CN107767934A - 一种用于描述压力的hrv特征范围估计方法 - Google Patents

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

一种用于描述压力的HRV特征范围估计方法

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),…,(x_i,y_i),…,(x_N,y_N)}

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，y_i∈γ＝{c₁,c₂,...,c_m}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,...,A_n}；

(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A_i，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l_i，i＝1,2,...n，因此，对于特征A_i，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_sample_i，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h_i，i＝1,2,...,n；因此，对于特征A_i，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_sample_i，i＝1,2,...,n；若一个特征的低阈值l_i大于其高阈值h_i，则将(l_i+h_i)/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A_i，i＝1,2,...,n，按照其对应的低阈值l_i和高阈值h_i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A_g，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A_i、低阈值l_i、高阈值h_i、该特征值小于低阈值样本数l_sample_i、该特征值大于高阈值样本数h_sample_i，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,...,T_k'}。

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A_i，i＝1,2,...,n及其出现的次数a_i，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',...A_n'；

(3)对步骤4的第(2)步特征排序中的每一个特征A_i'，确定其对应的高低阈值：

对特征排序中的每一个特征A_i'，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A_i'的特征记录集合B，在特征记录集合B中对l_sample_i(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_sample_i'＝max{l_sample₁',l_sample₂',...},然后在特征记录集合B中对h_sample_i(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_sample_i'＝max{h_sample₁',h_sample₂',...}，则对特征A_i'，低阈值为l_sample_i'对应的l_i'，高阈值为h_sample_i'对应的h_i'；

(4)将选择出来的多棵树进行树的合并；

按照特征排序A₁',A₂',...A_n'，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(A_i',l_i',h_i')(A_i'即该结点所用特征，l_i'为该特征对应的低阈值，h_i'为该特征对应的高阈值)；小于低阈值l_i'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h_i'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A_i'的放松范围是[0,l_i')，高压范围是(h_i',+∞)，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),…,(x_i,y_i),…,(x_N,y_N)}

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，y_i∈γ＝{c₁,c₂,...,c_m}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,...,A_n}；

(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A_i，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l_i，i＝1,2,...n，因此，对于特征A_i，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_sample_i，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h_i，i＝1,2,...,n；因此，对于特征A_i，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_sample_i，i＝1,2,...,n；若一个特征的低阈值l_i大于其高阈值h_i，则将(l_i+h_i)/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A_i，i＝1,2,...,n，按照其对应的低阈值l_i和高阈值h_i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A_g，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A_i、低阈值l_i、高阈值h_i、该特征值小于低阈值样本数l_sample_i、该特征值大于高阈值样本数h_sample_i，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,...,T_k'}。

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]，k_d＝5，p∈[0.80,1.00]，p_d＝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A_i，i＝1,2,...,n及其出现的次数a_i，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',...A_n'。

(3)对步骤4的第(2)步特征排序中的每一个特征A_i'，确定其对应的高低阈值：

对特征排序中的每一个特征A_i'，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A_i'的特征记录集合B，在特征记录集合B中对l_sample_i(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_sample_i'＝max{l_sample₁',l_sample₂',...},然后在特征记录集合B中对h_sample_i(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_sample_i'＝max{h_sample₁',h_sample₂',...}，则对特征A_i'，低阈值为l_sample_i'对应的l_i'，高阈值为h_sample_i'对应的h_i'；

(4)将选择出来的多棵树进行树的合并；

按照特征排序A₁',A₂',...A_n'，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(A_i',l_i',h_i')(A_i'即该结点所用特征，l_i'为该特征对应的低阈值，h_i'为该特征对应的高阈值)；小于低阈值l_i'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h_i'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A_i'的放松范围是[0,l_i')，高压范围是(h_i',+∞)，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),…,(x_i,y_i),…,(x_N,y_N)}

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，y_i∈γ＝{c₁,c₂,...,c_m}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,...,A_n}；

(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A_i，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l_i，i＝1,2,...n，因此，对于特征A_i，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_sample_i，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h_i，i＝1,2,...,n；因此，对于特征A_i，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_sample_i，i＝1,2,...,n；若一个特征的低阈值l_i大于其高阈值h_i，则将(l_i+h_i)/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A_i，i＝1,2,...,n，按照其对应的低阈值l_i和高阈值h_i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A_g，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A_i、低阈值l_i、高阈值h_i、该特征值小于低阈值样本数l_sample_i、该特征值大于高阈值样本数h_sample_i，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,...,T_k'}。

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A_i，i＝1,2,...,n及其出现的次数a_i，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',...A_n'；

(3)对步骤4的第(2)步特征排序中的每一个特征A_i'，确定其对应的高低阈值：

对特征排序中的每一个特征A_i'，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A_i'的特征记录集合B，在特征记录集合B中对l_sample_i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_sample_i'＝max{l_sample₁',l_sample₂',...},然后在特征记录集合B中对h_sample_i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_sample_i'＝max{h_sample₁',h_sample₂',...}，则对特征A_i'，低阈值为l_sample_i'对应的l_i'，高阈值为h_sample_i'对应的h_i'；

(4)将选择出来的多棵树进行树的合并；

按照特征排序A₁',A₂',...A_n'，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(A_i',l_i',h_i')；A_i'即该结点所用特征，l_i'为该特征对应的低阈值，h_i'为该特征对应的高阈值；小于低阈值l_i'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h_i'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A_i'的放松范围是[0,l_i')，高压范围是(h_i',+∞)，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。