。本發明(1)采用待測試者HRV生理參數的變化監測被測者精神壓力分析儀狀態，有效避免因被測者主觀因素及認知水平的不同對監測結果造成的影響；(2)采用最速下降BP算法，使網絡的實際輸出值和期望輸出值之間的均方誤差最小，提高學習的準確性。

　　具體實施方式

　　所述BP神經網絡算法包括輸入層，隱含層和輸出層，首先確定BP神經網絡的結構，隱含層的數量以及輸出樣本的數量。在確定神經網絡的結構后，要通過輸入樣本和輸出樣本對網絡進行訓練，及對網絡的閾值和權值進行學習和修正，使網絡實現給定的輸入輸出映射關系。

　　本實施例提供的基于BP神經網絡算法的多參數精神壓力分析儀評估方法包括以下步驟：

　　步驟1：獲取待測試者HRV信號，并對HRV信號分別進行頻域、時域和非線性分析，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信號頻域參數集，G11為低頻與高頻比LF/HF，G12為總譜TP；

　�。絳G21,G22,G23}為HRV信號時域參數集，G21為正常竇性心率RR間期的標準差SDNN，G22為在所有RR間期中相鄰RR間期之差大于50ms的個數占所有RR間期個數的百分比PNN50，G23為以第一聲音為準心臟每分鐘跳動的次數HR；

　�。絳G31,G32,G33}為HRV信號非線性分析參數集，G31為相對分散度HDR，G32為散點圖向量角度指數VAI，G33為李氏指數HLE；

　　步驟2：根據輸入向量G和期望輸出向量D的維數通過經驗公式計算出隱含層單元數l，初始化各層神經元權值ωij和閾值b以及設置學習速率α和神經元傳遞函數f(x)；

　　其中，經驗公式為：

　　式中，n為輸入層節點個數，m為輸出層節點個數，a為1-10之間的常數；

　　通過經驗公式計算出隱含層單元數m＝8，設定學習速率α＝0.035；

　　步驟3：確定神經元傳遞函數f(x)，神經網絡通過對很多組輸入輸出所對應的值進行學習，可得到一個最為理想的傳輸函數，令f(x)為：

　　步驟4：設k為迭代次數，令k＝5000，則每一層權值和閾值的修正按下列進行：

　�。絰(k)-α

　　式中：x(k)為第k次迭代各層之間的連接權向量或閾值向量，α為學習速率，在訓練時是一常數，可以通過改變訓練參數進行設置；g(k)第k次迭代的神經網絡輸出誤差對各權值或閾值的梯度向量；

　　步驟5：計算第k次迭代的神經網絡輸出誤差對各權值或閾值的梯度向量為：

　　式中E(k)為第k次迭代的網絡輸出的總誤差性能函數，x(k)為第k次迭代各層之間的連接權向量或閾值向量，負號表示梯度的反方向，即梯度的最速下降方向。

　　步驟6：計算第k次迭代的網絡輸出的總誤差性能函數，若有n個輸入樣本

　　式中，E(k)表示第次迭代的k均方誤差，n表示輸入的樣本數目，S表示傳輸函數，ti表示第i個輸出單元的期望值，ai(k)表示第k次迭代第i個輸出單元的實際值，e(k)表示第k次迭代時的標準差；

　　輸入向量G與期望輸出向量D作為訓練樣本，樣本數據如下表1：

　　表1訓練樣本數據表

　　步驟7：根據各層傳輸函數，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，可逐次修正其權值和閾值，并使總的誤差向減小的方向變化，直到達到所要求的誤差性能為止，即訓練時目標誤差β小于等于0.65×10-3時訓練停止。

　　將各個權值代入公式中既可得到檢測者的精神壓力分析儀值：

　　根據精神壓力分析儀評估等級判斷被測者精神壓力分析儀狀態，輸出被測者精神壓力分析儀評估報告。

　　≤30，檢測者處于放松狀態；

　　≤50，檢測者處于心理稍微緊張狀態，檢測者處于心理較緊張狀態。

精神壓力分析儀神經網絡算法評估方法

　　以上所述僅是本發明優選的實施方式，但本發明的保護范圍并不局限于此，任何基于本發明所提供的技術方案和發明構思進行的改造和替換都應涵蓋在本發明的保護范圍內。

上一篇內容: 精神壓力分析儀虹膜檢測技術構建
下一篇內容: 精神壓力分析儀緩解器與音頻電路相連接