反向傳播神經網絡的心理素質評估范文

本站小編為你精心準備了反向傳播神經網絡的心理素質評估參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

[摘要]

目的：客觀的評估人們的心理素質，并對兩類人群進行簡單、粗略的分類。方法：應用心理素質訓練評估系統采集不同人群的脈搏波信號，并對其進行時域、頻域及非線性分析，找出心理科患者與正常人之間具有顯著差異性的特征值，最后應用反向傳播(BP)神經網絡對其進行分類。結果：基于脈搏波的特征值可粗略區分正常人和心理素質差的人群。結論：在大樣本量的訓練條件，基于心率變異性的心理素質評估方法可作為臨床診斷的參考。

[關鍵詞]

心率變異性；神經網絡；反向傳播；心理素質評估

隨著現代社會快節奏的生活，人們承受著來自生活、工作及情感等各方面的壓力，能否及時調整好個人心態，成為影響身心健康至關重要的因素，而這種應對壓力、調節自我的能力稱之為心理素質。以往對心理素質評估采用作業法、投射法量表法等方法，只可定性而不能夠準確評價，而目前多采用心理健康量表的方法評估心理素質，量表法多是根據特定的測驗目的制定出來的問卷，同時還要建立常規模型作為判斷依據，如焦慮量表、抑郁量表及90項癥狀自評量表(symptomchecklist，SCL-90)等[1-3]。這些評估方法的結果評分容易，易于統一處理，適合大面積使用，但不同的量表均為針對不同的測驗目的而制定，因此這種方法存在著局限性。此外，被測者為追求積極結果，導致該方法主觀性比較強。為此，本研究應用心理素質訓練評估系統，采集不同群體的脈搏波信號，并進行時域、頻域及非線性分析，找出患者與正常人之間具有顯著差異性的指標[4-5]。應用心率變異性(heartratevariability，HRV)和反向傳播(backpropagation，BP)神經網絡對其進行分類訓練，其目的是為了能更好地客觀評估其心理素質，并能夠對兩類人進行簡單、粗略的分類，以便第一時間了解其心理素質狀況，并以此為依據設計反饋訓練系統，從而提高人們的耐挫能力和應對環境變化能力。

1HRV與神經系統控制的關系

HRV指逐次心搏間期的微小差異，是自主神經系統作用于竇房結的結果，其蘊含了豐富的生理信息。自主神經包括交感神經和副交感神經，是連接身體和中樞神經系統的媒介，并受到中樞以及外周的反饋機制的影響。副交感神經系統(迷走神經)主要行使抑制作用，而交感神經系統具有刺激功能，兩者協同作用使生理機能達到最佳狀態。HRV的研究不僅可提供關于中樞控制機制(大腦)的信息，還可提供關于器官狀態的信息，HRV越高則能夠更好的適應環境變化(如圖1所示)。

2心率變異信號分析方法

心率變異的分析方法主要包括時域、頻域以及非線性分析方法[6-10]。時域分析是對檢測時間內的心率(HR)和心搏間期(RR間期)進行統計分析，研究其隨時間的變化。由于該方法簡單易實現，得到廣范的應用。然而，統計學方法在分析心率變異性時存在一定的局限性。因此，經過傅里葉變化等方法得到的頻域數據，可以定量地衡量交感神經和副交感神經的變化。同時，由于生理系統本身是非線性的，可為進一步理解HRV和人體生理機能帶來更加豐富的數據，常用的非線性分析方法如李亞普諾夫指數、關聯維、多重分形和熵測度等[11-13]。

2.1時域分析時域指標主要包括HR，即每分鐘的搏動次數，RR間期的標準偏差(SDNN)，其計算方法為公式1：

2.2頻域分析HRV的頻域分析法即功率譜密度(powerspectraldensity，PSD)估計方法，是將一定時間內的連續RR序列值經過均勻采樣分析的快速傅里葉變換(fastfouriertransform，FFT)，以歸一化的頻率為橫坐標，功率譜能量為縱坐標，提供能量隨頻率變化分布的基本信息。極低頻(verylowfrequency，VLF)功率密度，其頻率為0.0033～0.04Hz，通常反映心率變化受體溫調節、血管舒縮張力和腎血管緊張素系統的影響。低頻(lowfrequency，LF)功率密度，其頻率為0.04～0.15Hz段的功率，可同時反映交感神經和副交感神經系統的活性，但大部分作為交感神經活性指標來使用。高頻(highfrequency，HF)功率密度頻率為0.15～0.4Hz段的功率，屬于相對的高頻區域，是與呼吸運動相關的成分。總功率(totalpower，TP)密度包括VLF、LF及HF的功率總和，該指標代表自主神經系統的整體活性狀態，反映自主神經系統對機體的調節能力。

2.3非線性分析排列熵(permutationentroy，PE)可以提取并放大時間序列中的微小變化，用此來檢測血容量脈沖(bloodvolumepulse，BVP)和肌電圖(electromyography，EMG)信號的突變，即脈搏波和表面肌電信號的突變非常適合。PE是一種對信號復雜度的度量，對時間具有較高的敏感性，可以很好地檢測出復雜系統的動力學突變，而振動信號也往往具有非線性、非平穩的特征，因此將PE應用于振動信號突變檢測可以獲得較好的效果。

3BP神經網絡和特征值

BP神經網絡是模擬生物神經系統的一種簡化模型算法，為3層前饋網絡,包含輸入層、隱含層及輸出層[17-18]。BP算法的主要思想是求出誤差對所有權系數的偏導數，然后利用梯度下降法來修正各個連接權系數,以減少誤差。對于輸入值，要先向前傳播到隱含層節點，經作用函數后，再將隱節點的輸出信號傳播到輸出節點，最后給出輸出結果。要利用神經網絡進行分析預測，必須對其進行訓練。訓練的目的是調節神經元間的聯系強度(權重系數)，使網絡的輸出應變向量與已知訓練樣本的應變向量之差最小。

3.1特征值選取神經網絡輸入的特征值采用假設檢驗的方式篩選，選出具有顯著差異的指標。篩選對象為時域分析結果、頻域分析結果以及PE。從兩個獨立的總體中隨機地取出部分個體進行比較研究，稱為成組比較試驗。將心理科的患者和正常人的數據進行比較，由于方差具有不齊性，故采用t’檢驗。采用同樣的方法，對BR、SDNN、RMSSD、PNN50、TP、LF、HF、VLF和S指標進行檢驗，選擇SDNN、RMSSD、PNN50、TP、LF、HF和S共7個指標作為特征值，見表1。

3.2BP神經網絡訓練本研究采用Matlab中的神經網絡工具箱對正常人和心理科患者的SDNN、RMSSD、PNN50、TP、LF、HF及PE的7個參數進行分類訓練，對正常人和心理科患者進行簡單的分類，然后再利用該模型對其他數據進行分類預測。(1)準備數據。包括準備訓練數據和預測數據，在采集的樣本中篩選復合條件的數據，選擇年齡為20～40歲的男性數據。其中心理科患者數據52組，正常人29組。(2)設定參數進行網絡訓練后用訓練好的網絡進行預測。將準備的數據按類別隨機分為4組，數據A(正常人15組數據)，數據B(心理科患者30組數據)，數據C(正常人14組數據)，數據D(心理科患者22組數據)。其中數據A和數據B用于訓練，數據C和數據D用于預測。(3)訓練及測試的誤差情況。縱坐標均方誤差(meansquarederror，MSE)是指輸出與目標之間的均方差值，其值越小越好，零表示無誤差，在訓練18次后達到誤差最小值0.0074(如圖2所示)。

4結果

4.1訓練輸出結果訓練后輸出結果對比實際情況，輸出值＞0.9的為心理科患者，而接近于0.5的屬于正常人。對比結果顯示，此特征值的選取和神經網絡訓練效果較好，其訓練輸出結果與實際情況完全相符。由此可見，該模型在樣本內訓練效果良好。

4.2預測實驗預測實驗是指將訓練樣本外的數據帶入模型，檢測其有效性。將數據C的相關特征值參數代入模型中，得到分類結果為：14人中有12人符合實際情況，有2人偏差較大。將數據D的相關特征值參數代入模型中，得到分類結果為：22人中21人符合實際情況，只有1人偏差較大。上述分類預測結果顯示，數據C的預測結果與真實情況的符合率為85.7%，而數據D的預測結果與真實情況的符合率為95.5%。因此，通過神經網絡模型和選取的特征值能夠對正常人和心理科患者進行較好的分類。

5結論

在本研究中，通過采集人體的脈搏波，利用時域、頻域分析法和非線性分析方法提取特征值，結合BP神經網絡進行分類訓練，探索心理素質與心率變異性的關聯性，建立起初步的心理素質模型。由于實驗條件所限，本研究只選用脈搏波信號，其評價結果具有一定的局限性，若能夠結合心電、腦電、血氧及肌電等其他生理參數，則可更加全面地分析并建立心理素質模型。為此，在未來的研究中，可通過進一步的樣本收集，建立更為精確的心理素質模型。

作者：汪長嶺 湯黎明 申倩 戚仕濤 朱興喜 單位：南京軍區南京總醫院醫學工程科