一种基于触力觉实验的统计学指标分类方法及系统

技术领域

本发明涉及行为学分析技术领域，特别涉及一种基于触力觉实验的统计学指标分类方法及系统。

背景技术

现有的多动症(Attention-deficithyperactivitydisorder，ADHD)儿童的评估形式主要为根据父母或老师的主观描述，通过临床访谈、问卷与量表的诊断方法进行诊断，结论带有主观性，缺乏合适的客观指标，且对相关优秀医生及其临床经验要求较高。

发明内容

本发明的目的是提供一种基于触力觉实验的统计学指标分类方法及系统，用以选取客观的、差异性明显的统计学指标，将其用于ADHD儿童的辅助评估，得到更加准确、客观的分类结果。

为实现上述目的，本发明提供了如下方案：

一种基于触力觉实验的统计学指标分类方法，包括：

通过多次触力觉实验采集用户的按压力数据；每次触力觉实验包括多次采样；

提取所述按压力数据的特征；所述特征包括：每次触力觉实验的各阶段的时间长度、每次触力觉实验的成功与否以及按压力特征；所述按压力特征包括超调量和力幅值；

计算按压力数据特征的统计学指标；所述统计学指标包括：均值、方差、标准差、变异系数、标准差与中位数的比值；

从所述统计学指标中选取显著差异性指标；所述显著差异性指标是差异性小于差异性阈值的统计学指标；所述差异性采用配对t检验计算；

将所述显著差异性指标输入至训练好的支持向量机分类模型中进行分类。

可选地，在通过多次触力觉实验采集用户的按压力数据之后，还包括：

对所述按压力数据进行预处理；具体的：将每次触力觉实验中前一次采样大于按压力阈值且后一次采样小于按压力阈值的按压力数据，替换为前一次采样的按压力数据。

可选地，提取所述按压力数据的特征，具体包括：

将每次触力觉实验划分为三个阶段，并统计各阶段的时间长度；

计算不同阶段内按压力数据的最大值和最小值；

将所述最大值减去目标按压力得到超调量；

将所述最大值减去所述最小值得到力幅值；

统计每次触力觉实验的成功与否。

可选地，所述支持向量机分类模型的训练过程如下：

获取数据集；所述数据集包括正常统计学指标和异常统计学指标；

将所述数据集划分为训练集和测试集；

通过所述训练集对所述支持向量机分类模型进行训练；

通过所述测试集对训练后的支持向量机分类模型进行测试。

可选地，采用十折交叉法在所述数据集中随机划分训练集和测试集。

本发明还提供了一种基于触力觉实验的统计学指标分类系统，包括：

按压力数据采集模块，用于通过多次触力觉实验采集用户的按压力数据；每次触力觉实验包括多次采样；

特征提取模块，用于提取所述按压力数据的特征；所述特征包括：每次触力觉实验的各阶段的时间长度、每次触力觉实验的成功与否以及按压力特征；所述按压力特征包括超调量和力幅值；

统计学指标计算模块，用于计算按压力数据特征的统计学指标；所述统计学指标包括：均值、方差、标准差、变异系数、标准差与中位数的比值；

指标选取模块，用于从所述统计学指标中选取显著差异性指标；所述显著差异性指标是差异性小于差异性阈值的统计学指标；所述差异性采用配对t检验计算；

指标分类模块，用于将所述显著差异性指标输入至训练好的支持向量机分类模型中进行分类。

可选地，还包括：

预处理模块，用于对所述按压力数据进行预处理；具体的：将每次触力觉实验中前一次采样大于按压力阈值且后一次采样小于按压力阈值的按压力数据，替换为前一次采样的按压力数据。

可选地，特征提取模块具体包括：

划分及统计单元，用于将每次触力觉实验划分为三个阶段，并统计各阶段的时间长度；

计算单元，用于计算不同阶段内按压力数据的最大值和最小值；

超调量计算单元，用于将所述最大值减去目标按压力得到超调量；

力幅值计算单元，用于将所述最大值减去所述最小值得到力幅值；

统计单元，用于统计每次触力觉实验的成功与否。

可选地，还包括：训练模块；所述训练模块包括：

数据集获取单元，用于获取数据集；所述数据集包括正常统计学指标和异常统计学指标；

划分单元，用于将所述数据集划分为训练集和测试集；

训练单元，用于通过所述训练集对所述支持向量机分类模型进行训练；

测试单元，用于通过所述测试集对训练后的支持向量机分类模型进行测试。

可选地，所述划分单元采用十折交叉法在所述数据集中随机划分训练集和测试集。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明借助触觉通道在人的注意力机制方面存在高的时间和空间分辨率特点，采集用户的按压力数据，并进行特征提取，选取可以表征两个群体(健康儿童和ADHD儿童)区别的显著性指标，从而能够将其用于ADHD儿童的辅助评估，以得到更加准确、客观的分类结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于触力觉实验的统计学指标分类方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于触力觉实验的统计学指标分类方法及系统，用以选取客观的、差异性明显的统计学指标，将其用于ADHD儿童的辅助评估，得到更加准确、客观的分类结果。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

本发明提供了一种基于触力觉实验的统计学指标分类方法，如图1所示，该方法包括以下步骤：

步骤101：通过多次触力觉实验采集用户的按压力数据；每次触力觉实验包括多次采样。

在实际应用中，通过虚拟现实头盔显示器显示和电脑屏幕进行按压力的实时显示。按压力大小由上下运动的圆盘的高度进行表示，按压力目标值和允许误差范围由具有一定高度的圆柱体表示。同一时间只按压一根手指，只显示一个按压力目标圆柱。通过虚拟现实头盔显示器，可以为用户营造更好的沉浸感，减少周边事物对用户注意力的干扰。按压力随时间变化的数据以50Hz的频率进行采集。实验包含3个任务，用户需按照顺序依次进行任务。所有3个任务均存在为单次实验试次设定的固定时长，试次时长不得超过设定时长。前2个任务同时设定了用户需要保持的时间长度，即用户将按压力维持在允许误差范围并保持该时间长度后即视为试次成功，反之若在试次固定时长内未达到该时间长度即视为失败；两个任务设定的时间长度不同。第3个任务不存在预先设定的时间长度，用户需尽可能维持按压力直到试次结束。

对采集到的按压力数据进行预处理，设定开始按压的阈值力数值，然后将前一次采样时大于阈值且后一次采样时突然小于阈值的按压力数据，替换为前一次采样的数据，以去除按压力异常下降的数据。

步骤102：提取所述按压力数据的特征；所述特征包括：每次触力觉实验的各阶段的时间长度、每次触力觉实验的成功与否以及按压力特征；所述按压力特征包括超调量和力幅值。

具体包括：将每次触力觉实验划分为三个阶段，并统计各阶段的时间长度；计算不同阶段内按压力数据的最大值和最小值；将所述最大值减去目标按压力得到超调量；将所述最大值减去所述最小值得到力幅值；统计每次触力觉实验的成功与否。

在实际应用中，首先将采集到的每次按压力数据划分为三个阶段，划分依据见下：第一阶段为开始按压过程，开始于按压力目标圆柱出现时刻，结束于按压力达到预先设定的有效按压力阈值时刻。第二阶段为按压力增加阶段，开始于第一阶段结束，结束于按压力稳定在目标值附近允许误差范围内、并进行保持的时刻。第三阶段为稳定阶段，开始于第二阶段结束，结束时刻分两种实验情况进行讨论。针对前2个任务，当按压力达到要求时间后实验记为成功，同时单次实验试次结束，即以成功时刻记为第三阶段结束时刻；针对第3个任务，以试次结束为第三阶段结束时刻。然后在阶段内和阶段间提取力幅值特征，首先在不同的时间阶段内计算按压力最大值和最小值，将最大值减去目标按压力得到超调量，将最大值减去最小值得到力幅值。

步骤103：计算按压力数据特征的统计学指标；所述统计学指标包括：均值、方差、标准差、变异系数、标准差与中位数的比值。

步骤104：从所述统计学指标中选取显著差异性指标；所述显著差异性指标是差异性小于差异性阈值的统计学指标；所述差异性采用配对t检验计算。

在实际应用中，收集了两个群体(健康儿童和ADHD儿童)的按压力数据特征，针对每个特征，对相同数量的正常儿童和ADHD儿童分别计算得到的特征数值，构成两组数据，在两组数据间计算差异性。使用p值作为差异性的表征，挑选p值小于设定阈值的统计学指标作为具有显著差异性的指标用于分类。

步骤105：将所述显著差异性指标输入至训练好的支持向量机分类模型中进行分类。

训练支持向量机(SVM)分类模型的过程如下：

将收集的两个群体(健康儿童和ADHD儿童)的按压力数据特征进行统计学指标计算，并设定标签，标签包括指标正常和指标异常两类。使用十折交叉法在数据集中随机划分训练集和测试集。通过训练集对支持向量机分类模型进行训练，分类结果与标签相同的视为正确，反之为错误，以此结果平均值作为分类模型的准确率。重复训练和测试多次，取分类准确率结果的平均值。

本发明借助触觉通道在人的注意力机制方面存在高的时间和空间分辨率特点，采集用户的按压力数据，并进行特征提取，选取可以表征两个群体(健康儿童和ADHD儿童)区别的显著性指标，从而能够将其用于ADHD儿童的辅助评估，以得到更加准确、客观的分类结果。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种基于触力觉实验的统计学指标分类系统。

该系统包括：

按压力数据采集模块，用于通过多次触力觉实验采集用户的按压力数据；每次触力觉实验包括多次采样。

特征提取模块，用于提取所述按压力数据的特征；所述特征包括：每次触力觉实验的各阶段的时间长度、每次触力觉实验的成功与否以及按压力特征；所述按压力特征包括超调量和力幅值。具体包括：划分及统计单元，用于将每次触力觉实验划分为三个阶段，并统计各阶段的时间长度；计算单元，用于计算不同阶段内按压力数据的最大值和最小值；超调量计算单元，用于将所述最大值减去目标按压力得到超调量；力幅值计算单元，用于将所述最大值减去所述最小值得到力幅值；统计单元，用于统计每次触力觉实验的成功与否。

统计学指标计算模块，用于计算按压力数据特征的统计学指标；所述统计学指标包括：均值、方差、标准差、变异系数、标准差与中位数的比值。

指标选取模块，用于从所述统计学指标中选取显著差异性指标；所述显著差异性指标是差异性小于差异性阈值的统计学指标；所述差异性采用配对t检验计算。

指标分类模块，用于将所述显著差异性指标输入至训练好的支持向量机分类模型中进行分类。

该系统还包括：

预处理模块，用于对所述按压力数据进行预处理；具体的：将每次触力觉实验中前一次采样大于按压力阈值且后一次采样小于按压力阈值的按压力数据，替换为前一次采样的按压力数据。

训练模块；所述训练模块包括：数据集获取单元，用于获取数据集；所述数据集包括正常统计学指标和异常统计学指标；划分单元，用于将所述数据集划分为训练集和测试集；训练单元，用于通过所述训练集对所述支持向量机分类模型进行训练；测试单元，用于通过所述测试集对训练后的支持向量机分类模型进行测试。

所述划分单元采用十折交叉法在所述数据集中随机划分训练集和测试集。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。