CN103605721A - 一种心理压力评估中针对个体差异的分类方法 - Google Patents

Abstract

本发明公开了一种心理压力评估中针对个体差异问题的分类方法，其内容包括如下步骤：1.设计一套有效的实验室诱发心理压力的实验方案，建立心理压力素材激发素材库；2.sEMG信号的心理压力数据采集；3.对原始数据进行预处理；4.sEMG信号的心理压力特征提取及处理；5.采用改进的支持向量机分类器进行心理压力评估分类。本发明通过简单可行的实验方案来获取心理压力数据，使研究者们能够在对大量数据进行细致分析的基础上，得到对心理压力的更加深入的理解，从而有助于理解人类的情绪化行为。本发明基于生理信号的心理压力评估研究相对于问卷等自我评估的形式具有更为客观的特点，因而其用途也将更为广泛，并且有利于心理压力与健康的研究。

Description

一种心理压力评估中针对个体差异的分类方法

技术领域

本发明涉及一种生理信号心理压力评估方法，特别涉及一种心理压力评估中针对个体差异的分类方法。

背景技术

研究和实践都表明：适当程度的心理压力会对人们产生正能量，但心理压力一旦过大，则会产生很多负面效应。慢性心理压力会带来一系列的病理、生理风险，直接影响健康。有效的心理压力测评方法，可以检测与评估出心理压力，提醒人们关注健康。

在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。尽管这些方法在一定程度上能够反映出个体的心理压力，但是往往需要参与者的显著响应和积极配合。如果心理压力评估可以在不需要自我评估的条件下进行，其用途将更为广泛，并且有利于心理压力与健康的研究。

在本发明之前，美国麻省理工学院的Picard教授课题小组研究了基于语音的司机驾驶压力评估，基于生理参数的心理压力评估，其中又以自然状态下司机驾驶心理压力评估研究为主。Healey和Picard在其研究中持续记录在通往波士顿市中心固定路段上行驶的汽车司机的心电图、肌电图、皮肤电导和呼吸信号，证明了生理信号对于预测心理压力具有很高的精确度。德国Augsburg大学采用“俄罗斯方块”游戏作为心理压力源，采集了一名被试者的129组呼吸信号和肌电信号。通过LDA和Fisher判别对结果进行了分析，平均识别率达80%以上。卡内基梅隆大学的Yuan Shi等人采集4种不同心理压力源下22名被试者的体温、心电信号、皮肤电反应电阻和呼吸信号，建立了心理压力识别模型，并证明了该模型在心理压力检测中具有较高的精确度和稳定性。GennaroTartarisco等设计了一种用于评估心理压力的简单无线装置，可以使人们自动而持久地检测日常活动中的心理压力，通过分析心电信号及主体动作特征来自动识别心理压力。Javier Hernandez等人以话务中心工作人员作为实验对象，研究了解决自动识别心理压力/非心理压力反应中个体差异问题的两种方法，他们通过1500个呼叫对此方法进行验证，得到如下结果：对于同一人的多天数据，训练和测试得到的正确率是78.3%；而在不同参与者间进行训练和测试得到的正确率是73.41%。

在心理压力数据的获取方面，研究者多是采集真实环境中心理压力下的生理信号，这对信号获取装置的要求较高，且成本较大。实验室环境下心理压力的诱发也多使用游戏作为心理压力源，如需获取同一名被试者多天的心理压力数据，由于“适应性”的存在，这一方案的效果就会大大降低。目前对心理压力数据的研究中，缺乏一套适用于实验室环境下的完整的心理压力诱发方案。进行心理压力评估时，多采用传统算法，进行特征提取与选择，然后直接送进分类器进行分类，没有针对特定问题加入相关的样本信息进行改进。

发明内容

为了克服上述现有技术的不足，本发明提供了一套有效的实验室诱发心理压力的实验方案，并提出了解决自动识别心理压力/非心理压力反应中个体差异问题的几种方法，对SVM分类算法进行改进（SVM——Support Vector machine向量机_），以提升分类器性能，获得更高的分类正确率。

一种心理压力评估中针对个体差异的分类方法，其内容包括如下步骤：

第一步设计一套有效的实验室诱发心理压力的实验方案，建立心理压力素材激发素材库；

在实验室条件下尽可能地模拟真实情景，加入尽可能多的心理压力因素，如众所周知的高强度噪声以及低亮度光照心理压力源等；

在连续的四天中分别使用不同的心理压力源进行实验，避免因采用不变的刺激源而可能使参与者产生的“适应性”，从而增强实验效果；

实验过程中关闭灯光，保持绝对安静，使用PC机完成实验素材的播放；

数据采集前后分别使被试者填写一份问卷，用于数据的辅助分析及实验效果评估；

第二步sEMG信号的心理压力数据采集（sEMG—surface electromyographicsignal表面肌电信号）；

第三步对原始数据进行预处理；

第四步sEMG信号的心理压力特征提取及处理；

第五步采用改进的支持向量机分类器进行心理压力评估分类；

使用所述步骤所采集到的数据，对SVM算法进行改进，得到基于SVM的改进算法用以解决情感计算中普遍存在的个体差异问题。

基于SVM的改进算法包括选择训练样本和加入分类权重两个方面。

所述的选择训练样本的步骤如下：

支持向量机的标准表达式为:

$\underset{w}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{C}{n}(\underset{i\∈\{y=+1\}}{\overset{n_{+}}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i+\underset{j\∈\{y=-1\}}{\overset{n_{-}}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_j)$

s.t.y_i(w^Tx_i)≥1-ε_i且ε_i≥0.i=1,2,…n

其中C为惩罚参数，ε_i为样本x_i的松弛变量

对表达式中的损失函数进行修改，为其赋予一个相关因子v_i。通过聚类分析评估样本间的相关性，并根据这一相关性来对v_i进行赋值，从而达到将样本信息加入SVM的损失函数中的目的。

所述的加入分类权重的步骤如下：

分别为正负两类样本加入分类权重这一参数，将所有正类的权重设为δ₊，所有负类的权重设为δ_-；

当训练集中的正负两类样本数的差别较大时，就会导致分类平面向数目较小的一类移动，从而减小将测试集样本预测为该类别的几率，在一定程度上可认为这是一种“误导”，应对其进行纠正；

加入分类权重后的SVM损失函数表达式为：

可通过对δ₊与δ_-的值进行修改来使得分类器将测试样本预测为正负两类的概率相等。

另外一种改进的方法则是对权重在一定范围内进行寻优，寻找能够构建更适合的分类模型的一个权重值，以此来更好地修正训练样本的不平衡性。

由于采用上述技术方案，与现有技术相比，本发明的有益效果是：

本发明通过简单可行的实验方案来获取心理压力数据，使研究者们能够在对大量数据进行细致分析的基础上，得到对心理压力的更加深入的理解，从而有助于理解人类的情绪化行为。

本发明对SVM分类算法的改进，能够帮助人们解决不同个体之间存在的差异问题，以及同一个体因各种因素影响而出现的自身变化问题，为可实现普遍化心理压力自动检测或情感识别系统的构建提供技术支持。有效的心理压力自动识别技术是建立调节个体压力响应系统的先决条件，可以减弱急性应激反应或是慢性压力所造成的后果，帮助人们应对每天生活中不可避免的压力与挑战。

本发明通过对SVM分类算法进行改进，在分类时削弱不同样本间的差异问题，以提升分类器性能，对训练样本进行有针对性的选择，寻找训练集中各样本与测试集之间的相关性，并将这一相关性加入到SVM的损失函数中；对于进行样本筛选后可能出现的样本不平衡现象进行修正，从而进一步提高分类正确率。

本发明基于生理信号的心理压力评估研究相对于问卷等自我评估的形式具有更为客观的特点，因而其用途也将更为广泛，并且有利于心理压力与健康的研究。

附图说明

图1为SVM算法改进流程图；

具体实施方式

下面结合附图与具体实施方式对本发明作进一步说明。

一种心理压力评估中针对个体差异的分类方法，包括下列步骤：

1.心理压力素材激发素材库的建立

同真实环境中的心理压力数据采集方案相比，实验室环境下的心理压力诱发实验对采集设备的要求相对较低，然而由于实验室环境中的限制条件较多，导致对心理压力的诱发难度较大。在实验室环境下有效激发被试者的心理压力，得到有效的心理压力生理信号是做后续研究的前提条件，因而实验方案的设计就成为关键所在。考虑到采用不变的刺激源可能使参与被试者对其产生适应性，进而导致他们对心理压力刺激响应的减弱，达不到激发潜在心理压力的效果。因而在连续的四天中每天分别采用不同的心理压力刺激源对被试者进行刺激。

在实验过程中被试者并不知道他们“应该感到有心理压力”的实验目的。由于电极放置在左手上，故所选被试者应均为右利手，以避免在实验过程中因手部的动作而对信号的记录造成干扰。

实验室诱发心理压力的技术方案是：

实验第一天根据英国索尔福德大学教授特雷弗考克斯对令人不安声音的调查结果，选择了排名前十不安声音中的5种作为心理压力刺激实验环境，在噪声背景下使被试者在一定时间内记住一组较长的数字。数字以幻灯片播放的形式逐个显示，共播放三遍，且每次播放的速度逐渐加快。数字的长度以不能使被试者全部记住为宜，以此来使其产生心理压力。刺激方式如表1所示：

表1数字识记实验流程

刺激源	时长	作用
			轻音乐+风景图	2分钟	使被试者处于放松状态
幻灯片（第一遍）	50秒	使被试者产生心理压力
			幻灯片（第二遍）	35秒	使被试者产生心理压力
幻灯片（第三遍）	15秒	使被试者产生心理压力
			轻音乐+风景图	1分钟	使被试者处于放松状态

实验第二天以大学生就业前景分析的视频作为刺激源，凸显大学生因就业难而面临的越来越大的心理压力，从而达到激发被试者产生潜在心理压力的效果。刺激方式如表2所示：

表2视频刺激实验流程

视频素材	时长	作用
			轻音乐+风景图	2分钟	使被试者处于放松状态
就业前景视频	15分钟	使被试者产生心理压力
			轻音乐+风景图	1分钟	使被试者处于放松状态

实验第三天给出一组（约30-40个）难度较高的英文单词，给被试者3分钟的时间进行记忆，并在剩余一分钟时播放秒表倒计时的声音素材，使被试者产生紧迫感。同时全部选取具有消极意义的词汇，期望以此形成一定的心理暗示，使被试者处于负性情绪中，以利于心理压力的激发。刺激方式如表3所示：

表3单词识记实验流程

刺激源	时长	作用
			轻音乐+风景图	2分钟	使被试者处于放松状态
单词识记	3分钟	使被试者产生心理压力

轻音乐+风景图

1分钟

使被试者处于放松状态

实验第四天借鉴德国Augsburg大学的心理压力刺激方式，采用一款传统的游戏——“俄罗斯方块”作为心理压力源，在实验过程中随着时间的持续逐渐提高游戏难度，即方块的下落速度越来越快，以此激发被试者的心理压力。游戏开始前给被试者5分钟的平静时间使其处于放松状态，并将方块下落速度最快时作为被试者心理压力状态下的数据。

2.sEMG信号的心理压力数据采集

采用美国Biopac公司的多导生理记录仪MP150记录被试者的表面肌电信号。同时备有2台PC机，一台用来播放激发情绪的素材(配有耳机，让被试者在观看实验素材时能听到声音，接受听觉的刺激)，另一台连接MP150进行信号采集和处理。三个贴片式电极，两个测量电极置于面部表情肌，另一个作为参考电极，置于左手手腕。表面肌电信号的放大器增益为2000，采样频率设置为1000Hz，并在设置硬件采集系统时预设了50Hz的工频干扰滤波。采集数据时，同步用电脑与耳机给被试者播放心理压力刺激素材。实验过程中，保证实验室内关闭所有灯光，仅有电脑屏幕的光亮，保持绝对安静，关闭手机等设备，减少干扰，并且要求被试者在实验过程中除填写问卷外尽量不要移动身体，除特殊情况外不要说话，以免晃动被试者身上的传感器电极，产生对信号的干扰。数据采集过程中，主试负责记录素材的开始和结束以及被试者无意中动了身体的地方，为以后的数据筛选截取提供依据。

为了更好的对实验效果进行评估，数据采集前，被试者需填写一份调查问卷，以对其近期的心理状态进行一个评估，以便于了解被试者的实际情况。数据采集结束后，被试者需填写另一份调查问卷，以对其在测试后的心理状态进行评估，从而检验本实验是否达到了激发被试者心理压力的效果。得到的调查结果作为实验数据的辅助分析，以便于实验数据的筛选。数据采集前及采集后的调查问卷如表4和表5所示：

表4数据采集前的问卷

表5数据采集后的问卷

3.原始数据的预处理

由于不同被试者的自身状态及其对心理压力刺激的感知程度有所差异，因而由同一刺激素材得到的实际效果也不尽相同，实验采集到的原始数据并不能全部应用于后续的分类处理中。首先应根据被试者所填问卷的情况对其实验效果进行评估，从而进行实验数据的筛选，只留下效果相对较好的数据。

sEMG信号由于受到人体诸多因素的影响，有它的一些特殊性，如信号弱、噪声强、频率范围较低、随机性强并且非平稳等。表面肌电信号在获取的过程中，很容易受到其它生理信号以及MP150机器本身固有噪声的干扰，因此首先需要对所采集的信号进行去噪处理。应用db9小波对含噪sEMG信号进行3层小波分解，并对细节选用minimaxi阈值规则消噪。

对处理过后的sEMG信号进行截取，对于每组数据分别取其无压力与存在心理压力状态下的一定时长的数据段作为以后的分析数据。

4.sEMG信号的心理压力特征提取及处理

对消噪后的sEMG信号进行特征提取，共得到28个统计特征。提取出的详细特征如表6所示：

表6表面肌电信号的统计特征描述

5.采用改进的支持向量机分类器进行心理压力评估分类

支持向量机(SVM)是Vapnik等人提出的关于统计学习理论的实现方法,在很大程度上解决了过学习、非线性及维数灾难等模式识别中存在的问题,是目前针对小样本估计和预测学习的最佳方法。

在本发明方法中，由于一部分样本的生理反应与其它不同样本的生理反应有很大差别，从而导致它们之间的相关性不大。目前解决人际差异问题的大部分方法是基于特征转换的，虽然在实践中这些标准化处理工作效果不错，但通过对实验室激发心理压力数据进行实际验证表明，即使将全部数据先进行适当的归一化也很难解决样本间的差异问题。

通过对比分析发现，不同的被试者对同一心理压力刺激源的感知程度不尽相同，与此同时，同一被试者对于不同的心理压力刺激源也会做出不同的反应。在对某一被试者的心理压力状态进行预测时，如果将所有样本信息都加入训练集中进行训练，反而会造成一定的干扰，影响分类器性能。且在数据量较大时，过多的训练样本导致计算复杂度增加，影响分类的正确率。因此，对训练样本进行有针对性的选择是十分必要的。

在对训练样本进行筛选后很容易出现正负两类样本数不平衡的现象，针对这种情况，为正负样本分别赋予不同的分类权重，通过将样本信息加入损失函数中来削弱这种不平衡性。改进算法的整体流程图如图1所示，下面结合流程图对算法进行详细说明。

5.1选择训练样本的内容包括如下步骤：

Step1：截取每组数据中间部分的10s，基于K均值聚类算法聚类，取K=2来将所有样本划分为两类；

Step2：对于每个训练样本，当其与测试集属同一类时，认为该样本与测试样本之间具有较强的相关性，并使v_i=1;否则，则认为该样本与测试样本间的相关性不大，此时将v_i置零；

Step3：支持向量机的标准表达式为:

$\underset{w}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{C}{n}(\underset{i\∈\{y=+1\}}{\overset{n_{+}}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i+\underset{j\∈\{y=-1\}}{\overset{n_{-}}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_j)$

s.t.y_i(w^Tx_i)≥1-ε_i且ε_i≥0.i=1,2,…n (1)

其中C为惩罚参数，ε_i为样本x_i的松弛变量

支持向量机的损失函数如公式(2)：

而改进算法损失函数的表达式如(3)：

其中n为训练集数目，用v_i定义样本i在分类方面与测试样本的相似性，以此解决样本差异问题；

5.2加入分类权重的内容包括如下步骤：

Step1：在对训练样本进行选择后，原本接近相等的正负两类样本数出现了一定的不平衡性。而当数据不平衡时,比如正类的数量远少于负类的数量,就会导致正类的误差之和小于负类的误差之和,这就相当于对负类施加了比较大的错误惩罚,从而导致分割平面向正类方向移动，因而要对这种不平衡性进行修正；

Step2：设

为训练集，其中X_i表示样本i的特征向量,y_i是类别标签，y_i＝{-1，1}。设训练集类先验为

和

将所有正类的权重设为δ₊，所有负类的权重设为δ_-；

Step3：通过修改损失函数中的分类权重来修正训练样本的不平衡性，改进后的SVM的损失函数表达式如如公式(4)：

Step4：使

此时分类器将测试样本预测为正负两类的概率相等，从而可以通过这种方式来修正样本的不平衡性；

Step5：设N₊为正类样本个数,N_-为负类样本个数。将δ_-设为1，参照SVM中c，g的寻优思路，对δ₊在1和

之间进行寻优。

Step6：采用留一法实现分类评估。

Claims (4)

1.一种心理压力评估中针对个体差异问题的分类方法，其特征在于：该方法内容包括如下步骤： 

第一步设计一套有效的实验室诱发心理压力的实验方案，建立心理压力素材激发素材库； 

在实验室条件下尽可能的模拟真实情景，加入尽可能多的心理压力因素，如众所周知的高强度噪声以及低亮度光照心理压力源等； 

在连续的四天中分别使用不同的心理压力源进行实验，避免因采用不变的刺激源而可能使参与者产生的“适应性”，从而增强实验效果； 

实验过程中关闭灯光，保持绝对安静，使用PC机完成实验素材的播放； 

数据采集前后分别使被试填写一份问卷，用于数据的辅助分析及实验效果评估； 

第二步sEMG信号的心理压力数据采集； 

第三步对原始数据进行预处理； 

第四步sEMG信号的心理压力特征提取及处理； 

第五步采用改进的支持向量机分类器进行心理压力评估分类； 

使用以上实验所采集到的数据，对SVM算法进行改进，得到基于SVM的改进算法用以解决情感计算中普遍存在的个体差异问题。

2.根据权利要求1所述的一种心理压力评估中针对个体差异问题的分类方法，其特征在于：第五步所述的基于SVM的改进算法包括选择训练样本和加入分类权重。 

3.根据权利要求2所述的一种心理压力评估中针对个体差异问题的分类方法，其特征在于：第五步所述的选择训练样本的内容包括如下步骤： 

Step1：截取每组数据中间部分的10s，基于K均值聚类算法聚类，取K=2来将所有样本划分为两类； 

Step2：对于每个训练样本，当其与测试集属同一类时，认为该样本与测试样本之间具有较强的相关性，并使v_i＝1;否则，则认为该样本与测试样本间的相关性不大，此时将v_i置零； 

Step3：支持向量机的标准表达式为: 

s.t.y_i(w^Tx_i)≥1-ε_i且ε_i≥0.i＝1，2，…n(1) 

其中C为惩罚参数，ε_i为样本x_i的松弛变量 

支持向量机的损失函数如公式(2)： 

而改进算法损失函数的表达式如(3)： 

其中n为训练集数目，用v_i定义样本i在分类方面与测试样本的相似性，以此解决样本差异问题。

4.根据权利要求2所述的一种心理压力评估中针对个体差异问题的分类方法，其特征在于：第五步所述的加入分类权重的内容包括如下步骤： 

Step1：在对训练样本进行选择后，原本接近相等的正负两类样本数出现了一定的不平衡性。而当数据不平衡时,比如正类的数量远少于负类的数量,就会导致正类的误差之和小于负类的误差之和,这就相当于对负类施加了比较大的错误惩罚,从而导致分割平面向正类方向移动，因而要对这种不平衡性进行修正； 

Step2：设

为训练集，其中X_i表示样本i的特征向量，y_i是类别标签，y_i＝{-1，1}。设训练集类先验为

和

将所有正类的权重设为δ₊，所有负类的权重设为δ_-； 

Step3：通过修改损失函数中的分类权重来修正训练样本的不平衡性，改进后的SVM的损失函数表达式如如公式(4)： 

Step4：使

此时分类器将测试样本预测为正负两类的概率相等，从而可以通过这种方式来修正样本的不平衡性； 

Step5：设N₊为正类样本个数,N_-为负类样本个数。将δ_-设为1，参照SVM中c，g的寻优思路，对δ₊在1和

之间进行寻优。 

Step6：采用留一法实现分类评估。 

Images