[发明专利]一种心理压力状况预测方法及系统

权利要求书

1.一种心理压力状况预测方法，其特征在于，包括以下步骤：

1)利用基本生理指标信息构建深度信念网络模型的训练库；所述基本生理指标信息包括体温、心率、血压、心电、肌电、皮肤电、睡眠时间和饮食情况；

2)收集对所述训练库中的不同样本的心理分析结果；

3)将用户的基本生理指标信息作为输入，所述心理分析结果作为输出；使用遗传算法确定深度信念网络模型的隐含层层数以及每个隐含层的神经元个数，最终训练出深度信念网络模型的连接权值和偏置值；

4)将基本生理指标输入到步骤3)训练出的深度信念网络模型，确定心理压力状况；

所述深度信念网络模型表达式如下：

其中，表示层κ与层κ-1之间的连接权矩阵,表示层κ的偏置值；N_κ表示层κ的神经元个数；C_r为深度信念网络模型隐含层总层数；h^(κ)(t)为层κ的输出值；p为所使用的基本生理指标个数；x₁,x₂,…x_p为深度信念网络模型的输入值，即样本用户的基本生理指标信息；为激活函数；为层C_r的输出值，即为深度信念网络模型的预测输出值，也就是用户心理压力状况预测结果；

使用遗传算法确定深度信念网络模型的隐含层层数以及每个隐含层的神经元个数的计算过程包括：

31)编码隐含层层数C_r和每个隐含层的神经元个数N_κ，并随机产生C_r和N_κ的值；

32)输入训练样本用户数据，计算深度信念网络模型输出的真实值与预测值之间的差值，即为绝对误差值，以绝对误差值之和为适应度函数，以适应度的大小为标准评价隐含层层数C_r和每个隐含层的神经元个数N_κ；

33)筛选出绝对误差之后最小的个体，直接将其遗传给下一代；

34)通过交叉、变异进化当前群体，并产生下一代群体；

35)重复步骤32)～步骤34)，不断更新隐含层层数C_r和每个隐含层的神经元个数N_κ；

36)当适应度保持不变时，得到深度信念网络模型的隐含层层数C_r和每个隐含层的神经元个数N_κ值。

2.根据权利要求1所述的心理压力状况预测方法，其特征在于，步骤2)中，所述心理分析结果包括用户处于压力状态或不处于压力状态。