一种基于物联网的职业紧张评估系统

摘要

本发明公开了一种基于物联网的职业紧张评估系统，包括客户端、服务器管理平台，客户端与服务器管理平台之间通过通讯网络进行数据交换；服务器管理平台包括调查信息加载模块、问卷赋值模块、职业紧张调查信息数据库、和统计模块，统计模块计算得出的生理指标信息包括收缩压、舒张压、高密度脂蛋白。上述方案中，通过实时采集用户职业紧张信息，调查数据可靠，可进行连续性、大样本量的调查，提高职业紧张调查率，节约调查成本；并可实时反馈调查结果，使得用户了解自身情况，以便用户采取相应措施，预防职业枯竭甚至疾病的发生。

说明书

技术领域

本发明涉及数据统计领域，具体涉及一种基于物联网的职业紧张评估系 统。

背景技术

自20世纪70年代，职业压力在欧美等发达国家开始研究以来，到20世 纪90年代，北欧的丹麦、挪威、瑞典先后通过立法要求降低职业人群中的职 业压力程度。1990年以来，我国学者开始对职业压力问题进行研究。目前， 国内外对压力的研究主要集中在寻找产生压力的因素及机体的应激反应，其中 研究职业压力心理影响因素及评价紧张水平主要依靠问卷填写的方法，主要依 靠研究人员通过当面填写纸质问卷并回收以达到职业压力信息采集的目的，但 填写内容主观倾向较强，由此造成研究人员不足、耗费大量人力物力、问卷统 计效率低下、问卷质量难以保证等问题。

发明内容

为解决上述问题，本发明提供了一种基于物联网的职业紧张评估系统，其 可准确、快捷的基于物联网对职业紧张进行评估。

为实现上述目的，本发明采取的技术方案为：

基于物联网的职业紧张评估系统，包括：

用于用户登陆、填写调查问卷、查看调查结果的客户端；

以及用于加载调查问卷至客户端，存储、统计调查问卷信息、职业紧张得 分和向客户端反馈调查结果信息的服务器管理平台；

客户端与服务器管理平台之间通过通讯网络进行数据交换；

调查问卷调查的信息包括客观指标和主观指标；客观指标包括血压、白细 胞计数、红细胞计数、血红蛋白含量、高密度脂蛋白含量的生理和生化指标； 主观指标包括紧张因素分组、个性特征因素分组、缓解因素分组、心理反应分 组；紧张因素分组包括工作控制流量表、工作需求量表、工作危险性量表、工 作单调性量表、工作前景量表、提升与参与机会量表的指标；个性特征因素分 组为包括A型行为量表、工作心理控制源量表、自尊感量表、焦虑特质量表、 组织忠诚度量表的指标；缓解因素分组包括应付策略量表、社会支持量表的指 标；心理反应分组包括工作满意感量表、心理健康量表、抑郁症状量表、焦虑 状态量表、躯体抱怨量表的指标；

服务器管理平台包括：

用于将调查问卷内容加载到客户端相关网页上的调查信息加载模块；

用于对客户端反馈的调查问卷信息内各条目进行赋值、计算各职业紧张因 素得分的问卷赋值模块；

用于储存数据的职业紧张调查信息数据库；

以及用于根据问卷赋值模块得到的职业紧张得分，采用统计学方法分析、 得出回归方程，根据回归方程计算得出相对应的生理指标信息的统计模块；统 计模块计算得出的生理指标信息包括收缩压、舒张压、高密度脂蛋白。

具体的方案为：

服务器管理平台还包括用于统计用户注册信息，限定用户短时间内重复注 册、填写问卷的调查信息采集模块。

统计模块采用如下方法分析数据：

S10：职业紧张调查信息数据库中选取一项客观指标X，选取一个主观指 标中的分组α，用多元线性回归分析法来选取所述分组α中与所述客观指标 X之间相关的指标；

S20：判断是否完成所有客观指标与所有分组之间的多元线性回归分析，

如完成则将筛选出来的所有分组中与客观指标X相关的指标汇总，α经多元 逐步回归分析结果然后以最小二乘法形成客观指标X与分组α中筛选出来的 指标的多元线性回归方程后进入步骤S30，否则回到步骤S10；

S30：将筛选出来的所有分组中与客观指标X相关的指标，代入所述步骤 S103得出的客观指标X与分组α中指标的多元回归方程，计算得到用户的各 项客观指标。

步骤S10中用如下多元线性回归分析法来选取分组α中与客观指标X之 间相关的指标：

S11：提取职业紧张调查信息数据库中所有样本的客观指标X和分组α， 用最小二乘法得到指标X与分组α中每个指标的多元线性回归方程；

S12：计算多元线性回归方程的决定系数R2，其值越接近于1，说明模型 对数据的拟合程度越好；

S13：用逐步选择法验证每个分组α中的指标，以选择哪些指标可进入回 归模型，根据分组α每个指标的偏回归平方和U^(k)_Pi，筛选出分组α中与客观 指标X相关的指标。

步骤S11中的最小二乘法的具体过程为：

S111：建立分组α中每个指标与客观指标X的初始多元线性回归方程：

Y＝b0+b(1)*X(1)+b(2)*X(2)+b(3)*X(3)+……+b(m)*X(m)；

S112：将分组α中每个指标代入所述步骤S111中建立的初始多元线性回 归方程，计算出模型预测结果指标X’；

S113：计算客观指标X与模型预测结果指标X’的离均差平方和φ；

S114：改变模型中各指标的系数b及常数项b0，当离均差平方和φ为最 小时，得出线性回归方程，否则回到步骤S111。

步骤S12中相关程度b的具体计算方法为：

S121：建立分组α中每个指标与指标X的线性回归模型：

Y＝b0+b(1)*X(1)+b(2)*X(2)+b(3)*X(3)+……+b(m)*X(m)；

S122：带入分组α中每个指标的真实数据，计算出模型预测结果指标X’；

S123：计算指标X与指标X’的离均差平方和φ；

S124：改变模型中各指标的系数b及常数项b0，当离均差平方和φ为最 小时，得出线性回归方程中分组α中每个指标的系数即为相关程度b，否则 回到步骤S121。

步骤S13的具体操作为：

S131：计算每个分组α中尚未入选的各指标的偏回归平方和U^(k)_Pi，其中 k＝1，2……，表示第k步回归，U_pi为客观指标Xi对分组α中每个指标的偏 回归平方和；i＝1，2，…，m，m为自变量数目或个数；

S132：比较各U^(k)_Pi，找出最大的U^(k)_Pi记为maxU^(k)_Pi；

S133：对maxU^(k)_Pi作偏回归的F测验，如果显著(统计学意义P＜0.05)就 将该白变数在第k步选入回归方程；

S134：对在第k步之前已入选的所有自变数再做一次偏回归显著性的F 测验，若有变为不显著的(P＞0.05)，即予剔出；

S135：对maxU^(k)_Pi做偏回归的F测验，如果不显著(P＞0.05)，逐步回归 结束。

上述方案中，通过实时采集用户职业紧张信息，调查数据可靠，可进行连 续性、大样本量的调查，提高职业紧张调查率，节约调查成本；并可实时反馈 调查结果，使得用户了解自身情况，以便用户采取相应措施，预防职业枯竭甚 至疾病的发生。

附图说明

图1为本发明基于物联网的职业紧张评估方法流程图；

图2为本发明结构示意图。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行 进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明， 并不用于限定本发明。

本发明所提供的基于物联网的职业紧张评估系统如图1所示，包括：用于 用户登陆、填写调查问卷、查看调查结果的客户端10；以及用于加载调查问 卷至客户端10，存储、统计调查问卷信息、职业紧张得分和向客户端10反馈 调查结果信息的服务器管理平台20；客户端10与服务器管理平台20之间通 过通讯网络30进行数据交换；通讯网络30包括有线网络、无线网络；客户端 包括PC机或手机。

调查问卷调查的信息包括客观指标和主观指标；客观指标包括血压、白细 胞计数、红细胞计数、血红蛋白含量、高密度脂蛋白含量的生理和生化指标； 主观指标包括紧张因素分组、个性特征因素分组、缓解因素分组、心理反应分 组；紧张因素分组包括工作控制流量表、工作需求量表、工作危险性量表、工 作单调性量表、工作前景量表、提升与参与机会量表的指标；个性特征因素分 组为包括A型行为量表、工作心理控制源量表、自尊感量表、焦虑特质量表、 组织忠诚度量表的指标；缓解因素分组包括应付策略量表、社会支持量表的指 标；心理反应分组包括工作满意感量表、心理健康量表、抑郁症状量表、焦虑 状态量表、躯体抱怨量表的指标；工作控制量表包括任务控制、决策控制、环 境控制和资源控制，所述工作需求量表包括定量负荷、负荷变化、技术利用程 度，所述提升与参与机会量表包括提升机会和参与决策，所述A型行为量表包 括忍耐性和竞争性，所述应付策略量表包括控制策略和支持策略，所述社会支 持量表包括上级支持、同事支持和家庭支持。

服务器管理平台20包括：用于将调查问卷内容加载到客户端10相关网页 上的调查信息加载模块21；用于对客户端10反馈的调查问卷信息内各条目进 行赋值、计算各职业紧张因素得分的问卷赋值模块22；用于储存数据的职业 紧张调查信息数据库23；以及用于根据问卷赋值模块得到的职业紧张得分， 采用统计学方法分析、得出回归方程，根据回归方程计算得出相对应的生理指 标信息的统计模块24；统计模块24计算得出的生理指标信息包括收缩压、舒 张压、高密度脂蛋白。用于统计用户注册信息，限定用户短时间内重复注册、 填写问卷的调查信息采集模块25。调查信息采集模块25，用于根据记录的用 户电脑的IP地址或用户手机号码，限定用户短时间内重复注册、填写问卷， 影响调查准确性。

使用本系统进行职业紧张评估的具体流程如图1所示，包括统计模块采用 如下方法分析数据：

S10：职业紧张调查信息数据库中选取一项客观指标X，选取一个主观指 标中的分组α，用多元线性回归分析法来选取所述分组α中与所述客观指标 X之间相关的指标；

S20：判断是否完成所有客观指标与所有分组之间的多元线性回归分析， 如完成则将筛选出来的所有分组中与客观指标X相关的指标汇总，α经多元 逐步回归分析结果然后以最小二乘法形成客观指标X与分组α中筛选出来的 指标的多元线性回归方程后进入步骤S30，否则回到步骤S10；

S30：将筛选出来的所有分组中与客观指标X相关的指标，代入所述步骤 S103得出的客观指标X与分组α中指标的多元回归方程，计算得到用户的各 项客观指标。

更为详细的操作为，步骤S10中用如下多元线性回归分析法来选取分组 α中与客观指标X之间相关的指标：

S11：提取职业紧张调查信息数据库中所有样本的客观指标X和分组α， 用最小二乘法得到指标X与分组α中每个指标的多元线性回归方程；

S12：计算多元线性回归方程的决定系数R2，其值越接近于1，说明模型 对数据的拟合程度越好；

S13：用逐步选择法验证每个分组α中的指标，以选择哪些指标可进入回 归模型，根据分组α每个指标的偏回归平方和U^(k)_Pi，筛选出分组α中与客观 指标X相关的指标。

步骤S11中的最小二乘法的具体过程为：

S111：建立分组α中每个指标与客观指标X的初始多元线性回归方程：

Y＝b0+b(1)*X(1)+b(2)*X(2)+b(3)*X(3)+……+b(m)*X(m)；

S112：将分组α中每个指标代入所述步骤S111中建立的初始多元线性回 归方程，计算出模型预测结果指标X’；

S113：计算客观指标X与模型预测结果指标X’的离均差平方和φ；

S114：改变模型中各指标的系数b及常数项b0，当离均差平方和φ为最 小时，得出线性回归方程，否则回到步骤S111。

步骤S12中相关程度b的具体计算方法为：

S121：建立分组α中每个指标与指标X的线性回归模型：

Y＝b0+b(1)*X(1)+b(2)*X(2)+b(3)*X(3)+……+b(m)*X(m)：

S122：带入分组α中每个指标的真实数据，计算出模型预测结果指标X’；

S123：计算指标X与指标X’的离均差平方和φ；

S124：改变模型中各指标的系数b及常数项b0，当离均差平方和φ为最 小时，得出线性回归方程中分组α中每个指标的系数即为相关程度b，否则 回到步骤S121。

步骤S13的具体操作为：

S131：计算每个分组α中尚未入选的各指标的偏回归平方和U^(k)_Pi，其中 k＝1，2……，表示第k步回归，U_pi为客观指标Xi对分组α中每个指标的偏 回归平方和；i＝1，2，…，m，m为自变量数目或个数；

S132：比较各U^(k)_Pi，找出最大的U^(k)_Pi记为maxU^(k)_Pi；

S133：对maxU^(k)_Pi做偏回归的F测验，如果显著(统计学意义P＜0.05)就 将该自变数在第k步选入回归方程；

S134：对在第k步之前已入选的所有自变数再做一次偏回归显著性的F 测验，若有变为不显著的(P＞0.05)，即予剔出；

S135：对maxU^(k)_Pi作偏回归的F测验，如果不显著(P＞0.05)，逐步回归 结束。

总的来说，使用本发明进行职业张紧平评估包括如下步骤：

1、调查者在服务器端录入职业紧张调查问卷，建立职业紧张数据库，用 于储存注册用户的信息、调查问卷信息、职业紧张得分和反馈结果；注册用户 的信息、调查问卷信息、职业紧张得分和反馈结果是word格式或exl格式或 epidata格式。

2、用户通过电脑或手机登录，填写问卷，通过网络提交；

3、存储并统计用户提交的职业紧张调查，根据统计结果，建立用户职业 紧张反馈报表；

4、用户提交问卷，查看调查结果；

5、调查者登录系统，查看、管理调查结果。

通过实时采集用户职业紧张信息，调查数据可靠，可进行连续性、大样本 量的调查，提高职业紧张调查率，节约调查成本；并可实时反馈调查结果，使 得用户了解自身情况，以便用户采取相应措施，预防职业枯竭甚至疾病的发生。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。