陳宇，邵軍，賴文天

（1 湖北第二師范學院 計算機學院 & 湖北省教育云服務工程技術(shù)研究中心，武漢430205；2 湖北水利水電職業(yè)技術(shù)學院，武漢430071）

近年來，隨著社會壓力增大，大學生情緒、心理方面的問題逐步增多，每年出現(xiàn)情緒障礙甚至罹患抑郁癥的大學生人數(shù)大幅增長.學生多因情緒管理意識不足或個人因素不愿主動尋求幫助，為高校的學生管理工作帶來了較大的阻礙.日漸嚴重的高校學生心理健康問題，引起了人們的廣泛關注.高校目前主要采用量表法對學生進行普查，但該方法具有被動性和滯后性等缺點，反饋性差.如何及時發(fā)現(xiàn)學生情緒變化，分析原因并盡早干預，防止學生情緒、心理問題惡化，是當前高校學生管理部門迫切需要解決的問題.

1 相關工作

目前，高校應對大學生情緒變化引起心理健康問題的措施逐漸由事后處理轉(zhuǎn)變?yōu)轭A防和篩查，比如通過量表篩查校園內(nèi)特定人物的心理問題，提前介入和干預.我國學者周晶晶通過設置問卷和量表的形式對北京大學生進行了抑郁癥篩查，達到了一定的效果［1］.但通過量表進行篩查存在以下問題：首先，診斷過程中對情緒的測量主要依靠檢查者的觀察和自我評估的心理測試，存在很大的主觀性；其次，受檢者被要求主動配合檢查者的診斷，這需要受檢者有一定的配合性；再次，這種方式需要大量的專業(yè)人員，但高校普遍缺乏相關人員，通常只在新生入學時或者每學年篩查一次；最后，該方式僅能反映出受檢者的心理狀況結(jié)果，無法提供更多的信息以幫助分析產(chǎn)生情緒變化的原因，不能給后期治療和高校管理者改善管理方式提供更多的幫助.由此可見，量表法具有數(shù)據(jù)質(zhì)量差、準確度低、延時長等缺點，難以進行預防治療，對高校管理者幫助有限.因此，高校急需一種準確率較高，且隨時能感知學生在學業(yè)、生活、感情等方面真實情緒變化的方法，便于學校及時察覺學生心理問題，并提前介入干預.

近年來，隨著腦神經(jīng)科學的發(fā)展，人們開始嘗試使用頭戴式監(jiān)測系統(tǒng)檢測腦電信號感知受檢者的情緒、壓力等，例如，PATIL 等人將采集的腦電信號做高階交叉作為特征，優(yōu)于其他統(tǒng)計特征對情緒進行分類［2］，IBRAHIM 采用堆棧自動編碼器（SAE）和長-短時記憶/循環(huán)神經(jīng)網(wǎng)絡（LSTM/RNN）分類方法對情緒腦電圖（EEG）特征進行了分類.該方法降低了模型的復雜度，顯著提高了分類器的性能［3］.雖然腦電在情緒檢測領域的應用取得了很大的進展，其檢查的準確度明顯優(yōu)于量表的方式，但由于其使用成本昂貴，且需要受檢者在特定的時間地點參與，無法做到伴隨式數(shù)據(jù)采集，故多用于為臨床治療提供重要補充數(shù)據(jù).隨著移動計算的大力發(fā)展，研究者開始嘗試通過可穿戴設備結(jié)合手機伴隨式采集受檢者數(shù)字生物信號、環(huán)境信息，挖掘感知數(shù)據(jù)和日常情緒的關聯(lián)，在日常生活中自動檢測情緒狀態(tài)和轉(zhuǎn)變.部分研究者通過實驗證明這是一種監(jiān)測個人情緒和壓力行之有效的方法，MA 等人提出了一種日常情緒評估工具，該工具利用手機傳感器數(shù)據(jù)，例如位置、音頻、文本消息、加速度計和光線來對情緒進行分類［4］.AKANE等人利用Fitbit 運動手環(huán)收集大學生的行為數(shù)據(jù)監(jiān)測大學生的心理健康，其研究發(fā)現(xiàn)飲食習慣對學生的壓力、睡眠、運動均有影響［5］.ASARE 利用手機和可穿戴傳感器搜集環(huán)境信息進行抑郁癥的檢測［6］.HELBICH 通過采集實驗者的地理數(shù)據(jù)、環(huán)境數(shù)據(jù)發(fā)現(xiàn)人們的心理健康與他們居住的社區(qū)、去過的地方以及所經(jīng)歷的環(huán)境有關［7］.在上述的研究中，研究者將手機采集的數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的表格數(shù)據(jù)形式，然后采用傳統(tǒng)的樹模型如XGBOOST、隨機森林等對數(shù)據(jù)進行處理，取得了較好的效果.由于手機采集的數(shù)據(jù)具有維度多、量大、稀疏等特點，因此如何通過特征處理獲取特征間的相互關系，對特征進行有效融合，是提高預測精度的關鍵.傳統(tǒng)的樹型模型大多基于一階特征進行線性加權(quán)，無法提取隱式的高階特征組合.隨著深度學習理論的不斷成熟，能夠提取隱含非線性相關特征的深度學習神經(jīng)網(wǎng)絡（DNN）受到了廣泛的關注.TAYLOR［8］采用基于神經(jīng)網(wǎng)絡的深度學習方法，研究大學生的心理壓力.SUHARA［9］等人開發(fā)了一種基于長-短期記憶（LSTM）遞歸神經(jīng)網(wǎng)絡的大學生減壓預測模型.然而，DNN 的解釋性很差，且其結(jié)果過分關注高階特征組合及非線性關系，忽視了低階特征交叉對結(jié)果的影響.

近年來，研究人員開始嘗試采用因子分解機、深度交叉網(wǎng)絡等模型學習特征間的低階高階特征，以期提高模型的表現(xiàn)力.如RENDLE［10］提出了基于因子分解機（FM）模型，用于幫助解決在推薦系統(tǒng)中稀疏數(shù)據(jù)的特征組合問題.該模型具有參數(shù)較少，自動組合特征的優(yōu)點，但由于其只能解決二階特征之間交叉，無法解決高階特征組合，近年來的研究多用于與其他模型組合.Google 于2016 年提出的寬深度（wide&deep）模型是由具有記憶功能的融合淺層寬度（wide）模型和深層（deep）模型進行聯(lián)合訓練的框架，利用了深層模型的泛化能力和淺層模型的記憶能力，比傳統(tǒng)的線性模型或深度模型獲得了更好的效果［11］.但由于其對淺層特征選擇需要手工操作，依賴于經(jīng)驗，所以在此基礎上，Google 提出了deep & cross network 模型，該模型通過引入cross 網(wǎng)絡，顯式自動的進行特征交叉，且cross 網(wǎng)絡可以和deep網(wǎng)絡并行或者串行訓練［12］.與wide&deep模型相比，deep&cross network 模型以更小的開銷學習到更多的高階有效特征組合表達，從而獲得更好的預測效果，但其容易忽略低階特征交叉對特征組合的影響.因此，為了兼顧特征之間的高階和低階交互，必須研究如何使用機器學習算法自動提取最有效的特征組合，以充分挖掘智能手機感知數(shù)據(jù)與大學生情緒之間的關系，從而獲得最佳的情緒變化檢測模型.

本文根據(jù)智能手機和傳感器收集的大學生行為、環(huán)境數(shù)據(jù)開展了情緒變化檢測的研究，提出了一種基于因子分解機的深度交叉網(wǎng)絡（FDCN）情緒變化檢測模型，該模型利用因子分解機（Factorization Machines，F(xiàn)M）學習采集信號的低階特征組合，交叉網(wǎng)絡（Cross model）學習高階特征之間的關聯(lián)，深度模型（deep model）則通過學習可以找到隱藏的非線性關系.將三者結(jié)合起來，即通過FM 模型、Cross 模型利用特征交叉在歷史數(shù)據(jù)中挖掘特征關聯(lián)，又通過Deep模型自動學習特征的非線性關聯(lián)，提高對大學生情緒變化檢測的精度，反映環(huán)境、行為數(shù)據(jù)對大學生情緒變化的影響，以幫助高校管理者更好地改進管理方式.

2 數(shù)據(jù)集及情感等級

2.1 數(shù)據(jù)集

本文采用的數(shù)據(jù)來源于公開數(shù)據(jù)集Extrasensor，數(shù)據(jù)集由圣地亞哥加利福尼亞大學（UCSD）的研究人員收集于2015至2016年，共包含60名UCSD的學生的數(shù)據(jù)［13］.數(shù)據(jù)是使用 extrasense 移動應用程序收集的，該應用程序每分鐘自動執(zhí)行20 秒的“錄音會話”.每次記錄過程中，該應用程序從手機的傳感器或手表收集測量數(shù)據(jù)，包括：手機的加速度計、陀螺儀和磁力計（采樣頻率為40 Hz）、音頻（采樣頻率為22 kHz，然后處理為MFCC 特征表示）、位置、手表的加速度計，數(shù)據(jù)集采集的數(shù)據(jù)均來源于實驗者的真實生活，通過實驗者的智能手機和智能手表上傳感器采集相關的物理的信號進行自動上下文標記.這個數(shù)據(jù)集還包含不同的時間間隔內(nèi)實驗者選擇性自我報告的離散情緒.實驗者共有49種不同的離散情緒（如活躍、平靜、快樂、困倦等），間隔時間從1分鐘到幾天不等.研究人員通過結(jié)合各種信息源（如位置和其他標簽）對自我報告的數(shù)據(jù)進行處理，以使其可靠.

傳感器的測量記錄為每分鐘20秒，數(shù)據(jù)收集周期為每個人3 到9 天不等.各實驗者的樣本數(shù)量從1164 到6263 不等.數(shù)據(jù)集包含二元變量和連續(xù)變量.總的來說，這些特征可以分為以下幾類：

（1）運動數(shù)據(jù)：包含了3 個智能手機傳感器（一個加速計、一個陀螺儀和一個磁強計）和2個智能手表傳感器（一個加速計和一個指南針）的原始測量值計算出的138個特征.這些是連續(xù)變量；

（2）聲音數(shù)據(jù)：包含了28 個原始特征，計算為13個Mel頻率倒譜系數(shù)的平均值和標準差.

（3）位置數(shù)據(jù)：包含了根據(jù)每分鐘人員的相對位置和運動變化測量的17個位置特征.

（4）手機數(shù)據(jù)：包含了28 個指示手機感知狀態(tài)的二進制功能，例如應用程序狀態(tài)、電池插入、電池狀態(tài)、鈴聲模式、手機上、Wi-Fi 狀態(tài)、屏幕亮度和電池電量.

（5）環(huán)境數(shù)據(jù)：包含了6 個環(huán)境變量，例如光、壓力、濕度和溫度.但是存在許多缺失值，因為并非所有手機都具有所有傳感器.

（6）時空數(shù)據(jù)：從記錄的時間戳中設計了5 個變量來表達情緒狀態(tài)和轉(zhuǎn)換的時間模式.由于數(shù)據(jù)集非常稀疏，我們計算了分鐘變量的時間差，以測量自上次記錄以來經(jīng)過的分鐘數(shù).其余4 個變量是分類變量.

（7）上下文數(shù)據(jù)：包含了51 個二元上下文標簽，如室內(nèi)，室外，飲食，和在車里，可以幫助識別主導情緒.

（8）情緒數(shù)據(jù)：包含了49 個標簽，如活躍、恐懼、警惕、憤怒等.

2.2 情感模型

情緒識別領域通常使用離散的情感模型和多維的情感模型來有效的對情感進行度量.離散情感模型使用諸如快樂、恐懼、憤怒、悲傷等標簽來表示獨立的情感.該模型特點簡單直觀，但表示的情感范圍有限，同時由于情感類別之間存有相似性，其難以進行表達及度量.為了解決上訴問題，研究者建立了多維的情感模型，利用多個維度的連續(xù)數(shù)值來描述情感的狀態(tài)，ORTORY 等人提出的OCC（Ortory-Clore-Collins）模 型［14］和 MEHRABIAN 和RUSSELL 提出的 PAD 模型［15］是目前使用最廣泛的模型.其中PAD 可以連續(xù)的描述情感，本文采用的是PAD模型.

PAD 模型開發(fā)于1974年，用于評估個人對環(huán)境感知和體驗的心理反應.人的情緒狀態(tài)可以從三個基本維度來感知：愉悅、喚醒和支配.快樂是積極或消極情緒的維度.喚醒代表心理反應狀態(tài).支配是受影響或控制的感覺的知覺認知維度［16］.本文研究包括情緒狀態(tài)的所有3 個維度.基本能夠區(qū)分日常生活中的所有情感.

2.3 數(shù)據(jù)處理

2.3.1 數(shù)據(jù)準備及清洗

數(shù)據(jù)集中有18 名實驗者的樣本含有情緒數(shù)據(jù)超過1000 個，缺失數(shù)據(jù)不到90%.因此，本文研究中以該18個實驗者的數(shù)據(jù)構(gòu)成情緒轉(zhuǎn)化數(shù)據(jù)集，數(shù)據(jù)集中共有49個離散的情緒標簽，使用英語單詞情感規(guī)范（ANEW）將49 個離散的情緒標簽映射到PAD模型的愉悅（P）、興奮（A）和支配（D）3 個維度 .ANEW 是由情緒和注意力研究中心開發(fā)的為研究情緒和注意力的研究者提供的標準.最新的數(shù)據(jù)庫包含了近14000 個英語單詞的情感含義，由1827 名參與者評分，他們的年齡、職業(yè)和教育程度各不相同.數(shù)據(jù)集中每個語言情感標簽被轉(zhuǎn)換成3 個維度的連續(xù)值，取值范圍在1 到9 內(nèi)，其中1 和9 分別表示在相應的PAD 維度中的最低和最高強度［17］.通過分別計算三個維度的絕對值最大值來決定一個人在任何時間點的主要情緒維度，然后，根據(jù)絕對值最大值的正負性考慮將愉悅分為不和諧、高興2 種情緒狀態(tài)，興奮分為勸阻、喚醒、2 種情緒狀態(tài)，支配分為順從和支配2種情緒狀態(tài).按｛1，2，3，4，5，6｝賦值，并設置為特征屬性“emotion”，完成將文本的情緒標簽映射為數(shù)值.

同時，刪除了數(shù)據(jù)集中缺失數(shù)據(jù)達到80%的特征，以及地理位置數(shù)據(jù).缺失值都被一個大的負數(shù)代替以表示缺失，并通過去除均值和縮放到單位方差來標準化特征.最后原始數(shù)據(jù)共有104個特征，其中標簽類數(shù)據(jù)為19個.

2.3.2 重采樣

由于數(shù)據(jù)稀疏，目標變量過于不平衡.在原始數(shù)據(jù)中，每5 分鐘間隔的樣本數(shù)從0 到5 不等.本文的研究旨在檢測較小時間間隔內(nèi)的情緒轉(zhuǎn)變和狀態(tài).因此，我們以每5分鐘采樣一次的頻率重新采樣所有數(shù)據(jù).在重采樣過程中，本文通過取5分鐘的間隔內(nèi)所有連續(xù)特征的平均值、所有二元特征的總和以及有順序特征值的最大值來作為樣本.

2.3.3 情緒變化處理

對于情緒轉(zhuǎn)換檢測，我們考慮了前一個窗口的特征變化 .因此，任意時刻 t 的特征集 Tt，k計算如公式（1）：

特征總數(shù)為n，ft，k表示第t個窗口第k個特征的值.情緒轉(zhuǎn)換檢測是一個二元分類問題，根據(jù)“emotion”字段，本文增設”emotion_change“屬性，其中0和1分別表示在過去5 分鐘內(nèi)情緒狀態(tài)沒有變化和變化.”emotion_change“即是本文的預測值.

3 基于FDCN的情緒檢測模型

為了充分學習特征間的低階、高階交叉、非線性組合，本文提出了基于因子分解機、深度交叉網(wǎng)絡的混合情緒變化檢測模型FDCN 模型，充分挖掘大學生日常環(huán)境、行為等數(shù)據(jù)特征間的隱形關聯(lián)，提高大學生情緒變化預測的準確性.

3.1 FDCN情緒變化檢測模型框架

FDCN 模型由 embedding 層、FM 層、交叉層、深度網(wǎng)絡層組成，其結(jié)構(gòu)圖如圖1所示.

圖1 FDCN模型結(jié)構(gòu)圖Fig.1 FDCN model structure diagram

其中FM 層負責低階特征的交叉；cross 層負責高階線性特征交叉，deep 層負責學習非線性的特征表達，充分挖掘特征關聯(lián)，提高預測精度.combination層由各層的輸出線性加權(quán)而成.

3.2 embedding層

考慮到數(shù)據(jù)集里的數(shù)據(jù)除傳感器數(shù)據(jù)外，還含有大量標簽類數(shù)據(jù)，如所在的環(huán)境是室內(nèi)或者室外等.這些數(shù)據(jù)在數(shù)據(jù)集里采用的是one-hot 編碼方式，在學習時會產(chǎn)生大量高維度的特征向量，為了減少特征的維數(shù)采用了embedding 層對這些標簽類數(shù)據(jù)進行處理［18］，embedding處理如公式（2）所示：

其中xembed，i是嵌入向量，xi是第i個標簽數(shù)據(jù)的輸入，它參數(shù)一起進行優(yōu)化，ne，nv分別是嵌入層大小和詞匯字典大小.

嵌入向量經(jīng)過嵌入層后與經(jīng)過連續(xù)特征歸一化后合并形成下一層的輸入如公式（3）所示：

3.3 FM層

FM 層的作用是解決特征數(shù)據(jù)稀疏如何組合，其通過在線性模型中加入兩個互相影響的特征組合，即將邏輯回歸模型拓展成二階特征交互，其預測值公式如公式（4）所示：

FM 模型借鑒了矩陣分解的思想，將二次項系數(shù)拆分為兩個特征向量相乘的形式，解決特征數(shù)據(jù)高維度且稀疏的問題.其優(yōu)化后如公式（5）所示：

其中 vi，vj∈ Rn×k表示第 i 個和第 j 個特征對應的參數(shù)，向量內(nèi)積公式（6）計算如下：

3.4 cross層

cross 層的作用是對特征進行顯式交叉，交叉網(wǎng)絡分為若干個交叉層，每一層的計算如公式（7）所示：

其中 wl，bl∈ Rd是第 L 層交叉網(wǎng)絡的權(quán)重系數(shù)和偏置系數(shù)，xl，xl+1是列向量，分別表示第 L 層和第 L+1交叉層的輸出.

3.5 deep層

deep 層由多層前饋神經(jīng)網(wǎng)絡疊加組成，負責提取輸入特征之間的隱形關聯(lián)，其每層輸出隱變量由公式（8）計算：

其 中 hl為 第 L 層 的 輸 出 ，hl∈ Rdl，hl+1∈ Rdl+1，Wl∈ Rdl×dl+1為第L層的權(quán)重矩陣，bl∈Rdl+1為第L層的偏執(zhí)向量，f為激活函數(shù).

3.6 組合輸出層

組合輸出層主要用于連接FM 層和cross層以及deep 層輸出的向量并計算概率值.本文直接將三個網(wǎng)絡輸出的向量進行線性組合，然后用sigmoid函數(shù)計算概率值.在網(wǎng)絡訓練過程中，使用對數(shù)損失和正則化項.組合輸出層組合三層的輸出向量為公式（9）：

預測值為公式（10）：

σ 為sigmoid 函數(shù)，模型訓練的損失函數(shù)為公式（11）：

yi為真實值，N 為輸入向量個數(shù)，λ 為正則化系數(shù).RMES計算公式如公式（12）所示：

3.7 算法流程

算法流程如下所示.

images/BZ_107_237_2326_2242_2383.png輸入：上下文環(huán)境數(shù)據(jù)、環(huán)境數(shù)據(jù)、手機數(shù)據(jù)、位置數(shù)據(jù)、聲音數(shù)據(jù)、.運動數(shù)據(jù)、時間數(shù)據(jù)輸出：情緒變化預測值步驟：1、對輸入數(shù)據(jù)進行清洗、預處理、重采樣；2、對輸入標簽類數(shù)據(jù)進行embedding處理；3、將連續(xù)特征和經(jīng)過embedding處理后的特征拼接；4、將拼接好的特征送入FM層、cross層、deep層；5、對三層的輸出進行線性加權(quán)；6、訓練網(wǎng)絡，利用反向傳播調(diào)整各層的權(quán)重系數(shù)；7、得到預測值

4 實驗結(jié)果與分析

4.1 評價指標

為了對以上分類模型進行評價，采用正確率（accuracy）、精度（precision）、召回率（recall）、F1 分數(shù)（F1Score）、AUC 進行評估，其計算公式如公式（13）、公式（14）、公式（15）、公式（16）所示：

其中，TP 為被分類器正確劃分為正例的個數(shù)，F(xiàn)P 為被分類器錯誤的劃分為正例的個數(shù)，TN為被分類器正確的劃分為負例的個數(shù)，F(xiàn)N為被分類器錯誤的劃分為負例的個數(shù).

4.2 模型訓練

本文的模型使用python3.6 在深度學習框架tensorflow2.0 上實現(xiàn)，使用的顯卡是NVIDIA gtx 1080顯卡.

將預處理好的數(shù)據(jù)作為FM 層、embedding 層的輸入特征.模型超參數(shù)影響模型性能的主要有正則化、deep 網(wǎng)絡層數(shù)及神經(jīng)元的個數(shù).通過表1，分析了超參數(shù)對實驗結(jié)果的影響.

表1 超參數(shù)對精度的影響Tab.1 Influence of super parameters on accuracy

由表1 可知，正則化操作有效提高了模型的指標，網(wǎng)絡層數(shù)和神經(jīng)元的個數(shù)并非越多越好.綜上，本文FCDC 模型設定的參數(shù)為deep 層網(wǎng)絡設為2 層，神經(jīng)元個數(shù)為128 個，層與層之間以全連接形式連接.embedding 層嵌入向量大小設置為4，cross層數(shù)為3，每層節(jié)點數(shù)為64 個，以全連接方式連接.輸出層采用relu 激活函數(shù)，采用L1 正則化.學習率參數(shù)設置為0.001.

4.3 模型對比

為了驗證本文提出的FDCN 模型在大學生情緒變化檢測的有效性，首先將FDCN 模型與前述的deep&cross模型、FM模型和DCN模型進行比較，驗證混合模型的效果.數(shù)據(jù)集采用交叉驗證，將數(shù)據(jù)集劃分為10 份，依次選用9 份作為訓練集，余下一份作為測試集，實驗10輪，以平均值為最終結(jié)果.圖2所示是四種模型的損失函數(shù)對比圖.

圖2 各模型損失函數(shù)對比圖Fig.2 Comparison diagram of loss function of each model

由實驗結(jié)果可知，四種模型隨著訓練代數(shù)增加，損失函數(shù)都呈下降趨勢，且都在第6次訓練代數(shù)損失函數(shù)趨于穩(wěn)定，其中FDCN模型表現(xiàn)最好，DCN次之.

各模型的RMES結(jié)果對比如圖3所示：

圖3 各模型RMES對比圖Fig.3 Comparison diagram of RMES of each model

由圖3 可知，隨著訓練迭代次數(shù)增加，各模型RMES 的值逐漸收斂，其中FDCN 模型收斂速度最快，DCN次之，F(xiàn)M表現(xiàn)較差.

為了進一步驗證FDCN模型的有效性，將FDCN模型和以上模型與近幾年在分類算法中應用比較多的樹形模型Xgboost 算法和RandomForest（隨機森林算法）進行比較.Xgboost 和RandomForest 兩種算法均調(diào)用Sklearn 庫實現(xiàn)，分別采用十折交叉驗證方法以及網(wǎng)格搜索法選擇兩種算法的最佳超參數(shù).對比結(jié)果如表2所示：

表2 模型對比Tab.2 Model comparison

實驗結(jié)果表明，在算法執(zhí)行時間上，傳統(tǒng)的樹形模型在中小型數(shù)據(jù)集上仍有一定優(yōu)勢，F(xiàn)DCN、deep&cross模型、DCN 模型等深度學習模型耗時均有所增加.FDCN 模型相較與單一的FM 模型、deep& cross 模型、DCN 模型在 ACC、Precision、Recall、F1等指標上均有提升，F(xiàn)DCN 模型和Xgboost算法的預測性能相似.由此可見，F(xiàn)DCN 模型通過FM 層獲取低階特征交叉、cross 層提取高階特征有效的組合，deep 層學習高階的非線性特征，三者組合具有較好的表現(xiàn). 所以深度學習模型通過結(jié)合FM、embedding、cross 等特征提取機制可以實現(xiàn)更加豐富的類別特征表達，充分挖掘特征關聯(lián)，在分類算法的精度上可以達到以傳統(tǒng)樹模型為基礎的分類算法水平.

5 結(jié)語

大學生的情緒變化檢測對高校的學生管理工作具有重要意義，傳統(tǒng)的量表篩查反饋性差，腦電檢測成本高昂.本文利用機器學習，提出了FDCN 情緒變化檢測模型，通過在智能手機和智能手表感知的日常數(shù)據(jù)上訓練，以深度交叉網(wǎng)絡為基礎，結(jié)合因子分解機充分學習特征的低階組合和高階組合以及非線性關系，可以及時、主動地檢測大學生的情緒狀態(tài)轉(zhuǎn)換.本研究有助于減少傳統(tǒng)篩查中對學生自我報告的依賴，實現(xiàn)對學生日常情緒的無縫跟蹤及情緒異常變化的提前感知，具有較好的應用性.