一种基于深度学习的脉搏信号压力识别方法技术

本发明专利技术涉及计算机领域，提出了一种基于深度学习的脉搏信号压力识别方法。该方法能够通过实验中有标注的脉搏信号数据提取出包括统计特征、脉搏波形特征、非线性特征和小波变换特征多种特征，利用滑动时间窗构建具有时间特性的二维特征图，最后通过卷积神经网络建立并训练相关的算法模型。在训练好的算法模型基础上，方法可以对新检测的脉搏信号样本进行分析并判断被试者当前情绪，实时判断佩戴者的压力状况。本发明专利技术能够准确地识别用户当前压力状态，且计算复杂度小，可以做到实时识别，能够帮助用户及时发现自身心理问题，并进行相应的干预措施，从而有效提升用户的生活质量。

【技术实现步骤摘要】
一种基于深度学习的脉搏信号压力识别方法
本专利技术属于人工智能、模式识别领域，涉及一种计算机信息处理方法，具体涉及一种基于深度学习的脉搏信号压力识别方法。
技术介绍
随着经济社会的发展，人们的生活节奏不断加快，进而造成生活压力的日益增大。心理学相关研究表明，长时间持续的心理压力会导致包括抑郁症在内的多种心理疾病，进而造成生理上的严重损害。因此，实时监测用户的压力状态，并进行正确的心理干预，具有极为重要的研究意义。近年来，移动互联网技术取得了飞速的发展，可穿戴设备已经在人们的生活中扮演着十分重要的角色，逐渐成为消费类电子中比较流行的产品。可穿戴设备具有方便携带、测量准确和扩展能力强的优势，受到消费者和研究者的青睐。现有的情绪识别技术，存在着多种局限：1，仅能判断如悲伤、快乐等多种特定的情绪，对压力的辨识能力不足；2，需要基于多种生理信号综合判断，部分算法使用脑电、心电等信号，这些信号需要通过专业的实验设备如脑电帽等进行采集，难以应用在日常生活中；3，识别算法通常为浅层的机器学习算法，准确率不高。专利技术内容针对现有本文档来自技高网...

【技术保护点】
1.一种基于深度学习的脉搏信号压力识别方法，其特征在于，包括：/nS1,通过佩戴在用户手腕上的可穿戴设备获取脉搏信号；/nS2,对脉搏信号的原始数据进行经验模态分解，去除基线漂移，得到无基线漂移的波形信号；/nS3,建立特征工程，通过特征提取模块从无基线漂移的波形信号中提取统计特征、脉搏波形特征、非线性特征和小波变换特征；/nS4,设置滑动时间窗，按照数据的时间顺序依次平移，并提取时间窗内数据的特征向量，最后将所有特征向量按时间维度拼接为二维特征图；/nS5,使用卷积神经网络，将二维特征图输入卷积神经网络，识别用户的压力情绪；/nS6,使用损失函数对卷积神经网络进行反复训练和优化，构建完整的实...

【技术特征摘要】
1.一种基于深度学习的脉搏信号压力识别方法，其特征在于，包括：
S1,通过佩戴在用户手腕上的可穿戴设备获取脉搏信号；
S2,对脉搏信号的原始数据进行经验模态分解，去除基线漂移，得到无基线漂移的波形信号；
S3,建立特征工程，通过特征提取模块从无基线漂移的波形信号中提取统计特征、脉搏波形特征、非线性特征和小波变换特征；
S4,设置滑动时间窗，按照数据的时间顺序依次平移，并提取时间窗内数据的特征向量，最后将所有特征向量按时间维度拼接为二维特征图；
S5,使用卷积神经网络，将二维特征图输入卷积神经网络，识别用户的压力情绪；
S6,使用损失函数对卷积神经网络进行反复训练和优化，构建完整的实时压力识别模型。


2.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：所述步骤S1中，通过可穿戴设备采集手腕处动脉透光度的变化波形，进而提取脉搏信号。


3.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S2中，对原始数据通过本征模分解，提取出脉搏信号的所有本征模函数并求和，从而去除带有包络性质的基线漂移。


4.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S3中，
提取所述统计特征，包括：对S2中形成的波形信号，计算主波峰间隔作为心搏间隔IBI，并计算IBI的平均值与标准差；对IBI计算一阶差分序列，并提取一阶差分序列的标准差和均值加入到特征工程中；
提取所述脉搏波形特征，包括：求出S2中形成的波形信号的副波波峰点，并计算相邻的主副波峰点插值序列，将序列的均值加入到特征工程中；
提取所述非线性特征，包括：基于S2中得到的波形信号，计算2阶近似熵并加入特征工程；
提取所述小波变换特征，包括：对S2中形成的波形信号进行基波函数为“db1”的9层小波分解，并将每层小波系数平方和占全部系数平方和之比加入特征工程。

...

【专利技术属性】
技术研发人员：邢晓芬，张弘毅，郭锴凌，梁国栋，徐向民，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44