CN120236722B - 基于多维数据分析的学生心理状态识别方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体公开基于多维数据分析的学生心理状态识别方法及系统，该方法实现了学生心理健康管理的精准化与高效化，首先整合经数据清洗与标准化处理，可剔除无效信息并统一数据维度，显著提升分析可靠性，通过协同分析机制，能动态关联不同维度数据特征，特征提取过程的自适应调节功能可根据数据质量自动优化算法权重，确保关键心理指标的提取精度，通过数据驱动的闭环管理，将心理健康监测从被动应对转变为主动预防，有效提升学校心理危机干预效率，同时为教育决策提供科学支撑，促进心理健康资源的精准配置。

Description

基于多维数据分析的学生心理状态识别方法及系统

技术领域

本发明涉及数据处理技术领域，具体为基于多维数据分析的学生心理状态识别方法及系统。

背景技术

随着教育信息化的推进，教育信息化提出了构建“互联网+教育”大平台，推动教学、管理、评价全流程数字化，显著提升心理状态识别的实时性与精准度，为教育智能化决策提供技术支撑。

例如公告号为CN111599472B的发明专利，公告用于学生心理状态识别的方法，包括：获取待测学生特征信息和待测学生之间的关系；根据待测学生特征信息和待测学生之间的关系识别出待测学生的心理状态，能够根据待测学生特征信息和待测学生之间的关系来识别待测学生的心理状态，通过考虑了学生之间的关系，从而提高了对学生的心理状态识别的准确率。

例如公开号为CN115274105A的发明专利，公开学生状态识别的处理方法、装置、设备及存储介质，包括：获取待进行心理状态识别的第一学生在第一时间内的刷卡特征和学习特征；刷卡特征包括第一学生的校园卡与多个第二学生的校园卡的共同刷卡行为相关的特征数据；学习特征包括第一学生的多个学科知识点的得分率；将第一学生的刷卡特征输入预先训练的第一预测模型，得到第一预测结果；将第一学生的学习特征输入预先训练的第二预测模型，得到第二预测结果；第一预测结果和第二预测结果分别用于表示第一学生的心理状态是否处于异常状态；若第一预测结果和第二预测结果均表示第一学生的心理状态处于异常状态，输出第一学生的心理状态处于异常状态的预测结果。

但本申请在实现本申请实施例的过程中，发现上述技术至少存在如下技术问题：在现有学生心理状态识别技术中，核心瓶颈在于多源异构数据的协同融合机制缺失，这种数据孤岛效应导致心理状态分析呈现碎片化特征，一方面忽视了不同维度数据间的时空关联性，另一方面缺乏对动态变化模式的捕捉能力，难以实现从数据采集到状态识别的全链路闭环优化，最终制约了心理状态评估的精准度与干预时效性。

发明内容

针对现有技术的不足，本发明提供了基于多维数据分析的学生心理状态识别方法及系统，能够有效解决上述背景技术中涉及的问题。

为实现以上目的，本发明通过以下技术方案予以实现：本发明第一方面提供了基于多维数据分析的学生心理状态识别方法，包括：步骤一、将学生心理状态管理平台标记为目标平台，通过目标平台采集多维度数据源的学生心理状态数据，采集并分析各维度数据源的数据属性参数，从而对各维度数据源的学生心理状态数据进行数据清理；步骤二、目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化；步骤三、在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节；步骤四、目标平台整合学生心理状态特征，并进行学生心理状态特征反馈。

作为进一步的方法，对不合格数据源进行数据清理，具体清理过程为：获取不合格数据源的数据噪声异常指数偏差率以及不合格数据源的数据类型；若不合格数据源的数据类型存在第一类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出数据插帧密度修正值，从而对第一类型进行数据清理；若不合格数据源的数据类型存在第二类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出谐波数量修正值以及混响时长修正值，从而对第二类型进行数据清理；若不合格数据源的数据类型存在第三类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出数据插值密度修正值以及异常值修正力度，从而对第三类型进行数据清理。

作为进一步的方法，对目标平台的数据协同过程进行数据优化，具体优化过程为：获取目标平台的新增数据协同任务，同时获取目标平台所属各同属数据处理节点的负载，并与界定负载进行比对；将负载小于界定负载对应的同属数据处理节点，标记为可利用数据处理节点，从而统计出各可利用数据处理节点；将目标平台当前数据处理节点的数据协同任务迁移至各可利用数据处理节点；若不存在可利用数据处理节点，则将目标平台的新增数据协同任务设定为最高优先级，目标平台优先处理最高优先级对应的数据，从而完成对目标平台的数据协同过程进行数据优化；获取优化完成的目标平台的数据协同稳定因子，并进行预警判定。

作为进一步的方法，进行预警判定，具体判定过程为：将优化完成的目标平台的数据协同稳定因子与数据协同稳定阈值进行比对，若存在第一条件，则判定不对目标平台的数据协同过程进行预警；若存在第二条件，则判定对目标平台的数据协同过程进行预警，同时获取并基于优化完成的目标平台的数据协同稳定因子偏差率，从多维数据库中匹配出数据噪声异常阈值修正系数，从而对数据噪声异常阈值进行修正；第一条件，指优化完成的目标平台的数据协同稳定因子大于或等于数据协同稳定阈值；第二条件，指优化完成的目标平台的数据协同稳定因子小于数据协同稳定阈值。

作为进一步的方法，判定是否进行特征提取异常反馈，具体判定过程为：获取目标平台的特征识别精准因子增长速度，并与界定特征识别精准因子增长速度进行比对，若目标平台的特征识别精准因子增长速度小于界定特征识别精准因子增长速度，则判定进行特征提取异常反馈；若目标平台的特征识别精准因子增长速度大于或等于界定特征识别精准因子增长速度，则将特征提取迭代次数向上调整至最大特征提取迭代次数，并获取迭代完成后的目标平台的特征识别精准因子，若迭代完成后的目标平台的特征识别精准因子仍小于特征识别精准阈值，则判定进行特征提取异常反馈，若迭代完成后的目标平台的特征识别精准因子大于或等于特征识别精准阈值，则进行特征完整性反馈。

本发明第二方面提供了基于多维数据分析的学生心理状态识别系统，包括：数据清洗模块，用于将学生心理状态管理平台标记为目标平台，通过目标平台采集多维度数据源的学生心理状态数据，采集并分析各维度数据源的数据属性参数，从而对各维度数据源的学生心理状态数据进行数据清理；数据优化模块，用于目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化；过程调节模块，用于在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节；特征反馈模块，用于目标平台整合学生心理状态特征，并进行学生心理状态特征反馈。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

（1）本发明提供基于多维数据分析的学生心理状态识别方法及系统，实现了学生心理健康管理的精准化与高效化，首先整合经数据清洗与标准化处理，可剔除无效信息并统一数据维度，显著提升分析可靠性，通过协同分析机制，能动态关联不同维度数据特征，特征提取过程的自适应调节功能可根据数据质量自动优化算法权重，确保关键心理指标的提取精度，通过数据驱动的闭环管理，将心理健康监测从被动应对转变为主动预防，有效提升学校心理危机干预效率，同时为教育决策提供科学支撑，促进心理健康资源的精准配置。

（2）本发明通过智能数据清洗与动态调控机制，实现学生心理状态分析的精准化与高效化：首先，基于数据噪声异常指数自动筛选并分类清理异常数据源，针对性消除干扰信息，保障数据质量；其次，通过延迟传输机制确保数据类型完整性，匹配修正值优化特征识别精度；同时，针对不同数据类型差异化调整参数（如第一类插帧修正、第二类谐波优化、第三类插值调整），显著提升清理效率；最终，通过动态参数自适应优化减少人工干预，构建全流程自动化闭环管理体系，为心理状态识别提供高可信度数据支撑。

（3）本发明通过智能负载均衡与动态任务调度，显著提升心理状态分析系统的运行效率与稳定性：首先，基于数据处理节点负载实时比对，自动迁移任务至闲置节点，避免资源过载与浪费，优化计算资源分配；其次，在无可用资源时，将心理数据协同任务设为最高优先级，确保关键分析流程的即时性；再者，通过协同稳定因子与阈值动态比对，触发自适应预警机制，并反向修正噪声阈值参数，形成闭环优化；最终，构建起弹性资源调度体系，既保障数据处理效率，又增强系统抗风险能力，实现心理健康监测服务的高可用性与持续稳定性，为大规模心理状态分析提供坚实的技术支撑。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的方法步骤流程示意图。

图2为本发明的系统模块连接示意图。

图3为本发明的数据采集与清理流程图。

图4为本发明的协同分析与数据优化流程图。

图5为本发明的特征提取流程图。

图6为本发明的学生心理状态管理平台首页界面图。

图7为本发明的学生心理状态管理平台异常特征第一界面图。

图8为本发明的学生心理状态管理平台异常特征第二界面图。

图9为本发明的学生心理状态管理平台数据详情界面图。

图10为本发明的学生心理状态管理平台异常反馈界面图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，本发明第一方面提供了基于多维数据分析的学生心理状态识别方法，包括：步骤一、将学生心理状态管理平台标记为目标平台，通过目标平台采集多维度数据源的学生心理状态数据，采集并分析各维度数据源的数据属性参数，从而对各维度数据源的学生心理状态数据进行数据清理；步骤二、目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化；步骤三、在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节；步骤四、目标平台整合学生心理状态特征，并进行学生心理状态特征反馈。

在一个具体的实施例中，本发明通过智能数据清洗与动态调控机制，实现学生心理状态分析的精准化与高效化：首先，基于数据噪声异常指数自动筛选并分类清理异常数据源，针对性消除干扰信息，保障数据质量；其次，通过延迟传输机制确保数据类型完整性，匹配修正值优化特征识别精度；同时，针对不同数据类型差异化调整参数（如第一类插帧修正、第二类谐波优化、第三类插值调整），显著提升清理效率；最终，通过动态参数自适应优化减少人工干预，构建全流程自动化闭环管理体系，为心理状态识别提供高可信度数据支撑。

具体的，对各维度数据源的学生心理状态数据进行数据清理，具体指：

通过分析各维度数据源的数据属性参数，得出各维度数据源的数据噪声异常指数，并与数据噪声异常阈值进行比对；上述数据噪声异常阈值，表示数据噪声异常指数所允许的最大值，从多维数据库中提取。

若某维度数据源的数据噪声异常指数大于或等于数据噪声异常阈值，则将该维度数据源标记为不合格数据源，并对不合格数据源进行数据清理，清理完成后传输至目标平台；若某维度数据源的数据噪声异常指数小于数据噪声异常阈值，则将该维度数据源的学生心理状态数据标记为合格数据，并在传输时间点传输至目标平台；上述传输时间点，指的是目标平台上传合格学生心理状态数据的具体时刻，该时刻由相关人员根据实际工作需求、目标平台运行情况等因素进行设定，传输时间点依照相关人员预设的固定时间间隔依次排列。

在数据传输时间点，统计合格数据中学生心理状态数据的数据量，并与界定数据量进行比对，若数据量小于界定数据量，则延迟数据传输时间点，直至数据量大于或等于界定数据量，且获取并根据总延迟时长从多维数据库中匹配出特征识别精准因子修正值，并将合格数据传输至目标平台，若数据量大于或等于界定数据量，则直接将合格数据传输至目标平台；上述界定数据量，表示数据量所允许的最小值，从多维数据库中提取；上述特征识别精准因子修正值，表示对特征识别精准因子进行修正的比例值，将特征识别精准因子修正值乘以特征识别精准因子，所得结果即为通过特征识别精准因子修正值修正后的特征识别精准因子，其中特征识别精准因子修正值，具体匹配过程为：多维数据库中存储总延迟时长-特征识别精准因子修正值映射表，直接在多维数据库中查询总延迟时长，即可得到总延迟时长对应的精准因子特征识别精准因子修正值。

具体的，各维度数据源的数据噪声异常指数，具体分析过程为：各维度数据源的数据属性参数包括各维度数据源的数据缺失值比率、各维度数据源的数据格式错误率以及各维度数据源所属传感器的信噪比；上述数据缺失值比率，指数据源的学生心理状态数据中缺失值所占比例，反映数据完整性，若学生心理状态数据为图表类型，则数据缺失值比率具体为缺失值数量÷总观测值数量×100%，若学生心理状态数据为视频类型或音频类型，则数据缺失值比率具体为缺失帧数量÷总观测帧数量×100%，通过数据质量检查工具（如Python中pandas库）统计缺失值数量或缺失帧数量并计算比例得到；上述数据格式错误率，表示数据处理中格式错误的频率，体现数据规范性，格式错误次数÷总处理次数×100%，可通过格式验证程序（如JSON Schema验证）检测不符合预设格式的数据点或数据帧并统计错误率；上述信噪比，指信号功率与噪声功率的比值，衡量传感器信号质量，信噪比具体为：，其中Psignal为信号功率，Pnoise为噪声功率，通过传感器数据采集系统实时测量信号和噪声功率，并利用频谱分析工具（如矩阵实验室）计算得出。

通过度量因子依次量化数据缺失值比率与界定数据缺失值比率之间的比例关系对数据噪声异常指数的影响程度、数据格式错误率与界定数据格式错误率之间的比例关系对数据噪声异常指数的影响程度以及信噪比与界定信噪比之间的比例关系对数据噪声异常指数的影响程度，将各影响程度进行汇合，从而得出数据噪声异常指数。

传感器信噪比降低会直接导致原始信号中噪声成分占比上升，使得有效信号被淹没，进而引发数据采集模块对异常值的误判概率增加，最终表现为数据缺失值比率升高；同时，噪声干扰会破坏数据结构的完整性，例如导致时间戳错位、字段编码紊乱等问题，从而间接推高数据格式错误率，反之，数据格式错误率本身也可能通过解析失败触发数据回补机制，若回补策略不完善（如简单插值），则会进一步放大原始数据与真实值的偏差，形成“噪声-错误-缺失”的恶性循环，数据噪声异常指数作为综合指标，其数值会随着缺失值比率的增长、格式错误率的恶化以及信噪比的衰减而显著攀升，三者共同构成数据质量劣化的驱动闭环。

各维度数据源的数据噪声异常指数，表征各维度数据源的数据噪声异常程度，具体表达式为：

；

式中，a为各维度数据源的编号，，u为数据源维度的总个数，为第a个维度数据源的数据噪声异常指数，为第a个维度数据源的数据缺失值比率，为第a个维度数据源的数据格式错误率，为第a个维度数据源所属传感器的信噪比，为多维数据库中预设的界定数据缺失值比率，为多维数据库中预设的界定数据格式错误率，为多维数据库中预设的界定信噪比，为多维数据库中预设的数据缺失值比率度量因子，为多维数据库中预设的数据格式错误率度量因子，为多维数据库中预设的信噪比度量因子。

上述界定数据缺失值比率，表示数据缺失值比率所允许的最大值；上述界定数据格式错误率，表示数据格式错误率所允许的最大值，上述界定信噪比，表示信噪比所允许的最小值。

上述数据缺失值比率度量因子，用于量化数据缺失值比率单位数值对数据噪声异常指数的影响程度；上述数据格式错误率度量因子，用于量化数据格式错误率单位数值对数据噪声异常指数的影响程度；上述信噪比度量因子，用于量化信噪比单位数值对数据噪声异常指数的影响程度；多维数据库中存储数据缺失值比率、数据格式错误率以及信噪比与其对应度量因子的映射关系，例如，将数据缺失值比率、数据格式错误率以及信噪比输入多维数据库，多维数据库即可检索出数据缺失值比率度量因子、数据格式错误率度量因子以及信噪比度量因子，取值范围均为0到1之间。

进一步的，对不合格数据源进行数据清理，具体清理过程为：获取不合格数据源的数据噪声异常指数偏差率以及不合格数据源的数据类型；上述不合格数据源的数据噪声异常指数偏差率，指获取并利用不合格数据源的数据噪声异常指数，减去数据噪声异常阈值，将所得结果除以数据噪声异常阈值，最终结果即为数据噪声异常指数偏差率。

若不合格数据源的数据类型存在第一类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出数据插帧密度修正值，从而对第一类型进行数据清理；上述第一类型，表示视频类型；上述数据插帧密度修正值，是用于调整视频数据插帧密度的比例系数，将数据插帧密度修正值乘以当前视频数据插帧密度，所得结果即为修正后的视频数据插帧密度，利用修正后的视频数据插帧密度对第一类型进行数据清理；上述数据插帧密度修正值，具体匹配过程为：多维数据库中存储数据噪声异常指数偏差率-数据插帧密度修正值映射表，直接在多维数据库中查询数据噪声异常指数偏差率，即可得到数据噪声异常指数偏差率对应的数据插帧密度修正值。

若不合格数据源的数据类型存在第二类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出谐波数量修正值以及混响时长修正值，从而对第二类型进行数据清理；上述第二类型，表示音频类型；上述谐波数量修正值，指对音频信号中的谐波数量进行修正的比例值，将谐波数量修正值乘以当前音频信号中的谐波数量，所得结果即为修正后的音频信号中的谐波数量；上述混响时长修正值，指对音频信号中的混响时长进行修正的比例值，将混响时长修正值乘以当前音频信号中的混响时长，所得结果即为修正后的音频信号中的混响时长；利用修正后的音频信号中的谐波数量以及修正后的音频信号中的混响时长对第二类型进行数据清理；谐波数量修正值以及混响时长修正值，具体匹配过程为：多维数据库中存储数据噪声异常指数偏差率-谐波数量修正值映射表以及数据噪声异常指数偏差率-混响时长修正值映射表，直接在多维数据库中查询数据噪声异常指数偏差率，即可得到数据噪声异常指数偏差率对应的谐波数量修正值以及混响时长修正值。

若不合格数据源的数据类型存在第三类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出数据插值密度修正值以及异常值修正力度，从而对第三类型进行数据清理；上述第三类型，表示图表类型；上述数据插值密度修正值，表示对数据插值密度进行修正的比例值，将数据插值密度修正值乘以当前数据插值密度，所得结果即为修正后的数据插值密度，其中，异常值修正力度包括：低力度：仅修复孤立异常值；中力度：修复连续异常段+趋势线辅助，保持数据连贯性；高力度：全数据修正（修正窗口=全段）以及三西格玛原则检测，确保数据合理性；利用修正后的数据插值密度以及异常值修正力度对第三类型进行数据清理；数据插值密度修正值以及异常值修正力度，具体匹配过程为：多维数据库中存储数据噪声异常指数偏差率-数据插值密度修正值映射表以及数据噪声异常指数偏差率-异常值修正力度映射表，直接在多维数据库中查询数据噪声异常指数偏差率，即可得到数据噪声异常指数偏差率对应的数据插值密度修正值以及异常值修正力度。

步骤二、目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化。

在一个具体的实施例中，本发明通过智能负载均衡与动态任务调度，显著提升心理状态分析系统的运行效率与稳定性：首先，基于数据处理节点负载实时比对，自动迁移任务至闲置节点，避免资源过载与浪费，优化计算资源分配；其次，在无可用资源时，将心理数据协同任务设为最高优先级，确保关键分析流程的即时性；再者，通过协同稳定因子与阈值动态比对，触发自适应预警机制，并反向修正噪声阈值参数，形成闭环优化；最终，构建起弹性资源调度体系，既保障数据处理效率，又增强系统抗风险能力，实现心理健康监测服务的高可用性与持续稳定性，为大规模心理状态分析提供坚实的技术支撑。

具体的，对目标平台的协同分析过程进行数据优化，具体指：通过评估目标平台的协同分析过程参数，得出目标平台的数据协同稳定因子，并与目标平台的数据协同稳定因子进行比对，若目标平台的数据协同稳定因子大于或等于数据协同稳定阈值，则目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征；上述数据协同稳定阈值，表示数据协同稳定因子所允许的最小值，从多维数据库中提取。

若目标平台的数据协同稳定因子小于数据协同稳定阈值，则对目标平台的数据协同过程进行数据优化；目标平台的数据协同稳定因子，表征目标平台的数据协同过程的稳定程度，具体分析过程为：目标平台的协同分析过程参数包括目标平台的响应异常率以及目标平台的跨数据中心同步延迟时长；上述响应异常率，表示目标平台未能按照预期时间或方式响应请求的频率，通过统计失败事务数与总事务数的比例得到，统计失败事务数以及总事务数可从目标平台的数据日志中得到；上述跨数据中心同步延迟时长，表示指数据在不同数据中心之间同步所需的时长，通过记录数据发送和接收的时间戳，计算两者差值；对于批量同步，可取多次操作的平均值，在数据同步过程中记录关键事件时间戳（如事务开始、同步完成时间），通过日志计算跨数据中心同步延迟时长。

获取数据源的平均数据噪声异常指数，指将各维度数据源的数据噪声异常指数进行均值处理，从而得到数据源的平均数据噪声异常指数。

通过度量因子依次量化响应异常率与界定响应异常率之间的比例关系对数据协同稳定因子的影响程度、跨数据中心同步延迟时长与界定跨数据中心同步延迟时长之间的比例关系对数据协同稳定因子的影响程度以及平均数据噪声异常指数对数据协同稳定因子的影响程度，将各影响程度进行汇聚，从而得出目标平台的数据协同稳定因子。

高响应异常率直接反映系统处理能力的瓶颈，当异常率突破阈值时，会触发任务重试机制，导致跨数据中心同步请求在传输队列中积压，显著增加同步延迟时长；而同步延迟的延长又会导致数据包在传输过程中面临更复杂的网络波动，例如因链路拥塞引发的丢包重传或时序错乱，这会直接推高平均数据噪声异常指数；与此同时，噪声异常指数的上升会进一步干扰数据解析模块的准确性，例如噪声数据可能被误判为有效指令而触发虚假响应，最终，这三个参数通过资源竞争、传输劣化以及语义干扰三重路径，形成对数据协同稳定因子的复合削弱效应，导致平台协同分析的时效性、准确性和容错性全面下降。

其中，目标平台的数据协同稳定因子，具体表达式为：

；

式中，为目标平台的数据协同稳定因子，为目标平台的响应异常率，为目标平台的跨数据中心同步延迟时长，为数据源的平均数据噪声异常指数，为多维数据库中预设的界定响应异常率，为多维数据库中预设的界定跨数据中心同步延迟时长，为多维数据库中预设的响应异常率度量因子，为多维数据库中预设的跨数据中心同步延迟时长度量因子，为多维数据库中预设的平均数据噪声异常指数度量因子。

上述界定响应异常率，表示响应异常率所允许的最大值；上述界定跨数据中心同步延迟时长，表示跨数据中心同步延迟时长所允许的最大值。

上述响应异常率度量因子，用于量化响应异常率单位数值对数据协同稳定因子的影响程度；上述跨数据中心同步延迟时长度量因子，用于量化跨数据中心同步延迟时长单位数值对数据协同稳定因子的影响程度；上述平均数据噪声异常指数度量因子，用于量化平均数据噪声异常指数单位数值对数据协同稳定因子的影响程度；多维数据库中存储响应异常率、跨数据中心同步延迟时长以及平均数据噪声异常指数与其对应度量因子的映射关系，例如，将响应异常率、跨数据中心同步延迟时长以及平均数据噪声异常指数输入多维数据库，多维数据库即可检索出响应异常率度量因子、跨数据中心同步延迟时长度量因子以及平均数据噪声异常指数度量因子，取值范围均为0到1之间。

具体的，对目标平台的数据协同过程进行数据优化，具体优化过程为：获取目标平台的新增数据协同任务，同时获取目标平台所属各同属数据处理节点的负载，并与界定负载进行比对；上述负载，指数据处理节点的任务队列长度；上述界定负载，表示负载所允许的最大值，从多维数据库中提取；目标平台所属各同属数据处理节点的负载，从目标平台的运行日志中获取；上述新增数据协同任务，指目标平台在预设时序节点接收到经质量校验合格的学生心理状态数据后，所触发的多源数据融合处理任务，该任务以保障跨系统数据一致性为目标，通过标准化接口实现结构化心理特征数据与非结构化行为日志数据的时空对齐，并基于数据协同稳定因子动态调配计算资源，最终生成符合心理状态分析模型输入规范的融合数据集，此类任务的产生机制与数据传输时序、质量校验结果及平台负载状态形成闭环关联，为心理健康监测系统提供实时数据支撑。

将负载小于界定负载对应的同属数据处理节点，标记为可利用数据处理节点，从而统计出各可利用数据处理节点；将目标平台当前数据处理节点的数据协同任务迁移至各可利用数据处理节点；若不存在可利用数据处理节点，则将目标平台的新增数据协同任务设定为最高优先级，目标平台优先处理最高优先级对应的数据，从而完成对目标平台的数据协同过程进行数据优化；获取优化完成的目标平台的数据协同稳定因子，并进行预警判定。

进一步的，进行预警判定，具体判定过程为：将优化完成的目标平台的数据协同稳定因子与数据协同稳定阈值进行比对，若存在第一条件，则判定不对目标平台的数据协同过程进行预警；若存在第二条件，则判定对目标平台的数据协同过程进行预警，同时获取并基于优化完成的目标平台的数据协同稳定因子偏差率，从多维数据库中匹配出数据噪声异常阈值修正系数，从而对数据噪声异常阈值进行修正；上述数据协同稳定因子偏差率，指数据协同稳定因子与数据协同稳定阈值之间的偏差程度，具体是将数据协同稳定阈值减去数据协同稳定因子，所得结果除以数据协同稳定阈值，最终得到数据协同稳定因子偏差率；上述数据噪声异常阈值修正系数，表示对数据噪声异常阈值进行修正的比例值，将数据噪声异常阈值修正系数乘以数据噪声异常阈值，所得结果即为修正后的数据噪声异常阈值，其中数据噪声异常阈值修正系数，具体匹配过程为：多维数据库中存储数据协同稳定因子偏差率-数据噪声异常阈值修正系数映射表，直接在多维数据库中查询数据协同稳定因子偏差率，即可得到数据协同稳定因子偏差率对应的数据噪声异常阈值修正系数；上述对目标平台的数据协同过程进行预警，具体是通过邮件或短信等方式通知平台管理人员目标平台的数据协同过程异常，需立即进行处理。

需要解释的是，当判定满足第二条件（即优化后的目标平台数据协同稳定因子小于数据协同稳定阈值）时，表明当前数据协同过程存在稳定性缺陷，数据清理质量尚未达到业务连续性要求，因此需启动阈值修正机制，修正机制通过“稳定性缺口→偏差量化→参数匹配→阈值收紧”的因果链，构建了数据质量保障的负反馈环路，当数据协同稳定因子未达阈值时，系统自动推断数据链路中存在未被完全清除的噪声干扰，故通过提高噪声容忍度（收紧阈值）来强制提升数据清洗强度。

第一条件，指优化完成的目标平台的数据协同稳定因子大于或等于数据协同稳定阈值；第二条件，指优化完成的目标平台的数据协同稳定因子小于数据协同稳定阈值。

步骤三、在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节。

具体的，对学生心理状态特征提取过程进行调节，具体指：分析特征提取质量指标，得出目标平台的特征识别精准因子，并与特征识别精准阈值进行比对，若目标平台的特征识别精准因子大于或等于特征识别精准阈值，则进行特征完整性反馈；上述特征识别精准阈值，用于表示特征识别精准因子所允许的最小值，从多维数据库中提取；上述进行特征完整性反馈，指生成特征完整提取日志，并存储至目标平台中。

若目标平台的特征识别精准因子小于特征识别精准阈值，则对学生心理状态特征提取过程进行调节，具体调节过程为：根据目标平台的特征识别精准因子从多维数据库中匹配出特征提取批量修正值以及网络通道修正值，同时持续增加特征提取迭代次数，并判定是否进行特征提取异常反馈；上述批量修正值，指对目标平台处理数据的批量大小进行修正的比例值，将批量修正值乘以现有的处理数据的批量大小，所得结果即为目标平台修正后的处理数据的批量大小；上述网络通道修正值，指对目标平台的网络通道数量进行修正的比例值，将网络通道修正值乘以现有的目标平台的网络通道数量，所得结果即为修正后的目标平台的网络通道数量；批量修正值以及网络通道修正值，具体匹配过程为：多维数据库中存储特征识别精准因子-特征提取批量修正值映射表以及特征识别精准因子-网络通道修正值映射表，直接在多维数据库中查询特征识别精准因子，即可得到特征识别精准因子对应的批量修正值以及网络通道修正值。

目标平台的特征识别精准因子，表征目标平台识别提取学生心理状态特征的精准程度，具体分析过程为：特征提取质量指标包括目标平台的特征分类准确率、目标平台的特征覆盖率以及目标平台的特征噪声比；上述特征分类准确率，衡量目标平台对特征分类结果的正确性，即被正确分类的特征样本占总特征样本的比例，使用带标签的数据集，通过分类模型（如SVM、随机森林）输出特征类别，与真实标签对比统计准确率；上述特征覆盖率，表征提取的特征集合对问题域的覆盖广度，即已提取特征占理想特征全集的比例，反映特征工程的完备性，其中理想特征全集通过相关人员列出，已提取特征从目标平台的数据日志得出；上述特征噪声比，指目标平台已提取特征集合中，无效特征数量占已提取特征总数量的比值，可从目标平台的数据日志中采集得到。

根据数据源的平均数据噪声异常指数，从多维数据库中匹配出第一修正值；上述第一修正值，指根据平均数据噪声异常指数对特征识别精准因子进行修正的比例值，具体匹配过程为：电力数据库中存储平均数据噪声异常指数-第一修正值映射表，直接在电力数据库中查询平均数据噪声异常指数，即可得到平均数据噪声异常指数对应的第一修正值。

根据目标平台的数据协同稳定因子，从多维数据库中匹配出第二修正值；上述第二修正值，指根据数据协同稳定因子对特征识别精准因子进行修正的比例值，具体匹配过程为：电力数据库中存储数据协同稳定因子-第二修正值映射表，直接在电力数据库中查询数据协同稳定因子，即可得到数据协同稳定因子对应的第二修正值。

通过构建数据源噪声异常指数与目标平台协同稳定因子的双因子修正机制，实现特征识别精准因子的动态差异化调控。具体而言，基于数据噪声分布特征量化映射第一修正值，同步结合平台多源数据融合稳定性计算第二修正值，形成双维修正参数集，通过生成适配实际工况的特征识别精准因子，有效补偿数据采集链路与平台处理架构的固有偏差，确保特征识别精准因子与真实心理状态特征的映射关系保持动态一致。

通过度量因子量化特征分类准确率与界定特征分类准确率之间的比例关系对特征识别精准因子的影响程度、特征覆盖率与界定特征覆盖率之间的比例关系对特征识别精准因子的影响程度以及特征噪声比与界定特征噪声比之间的比例关系对特征识别精准因子的影响程度，将各影响程度进行耦合，并利用第一修正值与第二修正值对耦合结果进行修正，从而得到目标平台的特征识别精准因子。

特征噪声比的降低（即噪声水平减少）可直接提升特征分类准确率，因有效信号凸显使分类器更易区分边界，减少误判；同时，低噪声环境通过抑制冗余特征生成，使系统在保持高特征覆盖率的前提下，优先捕获高价值特征，避免“低质覆盖”对计算资源的无效占用，特征覆盖率将因真实特征漏检而下降，间接降低分类器对边缘案例的识别能力，最终，这三个参数通过“噪声干扰分类→分类影响覆盖→覆盖反哺噪声”的闭环效应，形成对特征识别精准因子的复合制约，其中任意一环的失衡均会导致系统在特征辨识的全面性、纯净度与区分度之间难以取得最优平衡。

其中，目标平台的特征识别精准因子，具体表达式为：

；

式中，为目标平台的特征识别精准因子，为第一修正值，为第二修正值，为目标平台的特征分类准确率，为目标平台的特征覆盖率，为目标平台的特征噪声比，为多维数据库中预设的界定特征分类准确率，为多维数据库中预设的界定特征覆盖率，为多维数据库中预设的界定特征噪声比，为多维数据库中预设的特征分类准确率度量因子，为多维数据库中预设的特征覆盖率度量因子，为多维数据库中预设的特征噪声比度量因子。

上述界定特征分类准确率，表示特征分类准确率所允许的最小值；上述界定特征覆盖率，表示特征覆盖率所允许的最小值；上述界定特征噪声比，表示特征噪声比所允许的最大值。

上述特征分类准确率度量因子，用于量化特征分类准确率单位数值对特征识别精准因子的影响程度；上述特征覆盖率度量因子，用于量化特征覆盖率单位数值对特征识别精准因子的影响程度；上述特征噪声比度量因子，用于量化特征噪声比单位数值对特征识别精准因子的影响程度；多维数据库中存储特征分类准确率、特征覆盖率以及特征噪声比与其对应度量因子的映射关系，例如，将特征分类准确率、特征覆盖率以及特征噪声比输入多维数据库，多维数据库即可检索出特征分类准确率度量因子、特征覆盖率度量因子以及特征噪声比度量因子，取值范围均为0到1之间。

进一步的，判定是否进行特征提取异常反馈，具体判定过程为：获取目标平台的特征识别精准因子增长速度，并与界定特征识别精准因子增长速度进行比对，若目标平台的特征识别精准因子增长速度小于界定特征识别精准因子增长速度，则判定进行特征提取异常反馈；上述界定特征识别精准因子增长速度，表示特征识别精准因子增长速度所允许的最小值，从多维数据库中提取；上述目标平台的特征识别精准因子增长速度，指单位时间内目标平台的特征识别精准因子的增长数值，可从目标平台的数据日志中提取。

若目标平台的特征识别精准因子增长速度大于或等于界定特征识别精准因子增长速度，则将特征提取迭代次数向上调整至最大特征提取迭代次数，并获取迭代完成后的目标平台的特征识别精准因子，若迭代完成后的目标平台的特征识别精准因子仍小于特征识别精准阈值，则判定进行特征提取异常反馈，若迭代完成后的目标平台的特征识别精准因子大于或等于特征识别精准阈值，则进行特征完整性反馈。

上述进行特征提取异常反馈，指通过短信或电子邮件等方式提醒平台管理人员目标平台的特征识别精准程度无法满足实际使用。

步骤四、目标平台整合学生心理状态特征，并进行学生心理状态特征反馈；具体反馈指可视化出学生心理状态特征。

在一个具体的实施例中，本发明提供基于多维数据分析的学生心理状态识别方法及系统，实现了学生心理健康管理的精准化与高效化，首先整合经数据清洗与标准化处理，可剔除无效信息并统一数据维度，显著提升分析可靠性，通过协同分析机制，能动态关联不同维度数据特征，特征提取过程的自适应调节功能可根据数据质量自动优化算法权重，确保关键心理指标的提取精度，通过数据驱动的闭环管理，将心理健康监测从被动应对转变为主动预防，有效提升学校心理危机干预效率，同时为教育决策提供科学支撑，促进心理健康资源的精准配置。

参照图2所示，本发明第二方面提供了基于多维数据分析的学生心理状态识别系统，包括：数据清洗模块、数据优化模块、过程调节模块、特征反馈模块和多维数据库。

多维数据库用于存储基于多维数据分析的学生心理状态识别系统中所涉及的参数。

数据清洗模块分别与数据优化模块以及过程调节模块相连接，数据优化模块与过程调节模块相连接，过程调节模块与特征反馈模块相连接，数据清洗模块、数据优化模块以及过程调节模块均与多维数据库相连接。

数据清洗模块用于将学生心理状态管理平台标记为目标平台，通过目标平台采集多维度数据源的学生心理状态数据，采集并分析各维度数据源的数据属性参数，从而对各维度数据源的学生心理状态数据进行数据清理。

数据优化模块用于目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化。

过程调节模块用于在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节。

特征反馈模块用于目标平台整合学生心理状态特征，并进行学生心理状态特征反馈。

图3为本发明的数据采集与清理流程图，在数据采集与清理流程中，首先开始采集多维度数据源的学生心理状态数据，并对各维度数据源的数据属性参数进行分析，随后，根据分析结果得出数据噪声异常指数，并将其与预设的数据噪声异常阈值进行比对，若数据噪声异常指数大于或等于阈值，则标记该维度数据源为不合格数据源；若小于阈值，则标记为合格数据，对于不合格数据源，进一步获取其数据噪声异常指数偏差率及数据类型，并根据数据类型匹配相应的清理修正值进行数据清理，清理完成后传输至目标平台，同时，对合格数据的数据量进行统计，并与界定数据量进行比对，若数据量小于界定数据量，则延迟数据传输时间点，并获取总延迟时长，从多维数据库中匹配特征识别精准因子修正值，最终，结束数据采集与清理流程，准备进入协同分析与数据优化流程。

图4为本发明的协同分析与数据优化流程图，协同分析与数据优化流程从评估目标平台的协同分析过程参数开始，重点关注数据协同稳定因子的计算，并将其与预设的数据协同稳定阈值进行比对，若数据协同稳定因子大于或等于阈值，则表明目标平台的协同分析过程稳定，可直接从各维度数据源的学生心理状态数据中提取学生心理状态特征，若数据协同稳定因子小于阈值，则表明目标平台的协同分析过程存在问题，需要对可利用数据处理节点进行识别，并将当前数据处理节点的数据协同任务迁移至这些节点，若不存在可利用节点，则设定新增任务为最高优先级并优先处理，完成数据协同优化后，再次获取目标平台的数据协同稳定因子，并进行预警判定，最终，结束协同分析与数据优化流程，准备进入特征提取流程。

图5为本发明的特征提取流程图，特征提取流程从计算目标平台的特征识别精准因子开始，该因子是衡量特征提取质量的重要指标，将特征识别精准因子与预设的特征识别精准阈值进行比对，若大于或等于阈值，则表明特征提取质量良好，可进行特征完整性反馈，若小于阈值，则表明特征提取质量存在问题，需要根据特征识别精准因子从多维数据库中匹配特征提取批量修正值及网络通道修正值，并持续增加特征提取迭代次数，在迭代过程中，实时获取特征识别精准因子增长速度，并与界定特征识别精准因子增长速度进行比对，若增长速度小于界定增长速度，则进行特征提取异常反馈；若大于或等于界定增长速度，则调整迭代次数至最大，并再次获取迭代完成后的特征识别精准因子进行比对，若仍小于阈值，则继续进行特征提取异常反馈；若大于或等于阈值，则表明特征提取质量已满足要求，可进行特征完整性反馈，最终，整合学生心理状态特征，并进行学生心理状态特征反馈，结束整个流程。

图6为本发明的学生心理状态管理平台首页界面图，展示心理状态管理平台清晰的布局，为用户提供了快速了解平台核心功能与关键信息的入口，方便用户快速跳转到不同功能模块；图7为本发明的学生心理状态管理平台异常特征第一界面图，图8为本发明的学生心理状态管理平台异常特征第二界面图，展示学生情绪分布状态，通过精心设计的图表、数据可视化元素等，将学生的情绪状态以直观的方式呈现出来，比如，用不同颜色代表不同情绪，清晰地展示出不同情绪在学生中的占比情况，快速发现学生情绪方面可能存在的异常特征，如某种负面情绪占比过高，从而及时采取针对性的干预措施，保障学生的心理健康；图9为本发明的学生心理状态管理平台数据详情界面图，旨在详细展示平台所接受数据的分布详情，让用户能够深入了解数据的构成和来源；图10为本发明的学生心理状态管理平台异常反馈界面图，展示学生异常状态和平台异常状态，为及时发现和解决学生心理问题以及保障平台稳定运行提供了重要依据，确保学生心理状态管理工作能够高效、有序地开展。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本发明所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种应用于基于多维数据分析的学生心理状态识别方法的系统，其特征在于：包括：

数据清洗模块，用于将学生心理状态管理平台标记为目标平台，通过目标平台采集多维度数据源的学生心理状态数据，采集并分析各维度数据源的数据属性参数，从而对各维度数据源的学生心理状态数据进行数据清理；

数据优化模块，用于目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化；

过程调节模块，用于在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节；

特征反馈模块，用于目标平台整合学生心理状态特征，并进行学生心理状态特征反馈；

所述基于多维数据分析的学生心理状态识别方法包括：

步骤一、将学生心理状态管理平台标记为目标平台，通过目标平台采集多维度数据源的学生心理状态数据，采集并分析各维度数据源的数据属性参数，从而对各维度数据源的学生心理状态数据进行数据清理；

步骤二、目标平台接收数据清理后的各维度数据源的学生心理状态数据，并进行协同分析，获取并评估目标平台的协同分析过程参数，从而对目标平台的协同分析过程进行数据优化；

步骤三、在数据优化后，目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征，采集并分析特征提取质量指标，从而对学生心理状态特征提取过程进行调节；

步骤四、目标平台整合学生心理状态特征，并进行学生心理状态特征反馈；

所述对各维度数据源的学生心理状态数据进行数据清理，具体指：

通过分析各维度数据源的数据属性参数，得出各维度数据源的数据噪声异常指数，并与数据噪声异常阈值进行比对；

若某维度数据源的数据噪声异常指数大于或等于数据噪声异常阈值，则将该维度数据源标记为不合格数据源，并对不合格数据源进行数据清理，清理完成后传输至目标平台；

若某维度数据源的数据噪声异常指数小于数据噪声异常阈值，则将该维度数据源的学生心理状态数据标记为合格数据，并在传输时间点传输至目标平台；

在数据传输时间点，统计合格数据中学生心理状态数据的数据量，并与界定数据量进行比对，若数据量小于界定数据量，则延迟数据传输时间点，直至数据量大于或等于界定数据量，且获取并根据总延迟时长从多维数据库中匹配出特征识别精准因子修正值，并将合格数据传输至目标平台，若数据量大于或等于界定数据量，则直接将合格数据传输至目标平台；

所述各维度数据源的数据噪声异常指数，表征各维度数据源的数据噪声异常程度，具体表达式为：

；

式中，a为各维度数据源的编号，，u为数据源维度的总个数，为第a个维度数据源的数据噪声异常指数，为第a个维度数据源的数据缺失值比率，为第a个维度数据源的数据格式错误率，为第a个维度数据源所属传感器的信噪比，为多维数据库中预设的界定数据缺失值比率，为多维数据库中预设的界定数据格式错误率，为多维数据库中预设的界定信噪比，为多维数据库中预设的数据缺失值比率度量因子，为多维数据库中预设的数据格式错误率度量因子，为多维数据库中预设的信噪比度量因子；

所述界定数据缺失值比率，表示数据缺失值比率所允许的最大值；所述界定数据格式错误率，表示数据格式错误率所允许的最大值，所述界定信噪比，表示信噪比所允许的最小值；

所述对目标平台的协同分析过程进行数据优化，具体指：

通过评估目标平台的协同分析过程参数，得出目标平台的数据协同稳定因子，并与目标平台的数据协同稳定阈值进行比对，若目标平台的数据协同稳定因子大于或等于数据协同稳定阈值，则目标平台从各维度数据源的学生心理状态数据中提取学生心理状态特征；

若目标平台的数据协同稳定因子小于数据协同稳定阈值，则对目标平台的数据协同过程进行数据优化；

所述目标平台的数据协同稳定因子，具体表达式为：

；

式中，为目标平台的数据协同稳定因子，为目标平台的响应异常率，为目标平台的跨数据中心同步延迟时长，为数据源的平均数据噪声异常指数，为多维数据库中预设的界定响应异常率，为多维数据库中预设的界定跨数据中心同步延迟时长，为多维数据库中预设的响应异常率度量因子，为多维数据库中预设的跨数据中心同步延迟时长度量因子，为多维数据库中预设的平均数据噪声异常指数度量因子；

所述界定响应异常率，表示响应异常率所允许的最大值；所述界定跨数据中心同步延迟时长，表示跨数据中心同步延迟时长所允许的最大值；

所述对学生心理状态特征提取过程进行调节，具体指：

分析特征提取质量指标，得出目标平台的特征识别精准因子，并与特征识别精准阈值进行比对，若目标平台的特征识别精准因子大于或等于特征识别精准阈值，则进行特征完整性反馈；

若目标平台的特征识别精准因子小于特征识别精准阈值，则对学生心理状态特征提取过程进行调节，具体调节过程为：根据目标平台的特征识别精准因子从多维数据库中匹配出特征提取批量修正值以及网络通道修正值，同时持续增加特征提取迭代次数，并判定是否进行特征提取异常反馈；

所述目标平台的特征识别精准因子，具体表达式为：

；

式中，为目标平台的特征识别精准因子，为第一修正值，为第二修正值，为目标平台的特征分类准确率，为目标平台的特征覆盖率，为目标平台的特征噪声比，为多维数据库中预设的界定特征分类准确率，为多维数据库中预设的界定特征覆盖率，为多维数据库中预设的界定特征噪声比，为多维数据库中预设的特征分类准确率度量因子，为多维数据库中预设的特征覆盖率度量因子，为多维数据库中预设的特征噪声比度量因子；

所述界定特征分类准确率，表示特征分类准确率所允许的最小值；所述界定特征覆盖率，表示特征覆盖率所允许的最小值；所述界定特征噪声比，表示特征噪声比所允许的最大值。

2.根据权利要求1所述的系统，其特征在于：所述对不合格数据源进行数据清理，具体清理过程为：

获取不合格数据源的数据噪声异常指数偏差率以及不合格数据源的数据类型；

若不合格数据源的数据类型存在第一类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出数据插帧密度修正值，从而对第一类型进行数据清理；

若不合格数据源的数据类型存在第二类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出谐波数量修正值以及混响时长修正值，从而对第二类型进行数据清理；

若不合格数据源的数据类型存在第三类型，则根据不合格数据源的数据噪声异常指数偏差率从多维数据库中匹配出数据插值密度修正值以及异常值修正力度，从而对第三类型进行数据清理；

所述第一类型，表示视频类型；所述数据插帧密度修正值，是用于调整视频数据插帧密度的比例系数，将数据插帧密度修正值乘以当前视频数据插帧密度，所得结果即为修正后的视频数据插帧密度，利用修正后的视频数据插帧密度对第一类型进行数据清理；所述数据插帧密度修正值，具体匹配过程为：多维数据库中存储数据噪声异常指数偏差率-数据插帧密度修正值映射表，直接在多维数据库中查询数据噪声异常指数偏差率，即可得到数据噪声异常指数偏差率对应的数据插帧密度修正值；

所述第二类型，表示音频类型；所述谐波数量修正值，指对音频信号中的谐波数量进行修正的比例值，将谐波数量修正值乘以当前音频信号中的谐波数量，所得结果即为修正后的音频信号中的谐波数量；所述混响时长修正值，指对音频信号中的混响时长进行修正的比例值，将混响时长修正值乘以当前音频信号中的混响时长，所得结果即为修正后的音频信号中的混响时长；利用修正后的音频信号中的谐波数量以及修正后的音频信号中的混响时长对第二类型进行数据清理；谐波数量修正值以及混响时长修正值，具体匹配过程为：多维数据库中存储数据噪声异常指数偏差率-谐波数量修正值映射表以及数据噪声异常指数偏差率-混响时长修正值映射表，直接在多维数据库中查询数据噪声异常指数偏差率，即可得到数据噪声异常指数偏差率对应的谐波数量修正值以及混响时长修正值；

所述第三类型，表示图表类型；所述数据插值密度修正值，表示对数据插值密度进行修正的比例值，将数据插值密度修正值乘以当前数据插值密度，所得结果即为修正后的数据插值密度，其中，异常值修正力度包括：低力度：仅修复孤立异常值；中力度：修复连续异常段+趋势线辅助，保持数据连贯性；高力度：全数据修正以及三西格玛原则检测，确保数据合理性；利用修正后的数据插值密度以及异常值修正力度对第三类型进行数据清理；数据插值密度修正值以及异常值修正力度，具体匹配过程为：多维数据库中存储数据噪声异常指数偏差率-数据插值密度修正值映射表以及数据噪声异常指数偏差率-异常值修正力度映射表，直接在多维数据库中查询数据噪声异常指数偏差率，即可得到数据噪声异常指数偏差率对应的数据插值密度修正值以及异常值修正力度。

3.根据权利要求1所述的系统，其特征在于：所述各维度数据源的数据噪声异常指数，具体分析过程为：

所述各维度数据源的数据属性参数包括各维度数据源的数据缺失值比率、各维度数据源的数据格式错误率以及各维度数据源所属传感器的信噪比；

通过度量因子依次量化数据缺失值比率与界定数据缺失值比率之间的比例关系对数据噪声异常指数的影响程度、数据格式错误率与界定数据格式错误率之间的比例关系对数据噪声异常指数的影响程度以及信噪比与界定信噪比之间的比例关系对数据噪声异常指数的影响程度，将各影响程度进行汇合，从而得出数据噪声异常指数；

所述各维度数据源的数据噪声异常指数，表征各维度数据源的数据噪声异常程度。

4.根据权利要求1所述的系统，其特征在于：所述目标平台的数据协同稳定因子，表征目标平台的数据协同过程的稳定程度，具体分析过程为：

所述目标平台的协同分析过程参数包括目标平台的响应异常率以及目标平台的跨数据中心同步延迟时长；

获取数据源的平均数据噪声异常指数，通过度量因子依次量化响应异常率与界定响应异常率之间的比例关系对数据协同稳定因子的影响程度、跨数据中心同步延迟时长与界定跨数据中心同步延迟时长之间的比例关系对数据协同稳定因子的影响程度以及平均数据噪声异常指数对数据协同稳定因子的影响程度，将各影响程度进行汇聚，从而得出目标平台的数据协同稳定因子。

5.根据权利要求4所述的系统，其特征在于：所述对目标平台的数据协同过程进行数据优化，具体优化过程为：

获取目标平台的新增数据协同任务，同时获取目标平台所属各同属数据处理节点的负载，并与界定负载进行比对；

将负载小于界定负载对应的同属数据处理节点，标记为可利用数据处理节点，从而统计出各可利用数据处理节点；

将目标平台当前数据处理节点的数据协同任务迁移至各可利用数据处理节点；

若不存在可利用数据处理节点，则将目标平台的新增数据协同任务设定为最高优先级，目标平台优先处理最高优先级对应的数据，从而完成对目标平台的数据协同过程进行数据优化；

获取优化完成的目标平台的数据协同稳定因子，并进行预警判定。

6.根据权利要求5所述的系统，其特征在于：所述进行预警判定，具体判定过程为：

将优化完成的目标平台的数据协同稳定因子与数据协同稳定阈值进行比对，若存在第一条件，则判定不对目标平台的数据协同过程进行预警；

若存在第二条件，则判定对目标平台的数据协同过程进行预警，同时获取并基于优化完成的目标平台的数据协同稳定因子偏差率，从多维数据库中匹配出数据噪声异常阈值修正系数，从而对数据噪声异常阈值进行修正；

所述第一条件，指优化完成的目标平台的数据协同稳定因子大于或等于数据协同稳定阈值；

所述第二条件，指优化完成的目标平台的数据协同稳定因子小于数据协同稳定阈值。

7.根据权利要求1所述的系统，其特征在于：所述目标平台的特征识别精准因子，表征目标平台识别提取学生心理状态特征的精准程度，具体分析过程为：

所述特征提取质量指标包括目标平台的特征分类准确率、目标平台的特征覆盖率以及目标平台的特征噪声比；

根据数据源的平均数据噪声异常指数，从多维数据库中匹配出第一修正值；

根据目标平台的数据协同稳定因子，从多维数据库中匹配出第二修正值；

通过度量因子量化特征分类准确率与界定特征分类准确率之间的比例关系对特征识别精准因子的影响程度、特征覆盖率与界定特征覆盖率之间的比例关系对特征识别精准因子的影响程度以及特征噪声比与界定特征噪声比之间的比例关系对特征识别精准因子的影响程度，将各影响程度进行耦合，并利用第一修正值与第二修正值对耦合结果进行修正，从而得到目标平台的特征识别精准因子。

8.根据权利要求1所述的系统，其特征在于：所述判定是否进行特征提取异常反馈，具体判定过程为：

获取目标平台的特征识别精准因子增长速度，并与界定特征识别精准因子增长速度进行比对，若目标平台的特征识别精准因子增长速度小于界定特征识别精准因子增长速度，则判定进行特征提取异常反馈；

若目标平台的特征识别精准因子增长速度大于或等于界定特征识别精准因子增长速度，则将特征提取迭代次数向上调整至最大特征提取迭代次数，并获取迭代完成后的目标平台的特征识别精准因子，若迭代完成后的目标平台的特征识别精准因子仍小于特征识别精准阈值，则判定进行特征提取异常反馈，若迭代完成后的目标平台的特征识别精准因子大于或等于特征识别精准阈值，则进行特征完整性反馈。