基于数据感知技术的心理健康状态实时跟踪研究

李盼盼，梁丰，彭虎军

（商洛学院健康管理学院，陕西商洛 726000）

随着现代化社会的不断发展，人类的心理健康逐渐成为计算机领域研究的重点，以计算机科学作为研究工具，将心理学涉及的外显表达转换为数据表达，在心理测量学的参与下，规范心理健康状态数据获取成为一个科学、客观、规范的过程[1]。在认知神经科学不断兴起的背景下，传感技术逐渐应用在心理状态监测过程中，并逐渐衍生出了多种智能感知产品，用于实时获取佩戴者的心理状态数据，判断佩戴者的心理状态[2]。激光传感器处理精度高、传输速度快，符合健康状态监测的实时性要求，为此，使用激光传感器感知人体的心理健康状态数据，构建一个实时跟踪过程[3-4]。国外在研究心理健康状态实时跟踪数据方面较早，早在十九世纪，美国心理学家就已构建了初步数值化的心理状态判断方法，在现代化科学技术的支持下，各个科技公司已研制了多种心理状态实时跟踪装置[5-6]。国内对于心理健康状态数值化研究起步较晚，在西方构建技术的影响下，在上个世纪末期，逐步建立起具有我国特色的心理研究技术。

1 心理健康状态跟踪

1.1 转化激光传感器感知数据

使用激光传感器采集心理状态数据。在转化心理状态数据时，以激光传感器发出的激光束为对比标准[7-8]，将心理状态数据转换为直角坐标的表现形式，其变换过程如图1 所示。

图1 转换心理状态数据过程

在数据转换过程中，Pi(di,θi)表示激光传感器采集的第i个心理状态数据，根据激光测距仪的角度数值，心理状态数据的θi可表示为：

在θi数值的控制下，心理状态数据的变换直角坐标可表示为：

受到人类生理状态的影响，将心理状态数据转换为直角坐标后，会产生一部分的偏移量[9]。在式（2）的基础上，设定X轴与Y轴的偏移量，构建心理状态数据补偿过程，可表示为：

其中，代表补偿后X轴的坐标；代表补偿 后Y轴的坐标；a、b分别表示X轴与Y轴的偏移量。

在上述处理过程的基础上，对心理状态数据进行分割-聚合处理，将其划分为7 个线性区域[10]，结果如图2 所示。将图2 所示的线性区域作为心理状态数据处理区域，构建心理状态数据判断方程。

图2 划分得到的线性区域

1.2 构建心理健康状态数据判断方程

以图2 划定的线性区域作为判断处理目标，根据处理区域中数据量的多少，确定区域中的状态数据稀疏因子[11-12]，稀疏因子可表示为：

其中，βi表示数据的线性区域。

为消除数据中的噪声干扰[13]，归一化处理上述得到的稀疏因子后，构建一个心理状态数据的置信度计算方程，计算公式可表示为：

其中，J表示线性区域在Y轴的长度数值，M表示线性区域在X轴的长度数值，φi表示偏移参数。在式（4）稀疏因子数值的影响下，心理状态数据的置信度数值变化如图3 所示。

图3 置信度数值的变化

在图3 的置信度变化下，构建心理健康数据的似然值，计算公式可表示为：

其中，zt表示不同时间尺度下的心理数据数值。根据似然数值计算出尺度系数，最终得到不同尺度下的状态数据判断方程，可表示为：

其中，max{J,M} 表示划定心理数据区域的最大尺度数值。依据心理状态判断过程完成数据类型的判断，将其分为两组，分别为正常数据组及危险数据组。根据两种状态数据的特性[14-15]实现心理数据的实时跟踪。

1.3 实现状态实时跟踪

以两组心理健康状态数据作为处理对象，计算两个数据组合中状态数据的最大状态数值，计算公式可表示为：

其中，N表示正常心理状态数据的数量，S表示危险心理状态数据的数量，pi,j(x) 表示最大数值函数。

根据数据表现出的数值大小，将大数值对应的状态数据划分为危险状态数据组，将小数值对应的状态数据划分为正常状态数据组[16]。在实时跟踪过程中，将数据作为心理因子，以量化计分规则处理因子为跟踪标签，追踪方程可表示为：

其中，xn表示跟踪标签，xi表示心理状态数据。

将心理健康状态数据整合为特征模块，依据跟踪标签处理过程实现状态特征的实时获取，将上述两个层级进行整合，构建一个分类器模块[17-18]，最终实现对健康数据的实时跟踪。综合上述处理，最终完成对基于数据感知技术的心理健康状态实时跟踪方法的研究。

2 仿真实验

2.1 实验准备

准备一个型号为Dimetix-DPE-10-500 的激光传感器，使用的传感器参数如表1 所示。

表1 使用的传感器参数

使用表1 所示参数控制下的激光传感器，设定心理状态为安全、危险两种状态，同时设定5 组心理健康状态数据，一组数据中分别放置5 个安全心理健康状态数据和5 个危险状态数据，设定实验数据如表2 所示。

在表2 设定的心理状态数据下，分别使用传统心理状态实时跟踪方法、文献[13]中的心理状态实时跟踪方法、文献[18]中的心理状态跟踪方法以及文中设计的心理状态跟踪方法进行实验，对比4 种心理状态实时跟踪方法的性能。

2.2 结果及分析

基于上述实验准备，控制4 种实时跟踪方法处理表2 的心理状态数据，以实验准备的两个状态数据作为计算对象，构建心理状态成功率计算公式，可表示为：

表2 设定的实验数据

其中，r1表示正常状态的心理健康数据，ra表示危险状态的心理数据。统计并汇总上述计算得到的心理健康数据跟踪的正确率，结果如表3 所示。由表3 所示结果可知，在4 种不同的实时跟踪方法的控制下，传统跟踪方法最终得到的跟踪正确率在63%左右，数值最小。文献[13]中的实时跟踪方法跟踪正确率在77%左右，数值较小。文献[18]中的实时跟踪方法的跟踪正确率在84%左右，数值较大，而文中设计的实时跟踪方法最终得到的跟踪正确率结果在96%左右，与前述3 种现有的实时跟踪方法相比，其正确率数值最大。

表3 4种跟踪方法状态跟踪正确率结果

保持实验环境不变，以上述得到的正确跟踪过程作为统计对象，测量正确跟踪过程所需的时间，计算4 种跟踪方法最终的跟踪速度，结果如图4 所示。由4 图结果可知，在4 组实时跟踪方法的控制下，控制相同数量的实验数据组，文献[18]中的实时跟踪方法最终的跟踪速度为5 组/秒，传统跟踪方法跟踪速度为2.5 组/秒，文献[13]中的跟踪方法的跟踪速度为10 组/秒，而文中设计的跟踪方法的最终跟踪速度为13 组/秒，与3 种实时跟踪方法相比，文中设计的实时跟踪方法的跟踪速度最大。

图4 4种跟踪方法跟踪速度

在上述实验环境下，定义实验准备阶段的数据为心理健康状态的总数据，当4 种实时跟踪方法输出的数据比总数据数量少时，统计4 种实时跟踪方法最终丢失的数据数量，结果如表4 所示。由表4 结果可知，4 种实时跟踪方法对于相同数量的心理健康状态数据表现出了不同程度的数据处理能力。传统跟踪方法最终丢失的数据组数量最大，丢失数据组的数量在2～3 组之间。文献[13]中的实时跟踪方法最终丢失的数据组数量在1～2 组之间，丢失数据组数量较大。文献[18]中的实时跟踪方法最终丢失的数据组数量在0～1 组之间，丢失的状态数据组数量较少，而文中设计的跟踪方法只在处理实验数据组3时产生了1 组数据丢失，与3 种现有实时跟踪方法相比，其丢失的数据组最少。

表4 4种实时跟踪方法丢失状态数据结果

3 结束语

随着心理测量技术的不断发展，心理健康状态实时跟踪逐渐成为了技术研究的重点。文中以激光传感器感知数据作为处理对象，构建了心理健康状态实时跟踪方法，该方法能够改善现有实时跟踪方法跟踪成功率较低、跟踪速度过小以及状态数据丢失等缺点，能够为今后研究心理健康状态实时跟踪提供一定的研究方向。