一种基于电子化POMS自评量表的心境状态评价方法与流程

技术特征：

1.一种基于电子化POMS自评量表的心境状态评价方法，其特征在于：该方法包括以下步骤，

步骤1、量表数据采集；

步骤2、量表数据存储与管理；

步骤3、量表采集天数判断及量表数据处理；

步骤4、心境状态长时间变化评估模型构建；

步骤5、基于评估模型的心境状态长时间变化客观量化评价；

所述步骤1，通过对量表中包含的40个量表项进行评分并采集用户紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关7项心境状态量化评估数据；值得注意的是，用户在进行心境状态评估之前，需要通过电子化心境状态评估系统对用户进行基本的信息采集，基本的信息采集包括输入姓名、年龄、性别和是否有抑郁症史，在完成心境状态评估以后，将量表评估的日期、时间、四项基本信息和40项心境状态量化评估数据一起保存在智能手机上安装的SD卡中；用户通过电子化POMS量表可以在一天内对用户进行多次心境状态量化评估数据采集，连续多天内以相同的时间段和采集次数对用户心境状态进行量化评估数据采集；

所述步骤2包括基于网络环境的心境量表数据发送和后台云服务器上量表数据的存储与管理两个操作步骤；首先，Android智能手机以网络为通讯手段，每次完成心境量表自评操作后，将SD卡中保存的量表评估的日期和时间、四项基本信息以及40项心境状态量化评估数据发送到后台云服务器上；然后，根据发送过来的用户名、量表评估日期和时间等信息，后台云服务器将接收到的数据存到相应位置，完成量表数据存储并方便后续的数据管理工作；

所述步骤3具体操作步骤包括：

步骤31、量表采集天数判断；预先设定一个以天数为单位的阈值，将需要处理的用户心境状态量化评估数据采集天数与所设阈值进行比较，在小于阈值的情况下，只执行步骤32，采用基于不同心境状态量化评估数据统计和基于总体心境状态量化评估数据统计的方法对心境状态量化评估数据进行处理；在大于阈值的情况下，分别执行步骤32和步骤33，即分别采用基于不同心境状态量化评估数据统计、基于总体心境状态量化评估数据统计和主成分分析等方法对心境状态量化评估数据进行处理；

步骤32、量表数据统计；所述量表数据统计方法包括基于不同心境状态量化评估数据统计、基于总体心境状态量化评估数据统计、正性心境状态量化评估数据统计和负性心境状态量化评估数据统计；其中，基于不同心境状态量化评估数据统计方法具体计算步骤如下所述：

(a)从一次完整的POMS心境状态量化评估数据中分别获得7项心境状态量表评估数据；所述一次完整的POMS心境状态量化评估数据定义为X＝[x₁,x₂,…x_i,…,x₄₀]，其中x_i表示某个量表项的评分值，即一次完整的POMS心境状态量化评估数据包含的40个量表项中某项的量化评估值；所述不同心境状态量化评估数据是指40个量表项中描述紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关7项心境状态的若干量表项评分值组合；描述不同心境状态的量表项评分值组合定义如下：

X₁＝[x₁,x₈,x₁₅,x₂₁,x₂₈,x₃₅]，描述紧张心境状态的量表项评分值组合；

X₂＝[x₂,x₉,x₁₆,x₂₂,x₂₉,x₃₆,x₃₇]，描述愤怒心境状态的量表项评分值组合；

X₃＝[x₃,x₁₀,x₁₇,x₂₃,x₃₀]，描述疲劳心境状态的量表项评分值组合；

X₄＝[x₄,x₁₁,x₁₈,x₂₄,x₃₁,x₃₈]，描述抑郁心境状态的量表项评分值组合；

X₅＝[x₅,x₁₂,x₁₉,x₂₅,x₃₂,x₃₉]，描述精力心境状态的量表项评分值组合；

X₆＝[x₆,x₁₃,x₂₀,x₂₆,x₃₃]，描述慌乱心境状态的量表项评分值组合；

X₇＝[x₇,x₁₄,x₂₇,x₃₄,x₄₀]，描述与自我情绪相关心境状态的量表项评分值组合；

(b)计算每项心境状态的量表评估数据的总分；定义每项心境状态的量表评估数据总分S_n为：

$S_n={\mathrm{\Σ}}_{i=1}^{L_n}{x}_i,$

式中n∈[1,2,3,4,5,6,7]，即S₁～S₇依次代表紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关7项不同心境状态总分；L_n为每项心境状态的量表项评分值组合长度；

(c)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(a)和(b)并得到S₁～S₇等7个值量化描述7项心境状态；基于多天的心境状态量化评估数据得到7个描述多天不同心境状态变化的数据向量，每个数据向量都采用柱状统计图进行表征；

所述基于总体心境状态量化评估数据统计方法是指基于获得的7个描述不同心境状态的评估值S₁～S₇，采用相应公式计算得到一个描述总体心境状态的评估值；具体计算步骤如下所述：

(d)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(a)和(b)并得到描述7项心境状态的S₁～S₇等7个值量化；

(e)基于描述7项心境状态的S₁～S₇ 7个值量化，总体心境状态评分S定义为：

S＝S₁+S₂+S₃+S₄+S₆-S₅-S₇；

(f)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(d)和(e)并得到总体心境状态评分S；基于多天的心境状态量化评估数据得到描述多天总体心境状态变化的数据向量，每个数据向量都采用柱状统计图进行表征；

所述正性心境量化评估数据统计方法是指将精力和与自我情绪相关等两项心境状态量化评估值进行累加，得到的结果作为用户正性心境状态量化评估值；具体计算步骤如下所述：

(g)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(a)和(b)并得到描述7项心境状态的S₁～S₇等7个值量化；

(h)基于S₅和S₇等依次描述精力和与自我情绪相关的2项正性心境状态评分值，正性心境状态评分S_P定义为：

S_P＝S₅+S₇；

(i)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(g)和(h)并得到正性心境状态评分S_P；基于多天的心境状态量化评估数据得到描述多天正性心境状态变化的数据向量，每个数据向量都采用柱状统计图进行表征；

所述负性心境量化评估数据统计方法是指将紧张、愤怒、疲劳、抑郁和慌乱五项心境状态量化评估值进行累加，得到的结果作为用户负性心境状态量化评估值；具体计算步骤如下所述：

(j)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(a)和(b)并得到描述7项心境状态的S₁～S₇等7个值量化；

(k)基于S₁、S₂、S₃、S₄和S₆等依次描述紧张、愤怒、疲劳、抑郁、和慌乱等5项负性心境状态评分值，负性心境状态评分S_N定义为：

S_N＝S₁+S₂+S₃+S₄+S₆；

(l)针对每次完整的POMS心境状态量化评估数据，执行步骤32中的(j)和(k)并得到负性心境状态评分S_N；基于多天的心境状态量化评估数据得到描述多天负性心境状态变化的数据向量，每个数据向量都采用柱状统计图进行表征；

步骤33、主成分分析；所述主成分分析是指采用主成分分析的方法对多天的心境状态量化评估数据进行处理，用于判断主要心境状态和观察每天不同时段及多天主要心境状态的变化；所述用户主要心境状态是紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关7种心境状态中的一种，表示测试用户具有的主要精神症状；具体计算步骤说明如下：

(a)将多天内采集的多次心境状态量化评估数据整理成t行40列矩阵X并定义为：

$X=\left|\begin{array}{cccc}{x}_1^1& x_2^1& ...& x_{40}^1\\ x_1^2& x_2^2& ...& x_{40}^2\\ ...& ...& ...& ...\\ x_1^t& x_2^t& ...& x_{40}^t\end{array}\right|,$

式中，t≥1表示多天内采集心境状态量化数据的次数，表示第t次采集的心境状态量化数据中第i量表项的评分值；

(b)将矩阵X进行转置并对转置后的矩阵每一行进行零均值化，矩阵每一行均值定义为：

${\stackrel{\‾}{x}}^m=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{x}_i^m,$

式中，N表示多天内采集心境状态量化数据的次数，m表示40个量表项中第m个量表项，取值为0～40；转置后的矩阵每一行进行零均值化后得到的矩阵X₁定义为：

$X_1=\left|\begin{array}{cccc}{x}_1^1-{\stackrel{\‾}{x}}^1& x_1^2-{\stackrel{\‾}{x}}^1& ...& x_1^t-{\stackrel{\‾}{x}}^1\\ x_2^1-{\stackrel{\‾}{x}}^2& x_2^2-{\stackrel{\‾}{x}}^2& ...& x_2^t-{\stackrel{\‾}{x}}^2\\ ...& ...& ...& ...\\ x_{40}^1-{\stackrel{\‾}{x}}^{40}& x_{40}^2-{\stackrel{\‾}{x}}^{40}& ...& x_{40}^t-{\stackrel{\‾}{x}}^{40}\end{array}\right|,$

式中，矩阵X的转置矩阵每一行元素都减去改行的均值后得到零均值化后的矩阵X₁；

(c)求出协方差矩阵；协方差矩阵C定义为：

$C=\frac{1}{N}{X}_1{X}_1^T,$

式中，为矩阵X₁的转置矩阵；

(d)求出协方差矩阵的特征值及对应的特征向量；协方差矩阵特征值向量λ定义为：

λ＝[λ₁，λ₂，…，λ_t]，

每个特征值对应的特征向量U定义为：

$U^j=\[u_1^j,u_2^j,...,u_{40}^j\],1\≤j\≤t;$

(e)将特征向量按对应特征值大小排列成矩阵，取前两个最大的特征值对应的特征向量作为基于多天心境状态量化评估数据的主成分分析方法提取的第一主成分和第二主成分，第一主成分的特征值向量定义为U¹：

$U^1=\[u_1^1,u_2^1,...,u_{40}^1\];$

第二主成分的特征值向量定义为U²：

$U^2=\[u_1^2,u_2^2,...,u_{40}^2\];$

(f)根据POMS量表中对应不同心境状态的量表项，按照相同序号分别从第一主成分和第二主成分中抽取描述不同心境状态的特征向量元素组合；其中，第一主成分中描述不同心境状态的特征向量元素组合定义如下：

描述紧张心境状态的特征向量元素组合；

描述愤怒心境状态的特征向量元素组合；

描述疲劳心境状态的特征向量元素组合；

描述抑郁心境状态的特征向量元素组合；

描述精力心境状态的特征向量元素组合；

描述慌乱心境状态的特征向量元素组合；

描述与自我情绪相关心境状态的特征向量元素组合；

第二主成分中描述不同心境状态的特征向量元素组合每个组合所包含的元素下标号与对应的第一主成分中描述该心境状态的特征向量元素组合一致，在此不做重复叙述；

(g)根据第一主成分和第二主成分中抽取描述不同心境状态的特征向量元素组合，将不同特征向量中的元素进行累加，得到7个描述不同心境状态重要程度的数据值I₁～I₇并做如下定义：

$I_n={\mathrm{\Σ}}_{i=1}^{L_n}{u}_i^j,$

式中n∈[1,2,3,4,5,6,7]，即I₁～i₇依次代表紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关7项心境状态重要程度；L_n为每项心境状态的特征向量元素组合长度，表示每项心境状态的特征向量元素组合中某一元素数据值，j取值为1或2；

(h)根据7个描述不同心境状态重要程度的数据值I₁～I₇，取其中最大值对应的心境状态作为用户主要心境状态；

(i)将原始量表数据矩阵投影到由第一主成分和第二主成分组成的空间中，分别得到描述第一主成分和第二主成分的数据向量M₁和M₂并做如下定义：

M_j＝X×U^j，

式中，j取值1或2；根据数据向量M₁和M₂，采用柱状统计图描述用户每天不同时段和多天的主要心境状态变化；

所述步骤4包含基于不同心境状态量化评估数据统计、基于总体心境状态量化评估数据统计和主成分分析等方法对多天心境状态量化评估数据的处理结果而提取出的12个心境状态数据向量，分别描述用户主要心境状态变化、7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；所述用户主要心境状态变化由基于多天心境状态量化评估数据采用主成分分析方法提取的第一主成分和第二主成分来描述，7种心境状态变化分别由基于多天心境状态量化评估数据计算得到的7种心境状态量化评估数据向量来描述，正性心境状态变化由基于多天心境状态量化评估数据所包含的精力和与自我情绪相关等两种心境状态量化评估值累加得到的数据向量来描述，负性心境状态变化由基于多天心境状态量化评估数据所包含的紧张、愤怒、疲劳、抑郁和慌乱五种心境状态量化评估值累加得到的数据向量来描述，总体心境状态变化由基于多天心境状态量化评估值计算得到的总体心境状态量化评分值数据向量来描述；12个心境状态数据向量共同组成心境状态长时间变化评估模型，符合用户精神状态的多元特性；

所述步骤5包含基于12个心境状态数据向量共同组成心境状态长时间变化评估模型，向用户说明主要心境状态、正性心境状态、负性心境状态、不同心境状态和总体心境量化评估等结果每天不同时段以及多天的连续变化；所述每天不同时段的心境状态变化，根据每次采集到的心境状态量化数据计算得到的主要心境状态、正性心境状态、负性心境状态、不同心境状态和总体心境状态的量化值，与由同一天内其他时间段采集的心境状态量化数据计算得到的量化值进行比较，通过量化值大小说明每天不同时段的心境状态变化；所述多天心境状态连续变化，根据多天多次采集到的心境状态量化数据计算得到的主要心境状态、正性心境状态、负性心境状态、不同心境状态和总体心境状态的评估数据向量，采用柱状统计图对上述评估数据向量进行表征，观察图中数据变化趋势并说明用户心境状态在长时间内的心境变化情况。

2.根据权利要求1所述的一种基于电子化POMS自评量表的心境状态评价方法，其特征在于：该方法包含如下步骤，

步骤1、电子化POMS量表数据采集；在Android智能手机上安装自主开发的简式POMS量表中国常模电子化心境状态评估应用程序，通过对量表中包含的40个量表项进行评分并采集用户紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关等7项心境状态量化评估数据；值得注意的是，用户在进行心境状态评估之前，需要通过应用程序输入姓名、年龄、性别和是否有抑郁症史等四项基本信息，在完成心境状态评估以后，将量表评估的日期、时间、四项基本信息和40项心境状态量化评估数据一起保存在手机上安装的SD卡中；在本次实施例中，用户采用在Android智能手机上安装的简式POMS量表中国常模电子化心境状态评估应用程序，于每天早上起床以后和晚上睡觉以前两个不同时段对40个量表项进行一天两次评分操作，持续进行13天后共得到26次完整的POMS心境状态量化评估数据；

步骤2、量表数据存储与管理；首先，Android智能手机以网络为通讯手段，每次完成心境量表自评操作后，将SD卡中保存的量表评估的日期和时间、四项基本信息以及40项心境状态量化评估数据发送到后台云服务器上；然后，根据发送过来的用户名、量表评估日期和时间等信息，后台云服务器将接收到的数据存到相应位置；

步骤3、量表采集天数判断及量表数据处理；具体操作步骤如下所述：

步骤31、量表采集天数判断；预先设定一个以天数为单位的阈值，将需要处理的用户心境状态量化评估数据采集天数与所设阈值进行比较，在小于阈值的情况下，只执行步骤32，采用基于不同心境状态量化评估数据统计和基于总体心境状态量化评估数据统计的方法对心境状态量化评估数据进行处理；在大于阈值的情况下，分别执行步骤32和步骤33，即分别采用基于不同心境状态量化评估数据统计、基于总体心境状态量化评估数据统计和主成分分析等方法对心境状态量化评估数据进行处理；

步骤32、量表数据统计；量表数据统计方法能够分别实现基于不同心境状态量化评估数据统计、基于总体心境状态量化评估数据统计、正性心境状态量化评估数据统计和负性心境状态量化评估数据统计等；其中，基于不同心境状态量化评估数据统计方法具体计算步骤如下所述：

(a)从一次完整的POMS心境状态量化评估数据中分别获得7项心境状态量表评估数据；所述一次完整的POMS心境状态量化评估数据定义为X＝[x₁,x₂,…,x₄₀]，其中x_i表示某个量表项的评分值，即一次完整的POMS心境状态量化评估数据包含40个量表项的评分值；

(b)获得不同心境状态的量表项评分值组合；所述不同心境状态量化评估数据是指40个量表项中描述紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关等7项心境状态的若干量表项评分值组合；描述不同心境状态的量表项评分值组合如下所示：

X₁＝[x₁,x₈,x₁₅,x₂₁,x₂₈,x₃₅]，描述紧张心境状态的量表项评分值组合；

X₂＝[x₂,x₉,x₁₆,x₂₂,x₂₉,x₃₆,x₃₇]，描述愤怒心境状态的量表项评分值组合；

X₃＝[x₃,x₁₀,x₁₇,x₂₃,x₃₀]，描述疲劳心境状态的量表项评分值组合；

X₄＝[x₄,x₁₁,x₁₈,x₂₄,x₃₁,x₃₈]，描述抑郁心境状态的量表项评分值组合；

X₅＝[x₅,x₁₂,x₁₉,x₂₅,x₃₂,x₃₉]，描述精力心境状态的量表项评分值组合；

X₆＝[x₆,x₁₃,x₂₀,x₂₆,x₃₃]，描述慌乱心境状态的量表项评分值组合；

X₇＝[x₇,x₁₄,x₂₇,x₃₄,x₄₀]，描述与自我情绪相关心境状态的量表项评分值组合；

(c)计算每项心境状态的量表评估数据的总分；每项心境状态的量表评估数据总分S_n为：

$S_n={\mathrm{\Σ}}_{i=1}^{L_n}{x}_i,$

式中n∈[1,2,3,4,5,6,7]，即S₁～S₇依次代表紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关7项不同心境状态总分；L_n为每项心境状态的量表项评分值组合长度，x_i表示每项心境状态的量表项数据组合中某一量表项评分值；

(d)计算总体心境状态的量表评估数据的总分；基于描述7项心境状态的S₁～S₇等7个值量化，总体心境状态评分S定义为：

S＝S₁+S₂+S₃+S₄+S₆-S₅-S₇；

(e)计算正性心境状态的量表评估数据的总分；基于S₅和S₇等依次描述精力和与自我情绪相关的2项正性心境状态评估值，正性心境状态评分S_P定义为：

S_P＝S₅+S₇；

(f)计算负性心境状态的量表评估数据的总分；基于S₁、S₂、S₃、S₄和S₆等依次描述紧张、愤怒、疲劳、抑郁、和慌乱五项负性心境状态评估值，负性心境状态评分S_N定义为：

S_N＝S₁+S₂+S₃+S₄+S₆；

步骤33、主成分分析；基于主成分分析方法和多天POMS量表数据的用户主要心境判断及其每天不同时段和多天连续变化描述方法计算步骤如下所述：

(a)将多天内采集的多次心境状态量化评估数据整理成t行40列矩阵X并定义为：

$X=\left|\begin{array}{cccc}{x}_1^1& x_2^1& ...& x_{40}^1\\ x_1^2& x_2^2& ...& x_{40}^2\\ ...& ...& ...& ...\\ x_1^t& x_2^t& ...& x_{40}^t\end{array}\right|,$

式中，t≥1表示多天内采集心境状态量化数据的次数，表示第t次采集的心境状态量化数据中第i量表项的评分值；

(b)将矩阵X进行转置并对转置后的矩阵每一行进行零均值化，矩阵每一行均值定义为：

${\stackrel{\‾}{x}}^m=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{x}_i^m,$

式中，N表示多天内采集心境状态量化数据的次数，m表示40个量表项中第m个量表项，取值为0～40；转置后的矩阵每一行进行零均值化后得到的矩阵X₁定义为：

$X_1=\left|\begin{array}{cccc}{x}_1^1-{\stackrel{\‾}{x}}^1& x_1^2-{\stackrel{\‾}{x}}^1& ...& x_1^t-{\stackrel{\‾}{x}}^1\\ x_2^1-{\stackrel{\‾}{x}}^2& x_2^2-{\stackrel{\‾}{x}}^2& ...& x_2^t-{\stackrel{\‾}{x}}^2\\ ...& ...& ...& ...\\ x_{40}^1-{\stackrel{\‾}{x}}^{40}& x_{40}^2-{\stackrel{\‾}{x}}^{40}& ...& x_{40}^t-{\stackrel{\‾}{x}}^{40}\end{array}\right|,$

式中，矩阵X的转置矩阵每一行元素都减去改行的均值后得到零均值化后的矩阵X₁；

(c)求出协方差矩阵；协方差矩阵C定义为：

$C=\frac{1}{N}{X}_1{X}_1^T,$

式中，为矩阵X₁的转置矩阵；

(d)求出协方差矩阵的特征值及对应的特征向量；协方差矩阵特征值向量λ定义为：

λ＝[λ₁，λ₂，…，λ_t]，

每个特征值对应的特征向量U定义为：

$U^j=\[u_1^j,u_2^j,...,u_{40}^j\],1\≤j\≤t;$

(e)将特征向量按对应特征值大小排列成矩阵，取前两个最大的特征值对应的特征向量作为基于多天心境状态量化评估数据的主成分分析方法提取的第一主成分和第二主成分，第一主成分的特征值向量定义为U¹：

$U^1=\[u_1^1,u_2^1,...,u_{40}^1\];$

第二主成分的特征值向量定义为U²：

$U^2=\[u_1^2,u_2^2,...,u_{40}^2\];$

(f)根据POMS量表中对应不同心境状态的量表项，按照相同序号分别从第一主成分和第二主成分中抽取描述不同心境状态的特征向量元素组合；其中，第一主成分中描述不同心境状态的特征向量元素组合定义如下：

描述紧张心境状态的特征向量元素组合；

描述愤怒心境状态的特征向量元素组合；

描述疲劳心境状态的特征向量元素组合；

描述抑郁心境状态的特征向量元素组合；

描述精力心境状态的特征向量元素组合；

描述慌乱心境状态的特征向量元素组合；

描述与自我情绪相关心境状态的特征向量元素组合；

第二主成分中描述不同心境状态的特征向量元素组合每个组合所包含的元素下标号与对应的第一主成分中描述该心境状态的特征向量元素组合一致，在此不做重复叙述；

(g)根据第一主成分和第二主成分中抽取描述不同心境状态的特征向量元素组合，将不同特征向量中的元素进行累加，得到7个描述不同心境状态重要程度的数据值I₁～I₇并做如下定义：

$I_n={\mathrm{\Σ}}_{i=1}^{L_n}{u}_i^j,$

式中n∈[1,2,3,4,5,6,7]，即I₁～i₇依次代表紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关等7项心境状态重要程度；L_n为每项心境状态的特征向量元素组合长度，表示每项心境状态的特征向量元素组合中某一元素数据值，j取值为1或2；

(h)根据7个描述不同心境状态重要程度的数据值I₁～I₇，取其中最大值对应的心境状态作为用户主要心境状态；以第一主成分中反映的主要用户心境状态为例，基于主成分分析的主要心境状态判断统计柱状图如图3所示，7个描述不同心境状态重要程度的数据值I₁～I₇中紧张心境状态值I₄最大，推断出用户在13天内的主要心境状态为紧张；

(i)将原始量表数据矩阵投影到由第一主成分和第二主成分组成的空间中，分别得到描述第一主成分和第二主成分的数据向量M₁和M₂并做如下定义：

M_j＝X×U^j；

式中，j取值1或2；根据数据向量M₁和M₂，采用柱状统计图说明用户每天不同时段和多天的主要心境状态变化；

步骤4、心境状态长时间变化评估模型构建；针对每次POMS心境状态量表数据，采用步骤3计算出12个分别描述用户主要心境状态、7种心境状态(紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关)、正性心境状态、负性心境状态和总体心境状态的量化值；据此，基于13天内采集到的26次POMS心境状态量表数据，便可以得到12个分别描述用户主要心境状态变化、7种心境状态变化(紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关)、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数据向量，每个向量长度为26；基于上述12个数据向量，执行步骤5进行基于评估模型的心境状态长时间变化客观量化评价；

步骤5、基于评估模型的心境状态长时间变化客观量化评价；心境状态长时间变化评估模型由12个分别描述用户主要心境状态变化、7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数据向量。