CN106175800A - 一种基于人体运动状态数据的心境状态量化评估方法 - Google Patents

Abstract

本发明涉及一种基于人体运动状态数据的心境状态量化评估方法，包含基于可穿戴运动传感设备采集到的人体运动状态数据特征抽取、基于电子化POMS量表采集到的心理数据预处理、基于多重多元线性回归分析方法的心境状态量化评估模型建立与有效性验证以及心境状态量化评估等步骤。本发明根据客观的人体运动状态数据对心境状态进行客观量化评估，避免了传统抑郁评估方法的主观性，丰富了抑郁症量化治疗的研究方法，可应用于抑郁症量化治疗和面向家庭、社区用户的精神健康管理等领域。

Description

一种基于人体运动状态数据的心境状态量化评估方法

技术领域

本发明涉及医疗电子系统、抑郁症量化治疗和健康管理等领域，特别涉及一种基于人体运动状态数据的心境状态量化评估方法。

背景技术

近年来，基于可穿戴设备的健康管理已经成为众多研究人员的关注焦点。一方面，借助可穿戴设备可以将生理、行为数据采集方法从片段式数据采集向连续性数据采集转变。另一方面，基于可穿戴设备的连续性生理、行为数据不仅能够较为全面的反映出测试人员生命体征信息的连续性变化规律，而且可以支持传统主观性问诊和状态评估的辅助工具，成为临床研究提供数据基础和量化依据。特别是在抑郁症量化治疗领域，传统的抑郁症问诊和心理评估方法均采用医生问诊、量表评估等具有强烈主观性的评价机制，缺乏对抑郁状态的量化评估方法。如何基于多模态生理、行为数据，采用数据挖掘和数理统计的方法提取出有效反映用户心理状态变换的生理、行为特征是抑郁症量化治疗领域的亟需解决的问题。鉴于此，采用非侵入式可穿戴设备采集生理和行为信号，将有效的分析方法应用于抑郁症临床研究已越来越受到关注。近年来许多研究将抑郁症和人体行为模式联系起来，尝试从人体行为方面找到反应精神状态的客观量化指标。进一步说，研究表明身体活动水平和抑郁症有较强关联性，人体在受到抑郁症影响的情况下会出现行为失常现象，日常活动量、室内来回踱步、久坐、行为迟缓等都可以作为抑郁症患者的临床特征，对上述行为模式进行识别和频度量化操作可以有效反映抑郁症发病的严重情况。同时，下降的情绪反映、减弱的身体活动和社交功能障碍等行为特征已被归纳为抑郁特征。实际上，上述行为症状都可以被视为由重度抑郁症引起的自律迟钝行为表象。此外，精神运动迟缓(被定义为思维、语言和运动的减慢)也是抑郁症主要症状之一，可以用于诊断抑郁症、区分抑郁症亚型和进行疗效评估(药物评估)。鉴于此，采用人体行为数据作为抑郁状态量化评估依据具有可行性。

然而，在缺乏主观性抑郁状态评价手段来支撑客观量化评估结果的情况下，仅仅依据连续性人体行为数据对抑郁状态进行量化评估无法取得具有说服力的研究结果。目前尚未出现一种以主观精神量表数据为依据，基于人体运动状态数据对抑郁状态进行量化评估的方法。鉴于此，基于可穿戴运动传感设备和数据挖掘技术，设计与开发一种面向家庭、社区和医院内用户的抑郁症量化评估方法，从客观量化角度对用户心境状态进行评价，有效提高面向用户的精神健康管理服务效率，符合以传统技术为基础的技术创新趋势。

发明内容

本发明的目的在于结合可穿戴运动传感设备和数据挖掘等技术，提出一种基于人体运动状态数据的心境状态量化评估方法，在临床应用方面提高精神疾病检出率和治疗率的同时，促进精神卫生医疗服务向家庭、社区拓展的可及性。

为实现上述目的，本发明采取的技术方案是：一种基于人体运动状态数据的心境状态量化评估方法，包含如下步骤：

步骤1、基于可穿戴运动传感设备，采集用户长时间运动状态数据，针对采集到的运动状态数据进行特征抽取；

步骤2、基于电子化POMS心境状态量表的心理数据预处理；

步骤3、基于多重多元线性回归分析方法的心境状态量化评估模型建立与有效性验证；

步骤4、心境状态量化评估。

所述步骤1包含如下步骤：

步骤11、按照每天完成POMS心境状态量表的时间和频次，对采集到的长时间运动状态数据进行粒度划分。粒度划分的方法如下，用户于每天上午和晚上完成POMS心境状态量表各一次，将当天采集到的运动状态数据按照上午和晚上的量表采集时间划分为两段数据。

步骤12、针对划分后的运动状态数据，采用加窗的方式，设计特征抽取方法分别对滑动窗口内运动状态数据进行低级特征抽取和高级特征抽取。所述低级特征抽取是指按照时域、频域的特征抽取方法分别对滑动窗口内运动状态数据中包含的三轴加速度数据和三轴角速度数据进行时域和频域特征提取。进一步说，针对滑动窗口中的每一轴运动状态数据，计算其均值、标准差、第25百分位数、第50百分位数、第75百分位数、6轴运动状态数据两两之间的相关系数、频率谱能量和前十种频率能量等时域和频域数据特征。针对滑动窗口中

的某一轴运动状态数据S_n＝[x₁,x₂,x₃,…,x_n]，该窗口内运动状态数据均值u记为：

其中，n表示窗口内运动状态数据个数。该窗口内运动状态数据标准差σ记为：

$\mathrm{\σ}=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{(x_i-\mathrm{\μ})}^2}.$

该窗口内运动状态数据第p百分位数(p取值为0到100之间的整数)P记为：

P＝x_j+g*(x_j+1-x_j)，

其中，j和g分别由如下公式计算得到：

(n+1)％p＝j+g。

针对滑动窗口中的某一轴运动状态数据S_n＝[x₁,x₂,x₃,…,x_n]，记另一轴运动状态数据T_n＝[y₁,y₂,y₃,…,y_n]，则六个数据轴两两之间相关系数C_xy记为：

$C_{xy}=\frac{{\mathrm{\Σ}}_{i=1}^n(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2}{\mathrm{\Σ}}_{i=1}^n{(y_i-\stackrel{\‾}{y})}^2}.$

滑动窗口内每一轴运动状态数据频谱能量E记为：

$E={\mathrm{\Σ}}_{i=1}^{n}abs\left(X_i\right)*abs\left(X_i\right),$

其中，X_i为滑动窗口内运动状态数据x_i的频域幅值，该滑动窗口内运动状态数据频域幅值X_n记为：

X_n＝fft(x_n)，

其中，fft为傅里叶变换函数。

基于计算得到的数据频域幅值X_n，该窗口内运动状态数据前十种频率幅值A_m记为：

A_m＝abs(X_m),0≤m≤9。

所述高级特征抽取是指首先设计相应实验范式，预先采集不同类别运动状态下的运动数据。然后将不同类别的运动数据形成训练数据集，用于识别和抽取粒度划分后运动状态数据中出现的久坐、活动、静止、躺和来回踱步五类高级特征。最后，根据识别出的高级特征，采用累加的方法计算对应时间粒度下的久坐时间、活动时间、静止时间、久躺时间和来回踱步频次。

所述步骤2是指首先从每次完整的POMS量表数据分别提取出紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关七项心境状态量化评估数据，然后采用基于不同心境状态量化评估数据的数理统计方法和主成分分析等方法对多天心境状态量化评估数据进行处理，分别获得12个描述用户主要心境状态变化、七种心境状态变化(紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关)、正性心境状态变化、负性心境状态变化和总体心境状态变化的心境状态数据向量。基于上述12个心境状态数据向量，构建心境状态评估模型。

所述步骤3主要包含如下步骤：

步骤31、采用逐步回归分析方法，以从多天采集的运动状态数据中提取出的低级数据特征为高级数据特征为自变量，以心境状态评估模型中包含的12个心境状态数据向量为因变量，构建心境状态量化评估模型。

步骤32、针对获得的每种心境状态多元线性回归方程，计算其确定性系数R²，说明方程中运动状态数据特征对心境状态数据向量的解释程度。

步骤33、采用F检验的方法，通过显著性水平P_F检验每种心境状态多元线性回归方程中某个或某几个方程系数是否具有显著性。

步骤34、采用T检验的方法，通过显著性水平P_T检验每种心境状态多元线性回归方程系数是否具有显著性。

步骤35、基于单个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，该方程组由12个描述不同用户心境状态的多元线性回归方程组成，将该多元线性回归方程组作为个性化模型进而对用户心境状态进行量化评估。基于多个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，将该多元线性回归方程组作为普适化模型进而对用户心境状态进行量化评估。

所述步骤4是指基于构建好的用户个性化模型和普适化模型，将基于当天采集到的用户运动状态数据提取的特征作为自变量输入到个性化模型或普适化模型中，将模型输出作为当天用户心境状态的客观量化评估结果。

本发明具有的优点及效果说明如下：

1、采用可穿戴运动传感设备采集用户运动状态数据，从长时间的角度连续监测人体运动状态数据的变化情况，克服了现有监测设备在及时性、便携性和操作方式简单性等方面存在的缺陷。

2、基于客观量化的运动状态数据和主观性的心境状态评价数据建立个性化和普适化模型，实现了根据客观的人体运动状态数据对用户心境状态进行量化评估，避免传统心境状态评估方法的主观性，为健康管理和抑郁症量化领域中涉及的心境状态客观量化评估提供了一种解决思路。

3、适用于家庭、社区用户的精神健康管理，而且能从客观量化的角度评估患者心境状态，为医生的临床决策和诊疗方案提供支持。

附图说明

图1为一种基于人体运动状态数据的心境状态量化评估方法流程图

图2为低级特征计算公式和特征意义说明图

图3为心境状态量化评估模型构建流程图

具体实施方式

下面结合实施例及附图对本专利发明作进一步详细描述，值得注意的是，本发明的实施方式不限于此。

如图1所示，一种基于人体运动状态数据的心境状态量化评估方法具体实施步骤如下：

步骤1、基于可穿戴运动传感设备，采集用户长时间运动状态数据，针对采集到的运动状态数据进行特征抽取。按照每天完成POMS量表的时间和频次，对采集到的长时间运动状态数据进行粒度划分。针对划分后的运动状态数据，采用加窗的方式，设计特征抽取方法分别对滑动窗口内运动状态数据进行低级特征抽取和高级特征抽取。如图2所示，针对滑动窗口中的每一轴运动状态数据，按照相应的计算公式分别计算其均值u、标准差σ、第25百分位数、第50百分位数、第75百分位数、6轴运动状态数据两两之间的相关系数C_xy、频率谱能量E和前十种频率能量A_m时域和频域数据特征。基于预先采集到的包含不同类别动作的训练样本集，对采集到并经过粒度划分后的运动状态数据进行动作类别分类，识别出其中出现的久坐、活动、静止、躺和来回踱步五类高级特征。采用累加的方法计算对应时间粒度下的久坐时间、活动时间、静止时间、久躺时间和来回踱步频次。

步骤2、基于电子化POMS量表采集到的心理数据预处理。首先从每次完整的POMS量表数据分别提取出紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关七项心境状态量化评估数据，然后采用基于不同心境状态量化评估数据的数理统计方法和主成分分析等方法对多天心境状态量化评估数据进行处理，分别获得12个描述用户主要心境状态变化、七种心境状态变化(紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关)、正性心境状态变化、负性心境状态变化和总体心境状态变化的心境状态数据向量。基于上述12个心境状态数据向量，构建心境状态评估模型。

步骤3、基于多重多元线性回归分析方法的心境状态量化评估模型建立与有效性验证。如图3所示，心境状态量化评估模型构建流程包括以下步骤：

步骤31、采用逐步回归分析方法，以从多天采集的运动状态数据中提取出的低级数据特征为高级数据特征为自变量，以心境状态评估模型中包含的12个心境状态数据向量为因变量，构建心境状态量化评估模型。

步骤32、针对获得的每种心境状态多元线性回归方程，计算其确定性系数R²，说明方程中运动状态数据特征对心境状态数据向量的解释程度。每个多元线性回归方程确定性系数R²越接近于1，说明构建的心境状态量化评估模型越可靠。

步骤33、采用F检验的方法，通过显著性水平P_F检验每种心境状态多元线性回归方程中某个或某几个方程系数是否具有显著性。当显著性水平P_F小于0.05时，认为每种心境状态多元线性回归方程中某个或某几个方程系数具有显著性。

步骤34、采用T检验的方法，通过显著性水平P_T检验每种心境状态多元线性回归方程系数是否具有显著性。当显著性水平P_T小于0.05时，认为每种心境状态多元线性回归方程系数具有显著性。

步骤35、基于单个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，该方程组由12个描述不同用户心境状态的多元线性回归方程组成，将该多元线性回归方程组作为个性化模型进而对用户心境状态进行量化评估。基于多个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，将该多元线性回归方程组作为普适化模型进而对用户心境状态进行量化评估。

步骤4、心境状态量化评估。基于构建好的用户个性化模型和普适化模型，将基于当天采集到的用户运动状态数据而提取的特征作为自变量输入到个性化模型或普适化模型中，将模型输出作为当天用户心境状态的客观量化评估结果。

以上对本发明的较佳实施例进行了描述。需要理解的是，本发明为详细公开的部分属于本领域的公知技术，即本发明并不局限与上述特定实施方式，其中未尽详细描述的设备和结构应该理解为应用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，根据本发明的技术实质对以上实施例的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (1)

1.一种基于人体运动状态数据的心境状态量化评估方法，其特征在于：本方法包含如下步骤，

步骤1、基于可穿戴运动传感设备，采集用户长时间运动状态数据，针对采集到的运动状态数据进行特征抽取；

步骤2、基于电子化POMS心境状态量表的心理数据预处理；

步骤3、基于多重多元线性回归分析方法的心境状态量化评估模型建立与有效性验证；

步骤4、心境状态量化评估；

所述步骤1包含如下步骤：

步骤11、按照每天完成POMS心境状态量表的时间和频次，对采集到的长时间运动状态数据进行粒度划分；粒度划分的方法如下，用户于每天上午和晚上完成POMS心境状态量表各一次，将当天采集到的运动状态数据按照上午和晚上的量表采集时间划分为两段数据；

步骤12、针对划分后的运动状态数据，采用加窗的方式，设计特征抽取方法分别对滑动窗口内运动状态数据进行低级特征抽取和高级特征抽取；所述低级特征抽取是指按照时域、频域的特征抽取方法分别对滑动窗口内运动状态数据中包含的三轴加速度数据和三轴角速度数据进行时域和频域特征提取；进一步说，针对滑动窗口中的每一轴运动状态数据，计算其均值、标准差、第25百分位数、第50百分位数、第75百分位数、6轴运动状态数据两两之间的相关系数、频率谱能量和前十种频率能量等时域和频域数据特征；针对滑动窗口中的某一轴运动状态数据S_n＝[x₁,x₂,x₃,…,x_n]，该窗口内运动状态数据均值u记为：

$\mathrm{\μ}=\frac{x_1+x_2+x_3\mathrm{...}+x_n}{n},$

其中，n表示窗口内运动状态数据个数；该窗口内运动状态数据标准差σ记为：

$\mathrm{\σ}=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{(x_i-\mathrm{\μ})}^2};$

该窗口内运动状态数据第p百分位数(p取值为0到100之间的整数)P记为：

P＝x_j+g*(x_j+1-x_j)，

其中，j和g分别由如下公式计算得到：

(n+1)％p＝j+g；

针对滑动窗口中的某一轴运动状态数据S_n＝[x₁,x₂,x₃,…,x_n]，记另一轴运动状态数据T_n＝[y₁,y₂,y₃,…,y_n]，则六个数据轴两两之间相关系数C_xy记为：

$C_{xy}=\frac{{\mathrm{\Σ}}_{i=1}^n(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2}{\mathrm{\Σ}}_{i=1}^n{(y_i-\stackrel{\‾}{y})}^2};$

滑动窗口内每一轴运动状态数据频谱能量E记为：

$E={\mathrm{\Σ}}_{i=1}^{n}abs\left(X_i\right)*abs\left(X_i\right),$

其中，X_i为滑动窗口内运动状态数据x_i的频域幅值，该滑动窗口内运动状态数据频域幅值X_n记为：

X_n＝fft(x_n)，

其中，fft为傅里叶变换函数；

基于计算得到的数据频域幅值X_n，该窗口内运动状态数据前十种频率幅值A_m记为：

A_m＝abs(X_m),0≤m≤9；

所述高级特征抽取是指首先设计相应实验范式，预先采集不同类别运动状态下的运动数据；然后将不同类别的运动数据形成训练数据集，用于识别和抽取粒度划分后运动状态数据中出现的久坐、活动、静止、躺和来回踱步五类高级特征；最后，根据识别出的高级特征，采用累加的方法计算对应时间粒度下的久坐时间、活动时间、静止时间、久躺时间和来回踱步频次；

所述步骤2是指首先从每次完整的POMS量表数据分别提取出紧张、愤怒、疲劳、抑郁、精力、慌乱和与自我情绪相关七项心境状态量化评估数据，然后采用基于不同心境状态量化评估数据的数理统计方法和主成分分析等方法对多天心境状态量化评估数据进行处理，分别获得12个描述用户主要心境状态变化、七种心境状态变化、正性心境状态变化、负性心境状态变化和总体心境状态变化的心境状态数据向量；基于上述12个心境状态数据向量，构建心境状态评估模型；

所述步骤3主要包含如下步骤：

步骤31、采用逐步回归分析方法，以从多天采集的运动状态数据中提取出的低级数据特征为高级数据特征为自变量，以心境状态评估模型中包含的12个心境状态数据向量为因变量，构建心境状态量化评估模型；

步骤32、针对获得的每种心境状态多元线性回归方程，计算其确定性系数R²，说明方程中运动状态数据特征对心境状态数据向量的解释程度；

步骤33、采用F检验的方法，通过显著性水平P_F检验每种心境状态多元线性回归方程中某个或某几个方程系数是否具有显著性；

步骤34、采用T检验的方法，通过显著性水平P_T检验每种心境状态多元线性回归方程系数是否具有显著性；

步骤35、基于单个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，该方程组由12个描述不同用户心境状态的多元线性回归方程组成，将该多元线性回归方程组作为个性化模型进而对用户心境状态进行量化评估；基于多个用户的多天心境评估数据和运动状态数据，采用多重多元线性回归分析方法得出一个以从运动状态数据中提取的高维数据特征和低维数据特征为自变量、以心境评估数据为因变量的多元线性回归方程组，将该多元线性回归方程组作为普适化模型进而对用户心境状态进行量化评估；

所述步骤4是指基于构建好的用户个性化模型和普适化模型，将基于当天采集到的用户运动状态数据提取的特征作为自变量输入到个性化模型或普适化模型中，将模型输出作为当天用户心境状态的客观量化评估结果。