基于ECG信号的疲劳、情绪分析方法技术

本发明专利技术公开了一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA、K‑means聚类算法以及DS证据理论实现，具体包括步骤：采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R‑R间隔序列；对R‑R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；运用K‑means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析；本发明专利技术的基于ECG信号的疲劳、情绪分析方法可实现对疲劳、情绪的分析的精确分析。

【技术实现步骤摘要】
基于ECG信号的疲劳、情绪分析方法
本专利技术属于心电数据分析
，尤其涉及一种基于ECG信号的疲劳、情绪分析方法。
技术介绍
心率变异性(Heartratevariability，HRV)是一种实时、可量化反映心脏交感神经和迷走神经系统活动及其平衡协调关系的指标。HRV与人体负荷存在一定的关系，在安静的情况下，迷走神经兴奋占优势，心率的变化主要受迷走神经调节，在运动、情绪紧张、压力增大等情况下，交感神经兴奋占优势，心率的变化主要受交感神经调节。大量研究表明，HRV降低可以作为对心肌梗死、慢性心力衰竭、不稳定型心绞痛、高血压及糖尿病等疾病的预测指标，而HRV提高对心血管患者的治疗以及药物评价等也有重要的参考价值；因此对HRV的研究分析也越来越重视，越来越普遍。
技术实现思路
本专利技术的主要目的在于提供了一种基于ECG信号的疲劳、情绪分析方法，用于建立人体心电生理数据与疲劳、情绪之间关系的全面、精确分析，具体技术方案如下：一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA(principalcomponentsanalysis，主成分分析)、K-means聚类算法以及DS证据理论实现，具体包括步骤：采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R-R间隔序列；对R-R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；运用K-means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析。作为优选，所述时频域指标包括时域指标和频域指标，其中，所述时域指标包括平均心率、心率变异标准偏差、连续性差异的方根等；所述频域指标包括低频能量、高频能量值、极低频、低频、高频等。作为优选，在对所述时频域指标运用DS证据理论进行区间划分的具体过程为：设定一指定大小的时间值，将所述ECG信号数据按照所述时间值平均分配；对当前段所述时间值内的分析结果与前一段所述时间值内的分析结果以指定比例分别做加权操作，由概率学判断规则得到最终稳定的结果。作为优选，所述PCA包括步骤：首先将所述时频域指标构成一个数据集，然后求出所述数据集的协方差矩阵，并获取所述协方差矩阵的最大特征值，以及所述最大特征值对应的特征向量，最后找出对应特征向量的数据集方差最大的指定数量的方向，获取低维度矩阵。作为优选，在使用所述K-means聚类算法做聚类操作前，还包括步骤将所述时频域指标数据存入一指标矩阵中。作为优选，所述K-means聚类算法聚类的具体过程为：首先选取K个所述低维度矩阵的初始质心，随后将所述指标矩阵和K作为所述K-means聚类算法的输入，获取所述初始质心所在位置构成的质心矩阵，将计算所述指标矩阵与所述质心矩阵的距离，实现不同省力状态对应类别的划分。本专利技术的基于ECG信号的疲劳、情绪分析方法，创造性的PCA和K-means聚类算法相结合与D-S证据理论应用于心电信号的数据分析中，首先对心电信号先经过噪声检测、弱信号检测以及滤波等预处理，然后提取R-R间隔序列，接着再对R-R间隔序列进行时频域的分析，获取用于数据训练的指标，再对多项时频域指标进行PCA，得到低维度矩阵以及相应的变换矩阵；最后用低维度矩阵进行K-means聚类，划分出不同生理状态相对应的类别，最终得出分析结果；与现有技术相比，本专利技术通过ECG信号数据可对人的情绪进行全面、精确的分析。附图说明图1为本专利技术所述基于ECG信号的疲劳、情绪分析方法的流程图示意；图2为本专利技术中对多段数据融合的机制示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。结合图1和图2对本专利技术进行具体详细的描述，在本专利技术实施例中，提供了一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA、K-means聚类算法以及DS证据理论实现，具体包括步骤：S1、采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R-R间隔序列；S2、对R-R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；S3、对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；S4、运用K-means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析；其中，步骤S1、S2、S3和S4的具体描述如下：首先，对ECG信号数据依次做噪声检测、弱信号检测和滤波处理，本专利技术取3秒钟间隔的ECG信号数据作为每次数据分段的样本ECG_3min，找出ECG_3min中幅度A<＝500的数据点数L1，其中，幅值A为ECG信号数据经过A/D转换后形成的值，并求出数据点数L1在每3min的ECG点数中所占的比例N1，其中，每3min中包括384个数据点，所以N1可以用式N1＝L1/384表示，若最后得到的N1值如果符合条件N1>0.96，则认为该段数据为噪声信号，应当剔除；由于每个人的ECG信号都是不同的，本专利技术通过选取ECG信号中的幅度A来直观体现，当ECG信号幅度A较弱时，R波将十分不明显，这也必然会导致RR序列提取效果的不佳；为此，本专利技术将幅度A<3500作为弱信号ECG_L，幅度A>3500的标记为强信号ECG_H，实现对不同强弱的ECG信号加以区分并分别处理；优选的，本专利技术以卡尔曼滤波对ECG信号做滤波处理，卡尔曼滤波内的滤波算法依据递推得到，在每个递推的循环中都包含了量测更替和被估算量的总时间交替；且滤波算法设计简单易行，规避了在频域内分离信号功率谱的不便；由于卡尔曼滤波对数据的处理过程是在时频域中采用状态空间法来完成的，因此无论心电信号的时频域特征有多复杂，都可以采用状态方程来表述，实现对ECG信号的直观描述。具体的，在使用卡尔曼滤波对ECG信号数据做滤波处理的过程中，具体包括两个过程，第一步瞬态过程：一般是用于滤波器初始工作状态，这个时候要求滤波器有快速收敛的能力；因此初始P阵设置尽可能大些；这样通过比较大的P阵迭代出的滤波增益也比较大滤波器能够更快的响应输入信号的变化；第二步稳态过程：当P阵进入稳态之后会收敛到一个最小P阵，也就是最小的估计方差阵，这就是卡尔曼滤波最优的估计性能，对应此时的滤波增益也是最优的；这里与初始设置的P阵无关，只与模型QR(Q为对模型的信任度，R为对测量的信任度)有关，要使得滤波器工作在最优的状态，Q和R一定要建准确；且通过适当调整卡尔曼滤波器的Q和R参数，可以达到对心电数据的最佳滤波；本专利技术中，采用自相关函数，可以很方便地对心电信号地周期性进行检测，确定未知参数系统的频域响应。同时也能检测心电信号中的有用信号，并对噪声中的信号进行提取。然后，假定经过卡尔曼滤波后的ECG信号x(n)中包含加性噪声u(n)，且可能包含了有用ECG信号s(本文档来自技高网...

【技术保护点】
1.基于ECG信号的疲劳、情绪分析方法，其特征在于，所述方法基于PCA、K‑means聚类算法以及DS证据理论实现，具体包括步骤：采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R‑R间隔序列；对R‑R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；运用K‑means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析。

【技术特征摘要】
1.基于ECG信号的疲劳、情绪分析方法，其特征在于，所述方法基于PCA、K-means聚类算法以及DS证据理论实现，具体包括步骤：采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R-R间隔序列；对R-R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；运用K-means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析。2.根据权利要求1所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，所述时频域指标包括时域指标和频域指标，其中，所述时域指标包括平均心率、心率变异标准偏差、连续性差异的方根等；所述频域指标包括低频能量、高频能量值、极低频、低频、高频等。3.根据权利要求1所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，在对所述时频域指标运用DS证据理论进行区间划分的具体过程为：设定一指定大小的时...

【专利技术属性】
技术研发人员：成谢锋，邵建华，佘辰俊，单煦，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32