[发明专利]一种基于手机触摸行为的人体精神状态分析方法

摘要

本发明提供一种基于手机触摸行为的人体精神状态分析方法。首先，设计一个可以收集滑动数据的2048游戏，该游戏同时可以收集加速度传感器的数据。然后，利用中值滤波器对屏幕数据进行处理，利用切比雪夫I型滤波器对加速度传感器数据进行处理。对滤波后的数据采用ReliefF算法提取特征值。之后利用LIBSVM进行数据的训练和分类。最后，将分类的数据进行进一步的详细分类，训练更多的模型，进一步提高了预测的准确率。

主权项

一种基于手机触摸行为的人体精神状态分析方法，其特征在于，包括以下步骤：步骤1)准备工作：包括游戏的制作、精神状态的调查汇总分类、以及在国际情绪声音库中对应兴奋、无聊、烦躁的三种声音提取，游戏的9个平行关卡会随机均分这三种声音作为背景音乐；步骤2)进行数据的采集，包括预采集和采集；对于滑动，对于每一次的滑动，将忽略滑动的轨迹；对于在屏幕上的滑动，设每次滑动的起始点为(A1,B1)，终点为(A2,B2)，则滑动的长度L为：L=(A2-A1)2+(B2-B1)2]]>对于压力值的提取，设置两个个监听变量和一个监听数组，监听数组用来存放每一次得到的数据，两个监听变量分别用来存放的是每一次得到的压力值的最大值和最小值；步骤3)进行数据的处理：步骤301)第一类切比雪夫滤波器的幅度与频率的关系可用下列公式表示Gn(ω)=|Hn(jω)|=11+ϵ2Tn2(ωω0)]]>其中|ε|＜1，表征通带内波纹大小；Tn为切比雪夫多项式；ω0为通带截止频率；|Hn(jω)|为去归一化后的归一化系统函数；Gn(ω)为幅度步骤302)ReliefF算法具体的伪代码如下：设训练数据集为D，样本抽样次数为m，特征权重的阈值δ，最近邻样本个数k；输出为各个特性的特征权重T；步骤303)中值滤波的公式如下所示：Yi＝Med{fi‑v,…,fi‑1,fi,fi+1,…,fi+v}i∈N v＝(m‑1)/2Yi称为序列fi‑v,…,fi‑1,fi,fi+1,…,fi+v的中值；步骤4)进行数据的训练：4‑1)按照LIBSVM软件包所要求的格式准备数据集；该库要求的数据格式如下：[label][index1]:[value1][index2]:[value2]...[label][index1]:[value1][index2]:[value2]...4‑2)对数据进行简单的缩放操作；扫描数据.因为原始数据可能范围过大或过小,svmscale可以先将数据重新scale(縮放)到适当范围使训练与预测速度更快；svmscale.exe的用法：svmscale.exe feature.txt feature.scaled默认的归一化范围是[‑1,1]，用参数‑l和‑u分别调整上界和下界,feature.txt是输入特征文件名输出的归一化特征名为feature.scaled4‑3)选用RBF核函数；训练数据形成模型(model),算出wx+b＝0中的w,b.wx+b＝0表示机器学习中的一个超平面，w,x均为向量；Svmtrain的用法：svmtrain[options]training_set_file[model_file]4‑4)采用交叉验证选择最佳参数c与g；g是gamma值，属于高斯核里面的一个参数，如果是线性核就不必设置该参数；c是惩罚值，表征的是对离群点的重视程度；4‑5)采用最佳参数c与g对整个训练集进行训练获取支持向量机模型；$svmtrain–c x–g x–v x training_set_file[model_file]x为上述得到的最优参数c和g的值，v的值一般取5；4‑6)利用获取的模型进行测试与预测；$Svmpredict test_file model_file output_file步骤5)进行数据的预测：将样本的剩余部分进行预测，检测训练模型的准确率。