3、利用新型KNN算法结合图像处理识别IT员工压力并与SVM进行精度对比

利用新型KNN算法结合图像处理识别IT员工压力并与SVM进行精度对比

1. 研究背景

在当今的企业和组织发展中，人力资源至关重要。企业通常会为员工设定明确的绩效标准，涵盖工作成果、知识水平、思维敏捷度、工作态度、时间管理和出勤率等方面。然而，当员工无法应对工作要求时，就会产生压力，长期的压力可能导致身体、情感和精神上的疾病，还会因生产与成本之间的差异对企业造成损害。因此，识别员工的工作压力并激励他们实现目标成为组织的基本需求，数据挖掘技术在这方面具有重要的应用价值。

此前已有众多关于压力预测的研究。例如，有人通过HVR指标对大量人群进行非压力和受压力影响的分类；利用基于ECG衍生的HVR指标的传统机器学习方法，借助可穿戴设备预测驾驶员的压力；还有人考虑从ECG、皮肤电反应传感器等获取的生理信号，结合特征选择和重叠技术以获得更好的压力预测结果。此外，机器学习分类器在人类的诸多任务中也有应用，如手势识别、手写字母识别和视觉安全增强等，这些研究为基于日常行为识别IT员工的压力提供了依据。

2. 材料与方法

• 数据来源 ：本次研究由Saveetha工程学院计算机科学工程系开展，人类面部表情图像数据集来自Kaggle网站（Stress Datasets 2019）。为检测IT员工因工作性质和个人原因产生的压力，研究选取了20个样本，并使用KNN和SVM分类器进行分析。研究使用Python编译器实现分类器，并使用IBM SPSS 26版本进行统计分析。
• 研究方法
  • K - 近邻算法（KNN）