手机依赖行为的深度特征提取及其对大学生注意力调控的算法研究.pdfVIP

手机依赖行为的深度特征提取及其对大学生注意力调控的算法研究1

手机依赖行为的深度特征提取及其对大学生注意力调控的算

法研究

1.手机依赖行为特征提取方法

1.1数据收集与预处理

手机依赖行为特征提取的第一步是数据收集与预处理。数据收集主要通过问卷调

查、行为日志记录和实验室测试等方式进行。问卷调查可以收集大学生对手机使用的态

度、习惯和依赖程度等主观信息。行为日志记录则能够获取大学生在日常生活中使用手

机的具体行为数据，如使用时长、使用频率、使用时段等。实验室测试可以通过模拟真

实场景，观察大学生在特定任务下的手机使用行为和注意力表现。

在数据收集过程中，需要确保数据的准确性和完整性。例如，问卷调查的回收率应

达到一定比例，以保证样本的代表性。行为日志记录需要通过可靠的技术手段，如手机

应用程序或数据分析工具，来收集和存储数据。实验室测试则需要严格控制实验条件，

以减少外部因素的干扰。

数据预处理是将收集到的原始数据转换为适合分析的格式。这包括数据清洗、数据

转换和数据归一化等步骤。数据清洗主要是去除重复数据、缺失数据和异常数据。例如，

对于行为日志记录中的缺失数据，可以通过插值或删除等方式进行处理。数据转换是将

数据转换为适合分析的形式，如将时间戳转换为具体的日期和时间格式。数据归一化则

是将数据缩放到相同的范围，以便进行比较和分析。例如，将不同用户使用手机的时长

数据归一化到0到1之间，以便进行后续的特征提取和分析。

1.2特征选择与降维

在完成数据收集与预处理后，接下来是特征选择与降维。特征选择是从大量的原始

特征中选择出对手机依赖行为和大学生注意力调控有重要影响的特征。这可以通过统

计分析、相关性分析和机器学习算法等方法来实现。

统计分析可以计算每个特征的均值、方差、标准差等统计量，以评估特征的分布和

重要性。例如，使用手机时长的均值和标准差可以反映大学生使用手机的平均水平和波

动情况。相关性分析可以计算特征之间的相关系数，以确定哪些特征之间存在显著的相

关性。例如，使用手机的频率与注意力分散程度之间的相关系数可以表明这两个特征之

间的关系。机器学习算法，如决策树、随机森林和支持向量机等，可以通过训练模型来

评估特征的重要性。例如，随机森林算法可以通过计算特征的重要性得分来选择关键特

征。

2.大学生手机依赖行为特征分析2

降维是将高维数据转换为低维数据，以减少数据的复杂性和计算成本。常用的降维

方法包括主成分分析（PCA）、线性判别分析（LDA）和t-分布随机邻域嵌入（t-SNE）

等。主成分分析是一种线性降维方法，通过将原始特征转换为新的正交特征，即主成分，

来保留数据的主要信息。例如，在手机依赖行为研究中，PCA可以将多个相关的手机

使用行为特征降维为几个主成分，从而简化数据结构。线性判别分析是一种监督学习的

降维方法，通过最大化类间距离和最小化类内距离来实现降维。例如，在区分手机依赖

和非依赖的大学生时，LDA可以找到最佳的特征子空间，以提高分类效果。t-分布随机

邻域嵌入是一种非线性降维方法，通过保留数据的局部结构来实现降维。例如，在可视

化高维数据时，t-SNE可以将数据映射到二维或三维空间，以便更直观地观察数据的分

布和聚类情况。

通过特征选择与降维，可以提取出对手机依赖行为和大学生注意力调控有重要影

响的特征，为后续的算法研究和模型构建提供基础。

2.大学生手机依赖行为特征分析

2.1使用时间与频率特征

使用时间与频率是衡量大学生手机依赖行为的重要指标。根据相关研究，大学生平

均每天使用手机的时间约为4-6小时，其中重度依赖者使用时长超过8小时的比例高达

20%。使用频率方面，大学生平均每小时查看手机的次数在10-15次之间，而在课间休

息和睡前等特定时段，这一频率会显著增加至每5分钟一次。使用时间与频率的分布呈

现明显的不均匀性，例如在周末和假期，使用时长和频率较工作日高出30%-50%。这种

不均匀性与大学生的作息规律和社交活动安排密切相关。此外，使用时间与频率的长期

变化趋势也值得关注。随着智能手机功能的不断丰富和社交媒体的普及，大学生的手机

使