CN111723867A - 一种网络游戏迷恋度智能评估系统及方法 - Google Patents

Abstract

本发明公开了一种网络游戏迷恋度智能评估系统及方法，包括特征选择提取模块，被配置为对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；分类模型训练模块，被配置为构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；分类模块，被配置为采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。以人体多模态生理信息为基础，以数据驱动为手段的智能筛查模型有效提升分类准确率。

Description

一种网络游戏迷恋度智能评估系统及方法

技术领域

本发明涉及人工智能模式识别技术领域，特别是涉及一种网络游戏迷恋度智能评估系统及方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

传统的针对学生群体网络游戏迷恋程度评估方式多以调查问卷方式进行，首先采集多项被试者针对自身的主观评价，再将调查结论输入以模型驱动方式建立的统计公式，结果对应不同的量化指标，以确定网络游戏参与程度是否突破正常范围值。但是，发明人认为，这种以模型而不是以数据为主导的评估方式易导致统计在某种程度上成为一个自我封闭、自我评价的系统，同时该方式存在较强烈的主观因素干扰，被试者对问题回答尺度的把握很难精确化，导致将正常合理的网络游戏参与评价为“网瘾”类型，夸大网络的危害，或者不能够准确甄别已经因网络游戏而影响到健康人格的特定个体，失去采取进一步干预矫治措施的恰当时机。

其次，通过统计学生游戏账户在线时长的方法判定学生是否沉迷网络游戏，无法判定学生游戏账户在线的真实性、学生身份的真实性以及无法对跨服务器的学生进行约束；或通过指纹识别、脸部识别确认学生身份，继而统计在线时长。同样，发明人认为无法对跨服务器的用户进行约束，而且离线状态时不受控制，指纹、面部信息等有隐私泄露的风险，并且指纹信息或面部图像有作假的可能，采集的数据无法保证其真实性。

发明内容

为了解决上述问题，本发明提出了一种网络游戏迷恋度智能评估系统及方法，基于人体在游戏操作状态下的多模态生理数据提取特征，采用归一化手段统一量纲，以特征选择算法优化特征空间，采用加权最近邻方法收缩训练样本，以基于决策树的复合型SVM分类模型对特征空间进行分类，得到网络游戏迷恋度智能评估结果，以人体多模态生理信息为基础，以数据驱动为手段的智能筛查模型有效提升分类准确率。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种网络游戏迷恋度智能评估系统，包括：

特征选择提取模块，被配置为对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

分类模型训练模块，被配置为构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

分类模块，被配置为采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行分类，得到网络游戏迷恋度智能评估分类结果。

第二方面，本发明提供一种网络游戏迷恋度智能评估方法，包括：

对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行分类，得到网络游戏迷恋度智能评估分类结果。

第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种网络游戏迷恋度智能评估方法所述的步骤。

第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种网络游戏迷恋度智能评估方法所述的步骤。

与现有技术相比，本发明的有益效果为：

传统的网络游戏依赖度评估以问卷调查主观评述方法获得，所采集答案存在主观性、模糊性的缺陷，本发明以人体多模态生理信息为基础，以数据驱动为手段的智能筛查模型有效提升了诊断准确率。本发明不局限于某个游戏，而是通过提取用户游戏时的行为特征，根据进入游戏状态时的生理信息综合判定是否在进行游戏行为，提高对游戏行为的识别范围和识别精度。

本发明对多模态生理信号采用归一化手段统一量纲，以特征选择算法评估原始特征空间中大量特征与识别任务的关联度，筛除冗余特征，优化并压缩特征空间，提升特征与标注间的关联度，有效改善训练后的模型识别准确率同时节约算力资源。

本发明采用加权最近邻收缩样本选择策略，去除相似、重复、噪声、信息冗余样本，减少训练时间、降低数据存储要求、改善智能诊断系统复杂度，使数据集对识别任务的针对性更强，精简优化数据集，建立高效可靠的样本空间。

本发明采用一对多思想，结合决策树结构，构建基于决策树架构的复合型SVM分类器，该分类器将原有的多分类问题分解为一系列的二分类问题，能够有效解决多分类问题。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例1提供的网络游戏迷恋度智能评估系统示意图；

图2是本发明实施例1提供的多模态生理信息采集流程图；

图3是本发明实施例1提供的多模态生理信息特征提取流程图；

图4是本发明实施例1提供的多模态生理信息特征空间优选流程图；

图5是本发明实施例1提供的多模态生理信息数据集样本优选流程图；

图6是本发明实施例1提供的实验验证阶段工作原理图；

图7(a)-图7(b)是本发明实施例1提供的复合SVM分类器原理图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

互联网时代的大学生不同于中小学生，作为特定的成年人群体互联网已经成为其社交与知识获得的重要手段，完全屏蔽杜绝网络游戏的影响在实践与理论上均缺乏必要性和可操作性，宜疏不宜堵。大学生在校期间需要完成规定的学习培养计划，同时相较于职业人群具有自我管控能力较薄弱特点，过度沉溺网络游戏会消耗大量的时间与精力，影响正常的学习科研与社交活动，对于知识的积累获取和健康人格的塑造培养均会造成一定的负面影响。

传统的针对学生群体网络游戏迷恋程度评估方式多以调查问卷方式进行，如：长时间不参与网络游戏是否会感觉焦虑；听课过程中是否会频繁因思维停留于网络游戏情节而导致注意力不集中；是否对非网络环境下的社交活动缺乏兴趣等，但是该方法所采集答案存在主观性、模糊性的缺陷，模型驱动的评价方法进一步制约了诊断的准确性。

如图1所示，本实施例提供一种网络游戏迷恋度智能评估系统，包括：

特征选择提取模块，被配置为对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

分类模型训练模块，被配置为构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

分类模块，被配置为采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

所述特征选择提取模块中：

S1-1：采集网络游戏操作状态下的多模态生理信号的采集过程包括：采集平台硬件部分包含可以运行大型网络游戏的高配置电脑一台，生理信号采集设备一套。对被采集者的个人情况进行详细调研，作为样本的标注依据；被采集者进入电脑界面后可根据个人兴趣选择不同游戏类型，如图2所示，在三个文件夹中分别安装有即时战略、角色扮演、棋牌竞技三种主流类型网络游戏客户端，以适应不同个体日常的网络游戏参与习惯以使其获得更理想的情绪体验。

网络游戏行为标签包括：

f₁,f₂,f₃分别为三种不同类型网络游戏参与度的学生群体，f₁为每周参与网络游戏超过10小时且课程平均成绩低于七十分的学生类型，即约束条件1，标注为沉溺型网络游戏参与者{0}；

f₂为每周网络游戏参与时长在3-10小时或参与时长超过10小时但课程平均成绩高于70分的学生类型，即约束条件2，标注为克制型网络游戏参与者{1}；

f₃为每周网络游戏参与时长低于3小时的学生类型，即约束条件3，标注为网络游戏低兴趣学生组{2}。

x_i,p_i,y_i,h_i,m_i分别为游戏操作过程中所提取到的心电、皮电、呼吸、血氧、面部血氧含量等多模态生理数据特征子集，通过映射关系对不同样本进行标注，分别为类型1网络游戏过度迷恋型、类型2网络游戏普通兴趣型，类型3网络游戏低度兴趣型。

被采集者进入游戏操作状态后，生理信息采集装置同步启动，采集心电(-1.5mA-1.5mA)、皮电(0μs-25μs0)、呼吸频率(-50％-50％)、血氧(0μA-1.2μA)、面部血氧含量(0μA-0.15μA)五种不同模态生理信号，刷新频率为200Hz，利用清晰的时间维度表达获得自主神经系统的活动规律特征。

自主神经系统是人体的末梢神经系统，由躯体神经过分化、发展，形成机能上独立的神经系统，它受到大脑支配但有较多的独立性，特别是具有不受意志支配的自主活动。已经形成“网瘾”的个体在进行虚拟游戏活动阶段，其所得到的获得感与愉悦感比正常人群要显著强烈，这种差异会通过不受主观意志管控的自主神经系统呈现，心电、皮电、呼吸频率、血氧等一系列多模态生理数据在时间维度上有准确的表达，能够以较高分辨率刻画人体自主神经活动规律。

S1-2：对多模态生理信号建立初始特征空间包括：由于心电、血氧含量等五种生理信息数据单位不统一，对多模态生理信号进行归一化处理，将有量纲表达式变为无量纲表达式，保证基于不同生理信号的特征对分类任务发挥同等作用并有效融合；

所述归一化处理把数据映射到0～1范围之内，计算方法如下所示：

如图3所示，针对人体生理信息特点，对多模态生理信号分别提取均值、标准差、一阶导数、高频功率、低频功率、多尺度熵、移动平均值、移动标准差、差分、斜率等特征，建立初始特征空间。

S1-3：采用特征选择算法对初始特征空间进行优化过程为，以滤波式特征选择为基础，采用Relief特征选择算法优化特征空间，筛选出与分类任务高度相关的强相关特征，减少冗余特征，改善数据集性能，在提高分类准确率的情况下有效减少模型计算复杂度，建立更简洁高效的分类特征空间。

选择目标样本集，基于欧式距离筛选出该目标样本集的两个近邻样本集，第一近邻样本集与目标样本集为相同类别，第二近邻样本集与目标样本集为不同类别，将初始特征空间中所有特征权值初始化；根据目标样本集与两个近邻样本集的距离变化，以及特征与类别的相关性变化，改变特征权值。

如图4所示，具体包括：在样本集中随机选择一定数目样本集，对每一个样本基于欧氏距离筛选出该样本集的两个近邻样本集，第一近邻样本集与该样本为相同类别，第二近邻样本集与该样本为不同类别，将所有特征权值初始化为0，对特征权值进行更新：

a、如果某一特征使得该样本和离该样本距离最近的不同类型样本距离越大，伴随该特征与类别的相关性越强，则增加该特征权值；

b、如果某一特征使得该样本和离该样本距离最近的相同类型样本距离越大，伴随该特征与类别的相关性减弱，则减小该特征权值；

c、计算所有选出样本，选择权值大于特定阈值的特征建立新的特征空间。

其中，强相关特征定义为：如果在初始特征空间中仅去除特征V_i就会导致最优贝叶斯分类器性能下降，则称V_i为强相关特征。

冗余特征定义为：对于某个特征V_i，如存在特征子空间S，使贝叶斯分类器在新的特征空间V_i∪S上的分类性能比在S空间上的分类性能差或者没有改变，则称V_i为冗余特征。

所述分类模型训练模块中：

S2-1：采用加权最近邻方法对训练集进行优化具体包括：

如图5所示，设原始训练集为T，S为其子集，采用Adaboost算法获得每个样本权值矢量ω，由S＝T开始，从S中顺序检测每个样本，如去除该样本后不会引起T中加权训练样本误差增加，则去除该样本。

核心操作为通过顺序搜索获得最优解，在考虑样本差异性的基础上提升运算速度。特征、样本、分类方法是目标识别过程中起决定作用的三个基本环节，数据集过大、样本过多以及样本之间的关系过于复杂会导致基于数据集训练的智能模型识别性能下降，稳定性不足。本实施例充分重视样本优选在数据集建立过程中的作用，通过样本优选可以从原始训练样本集中优化出更小的样本子集，基于该训练集所训练出的分类器模型性能不低于在原始训练集中训练出的分类器模型性能，同时有效节约算力。

S2-2：所述基于决策树的复合型SVM分类模型的构建包括：基于一对多(one-against-all)策略构建基于决策树的级联复合型SVM分类器，克服传统SVM分类器仅适用于二值分类问题的缺陷，解决在网络游戏依赖度智能诊断过程中的三分类命题。

支持向量机(SVM)分类器定义为：给定训练数据集，通过间隔最大化或等价，求解相应凸二次规划问题学习得到的分离超平面为：

w^*·x+b^*＝0 (2)

以及相应的分类决策函数：

f(x)＝sign(w^*·x+b^*) (3)

称为支持向量机(SVM)。

SVM是一种有坚实理论基础的小样本学习方法，它基本不涉及概率测度及大数定律等，避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的转导推理，有效简化了通常的分类和回归问题，同时具备良好的鲁棒性和泛化能力，成为目前最常用效果最好的分类器之一，但是传统的SVM仅是一个二值分类器，本实施例采用一对多思想，结合决策树架构，建立能够有效解决多分类问题的复合型支持向量机模型，为网络游戏依赖度的智能评估提供更准确和精细化的手段。

S2-3：对构建的基于决策树的复合型SVM分类模型进行测试与训练包括：

a、实验测试阶段，本实施例将采用交叉验证方法在建立的数据集上对智能模型的基本性能进行测试，把原始数据进行分组，一部分作为训练集，另一部分作为验证集。

b、采用训练集对分类器进行训练，利用验证集来测试训练得到的模型，评价分类器的性能指标。

c、应用测试阶段，本实施例将把特定目标个体在网络游戏操作状态下的多模态生理数据进行特征提取与筛选，输入训练后的智能模型，将所获得诊断结论与专业心理医师的评估结论相对照，对模型性能做出客观评价。

如图6所示为实验阶段具体过程，本实施例将征募两百名以上不同程度参与网络游戏的在校大学生志愿者，首先对志愿者日常生活中网络游戏参与情况与学习状况进行详细了解，建立基本的映射关系规则：

公式中f₁,f₂,f₃分别为三种不同类型网络游戏参与度的学生群体，f₁为每周参与网络游戏超过10小时且课程平均成绩低于七十分的学生类型，即约束条件1，标注为沉溺型网络游戏参与者{0}，后续需采取针对性康复矫治策略；

f₂为每周网络游戏参与时长在3-10小时或参与时长超过10小时但课程平均成绩高于70分的学生类型，即约束条件2，标注为克制型网络游戏参与者{1}，后续仅需进行必要的沟通交流结合合理的心理疏导；

f₃为每周网络游戏参与时长低于3小时的学生类型，即约束条件3，标注为网络游戏低兴趣学生组{2}，可暂不采取针对性心理干预措施。

x_i,p_i,y_i,h_i,m_i分别为在志愿者游戏操作过程中所提取到的心电、皮电、呼吸、血氧、面部血氧含量等多模态生理数据特征子集，通过确立严谨的映射关系对不同样本进行标注，将网络游戏迷恋度的智能评估方案建模为一个以人体生理数据为基础的三分类问题；待识别目标状态有三种不同类型，分别为类型1网络游戏过度迷恋型、类型2网络游戏普通兴趣型，类型3网络游戏低度兴趣型。

如图7(a)-图7(b)所示，首先将所有类别分为两个类别，再将子类进一步划分为两个次级子类，依次循环，直到所有的节点都只包含一个单独的类别为止，此节点也是二叉树中的叶节点。基于决策树架构的复合型SVM分类器将原有的多分类问题分解为一系列的二分类问题，其中两个子类间的分类函数分别采用训练出的不同SVM分类器结构，在实际测试过程中，将获取的未知样本自上而下依次输入一个或多个独立的二分类SVM模型，完成智能诊断评估。

本实施例将采集的在校大学生群体在网络游戏体验环节中的多源生理信息，并进行科学规范标注，形成以自主神经活动规律为研究手段，以网络游戏迷恋度评估为研究目标的多模态生理数据集，为神经生理学、教育学、人工智能等学科的研究提供有力的数据支撑。

以此为基础，本实施例将通过数据驱动方式建立有监督学习智能诊断模型，把在特定环境下获取的人体生理数据输入模型即可对已经形成“网瘾”的个体明确诊断；以诊断结论为依据，后续可以针对迷恋网络游戏而无法自我克制的学生采取一系列康复矫治措施做到精准帮扶，摆脱“网瘾”控制，对参与网络游戏而能够自我克制合理管控的同学采取适当的沟通交流途径，避免逾越健康界限，分类分型因人施治。本实施例将数据挖掘的技术手段与神经生理学的基本理论相结合，建立以数据驱动为背景的大学生网络依赖度智能评估模型，营造健康的网络环境与上网方式，为文明校园贡献力量。

在更多实施例中，提供一种网络游戏迷恋度智能评估方法，包括：

S1：对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

S2：构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

S3：采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行分类，得到网络游戏迷恋度智能评估分类结果。

在更多实施例中，提供一种电子设备，包括网络游戏行为信息传输子系统，用于采集用户在进入网络游戏状态时的表情、心率、呼吸等生理信号或行为信号；

所述信息传输子系统通过摄像头、生理信号采集设备采集上述信号，并传输至存储器进行存储，处理器对上述信号进行处理，并将处理结果发送至显示设备，对用户进行提醒和控制。

所述处理器对上述信号进行处理包括：

对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

在更多实施例中，一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

在以上实施例中，通过采集用户的表情、心电、呼吸等多种生理和行为信号，以用户实际进入游戏行为时的数据为基础，判定用户对游戏行为的热度，提高对游戏行为的识别范围和识别精度。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种网络游戏迷恋度智能评估系统，其特征在于，包括：

特征选择提取模块，被配置为对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

分类模型训练模块，被配置为构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

分类模块，被配置为采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

2.如权利要求1所述的一种网络游戏迷恋度智能评估系统，其特征在于，所述生理信号包括心电信号、皮电信号、呼吸信号、血氧信号和面部血氧含量信号，对五种生理信号进行归一化处理，提取均值、标准差、一阶导数、高频功率、低频功率、多尺度熵、移动平均值、移动标准差、差分和斜率的特征，建立初始特征空间。

3.如权利要求1所述的一种网络游戏迷恋度智能评估系统，其特征在于，所述采用特征选择算法对初始特征空间进行优化具体包括：

选择目标样本集，基于欧式距离筛选出该目标样本集的两个近邻样本集，第一近邻样本集与目标样本集为相同类别，第二近邻样本集与目标样本集为不同类别，将初始特征空间中所有特征权值初始化；根据目标样本集与两个近邻样本集的距离变化，以及特征与类别的相关性变化，改变特征权值。

4.如权利要求3所述的一种网络游戏迷恋度智能评估系统，其特征在于，所述改变特征权值具体包括：如果某一特征使得目标样本集和第二近邻样本集距离越大，该特征与类别的相关性越强，则增加该特征的特征权值；

如果某一特征使得目标样本集和第一近邻样本集距离越大，该特征与类别的相关性减弱，则减小该特征的特征权值；

选择特征权值大于特定阈值的特征建立分类特征空间。

5.如权利要求1所述的一种网络游戏迷恋度智能评估系统，其特征在于，所述强相关特征为：在初始特征空间中，存在删除某一特征导致分类器性能下降，则该特征为强相关特征。

6.如权利要求1所述的一种网络游戏迷恋度智能评估系统，其特征在于，所述冗余特征为：对于某一特征V_i，存在特征子空间S，使分类器在特征空间V_i∪S上的分类性能比在特征子空间S上的分类性能差或者没有改变，则该特征为冗余特征。

7.如权利要求1所述的一种网络游戏迷恋度智能评估系统，其特征在于，所述采用加权最近邻方法对训练集进行优化具体包括：采用Adaboost算法获得训练集中每个样本权值矢量，在训练集的子集中检测每个样本，若删除该样本不会导致训练集中加权训练样本误差增加，则删除该样本。

8.一种网络游戏迷恋度智能评估方法，其特征在于，包括：

对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

对采集的网络游戏操作状态下的多模态生理信号建立初始特征空间，采用特征选择算法对初始特征空间进行优化，筛选强相关特征，降低冗余特征量，得到分类特征空间；

构建基于决策树的复合型SVM分类模型，采用加权最近邻方法对训练集进行优化，利用优化后的训练集对基于决策树的复合型SVM分类模型进行训练；

采用训练后的基于决策树的复合型SVM分类模型对分类特征空间进行网络游戏行为标签的标注，输出当前网络游戏行为的迷恋状态。

Images