基于心电信号与肌电信号融合的心理压力评测方法技术

一种基于心电信号与肌电信号融合的心理压力评测方法，属于心理压力分析技术领域。本发明专利技术针对现有心理压力评测更强调参试者的主观性，而无法用生理或行为特征从客观上体现被试个体的压力状态的问题。包括：获得心电生理参数和肌电生理参数；获得心电生理参数和肌电生理参数的所有待识别特征；通过随机森林特征重要性度量方法算法对所有待识别特征进行融合，并在压力识别模型中分配权重，获得压力识别最终模型；采集待测试者的心电信号和表面肌电信号并进行处理，获得待测试者的待测试特征；将待测试者的待测试特征输入压力识别最终模型，获得待测试者的当前心理压力等级。本发明专利技术用于测试受试者的心理压力状态。

【技术实现步骤摘要】
基于心电信号与肌电信号融合的心理压力评测方法
本专利技术涉及基于心电信号与肌电信号融合的心理压力评测方法，属于心理压力分析

技术介绍
现代社会中，不同人群体常面对多方面的压力，大部分心理受压人群常感到心理压力测试表与自己的实际情况并不十分贴合；并且，多数受压人群在压力过大时通常没有时间求助专业的心理辅导机构。对于心理压力高危人群，其在职群体及时有效地调试紧张疲劳的心理，避免身心的过度劳累是保障身心健康的重要因素。在压力严重时，单凭个人的力量难以排解，就更应该积极寻求外部的理解和帮助，例如向家人、知己倾诉，或者寻求心理咨询机构的治疗，参加有关心理学的培训和学习。适当的心理压力对人体并无危害，但过大的心理压力则会带来一系列的负面影响；慢性心理压力还会引发一系列生理、病理风险，如心脑血管疾病、抑郁症及精神紊乱等。如果能在形成慢性心理压力前对心理状态进行准确的识别评测，会为这一类人群带来很大便利。心理压力的自动识别，可以帮助我们洞察生活中可能引起心理压力的因素；同时也可以提示处于心理压力状态中的个体进行干预治疗。能够在自然状态下进行心理压力的分析将有助于研究人们的情绪化行为，同时有助于对个体心理压力等级的客观评测。心理学领域常用于心理压力评估的方法有晤谈法、心理测验法和问卷调查法。这三种方法强调参与的主观性。如果心理压力评测可以在更加客观的条件下进行，则结果将更为准确合理，并且有利于心理压力与健康的研究。任何一种情感状态都可能会伴随几种生理或行为特征的变化；而某些生理或行为特征也可能起因于数种情感状态。因此，确定情感状态与生理或行为特征之间的对应关系是情感计算理论的一个基本前提，心理压力的自动识别技术可为情感计算提供更丰富的理论支持。信息融合是指对多个传感器信息源采集的数据进行检测，并进行一定的自动分析和综合；经过集成和融合的多传感器信息能够更加全面和精确地反应心理压力人群的心理信号特征；将多传感器同时采集的生理信号进行信息融合，相对于单一信号识别提高了心理压力识别和准确度。随着研究的深入，面向情感心理压力评估这一复杂问题，数据采集实验设计的合理性以及采集的原始数据的有效性，成为压力识别的基础和关键。因此如何建立准确的心理压力评估方法成为目前研究的重点。目前还没有提供采用重建模型完整度的空间目标三维重建评估方法。
技术实现思路
针对现有心理压力评测更强调参试者的主观性，而无法用生理或行为特征从客观上体现被试个体的压力状态的问题，本专利技术提供一种基于心电信号与肌电信号融合的心理压力评测方法。本专利技术所述的一种基于心电信号与肌电信号融合的心理压力评测方法，包括：采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理，获得心电生理参数和肌电生理参数；对心电生理参数和肌电生理参数分别基于小波分解进行特征提取，获得心电生理参数和肌电生理参数的所有待识别特征，包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征；通过随机森林特征重要性度量方法算法对所有待识别特征进行融合，并在压力识别模型中分配权重，获得压力识别最终模型；所述压力识别最终模型预设置与待识别特征对应的心理压力等级；采集待测试者的心电信号和表面肌电信号并进行处理，获得待测试者的待测试特征：包括心电生理参数的时域特征、频域特征和非线性特征，肌电生理参数的时域特征和频域特征；将待测试者的待测试特征输入压力识别最终模型，获得待测试者的当前心理压力等级。根据本专利技术所述的基于心电信号与肌电信号融合的心理压力评测方法，所述预处理包括：对心电信号和表面肌电信号进行去噪和滤波，所述去噪包括基线漂移矫正，滤波包括工频干扰抑制。根据本专利技术所述的基于心电信号与肌电信号融合的心理压力评测方法，心电生理参数的待识别特征包括：心电信号的P波、QRS波、T波；心电信号的R波检测和心率值；RR间期的均值、标准差、方差、最值和最值之差；心电信号的HRV时域指标：SDNN、RMSSD、pNN50、变异系数；HRV频域指标：HRV高频峰、低频峰、极低频峰和LF/HF；HRV的非线性特征：Poincare散点图、VAI及VLI。肌电生理参数的待识别特征包括：时域统计特征：均值、积分肌电值、幅值的过零次数、均方根、方差、最值和最值之差；以所述时域统计特征求取一阶导数和二阶导数，再分别求取统计值；频域分析指标：峰值频率、平均功率频率和中值频率；采用的时频分析方法包括短时FFT变换及维格纳分布。根据本专利技术所述的基于心电信号与肌电信号融合的心理压力评测方法，心电生理参数的待识别特征中，所述SDNN为：式中SDNN表示正常窦性心搏单项的标准差，N为采集样本中正常心搏的总数，RRi表示第i个RR间期，meanRR表示第N个心搏的RR间期的平均值；所述RMSSD为：式中RMSSD表示相邻R-R间期差值的均方根；所述pNN50为：式中pNN50表示采样信号中相邻RR间期差值大于50ms的个数占所有R-R间期个数的百分比，NN50表示采样信号中相邻R-R间期的差值大于50ms的个数，NN表示RR间期总数。根据本专利技术所述的基于心电信号与肌电信号融合的心理压力评测方法，肌电生理参数的待识别特征中，均值为：式中N1表示待分析的信号长度，Xn表示肌电信号的第n个样本；均方根XRMS为：幅值的过零次数XZC为：方差XVAR为：中值频率MF为：式中PSD(f)为表面肌电信号功率谱密度函数。根据本专利技术所述的基于心电信号与肌电信号融合的心理压力评测方法，设定受试志愿者心电信号和表面肌电信号的数据集样本数为A，特征维数为k，用p1,p2,…,pk表示其特征，z表示类别，特征pj的值域为Vj，z的值域为Vz；j＝1，2，3，……，k；特征pj与类别z之间的互信息I(pj,z)为：式中q(vj,vz)表示特征pj的取值为vj且类别z的取值为vz的概率，q(vj)表示特征pj的取值为vj的概率，q(vz)表示类别z的取值为vz的概率；计算每个特征与类别的互信息后，按互信息从大到小的顺序对特征排序；然后对数据集分组，定义特征分组的标准Q为：式中SG表示表示类别z与特征pj的熵，RG表示特征pj与特征pk之间的熵，G表示一个特征组，pj,pk为G内的特征，I(pj,pk)为特征pj与特征pk之间的互信息I(pj,pk)：其中q(vj,vk)表示特征pj的取值为vj，且特征pk的取值为概率vk；I(pj,pk)的值越大，表示特征pj和特征pk越相似；Q值越大，表示该特征组中的特征与类别的关联度越大，特征组内特征之间的冗余度越小；判断变量H为：利用变量H最终判断特征之间的关联度与特征之间的相似度，并按照从大到小的顺序对H进行排序，进本文档来自技高网...

【技术保护点】
1.一种基于心电信号与肌电信号融合的心理压力评测方法，其特征在于包括：/n采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理，获得心电生理参数和肌电生理参数；/n对心电生理参数和肌电生理参数分别基于小波分解进行特征提取，获得心电生理参数和肌电生理参数的所有待识别特征，包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征；/n通过随机森林特征重要性度量方法算法对所有待识别特征进行融合，并在压力识别模型中分配权重，获得压力识别最终模型；所述压力识别最终模型预设置与待识别特征对应的心理压力等级；/n采集待测试者的心电信号和表面肌电信号并进行处理，获得待测试者的待测试特征：包括心电生理参数的时域特征、频域特征和非线性特征，肌电生理参数的时域特征和频域特征；/n将待测试者的待测试特征输入压力识别最终模型，获得待测试者的当前心理压力等级。/n

【技术特征摘要】
1.一种基于心电信号与肌电信号融合的心理压力评测方法，其特征在于包括：
采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理，获得心电生理参数和肌电生理参数；
对心电生理参数和肌电生理参数分别基于小波分解进行特征提取，获得心电生理参数和肌电生理参数的所有待识别特征，包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征；
通过随机森林特征重要性度量方法算法对所有待识别特征进行融合，并在压力识别模型中分配权重，获得压力识别最终模型；所述压力识别最终模型预设置与待识别特征对应的心理压力等级；
采集待测试者的心电信号和表面肌电信号并进行处理，获得待测试者的待测试特征：包括心电生理参数的时域特征、频域特征和非线性特征，肌电生理参数的时域特征和频域特征；
将待测试者的待测试特征输入压力识别最终模型，获得待测试者的当前心理压力等级。


2.根据权利要求1所述的基于心电信号与肌电信号融合的心理压力评测方法，其特征在于，所述预处理包括：
对心电信号和表面肌电信号进行去噪和滤波，所述去噪包括基线漂移矫正，滤波包括工频干扰抑制。


3.根据权利要求2所述的基于心电信号与肌电信号融合的心理压力评测方法，其特征在于，心电生理参数的待识别特征包括：心电信号的P波、QRS波、T波；心电信号的R波检测和心率值；RR间期的均值、标准差、方差、最值和最值之差；心电信号的HRV时域指标：SDNN、RMSSD、pNN50、变异系数；HRV频域指标：HRV高频峰、低频峰、极低频峰和LF/HF；HRV的非线性特征：Poincare散点图、VAI及VLI。
肌电生理参数的待识别特征包括：时域统计特征：均值、积分肌电值、幅值的过零次数、均方根、方差、最值和最值之差；以所述时域统计特征求取一阶导数和二阶导数，再分别求取统计值；
频域分析指标：峰值频率、平均功率频率和中值频率；
采用的时频分析方法包括短时FFT变换及维格纳分布。


4.根据权利要求3所述的基于心电信号与肌电信号融合的心理压力评测方法，其特征在于，心电生理参数的待识别特征中，所述SDNN为：



式中SDNN表示正常窦性心搏单项的标准差，N为采集样本中正常心搏的总数，RRi表示第i个RR间期，meanRR表示第N个心搏的RR间期的平均值；
所述RMSSD为：



式中RMSSD表示相邻R-R间期差值的均方根；
所述pNN50为：



式中pNN50表示采样信号中相邻RR间期差值大于50ms的个数占所有R-R间期个数的百分比，NN50表示采样信号中相邻R-R间期的差值大于50ms的个数，NN表示RR间期总数。


5.根据权利要求4所述的基于心电信号与肌电信号融合的心理压力评测方法，其特征在于，肌电生理参数的待识别特征中，均值为：



式中N1表示待分析的信号长度，Xn表...

【专利技术属性】
技术研发人员：张泽旭，乔衍迪，迟旭，
申请(专利权)人：哈尔滨工业大学，苏州点石仿真科技有限公司，
类型：发明
国别省市：黑龙;23