CN107767934A - 一种用于描述压力的hrv特征范围估计方法 - Google Patents
一种用于描述压力的hrv特征范围估计方法 Download PDFInfo
- Publication number
- CN107767934A CN107767934A CN201710939948.7A CN201710939948A CN107767934A CN 107767934 A CN107767934 A CN 107767934A CN 201710939948 A CN201710939948 A CN 201710939948A CN 107767934 A CN107767934 A CN 107767934A
- Authority
- CN
- China
- Prior art keywords
- feature
- sample
- tree
- hrv
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Abstract
本发明涉及一种用于描述压力的HRV特征范围估计方法,其技术特点在于:包括以下步骤:步骤1、利用节奏大师游戏诱发受试者产生压力,同时采集受试者的心电信号,并评定此次受试者的压力状态标签;步骤2、从采集的心电信号中提取HRV时域及频域特征,构建特征集;步骤3、根据改进的C4.5决策树算法,将步骤2得到的特征集构建出多颗树,并根据参数控制策略选取出合适的多颗树模型;步骤4、将选择出来的多棵树合并成一棵新树,并从中提取各HRV特征的取值范围。本发明从决策树中提取出的HRV特征取值范围是能够包容个体差异性的,具有普适意义;并可以通过任意一条心电波形直接分析是否处于高压力状态,从而给予人们高压预警。
Description
技术领域
本发明属于生物信号与智能处理技术领域,涉及基于心电信号的压力情感识别方法,尤其是一种用于描述压力的HRV特征范围估计方法。
背景技术
人们很早就对情绪的识别感兴趣,并进行了以心理学为引领的研究。随着现代生活突发事件频发、节奏日益加快,人们的情绪大都处于变化状态,因此情绪变化的监测和识别,对人们进行自我调节,改善个人身心健康具有积极、重要的意义。
近年来,随着生物信号采集更加便捷,利用生物信号进行情感识别的研究也越来越多,主要使用的生物信号包括呼吸(RSP)、血压信号(BVP)、肌电图(EMG)、皮肤电流传导性(SC)、脑电图(EEG)以及心电图(ECG)等。伴随着可穿戴设备的涌现和ECG信号易采集等特点,利用心电信号进行压力识别的研究有了很大的进展,大多数研究使用从ECG信号中提取出的心率变异性(Heart rate variability,HRV)特征进行情感识别,其中HRV指逐次心搏间期的微小涨落,是衡量心脏活动的重要生理指标之一,也和压力密切高度相关。传统的识别压力系统的建立方式一般通过建立分类模型完成,而且以随机森林、逻辑回归、线性判别、朴素贝叶斯等算法为多,但此类系统中的每个特征的具体作用无法以量化的方式进行表达。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理、简易实用且能够量化表达每个特征的具体作用的用于描述压力的HRV特征范围估计方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种用于描述压力的HRV特征范围估计方法,包括以下步骤:
步骤1、利用节奏大师游戏诱发受试者产生压力,同时采集受试者的心电信号,并根据游戏的难度级别、游戏中的参数、面部表情和问卷调查结果综合评定此次受试者的压力状态标签;
步骤2、从采集的心电信号中提取HRV时域及频域特征,构建特征集;
步骤3、根据改进的C4.5决策树算法,将步骤2得到的特征集构建出多颗树,并根据参数控制策略选取出合适的多颗树模型;
步骤4、将选择出来的多棵树合并成一棵新树,并从中提取各HRV特征的取值范围。
而且,所述步骤2的HRV时域特征包括SDNN、RMSSD、NN50、PNN50;频域特征包括LF、HF、LF/HF、VAI。
而且,所述步骤3包括以下具体步骤:
(1)设HRV特征与压力标签表示的数据集为
D={(x1,y1),(x2,y2),…,(xi,yi),…,(xN,yN)}
其中,N为样本条数,为HRV的特征向量,n为每条样本所含特征的个数,yi∈γ={c1,c2,...,cm}为HRV特征代表的类别,在此,取m=2,则c1=0代表放松状态,c2=1代表高压力状态,假设数据集D的特征集为A={A1,A2,A3,...,An};
(2)对特征集A中的每个特征,将数据集D在该特征上的取值进行排序,寻找每个特征对应的高阈值和低阈值:
对特征集A中的每一个特征Ai,i=1,2,...,n,将数据集D在该特征上的取值升序排列,从最小值对应的类别依次找到第一个和最小值类别不同的样本,将此样本的该特征值作为划分的一个低阈值li,i=1,2,...n,因此,对于特征Ai,小于低阈值的样本一定属于同一类,同时记录下数据集D中该特征值小于此低阈值样本数l_samplei,i=1,2,...,n;同理,将数据集D在该特征上的取值降序排列,从最大值对应的类别依次找到第一个和最大值类别不同的样本,将此样本的该特征值作为划分的一个高阈值hi,i=1,2,...,n;因此,对于特征Ai,大于高阈值的样本一定属于同一类;同时记录下数据集D中该特征值大于此高阈值样本数h_samplei,i=1,2,...,n;若一个特征的低阈值li大于其高阈值hi,则将(li+hi)/2作为该特征的唯一阈值;
(3)利用高低阈值分割数据集,依次寻找信息增益比最大的特征,构建决策树:
对特征集A中的每一个特征Ai,i=1,2,...,n,按照其对应的低阈值li和高阈值hi将数据集分割为三个非空子集,对于只有唯一阈值的特征,将数据集分割为两个非空子集,并计算其对数据集D的信息增益比,选择信息增益比最大的特征Ag,g∈(1,n)作为根结点,之后在选择内部节点时,依次计算剩余特征的高低阈值划分的子集对数据集D的信息增益比,选择信息增益比最大的特征作为节点,直至最后一个特征被使用完毕或每个HRV向量都可以准确分类,由此来构建决策树;
(4)重复所述步骤3的第(2)步和第(3)步构建多颗决策树:
将N条样本随机平均分为d组,每组样本容量为N/d;并根据步骤3的第(2)步和第(3)步构建决策树T,每组均构建k个决策树,同时记录下每棵树每层所用的特征Ai、低阈值li、高阈值hi、该特征值小于低阈值样本数l_samplei、该特征值大于高阈值样本数h_samplei,即特征记录;
(5)根据参数控制策略选取出合适的多颗树模型:
假设树集合为F,将步骤3第(4)步中的每组样本按训练集和测试集为a:b随机分割,若树T的识别准确率大于等于p,(0≤p≤1),则将树T添加到树集合F中,最终d组共得到符合条件的k'(k'≤d*k)个分类树{T1,T2,T3,...,Tk'}。
而且,所述步骤4包括以下具体步骤:
(1)依次统计k'个分类树每层所使用的特征及其出现的次数:
根据树集合F中k'个分类树记录的信息,统计k'个分类树第一层使用的各个特征Ai,i=1,2,...,n及其出现的次数ai,i=1,2,...,n,第二层、第三层…按照上述过程进行统计;
(2)对步骤4的第(1)步中统计的每个特征出现的次数进行排序,其中每个特征只参与一次排序:
将每层的各个特征出现的次数按降序排列,得到相应的特征排序,若不同层次使用的特征有重复,则以最高层出现的次数为准参与排序,即每个特征只参与一次排序,则依照层序得到一个相应的总的特征排序A1',A2',...An';
(3)对步骤4的第(2)步特征排序中的每一个特征Ai',确定其对应的高低阈值:
对特征排序中的每一个特征Ai',i=1,2,...n,依序在k'个分类树的所有层的特征记录中筛选出Ai'的特征记录集合B,在特征记录集合B中对l_samplei(即数据集D中特征值小于对应低阈值的样本数)降序排列,得到l_samplei'=max{l_sample1',l_sample2',...},然后在特征记录集合B中对h_samplei(即数据集D中特征值大于对应高阈值的样本数)降序排列,得到h_samplei'=max{h_sample1',h_sample2',...},则对特征Ai',低阈值为l_samplei'对应的li',高阈值为h_samplei'对应的hi';
(4)将选择出来的多棵树进行树的合并;
按照特征排序A1',A2',...An',每次依次选择一个属性作为树或者子树的根节点,并记录下每个结点的信息(Ai',li',hi')(Ai'即该结点所用特征,li'为该特征对应的低阈值,hi'为该特征对应的高阈值);小于低阈值li'的分支对应的结点为叶子结点,标记结果为c2=1,大于高阈值hi'的分支对应的为叶子结点,标记结果为c1=0,对于落在低阈值和高阈值区间内的样本,递归调用步骤(3)-(4)构建子树,直至属性使用完毕或者每一个HRV向量都可以准确分类,合并后的最优新树T”即构建完毕;
(5)提取各个HRV特征取值范围;
根据步骤4的第(4)步得到的最优新树T”估计出各HRV特征范围:特征Ai'的放松范围是[0,li'),高压范围是(hi',+∞),其中i=1,2,...n;即对一个HRV特征向量,根据其特征值A1'判断放松或者高压状态,若特征值A1'在[0,l1')区间范围内,则为放松状态,若特征值A1'在(h1',+∞)区间范围内,则为高压力状态,否则,根据其特征值A2'判断放松或者高压状态......直至获得其类别。
本发明的优点和积极效果是:
1、本发明的一种用于描述压力的HRV特征范围估计方法,能够寻找高压状态下HRV特征存在的某种规律并将其取值范围量化的描述出来,且此规律具有普遍性和客观性,对情绪状态的监测和识别具有重要意义。
2、本发明的步骤3是对传统C4.5决策树算法的改进,尤其是对高低阈值的确定及对数据集的分割是本发明的重要方法,根据此方法构建的决策树克服了规则冗余现象,大大提高了压力的识别准确率;最终从决策树中提取出的HRV特征取值范围是能够包容个体差异性的,具有普适意义,这种用量化的方式表达出的规则是本发明的独特之处,具有较高的实际应用价值,可以通过任意一条心电波形直接分析是否处于高压力状态,从而给予人们高压预警,对于提升生活质量、及时自我调节、改善身心健康具有重要意义。
3、本发明通过利用不同难度级别的游戏诱发受试者产生压力,同时采集受试者的心电信号;从心电信号中提取HRV时域、频域特征;采用改进的C4.5决策树算法构建多个树模型,利用提出的树的选择策略及参数控制策略选取合适的树模型,将多个树模型按策略合并成一棵新树;从新树中提取出压力状态下各HRV特征的取值范围,从而得到与医学HRV特征类似的对应于情绪压力的特征量化范围表示,得到的HRV特征范围能够包容个体差异性,具有普适意义,实际应用价值较高,可以通过任意一条心电波形直接分析是否处于高压力状态,从而给予人们高压预警,对于提升生活质量、及时自我调节、改善身心健康具有重要意义。
附图说明
图1是本发明压力情绪的HRV特征范围估算方法流程图;
图2为能够反映反映心率随时间的变化情况的HRV心率变化曲线图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种用于描述压力的HRV特征范围估计方法,如图1所示,包括以下步骤:
步骤1、利用节奏大师游戏诱发受试者产生压力,同时采集受试者的心电信号,为了科学客观的评定压力标签,我们根据游戏的难度级别,游戏中的参数(点击正确度、失误次数、得分),面部表情以及问卷调查结果综合评定此次受试者的压力状态标签;
在本实施例中,最终挑选出205条心电数据(其中,放松105条,高压100条)。
步骤2、从采集的心电信号中提取HRV时域及频域特征,构建特征集;
所述步骤2的HRV时域特征包括SDNN、RMSSD、NN50、PNN50;频域特征包括LF、HF、LF/HF、VAI,共8个特征。
在本实施例中,对205条心电数据中的每条心电数据截取前2min绘制HRV心率变化曲线图,如图2所示,从曲线中提取相应的HRV时域和频域特征,同时获取其压力状态标签。
步骤3、根据改进的C4.5决策树算法,将步骤2得到的特征集构建出多颗树,并根据参数控制策略选取出合适的多颗树模型;
所述步骤3的包括以下具体步骤:
(1)设HRV特征与压力标签表示的数据集为:
D={(x1,y1),(x2,y2),…,(xi,yi),…,(xN,yN)}
其中,N为样本条数,为HRV的特征向量,n为每条样本所含特征的个数,yi∈γ={c1,c2,...,cm}为HRV特征代表的类别,在此,取m=2,则c1=0代表放松状态,c2=1代表高压力状态,假设数据集D的特征集为A={A1,A2,A3,...,An};
(2)对特征集A中的每个特征,将数据集D在该特征上的取值进行排序,寻找每个特征对应的高阈值和低阈值:
对特征集A中的每一个特征Ai,i=1,2,...,n,将数据集D在该特征上的取值升序排列,从最小值对应的类别依次找到第一个和最小值类别不同的样本,将此样本的该特征值作为划分的一个低阈值li,i=1,2,...n,因此,对于特征Ai,小于低阈值的样本一定属于同一类,同时记录下数据集D中该特征值小于此低阈值样本数l_samplei,i=1,2,...,n;同理,将数据集D在该特征上的取值降序排列,从最大值对应的类别依次找到第一个和最大值类别不同的样本,将此样本的该特征值作为划分的一个高阈值hi,i=1,2,...,n;因此,对于特征Ai,大于高阈值的样本一定属于同一类。同时记录下数据集D中该特征值大于此高阈值样本数h_samplei,i=1,2,...,n;若一个特征的低阈值li大于其高阈值hi,则将(li+hi)/2作为该特征的唯一阈值。
(3)利用高低阈值分割数据集,依次寻找信息增益比最大的特征,构建决策树:
对特征集A中的每一个特征Ai,i=1,2,...,n,按照其对应的低阈值li和高阈值hi将数据集分割为三个非空子集,对于只有唯一阈值的特征,将数据集分割为两个非空子集,并计算其对数据集D的信息增益比,选择信息增益比最大的特征Ag,g∈(1,n)作为根结点,之后在选择内部节点时,依次计算剩余特征的高低阈值划分的子集对数据集D的信息增益比,选择信息增益比最大的特征作为节点,直至最后一个特征被使用完毕或每个HRV向量都可以准确分类,由此来构建决策树。
(4)重复上述步骤(2)和步骤(3)构建多颗决策树:
将N条样本随机平均分为d组,每组样本容量为N/d。并根据步骤(2)和(3)构建决策树T,每组均构建k个决策树,同时记录下每棵树每层所用的特征Ai、低阈值li、高阈值hi、该特征值小于低阈值样本数l_samplei、该特征值大于高阈值样本数h_samplei,即特征记录。
(5)根据参数控制策略选取出合适的多颗树模型:
假设树集合为F,将步骤(4)中的每组样本按训练集和测试集为a:b随机分割,若树T的识别准确率大于等于p,(0≤p≤1),则将树T添加到树集合F中,最终d组共得到符合条件的k'(k'≤d*k)个分类树{T1,T2,T3,...,Tk'}。
在本实施例中,将205条数据随机平均分为3组,其中每组为68-69条数据,将每组数据的68条HRV特征向量按训练集和测试集8:2分割,选取k∈[10,200],kd=5,p∈[0.80,1.00],pd=0.01,确定每组最优参数k=25,p=0.90,即每组构建25个决策树模型、挑选出识别准确率在90%以上的树模型,最终3组共挑选出52个树模型。
步骤4、将选择出来的多棵树合并成一棵新树,并从中提取各HRV特征的取值范围。
所述步骤4包括以下具体步骤:
(1)依次统计k'个分类树每层所使用的特征及其出现的次数:
根据树集合F中k'个分类树记录的信息,统计k'个分类树第一层使用的各个特征Ai,i=1,2,...,n及其出现的次数ai,i=1,2,...,n,第二层、第三层…按照上述过程进行统计。
(2)对步骤(1)中统计的每个特征出现的次数进行排序,其中每个特征只参与一次排序:
将每层的各个特征出现的次数按降序排列,得到相应的特征排序,若不同层次使用的特征有重复,则以最高层出现的次数为准参与排序,即每个特征只参与一次排序,则依照层序得到一个相应的总的特征排序A1',A2',...An'。
(3)对步骤4的第(2)步特征排序中的每一个特征Ai',确定其对应的高低阈值:
对特征排序中的每一个特征Ai',i=1,2,...n,依序在k'个分类树的所有层的特征记录中筛选出Ai'的特征记录集合B,在特征记录集合B中对l_samplei(即数据集D中特征值小于对应低阈值的样本数)降序排列,得到l_samplei'=max{l_sample1',l_sample2',...},然后在特征记录集合B中对h_samplei(即数据集D中特征值大于对应高阈值的样本数)降序排列,得到h_samplei'=max{h_sample1',h_sample2',...},则对特征Ai',低阈值为l_samplei'对应的li',高阈值为h_samplei'对应的hi';
(4)将选择出来的多棵树进行树的合并;
按照特征排序A1',A2',...An',每次依次选择一个属性作为树或者子树的根节点,并记录下每个结点的信息(Ai',li',hi')(Ai'即该结点所用特征,li'为该特征对应的低阈值,hi'为该特征对应的高阈值);小于低阈值li'的分支对应的结点为叶子结点,标记结果为c2=1,大于高阈值hi'的分支对应的为叶子结点,标记结果为c1=0,对于落在低阈值和高阈值区间内的样本,递归调用步骤(3)-(4)构建子树,直至属性使用完毕或者每一个HRV向量都可以准确分类,合并后的最优新树T”即构建完毕;
(5)提取各个HRV特征取值范围;
根据步骤4的第(4)步得到的最优新树T”估计出各HRV特征范围:特征Ai'的放松范围是[0,li'),高压范围是(hi',+∞),其中i=1,2,...n;即对一个HRV特征向量,根据其特征值A1'判断放松或者高压状态,若特征值A1'在[0,l1')区间范围内,则为放松状态,若特征值A1'在(h1',+∞)区间范围内,则为高压力状态,否则,根据其特征值A2'判断放松或者高压状态......直至获得其类别。
在本实施例中,将步骤3中3组共挑选出来的52个树模型合并成一颗新树,从而得到HRV各成分范围。
从步骤4中得到的树模型中提取出的规则以下表1和2所示。假设获得某人的一条心电数据,根据计算得到其各个HRV特征值为:LF/HF=3.456,LF=0.125,那么根据表2的第二条规则,我们可判断此人处于高压状态。
表1放松状态对应的HRV特征范围
表2高压状态对应的HRV特征范围
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种用于描述压力的HRV特征范围估计方法,其特征在于:包括以下步骤:
步骤1、利用节奏大师游戏诱发受试者产生压力,同时采集受试者的心电信号,并根据游戏的难度级别、游戏中的参数、面部表情和问卷调查结果综合评定此次受试者的压力状态标签;
步骤2、从采集的心电信号中提取HRV时域及频域特征,构建特征集;
步骤3、根据改进的C4.5决策树算法,将步骤2得到的特征集构建出多颗树,并根据参数控制策略选取出合适的多颗树模型;
步骤4、将选择出来的多棵树合并成一棵新树,并从中提取各HRV特征的取值范围。
2.根据权利要求1所述的一种用于描述压力的HRV特征范围估计方法,其特征在于:所述步骤2的HRV时域特征包括SDNN、RMSSD、NN50、PNN50;频域特征包括LF、HF、LF/HF、VAI。
3.根据权利要求1或2所述的一种用于描述压力的HRV特征范围估计方法,其特征在于:所述步骤3包括以下具体步骤:
(1)设HRV特征与压力标签表示的数据集为
D={(x1,y1),(x2,y2),…,(xi,yi),…,(xN,yN)}
其中,N为样本条数,为HRV的特征向量,n为每条样本所含特征的个数,yi∈γ={c1,c2,...,cm}为HRV特征代表的类别,在此,取m=2,则c1=0代表放松状态,c2=1代表高压力状态,假设数据集D的特征集为A={A1,A2,A3,...,An};
(2)对特征集A中的每个特征,将数据集D在该特征上的取值进行排序,寻找每个特征对应的高阈值和低阈值:
对特征集A中的每一个特征Ai,i=1,2,...,n,将数据集D在该特征上的取值升序排列,从最小值对应的类别依次找到第一个和最小值类别不同的样本,将此样本的该特征值作为划分的一个低阈值li,i=1,2,...n,因此,对于特征Ai,小于低阈值的样本一定属于同一类,同时记录下数据集D中该特征值小于此低阈值样本数l_samplei,i=1,2,...,n;同理,将数据集D在该特征上的取值降序排列,从最大值对应的类别依次找到第一个和最大值类别不同的样本,将此样本的该特征值作为划分的一个高阈值hi,i=1,2,...,n;因此,对于特征Ai,大于高阈值的样本一定属于同一类;同时记录下数据集D中该特征值大于此高阈值样本数h_samplei,i=1,2,...,n;若一个特征的低阈值li大于其高阈值hi,则将(li+hi)/2作为该特征的唯一阈值;
(3)利用高低阈值分割数据集,依次寻找信息增益比最大的特征,构建决策树:
对特征集A中的每一个特征Ai,i=1,2,...,n,按照其对应的低阈值li和高阈值hi将数据集分割为三个非空子集,对于只有唯一阈值的特征,将数据集分割为两个非空子集,并计算其对数据集D的信息增益比,选择信息增益比最大的特征Ag,g∈(1,n)作为根结点,之后在选择内部节点时,依次计算剩余特征的高低阈值划分的子集对数据集D的信息增益比,选择信息增益比最大的特征作为节点,直至最后一个特征被使用完毕或每个HRV向量都可以准确分类,由此来构建决策树;
(4)重复所述步骤3的第(2)步和第(3)步构建多颗决策树:
将N条样本随机平均分为d组,每组样本容量为N/d;并根据步骤3的第(2)步和第(3)步构建决策树T,每组均构建k个决策树,同时记录下每棵树每层所用的特征Ai、低阈值li、高阈值hi、该特征值小于低阈值样本数l_samplei、该特征值大于高阈值样本数h_samplei,即特征记录;
(5)根据参数控制策略选取出合适的多颗树模型:
假设树集合为F,将步骤3第(4)步中的每组样本按训练集和测试集为a:b随机分割,若树T的识别准确率大于等于p,(0≤p≤1),则将树T添加到树集合F中,最终d组共得到符合条件的k'(k'≤d*k)个分类树{T1,T2,T3,...,Tk'}。
4.根据权利要求1或2所述的一种用于描述压力的HRV特征范围估计方法,其特征在于:所述步骤4包括以下具体步骤:
(1)依次统计k'个分类树每层所使用的特征及其出现的次数:
根据树集合F中k'个分类树记录的信息,统计k'个分类树第一层使用的各个特征Ai,i=1,2,...,n及其出现的次数ai,i=1,2,...,n,第二层、第三层…按照上述过程进行统计;
(2)对步骤4的第(1)步中统计的每个特征出现的次数进行排序,其中每个特征只参与一次排序:
将每层的各个特征出现的次数按降序排列,得到相应的特征排序,若不同层次使用的特征有重复,则以最高层出现的次数为准参与排序,即每个特征只参与一次排序,则依照层序得到一个相应的总的特征排序A1',A2',...An';
(3)对步骤4的第(2)步特征排序中的每一个特征Ai',确定其对应的高低阈值:
对特征排序中的每一个特征Ai',i=1,2,...n,依序在k'个分类树的所有层的特征记录中筛选出Ai'的特征记录集合B,在特征记录集合B中对l_samplei即数据集D中特征值小于对应低阈值的样本数降序排列,得到l_samplei'=max{l_sample1',l_sample2',...},然后在特征记录集合B中对h_samplei即数据集D中特征值大于对应高阈值的样本数降序排列,得到h_samplei'=max{h_sample1',h_sample2',...},则对特征Ai',低阈值为l_samplei'对应的li',高阈值为h_samplei'对应的hi';
(4)将选择出来的多棵树进行树的合并;
按照特征排序A1',A2',...An',每次依次选择一个属性作为树或者子树的根节点,并记录下每个结点的信息(Ai',li',hi');Ai'即该结点所用特征,li'为该特征对应的低阈值,hi'为该特征对应的高阈值;小于低阈值li'的分支对应的结点为叶子结点,标记结果为c2=1,大于高阈值hi'的分支对应的为叶子结点,标记结果为c1=0,对于落在低阈值和高阈值区间内的样本,递归调用步骤(3)-(4)构建子树,直至属性使用完毕或者每一个HRV向量都可以准确分类,合并后的最优新树T”即构建完毕;
(5)提取各个HRV特征取值范围;
根据步骤4的第(4)步得到的最优新树T”估计出各HRV特征范围:特征Ai'的放松范围是[0,li'),高压范围是(hi',+∞),其中i=1,2,...n;即对一个HRV特征向量,根据其特征值A1'判断放松或者高压状态,若特征值A1'在[0,l1')区间范围内,则为放松状态,若特征值A1'在(h1',+∞)区间范围内,则为高压力状态,否则,根据其特征值A2'判断放松或者高压状态......直至获得其类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710939948.7A CN107767934B (zh) | 2017-10-11 | 2017-10-11 | 一种用于描述压力的hrv特征范围估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710939948.7A CN107767934B (zh) | 2017-10-11 | 2017-10-11 | 一种用于描述压力的hrv特征范围估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767934A true CN107767934A (zh) | 2018-03-06 |
CN107767934B CN107767934B (zh) | 2020-11-03 |
Family
ID=61267077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710939948.7A Active CN107767934B (zh) | 2017-10-11 | 2017-10-11 | 一种用于描述压力的hrv特征范围估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767934B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711671A (zh) * | 2018-11-28 | 2019-05-03 | 中国科学院科技战略咨询研究院 | 一种基于指标体系谈判的群决策系统与方法 |
WO2020039428A1 (en) * | 2018-08-19 | 2020-02-27 | Sensority Ltd. | Machine classification of significant psychophysiological response |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310027A (zh) * | 2013-07-09 | 2013-09-18 | 中国人民解放军信息工程大学 | 用于地图模板匹配的规则提取方法 |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
JP2015050869A (ja) * | 2013-09-03 | 2015-03-16 | 株式会社かんでんエンジニアリング | 油入電気機器の異常診断システム、決定木生成システム、決定木生成方法、及び決定木生成プログラム |
CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
-
2017
- 2017-10-11 CN CN201710939948.7A patent/CN107767934B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310027A (zh) * | 2013-07-09 | 2013-09-18 | 中国人民解放军信息工程大学 | 用于地图模板匹配的规则提取方法 |
JP2015050869A (ja) * | 2013-09-03 | 2015-03-16 | 株式会社かんでんエンジニアリング | 油入電気機器の異常診断システム、決定木生成システム、決定木生成方法、及び決定木生成プログラム |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
Non-Patent Citations (3)
Title |
---|
RAJIV RANJANSINGH等: "A comparative evaluation of neural network classifiers for stress level analysis of automotive drivers using physiological signals", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
李如平: "数据挖掘中决策树分类算法的研究", 《东华理工大学学报( 自然科学版)》 * |
陈彦会: "基于心率变异性参数的压力状态描述研究", 《中国学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020039428A1 (en) * | 2018-08-19 | 2020-02-27 | Sensority Ltd. | Machine classification of significant psychophysiological response |
CN109711671A (zh) * | 2018-11-28 | 2019-05-03 | 中国科学院科技战略咨询研究院 | 一种基于指标体系谈判的群决策系统与方法 |
CN109711671B (zh) * | 2018-11-28 | 2020-12-29 | 中国科学院科技战略咨询研究院 | 一种基于指标体系谈判的群决策系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107767934B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
CN108959895B (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
CH716863A2 (de) | Depressionserkennungssystem basierend auf einer unter Verwendung von Trainingssätzen getroffenen Kanalauswahl von Mehrkanal-Elektroenzephalographie. | |
CN109674468A (zh) | 一种单导脑电自动睡眠分期方法 | |
Wei et al. | Time-frequency convolutional neural network for automatic sleep stage classification based on single-channel EEG | |
CN108596043A (zh) | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 | |
CN113729707A (zh) | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
CN105212949A (zh) | 一种使用皮肤电信号进行文化体验情感识别的方法 | |
Jaiswal et al. | Effect of mental workload on breathing pattern and heart rate for a working memory task: A pilot study | |
CN113349780A (zh) | 一种情绪设计对在线学习认知负荷影响的评估方法 | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
CN107767934A (zh) | 一种用于描述压力的hrv特征范围估计方法 | |
Piñero et al. | Sleep stage classification using fuzzy sets and machine learning techniques | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
CN113729648A (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
CN111261283B (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
CN116211306A (zh) | 基于眼动和心电信号的心理健康自评估系统 | |
Kim et al. | Finding and evaluating suitable contents to recognize depression based on neuro-fuzzy algorithm | |
CN115633961A (zh) | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 | |
CN111783669B (zh) | 一种面向个人用户的表面肌电信号分类识别方法 | |
CN114068020A (zh) | 一种智能康养监控与优化系统 | |
CN113558643A (zh) | 基于vmd和nltwsvm的多特征癫痫信号分类方法 | |
Wan et al. | Learning immersion assessment model based on multi-dimensional physiological characteristics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |