[发明专利]一种心理压力状况预测方法及系统

说明书

本发明公开了一种心理压力状况预测方法及系统，利用深度学习中的深度信念网络构建神经网络模型，通过遗传算法自动确定深度学习模型的结构，并根据预训练好的模型自动预测用户的心理压力状况，从而实现对用户心理压力状况的自动预测。

技术领域

本发明涉及人工智能领域，特别是一种心理压力状况预测方法及系统。

背景技术

随着社会经济的不断发展，人们越来越多地面对着各方面的压力困境，如果长期处于这种压力环境之下，会使人的身体和心理处于一种亚健康状况，其中的心理疾病给人们带来的困扰最大，甚至导致严重的精神或人格障碍，给人们带来极大的痛苦。

一般情况下，当人们存在严重心理疾病时才会求助于心理医生，不仅为时已晚，收效甚微，而且连续多次的心理咨询所产生的高昂心理咨询费用也给人们带来巨大的经济压力。此外，面对各种各样的心理问题和职业压力，逐渐成为职场中的“隐形杀手”，员工的压力问题每年都使企业承受巨大的经济损失，甚至造成严重的社会影响。

随着人工智能和大数据技术的发展，利用人工智能技术可以从大数据中提出主要特征信息，因此可以建立一种用于心理压力状况预测的人工智能处理方法，能够快速地、高效、便捷、智能地服务于广大用户，实现对心理压力指标的测量与预测。

目前，在确定深度信念网络模型的隐含层层数以及隐含层神经元个数方法中，除了有学者使用粒子群优化方法外，其它的大多数是依靠多次人工实验尝试分析方法。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种心理压力状况预测方法及系统，利用深度信念网络模型实现对用户心理压力状况的自动预测。

为解决上述技术问题，本发明所采用的技术方案是：一种心理压力状况预测方法，包括以下步骤：

1)采集样本用户的基本生理指标信息，利用所述基本生理指标信息构建深度信念网络模型的训练库；

2)收集对所述训练库中的不同样本的心理分析结果；

3)将所述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。

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。

步骤3)中，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：

1)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；

2)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；

3)筛选出绝对误差之后最小的个体，直接将其遗传给下一代；

4)通过交叉、变异进化当前群体，并产生下一代群体；

5)重复步骤2)～步骤4)，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；

6)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。