基于PSO-SVM的大學生手機依賴分析系統

徐煒君，原大明，劉東升

（東北石油大學 秦皇島分校，河北 秦皇島066004）

XU Wei-jun，YUAN Da-ming，LIU Dong-sheng

（Northeast Petroleum University at Qinhuangdao，Qinhuangdao 066004，china）

基于PSO-SVM的大學生手機依賴分析系統

徐煒君，原大明，劉東升

（東北石油大學 秦皇島分校，河北 秦皇島066004）

針對手機依賴給大學生造成的生理、心理及社會功能損害問題，將支持向量機（SVM）和粒子群（PSO）優化算法結合，利用PSO優化SVM的核函數參數γ和懲罰因子C，設計了一種大學生手機依賴分析系統。系統通過手機APP發布和回收手機成癮指數量表問卷，用得到基礎數據訓練PSOSVM進而得到手機依賴分類模型，模型可以實時地對采集的問卷進行分類判斷，避免了問卷的發放、收集和數據錄入分析等繁瑣的工作。系統還可以對分類的結果進行統計分析，便于掌握學生的最新動態。實驗結果表明，本系統的分類準確率高達97.561%，而且系統可以自動的進行手機依賴者的篩選和統計分析，系統的分析結果可信可靠。

支持向量機；粒子群優化；大學生手機依賴；手機成癮指數量表；手機APP

隨著互聯網技術的發展及手機等新媒體技術的異軍突起。智能手機已經成為人們日常生活的重要組成部分。人們不僅利用手機進行即時通信，還用它來網上沖浪，進行社會交往、網絡游戲、購物、閱讀、導航等活動。手機給人們的日常生活提供了許多便利和豐富多彩的體驗，但是它同時也帶來了許多消極的影響，其中影響最大的一個就是手機依賴問題[1]。

在眾多手機用戶中，大學生群體使用手機較為頻繁，他們更能充分利用智能手機的功能，對手機依賴程度高于其他群體，離開手機就會出現群體規范的脫離和心理層面的焦慮不安。相對于其他群體，大學生群體對手機的使用行為更值得深入地探討和研究[2]。探究大學生手機依賴行為，對培養大學生合理使用手機、健全道德人格尤為重要。

文中以手機成癮指數量表作為問卷調查的依據，采用手機APP發布和回收該問卷，對采集到的數據利用粒子群 （PSO）優化參數的支持向量機（SVM）建立分類模型，并在該模型的基礎上設計手機依賴分析系統，對分類數據進行統計分析以便于教學管理者和教師及時掌握學生的動態并采取應對措施。

1 手機依賴的概念及其危害

1.1 手機依賴的概念

手機依賴是由于對手機的過度使用而產生的一種依賴行為，因而對手機依賴的界定，首先要強調對手機的過度使用，其次要強調這種過度使用所帶來的后果。對手機使用者而言，這種后果可能是身體上的，也可能是心理上的，還有可能是社會方面的。同時，它既可能是正面的如滿足感，也有可能是負面的如身體的傷害等[3]。

1.2 手機依賴的危害

目前手機依賴的危害在大學生中是有目共睹的。手機依賴會給大學生的生理、心理及社會功能造成很大的損害。

手機依賴會導致大學生的記憶力、系統思維能力和理解能力的萎縮，使學生缺乏主動思考的積極性，并且其情緒變得焦慮、沮喪，進而會影響其價值觀和人生觀的正確確立[4]。

通過手機這種虛擬介質所建立和維持的人際圈，使用得當有助于消除青少年暫時的孤獨感，但使用過度則會使得他們逐漸疏遠現實生活中的家庭和朋友。久而久之，這種對手機的過度依賴反而引起更大的孤獨感、抑郁、焦慮等一系列心理不適，并對青少年的生活方式造成重要影響[5]。

2 研究方法及系統設計

鑒于手機依賴現象的發展及其危害的日益嚴重。目前有關手機依賴及其相關問題已引起研究者的普遍關注。有的通過編制量表對手機依賴者進行篩選及現狀分析；有的從個體的動機因素去分析對手機依賴的影響；還有從個體的人格特征進行探索。

目前研究手機依賴問題常用的方法主要是通過調查問卷的方式得到基礎數據，然后在此數據的基礎上通過統計分析的方法對數據進行分析處理，進而從社會學和心理學的角度分析手機依賴所帶來的危害及其解決辦法。

文中在調查問卷的基礎上，通過工程的方法建立手機依賴分析系統，對被調查的大學生作出是否為手機依賴者的判斷并作出統計分析。通過該系統，學校和老師可以及時的掌握學生的動態，進而采取相應的應對措施。

2.1 研究方法

本系統以香港中文大學梁永熾教授編制的手機成癮指數量表（Mobile Phone Addiction Index，MPAI）作為調查問卷，利用手機APP軟件發布該問卷并要求本校學生作答和提交問卷，提交后的數據存入后臺數據庫中供手機依賴分類模型使用。

手機依賴分析系統的核心是利用PSO優化參數的支持向量機（SVM）建立的分類模型，該模型可以做出參與問卷者是否為手機依賴者的判斷，系統再將分類結果進行更深入的統計分析，教學管理者和參與者便可以根據此分析結果采取相應的應對措施。

系統的結構框圖如圖1所示，主要由手機APP、服務器、手機依賴分類模型及分類結果統計分析4個部分組成。

圖1 系統結構框圖

2.2 手機APP設計

本系統的手機APP主要用來發布和回收手機依賴調查問卷，調查問卷以香港中文大學梁永熾教授編制的手機成癮指數量表 （Mobile Phone Addiction Index，MPAI）作為調查問卷的基礎進行編制。該APP用JAVA開發，通過JDBC（Java Data Base Connectivity，JDBC）與后臺服務器中的MySQL數據庫進行數據交互，手機APP界面如圖2所示。

2.3 建模算法

1）支持向量機（SVM）

支持向量機 （Support Vector Machine，SVM）由Vapnik[6]于1995年首次提出，它是一種有監督的學習過程[7-8]，通常用來進行分類[9]（Support Vector Classification，SVC） 及回歸預測分析[10]（Support VectorRegression，SVR）。SVC的線性二分類問題定義為：對于給定的集合（x1，y1），（x2，y2），…，（xn，yn）∈Rn×R，其中xi∈Rn，yn∈{-1，1}，i=1，…，n。根據集合，在n維實值空間（Rn）上找出一個實值函數g（xi），使得指示函數f（xi）滿足式（1）的條件：

圖2 APP調查問卷界面

式中ε為選取的閾值，-1代表一種類型，+1代表另一種類型。

而對于非線性分類問題，支持向量機需要用核函數將低維空間的線性不可分映射到高維空間來實現線性可分[11-12]。核函數的類型有多種，常用的核函數有多項式、高斯及RBF核函數。由于RBF核函數具有較強的插值能力、收斂域寬、參數少等優點[13]，文中在SVM中使用RBF核函數，其表達式為：

式中：γ＞0是RBF的參數。

在實際的應用中，RBF的參數γ直接影響其分類性能，而選擇合適的懲罰因子C可以使學習機的置信范圍及經驗風險具有最佳的比例。為了解決支持向量機的參數選取的盲目性，本文利用粒子群優化算法（PSO）對SVM的參數進行優化，提出了基于PSO-SVM的手機依賴分類模型。

2）粒子群（PSO）對SVM參數的優化

PSO算法是 Kennedy[14]等人模擬鳥群的飛行捕食行為而提出的一種高效多維的并行尋優算法。本研究采用PSO算法來尋找SVM參數組（C、γ）的最優參數組合，即采用速度、位置搜索模型來尋找最優參數組合。設群體中的每個粒子由2維參數向量（C，γ）組成，第i個粒子在2維解空間的位置為ui=（ui1，ui2）T，其速度為vi=（vi1，vi2）T。本次迭代的個體極值為p，全局極值為g。在每次迭代中，粒子跟蹤個體極值、全局極值和自己前一次迭代的狀態來調整本次迭代的位置和速度，迭代公式為[15]：

其中：vi（t）、vi（t+1）、ui（t）、ui（t+1）分別是第 i個粒子在本次和下一次迭代的速度和位置；c1、c2是學習因子，其初始值本文分別取 1.5和 1.7；r1、r2是[0，1]之間的隨機數；ω是權重因子，為加快收斂速度，其值根據式（5）隨著算法的迭代進行自動調節。

其中：ωmax、ωmin∈[0，1]分別為最大和最小權重因子；t為當前迭代次數；tmax為總的迭代次數[16]。

3 分類模型數據的選取和預處理

在MySQL數據庫的調查問卷數據中，隨機抽取100份調查問卷數據，以手機成癮指數量表（MPAI）的判定原則為基礎依據對這100個參與者進行人工預判，預判的結果存入對應的問卷數據中形成樣本集。由于樣本集中的數據具有不同的數據類型，所以需要對每個樣本數據的各個分量按照式（6）進行歸一化預處理，將所有數據均歸一化到 [0，1]的范圍內。

其中：yi（j）為分量，yimax（j）和yimin（j）分別為第j個分量的最大和最小值，xi（j）為歸一化后的分量，i=1，2，…n，n為樣本數；j=1，2，…，m，m為樣本屬性數。

手機依賴分類系統以該100組歸一化后的數據對PSO-SVM進行優化和訓練，進而建立手機依賴分類模型，模型建立好后就可以實時地對采集到的問卷數據進行分類判斷。

4 運行實例及結果分析

為了驗證本分析系統的有效性和可靠性，隨機選取本校學生的82個問卷作分析，該系統的分類準確率可以達到97.561%（80/82），其PSO優化后的最優參數是C=0.8，γ=1.0。分類結果的統計分析如表1所示。運行結果表明，本系統可以自動的進行手機依賴者的篩選和統計分析，系統的分析結果可信、可靠。

5 結 論

文中提出的基于PSO-SVM的大學生手機依賴分析系統，通過手機APP發布和回收手機成癮指數量表問卷，避免了問卷的發放、收集和數據錄入分析等繁瑣的工作。系統設計具有一定的靈活性：系統可隨著調查問卷的變化來改變分類策略和統計分析的結構。將支持向量機SVM[17-18]和粒子群PSO優化算法結合，使系統的分類準確率高達97.561%。系統分類結果的統計分析功能，便于掌握學生的最新動態。運行結果表明，本系統可以自動的進行手機依賴者的篩選和統計分析，系統的分析結果可信可靠。

表1 分類結果統計分析表

[1]張云，茆意宏.大學生移動閱讀沉迷現象與閱讀引導[J].圖書情報工作，2014，58（17）:36-40.

[2]董海軍，楊榮輝.大學生手機依賴與需求的實證分析[J].中國青年研究，2014（4）:15-19.

[3]賈悅.國外手機依賴研究綜述 [J].北京郵電大學學報：社會科學版，2015（3）:74-79.

[4]逄方圓，宗宇.新環境下手機依賴對大學生的危害分析及應對策略[J].統計與管理，2014（7）:94-95.

[5]賀金波，陳昌潤，鮑遠純，等.青少年手機依賴的測量、危害和發生機制[J].中國臨床心理學雜志，2012，20（6）:822-825.

[6]Vapnik V N.The nature of statistical learning theory[M].New York:Springer，1995.

[7]張偉，李泓儀，蘭書梅，等.GA-SVM對上證綜指走勢的預測研究[J].東北師大學報：自然科學版，2012（1）:55-59.

[8]田宇馳，胡亮.基于SVM的一種醫療數據分析模型[J].東北師大學報：自然科學版，2015，47（1）: 77-82.

[9]畢安琪，王士同.基于SVC和SVR約束組合的遷移學習分類算法[J].控制與決策，2014，（29）:1021-1026.

[10]傅成紅，張陽.基于參數優化的SVR城市群交通需求預測方法[J].系統工程，2016，（34）:114-120.

[11]李克靖，孫鳳梅，石喬林.一種基于SVM的多特征參數清濁音判決算法[J].電子設計工程，2016，24（5）:184-186.

[12]唐喆，曹旭東.網頁分類中特征選擇方法的研究[J].電子設計工程，2016，24（5）:120-122.

[13]舒堅，湯津，劉琳嵐，等.基于模糊支持向量回歸機的WSNs鏈路質量預測 [J].計算機研究與發展，2015，52（8）:1842-1851.

[14]Kennedy J， Eberhart R. Particle swarm optimization [C]// Neural Networks， 1995. Proceedings.，IEEE International Conference on. IEEE，1995:1942-1948 vol.4.

[15]李紅連，唐炬.基于PSO-SVR的同步發電機勵磁電流預測[J].西北農林科技大學學報：自然科學版，2013，41（6）:188-194.

[16]齊乃明，孫小雷，董程，等.航跡預測的多無人機任務規劃方法 [J].哈爾濱工業大學學報，2016（4）:32-36.

[17]劉白林，陳國一，鄒會云.類間距節點優化DDAGSVM算法在多故障診斷中的應用[J].西安工業大學學報，2014（5）：369-373.

[18]茅嫣蕾，魏赟，賈佳.一種基于KKT條件和殼向量的SVM增量學習算法[J].電子科技，2016（2）：38-40.

A college students’mobile phone dependence analysis system based on PSO-SVM

Aiming at the problem of the physiology，psychological and social function damage caused by mobile phone dependence，a mobile phone dependence analysis system for college students is designed. The system combined support vector machine（SVM）with particle swarm optimization（PSO）algorithm，using PSO to optimize the SVM kernel function parameters γ and penalty factor C.The system distributesand takesback the MPAIquestionnairesthrough mobile phone APP， using the questionnaires'data to train PSO-SVM and then gets the phone dependence classification model，the model can be used to classify the collected questionnaires in real time and can avoid tedious work of distribution，collection and data entry of the questionnaire.The system can also carry on statistical analysis to the result of classification，easy to grasp the situation of students.The experimental results show that the classification accuracy of the system is as high as 97.561%，and the system can automatically carry out screening and statistical analysis of the mobile phone dependence，the results of the system can be trusted and reliable.

support vector machine；particle swarm optimization；college students mobile phone dependence；mobile phone addiction index；APP

TN957.52

：A

：1674－6236（2017）01-0013-04

XU Wei-jun，YUAN Da-ming，LIU Dong-sheng

（Northeast Petroleum University at Qinhuangdao，Qinhuangdao 066004，china）

2016-04-22稿件編號：201604220

河北省高教會2015年度高等教育科學研究課題（GJXH2015-310）

徐煒君（1981—），男，陜西富平人，碩士，講師。研究方向：自動控制、風電預測及人工智能等。