本发明涉及医疗心理压力测量评估领域，具体涉及一种基于bp神经网络算法的多参数心理压力评估方法。
背景技术：
在当今这个多元化的信息时代，绝大多数人或多或少都面临各个方面的压力，而长期处于这个状态往往会导致各种各样的精神疾病，这不仅危及个人的身体和精神健康，也将加重社会的负担。
目前压力状况的评估往往离不开经验丰富的医护人员。已经存在的客观评估精神压力状况的算法有层次分析法，该方法存在特征向量和特征值的计算过程相对复杂、权重不容易确定以及判断矩阵主观性强等缺陷。
技术实现要素：
本发明的目的在于提供一种基于bp神经网络算法的多参数心理压力评估方法，该方法是利用神经网络算法进行深度学习，通过对各项参数的非线性建模得到焦虑值的分析方法，具有处理速度快，容错能力强的优点。
本发明的目的是通过以下技术方案实现的：
一种基于bp神经网络算法的多参数心理压力评估方法，所述bp神经网络算法包括输入层、隐含层和输出层，隐含层内设有经验公式，所述基于bp神经网络算法的多参数心理压力评估方法包括以下步骤：
步骤1：获取待测试者hrv信号，并对hrv信号分别进行频域、时域和非线性分析，得到输入向量g＝{g1,g2,g3}，期望输出向量为焦虑值d；
其中，g1＝{g11,g12}为hrv信号频域参数集，g11为lf/hf，g12为tp；
g2＝{g21,g22,g23}为hrv信号时域参数集，g21为sdnn，g22为pnn50，g23为hr；
g3＝{g31,g32,g33}为hrv信号非线性分析参数集，g31为hdr，g32为vai，g33为hle；
步骤2：根据输入向量g和期望输出向量d的维数通过经验公式计算出隐含层单元数l，初始化各层神经元权值ωij和阈值b以及设置学习速率α和神经元传递函数f(x)；
步骤3：通过最速下降bp算法对权值ωij和阈值b进形逐次修正，使输出向量达到所要求的误差性能；
步骤4：利用输入输出映射的bp神经网络来计算焦虑值z，
其中，计算公式为：z＝zg1+zg2+zg3；
zg1＝(ω11*g11/15+ω12*g12/9000)*100；
zg2＝(ω21*(200-g21)/200+ω22*(60-g22)/60+ω23*g23/100)*100；
zg3＝(ω31*g31/10+ω32*(0.4-g32)/0.4+ω33*(10-g33)/10)*100，
式中，g11为lf/hf，g12为tp，g21为sdnn，g22为pnn50，g23为hr，g31为hdr，g32为vai，g33为hle，ω11、ω12、ω21、ω22、ω23、ω31、ω32和ω33为修正后的权值。
进一步的，步骤4中所述焦虑值z是指z≤30，检测者处于放松状态；30<z≤50，检测者处于心理稍微紧张状态；z>50，检测者处于心理较紧张状态。
步骤3中所述最速下降bp算法的具体步骤包括：
步骤3-1：确定神经元传递函数
步骤3-2：设k为迭代次数，则权值ωij和阈值b的修正按下列公式进行：
x(k+1)＝x(k)-αg(k)
式中：x(k)为第k次迭代各层之间的连接权向量或阈值向量，α为学习速率，在训练时是一常数，可以通过改变训练参数进行设置；g(k)第k次迭代的神经网络输出误差对各权值或阈值的梯度向量；
步骤3-3：计算第k次迭代的神经网络输出误差对各权值或阈值的梯度向量为：
式中：e(k)为第k次迭代的网络输出的总误差性能函数，x(k)为第k次迭代各层之间的连接权向量或阈值向量，负号表示梯度的反方向，即梯度的最速下降方向；
步骤3-4：计算第k次迭代的网络输出的总误差性能函数，若有n个输入样本：
式中，e(k)表示第次迭代的k均方误差，n表示输入的样本数目，s表示s型传输函数，ti表示第i个输出单元的期望值，ai(k)表示第k次迭代第i个输出单元的实际值，e(k)表示第k次迭代时的标准差；
步骤3-5：根据神经元传递函数，可以求出第k次迭代的总误差曲面的梯度g(k)，代入步骤3-2，可逐次修正权值ωij和阈值b，并使总的误差向减小的方向变化。
与层次分析法相比较，本发明能够更客观、更准确地评估心理压力状况。本发明(1)采用待测试者hrv生理参数的变化监测被测者心理压力状态，有效避免因被测者主观因素及认知水平的不同对监测结果造成的影响；(2)采用最速下降bp算法，使网络的实际输出值和期望输出值之间的均方误差最小，提高学习的准确性。
具体实施方式
所述bp神经网络算法包括输入层，隐含层和输出层，首先确定bp神经网络的结构，隐含层的数量以及输出样本的数量。在确定神经网络的结构后，要通过输入样本和输出样本对网络进行训练，及对网络的阈值和权值进行学习和修正，使网络实现给定的输入输出映射关系。
本实施例提供的基于bp神经网络算法的多参数心理压力评估方法包括以下步骤：
步骤1：获取待测试者hrv信号，并对hrv信号分别进行频域、时域和非线性分析，得到输入向量g＝{g1,g2,g3}，期望输出向量为焦虑值d；
其中，g1＝{g11,g12}为hrv信号频域参数集，g11为低频与高频比lf/hf，g12为总谱tp；
g2＝{g21,g22,g23}为hrv信号时域参数集，g21为正常窦性心率rr间期的标准差sdnn，g22为在所有rr间期中相邻rr间期之差大于50ms的个数占所有rr间期个数的百分比pnn50，g23为以第一声音为准心脏每分钟跳动的次数hr；
g3＝{g31,g32,g33}为hrv信号非线性分析参数集，g31为相对分散度hdr，g32为散点图向量角度指数vai，g33为李氏指数hle；
步骤2：根据输入向量g和期望输出向量d的维数通过经验公式计算出隐含层单元数l，初始化各层神经元权值ωij和阈值b以及设置学习速率α和神经元传递函数f(x)；
其中，经验公式为：
式中，n为输入层节点个数，m为输出层节点个数，a为1-10之间的常数；
通过经验公式计算出隐含层单元数m＝8，设定学习速率α＝0.035；
步骤3：确定神经元传递函数f(x)，神经网络通过对很多组输入输出所对应的值进行学习，可得到一个最为理想的传输函数，令f(x)为：
步骤4：设k为迭代次数，令k＝5000，则每一层权值和阈值的修正按下列进行：
x(k+1)＝x(k)-αg(k)
式中：x(k)为第k次迭代各层之间的连接权向量或阈值向量，α为学习速率，在训练时是一常数，可以通过改变训练参数进行设置；g(k)第k次迭代的神经网络输出误差对各权值或阈值的梯度向量；
步骤5：计算第k次迭代的神经网络输出误差对各权值或阈值的梯度向量为：
式中e(k)为第k次迭代的网络输出的总误差性能函数，x(k)为第k次迭代各层之间的连接权向量或阈值向量，负号表示梯度的反方向，即梯度的最速下降方向。
步骤6：计算第k次迭代的网络输出的总误差性能函数，若有n个输入样本
式中，e(k)表示第次迭代的k均方误差，n表示输入的样本数目，s表示传输函数，ti表示第i个输出单元的期望值，ai(k)表示第k次迭代第i个输出单元的实际值，e(k)表示第k次迭代时的标准差；
输入向量g与期望输出向量d作为训练样本，样本数据如下表1：
表1训练样本数据表
步骤7：根据各层传输函数，可以求出第k次迭代的总误差曲面的梯度g(k)，代入步骤4，可逐次修正其权值和阈值，并使总的误差向减小的方向变化，直到达到所要求的误差性能为止，即训练时目标误差β小于等于0.65×10-3时训练停止。
步骤8：利用达到输入输出映射的bp神经网络来计算焦虑值，输入向量为各种时域、频域和非线性参数，输出为计算的焦虑值，其计算结果为：
g1＝{g11,g12}中各元素的权值ω1＝{0.51,0.17}；
g2＝{g21,g22,g23}中各元素的权值ω2＝{0.0946,0.0946,0.0308}；
g3＝{g31,g32,g33}中各元素的权值ω3＝{0.062,0.024,0.014}；
将各个权值代入公式中既可得到检测者的心理压力值：
zg1＝(ω11*g11/15+ω12*g12/9000)*100；
zg2＝(ω21*(200-g21)/200+ω22*(60-g22)/60+ω23*g23/100)*100；
zg3＝(ω31*g31/10+ω32*(0.4-g32)/0.4+ω33*(10-g33)/10)*100，
z＝zg1+zg2+zg3；
根据心理压力评估等级判断被测者心理压力状态，输出被测者心理压力评估报告。
z≤30，检测者处于放松状态；
30<z≤50，检测者处于心理稍微紧张状态；
z>50，检测者处于心理较紧张状态。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。