[发明专利]一种基于人体运动状态数据的心境状态量化评估方法

摘要

本发明涉及一种基于人体运动状态数据的心境状态量化评估方法，包含基于可穿戴运动传感设备采集到的人体运动状态数据特征抽取、基于电子化POMS量表采集到的心理数据预处理、基于多重多元线性回归分析方法的心境状态量化评估模型建立与有效性验证以及心境状态量化评估等步骤。本发明根据客观的人体运动状态数据对心境状态进行客观量化评估，避免了传统抑郁评估方法的主观性，丰富了抑郁症量化治疗的研究方法，可应用于抑郁症量化治疗和面向家庭、社区用户的精神健康管理等领域。

主权项

一种基于人体运动状态数据的心境状态量化评估方法，其特征在于：本方法包含如下步骤，步骤1、基于可穿戴运动传感设备，采集用户长时间运动状态数据，针对采集到的运动状态数据进行特征抽取；步骤2、基于电子化POMS心境状态量表的心理数据预处理；步骤3、基于多重多元线性回归分析方法的心境状态量化评估模型建立与有效性验证；步骤4、心境状态量化评估；所述步骤1包含如下步骤：步骤11、按照每天完成POMS心境状态量表的时间和频次，对采集到的长时间运动状态数据进行粒度划分；粒度划分的方法如下，用户于每天上午和晚上完成POMS心境状态量表各一次，将当天采集到的运动状态数据按照上午和晚上的量表采集时间划分为两段数据；步骤12、针对划分后的运动状态数据，采用加窗的方式，设计特征抽取方法分别对滑动窗口内运动状态数据进行低级特征抽取和高级特征抽取；所述低级特征抽取是指按照时域、频域的特征抽取方法分别对滑动窗口内运动状态数据中包含的三轴加速度数据和三轴角速度数据进行时域和频域特征提取；进一步说，针对滑动窗口中的每一轴运动状态数据，计算其均值、标准差、第25百分位数、第50百分位数、第75百分位数、6轴运动状态数据两两之间的相关系数、频率谱能量和前十种频率能量等时域和频域数据特征；针对滑动窗口中的某一轴运动状态数据S_n＝[x₁,x₂,x₃,…,x_n]，该窗口内运动状态数据均值u记为：$\mathrm{\μ}=\frac{x_1+x_2+x_3\mathrm{...}+x_n}{n},$其中，n表示窗口内运动状态数据个数；该窗口内运动状态数据标准差σ记为：$\mathrm{\σ}=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{(x_i-\mathrm{\μ})}^2};$该窗口内运动状态数据第p百分位数(p取值为0到100之间的整数)P记为：P＝x_j+g*(x_j+1‑x_j)，其中，j和g分别由如下公式计算得到：(n+1)％p＝j+g；针对滑动窗口中的某一轴运动状态数据S_n＝[x₁,x₂,x₃,…,x_n]，记另一轴运动状态数据T_n＝[y₁,y₂,y₃,…,y_n]，则六个数据轴两两之间相关系数C_xy记为：$C_{xy}=\frac{{\mathrm{\Σ}}_{i=1}^n(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2}{\mathrm{\Σ}}_{i=1}^n{(y_i-\stackrel{\‾}{y})}^2};$滑动窗口内每一轴运动状态数据频谱能量E记为：$E={\mathrm{\Σ}}_{i=1}^{n}abs\left(X_i\right)*abs\left(X_i\right),$其中，X_i为滑动窗口内运动状态数据x_i的频域幅值，该滑动窗口内运动状态数据频域幅值X_n记为：X_n＝fft(x_n)，其中，fft为傅里叶变换函数；基于计算得到的数据频域幅值X_n，该窗口内运动状态数据前十种频率幅值A_m记为：A_m＝abs(X_m),0≤m≤9；所述高级特征抽取是指首先设计相应实验范式，预先采集不同类别运动状态下的运动数据；然后将不同类别的运动数据形成训练数据集，用于识别和抽取粒度划分后运动状态数据中出现的久坐、活动、静止、躺和来回踱步五类高级特征；最后，根据识别出的高级特征，采用累加的方法计算对应时间粒度下的久坐时间、活动时间、静止时间、久躺时间和来回踱步频次；所述步骤2是指首先从每次完整的POMS量表数据分别提取出紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关七项心境状态量化评估数据，然后采用基于不同心境状态量化评估数据的数理统计方法和主成分分析等方法对多天心境状态量化评估数据进行处理，分别获得12个描述用户主要心境状态变化、七种心境状态变化、正性心境状态变化、负性心境状态变化和总体心境状态变化的心境状态数据向量；基于上述12个心境状态数据向量，构建心境状态评估模型；所述步骤3主要包含如下步骤：步骤31、采用逐步回归分析方法，以从多天采集的运动状态数据中提取出的低级数据特征为高级数据特征为自变量，以心境状态评估模型中包含的12个心境状态数据向量为因变量，构建心境状态量化评估模型；步骤32、针对获得的每种心境状态多元线性回归方程，计算其确定性系数R²，说明方程中运动状态数据特征对心境状态数据向量的解释程度；步骤33、采用F检验的方法，通过显著性水平P_F检验每种心境状态多元线性回归方程中某个或某几个方程系数是否具有显著性；步骤34、采用T检验的方法，通过显著性水平P_T检验每种心境状态多元线性回归方程系数是否具有显著性；步骤35、基于单个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，该方程组由12个描述不同用户心境状态的多元线性回归方程组成，将该多元线性回归方程组作为个性化模型进而对用户心境状态进行量化评估；基于多个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，将该多元线性回归方程组作为普适化模型进而对用户心境状态进行量化评估；所述步骤4是指基于构建好的用户个性化模型和普适化模型，将基于当天采集到的用户运动状态数据提取的特征作为自变量输入到个性化模型或普适化模型中，将模型输出作为当天用户心境状态的客观量化评估结果。