首页| 行业标准| 论文文档| 电子资料| 图纸模型
购买积分 购买会员 激活码充值

您现在的位置是:团子下载站 > 其他 > 如何使用机器学习和多特征融合进行抑郁倾向识别方法的资料说明

如何使用机器学习和多特征融合进行抑郁倾向识别方法的资料说明

  • 资源大小:1.36 MB
  • 上传时间:2021-12-16
  • 下载次数:0次
  • 浏览次数:63次
  • 资源积分:1积分
  • 标      签: 机器学习 向量机 神经网络

资 源 简 介

近些年,抑郁倾向趋于年轻化和常态化,虽然相关研究已取得一定成果,但仍缺乏更为客观、准确的抑郁倾向识别方法,也缺乏从不同角度研究抑郁倾向,因此,提出将心理健康自查表和眼动追踪结合作为识别抑郁倾向的方法,并且创新地从多角度对抑郁倾向进行研究,即将眼动特征、记忆力特征、认知风格特征以及网络行为特征多种类型特征融合。为了处理复杂的特征关系,提出扫描过程来处理复杂的特征关系,并将扫描过程与堆叠法结合提出抑郁倾向识别模型一扫描堆叠模型。为了全面客观评价扫描堆疊模型的性能,对扫描过程和堆叠法的独立贡献进行了实验。实验结果显示扫描过程独立贡献为0. 03 ,堆叠法独立贡献为0.02,并且扫描堆叠模型与多种模型从参数R平方、均方误差、平均绝对误差进行比较,结果为扫描堆叠模型的预测效果较好。   抑郁倾向识别模型通常为单一机器学习模型,如支持向量机( Support Vector Machine, SVM)、BP神经网络( BackPropagation Neural Network, BPNN)等。分析SVM和BPNN发现两个模型互补,SVM优点之--是能够避免陷入局部极值,缺点为对缺失数据敏感等;BPNN的优点之一是对缺失数据不敏感,缺点为易陷人局部极值等。若将不同互补模型组合构建识别抑郁倾向的模型,有利于提高抑郁倾向识别方法的准确性和科学性。
VIP VIP