電子發燒友網>電子資料下載>模擬數字>如何使用機器學習和多特征融合進行抑郁傾向識別方法的資料說明

如何使用機器學習和多特征融合進行抑郁傾向識別方法的資料說明

2474220 2019-05-09 | rar | 1.36 MB | 次下載 | 免費

資料介紹

　　近些年，抑郁傾向趨于年輕化和常態化，雖然相關研究已取得一定成果，但仍缺乏更為客觀、準確的抑郁傾向識別方法，也缺乏從不同角度研究抑郁傾向，因此，提出將心理健康自查表和眼動追蹤結合作為識別抑郁傾向的方法，并且創新地從多角度對抑郁傾向進行研究，即將眼動特征、記憶力特征、認知風格特征以及網絡行為特征多種類型特征融合。為了處理復雜的特征關系，提出掃描過程來處理復雜的特征關系，并將掃描過程與堆疊法結合提出抑郁傾向識別模型一掃描堆疊模型。為了全面客觀評價掃描堆疊模型的性能，對掃描過程和堆疊法的獨立貢獻進行了實驗。實驗結果顯示掃描過程獨立貢獻為0. 03 ，堆疊法獨立貢獻為0.02，并且掃描堆疊模型與多種模型從參數R平方、均方誤差、平均絕對誤差進行比較，結果為掃描堆疊模型的預測效果較好。

　　抑郁傾向識別模型通常為單一機器學習模型，如支持向量機（ Support Vector Machine， SVM）、BP神經網絡（ BackPropagation Neural Network， BPNN）等。分析SVM和BPNN發現兩個模型互補，SVM優點之--是能夠避免陷入局部極值，缺點為對缺失數據敏感等;BPNN的優點之一是對缺失數據不敏感，缺點為易陷人局部極值等。若將不同互補模型組合構建識別抑郁傾向的模型，有利于提高抑郁傾向識別方法的準確性和科學性。