CN108577865B - 一种心理状态确定方法及装置 - Google Patents

Abstract

本发明提供了一种心理状态确定方法及装置，涉及心理状态分析领域。本发明提供的一种心理状态确定方法，同时使用脑电信号和心率变异性信号作为输入，并且分别对这两个信号进行滑动窗口采样，而后，分别确定了这两个信号的特征向量，最后采用监督分类模型在这两个特征向量的基础计算得到了被测者的心理状态指标，由于同时考虑了脑电信号和心率变异性信号，使得能够从更为立体的角度对心理状态指标进行表征，提高了计算的准确度。

Description

一种心理状态确定方法及装置

技术领域

本发明涉及心理状态分析领域，具体而言，涉及一种心理状态确定方法及装置。

背景技术

随着人类对自然科学研究的深入，对人类自身有了更多的认识，比如，人类在处于不同心理状态(如疲劳、焦虑、心理压力等)的情况下，会有着不同的外在表现。比如，在心理压力适中的情况下，工作效率较高；当心理压力过低，或者过高的时候，则工作效率会降低。又比如，疲劳程度不同的情况下，进入睡眠的难易程度也会发生变化，如果想要进行催眠的话，需要采用的催眠策略也是不同的。

可见，通过检测心理状态可以判断出当前适合做的事情或者是适合采取哪种措施(如采用哪种方式催眠，或者是是否能够高效率的工作)。

目前确定心理状态的方式是先进行单一数据检测，而后再利用检测到的数据推算出心理状态，但这种方式并不很准确。

发明内容

本发明的目的在于提供一种心理状态确定方法和装置。

第一方面，本发明实施例提供了一种心理状态确定方法，包括：

获取被测者的脑电信号和心率变异性信号；

分别对脑电信号和心率变异性信号使用滑动窗口采样，以确定脑电信号采样结果和心率变异性信号采样结果；

分别提取脑电信号采样结果的脑电信号特征向量和心率变异性信号采样结果的心率变异性信号特征向量，所述脑电信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵，所述心率变异性信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵；

根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，监督分类模型为LSTM神经网络模型、ANN人工神经网络模型、随机森林模型、KNN模型、支持向量机模型或决策树模型。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，在步骤分别提取脑电信号采样结果的脑电信号特征向量和心率变异性信号采样结果的心率变异性信号特征向量之后，在步骤根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标之前，还包括：

对脑电信号特征向量和心率变异性信号特征向量中的至少一个进行标准化处理；

分别对脑电信号特征向量和心率变异性信号特征向量进行卡尔曼滤波处理。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，步骤根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标包括：

使用对应的决策树模型，根据将脑电信号特征向量和心率变异性信号特征向量进行计算，以得到心理状态指标；心理状态指标包括压力指标、疲劳指标、专注指标、放松指标、情绪指标、精力指标、睡眠状态等。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，还包括：

获取隐式马尔科夫模型，隐式马尔科夫模型的参数包括状态转移概率的矩阵和输出观测概率的矩阵；

使用状态转移概率的矩阵和输出观测概率的矩阵对心理状态指标进行校正。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，在步骤获取被测者的脑电信号和心率变异性信号后，在步骤分别对脑电信号和心率变异性信号使用滑动窗口采样，以确定脑电信号采样结果和心率变异性信号采样结果之前，还包括：

采用带通滤波的方式对脑电信号和心率变异性信号进行滤波处理。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，按照如下方式确定决策树模型：

通过设置在标准测试者额头处电极和耳垂处的电极采集脑电信号，并使用脉搏波信号计算出心率变异性信号；

对脑电信号和心率变异性信号进行数据增强；

对增强后的脑电信号和心率变异性信号采用滑动窗口的方式进行信号采样；

对采样结果进行第一次滤波处理；

对心率变异性信号和脑电信号的采样结果提取特征向量；

对特征向量进行第二次滤波处理；

将第二次滤波后的特征向量输入到决策树模型中，并通过随机梯度下降的方法，使用最小化损失函数得到决策树模型的参数；决策树模型的参数包括多棵子树的划分节点，节点比较值以及叶节点中该棵子树对分类结果的影响。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，还包括：

根据心理状态指标计算心理治疗精力回升指数。

结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，还包括：

根据心理状态指标计算工作效率指数。

第二方面，本发明实施例还提供了一种心理状态确定装置，包括：

获取模块，用于获取被测者的脑电信号和心率变异性信号；

采样模块，用于分别对脑电信号和心率变异性信号使用滑动窗口采样，以确定脑电信号采样结果和心率变异性信号采样结果；

提取模块，用于分别提取脑电信号采样结果的脑电信号特征向量和心率变异性信号采样结果的心率变异性信号特征向量，所述脑电信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵，所述心率变异性信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵；

计算模块，用于根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标。

本发明实施例提供的一种心理状态确定方法，同时使用脑电信号和心率变异性信号作为输入，并且分别对这两个信号进行滑动窗口采样，而后，分别确定了这两个信号的特征向量，最后采用监督分类模型在这两个特征向量的基础计算得到了被测者的心理状态指标，由于同时考虑了脑电信号和心率变异性信号，使得能够从更为立体的角度对心理状态指标进行表征，提高了计算的准确度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种心理状态确定方法的基本流程图；

图2示出了本发明实施例所提供的一种心理状态确定方法的第一个优化细节的流程图；

图3示出了本发明实施例所提供的一种心理状态确定方法的第二个优化细节的流程图；

图4示出了本发明实施例所提供的一种心理状态确定方法的决策树模型的示例图；

图5示出了本发明实施例所提供的一种心理状态确定方法的状态转移概率的矩阵和输出观测概率的矩阵的示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

相关技术中，已经出现了计算心理状态的方法，但按照相关技术中的方式得到的心理状态并不十分准确，针对该种情况，本申请提供了一种改进的心理状态确定方法，如图1所示，包括如下步骤：

S101，获取被测者的脑电信号和心率变异性信号；

S102，分别对脑电信号和心率变异性信号使用滑动窗口采样，以确定脑电信号采样结果和心率变异性信号采样结果；

S103，分别提取脑电信号采样结果的脑电信号特征向量和心率变异性信号采样结果的心率变异性信号特征向量，所述脑电信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵，所述心率变异性信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵；

S104，根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标。

上述步骤中，同时采样脑电信号和心率变异性信号作为输入，能够更为准确的确定最终的心理状态，并且，特征向量的种类共有三种，分别是频谱能量、近似熵和样本熵，当特征向量同时包含着三种数据的时候，也一定程度上保证了最终结果的准确率。

监督分类模型指的是有监督机器学习的分类模型，具体包括如下种类LSTM神经网络模型、ANN人工神经网络模型、随机森林模型、KNN模型、支持向量机模型和决策树模型。其中，优选采用决策树模型进行计算。

具体实现时，可以通过如下方式来获取到心率变异性信号：

检测被测者的脉搏波信号，并将脉搏波信号转化为心率变异性信号。

在步骤S101之后，在步骤S102之前，优选采用带通滤波的方式对脑电信号和心率变异性信号进行滤波处理。

在步骤S103和步骤S104之间，优选增加如下步骤，如图2所示：

S201，对脑电信号特征向量和心率变异性信号特征向量中的至少一个进行标准化处理；

S202，分别对脑电信号特征向量和心率变异性信号特征向量进行卡尔曼滤波处理。

上述两个步骤可以只使用一个，也可以两个都使用。

其中，标准化处理的目的是将脑电信号特征向量和心率变异性信号特征向量的大小调整成相符的程度，比如脑电信号特征向量的大小是在(-1,1)之间，那么也应当将心率变异性信号特征向量调整到(-1,1)之间。实际使用中，并不必然要求二者的数值是在(-1,1)之间，也可以是在其他数值区间中，但应当保证是二者的大小是基本相仿的，这样在后续的计算过程中，能够使得二者对计算的结果的影响程度是相同的。当然，还可以是预先对决策树模型进行调整，来使得对不同特征向量采用不同的标准进行计算，也能够保证计算结果的正确。

卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，该种算法是相关技术中已经存在的，此处不过多说明。

步骤S104在具体是按照如下方式执行的：

使用对应的决策树模型，根据将脑电信号特征向量和心率变异性信号特征向量进行计算，以得到心理状态指标(一般是得到至少两个心理状态指标)；心理状态指标包括压力指标、疲劳指标、专注指标、放松指标、情绪指标、精力指标、睡眠状态等。

也就是决策树模型分为多种，即压力决策树模型、疲劳决策树模型、专注决策树模型、放松决策树模型、情绪决策树模型、精力决策树模型和睡眠决策树模型。使用不同的决策树模型，能够得到不同的结果。

以压力决策树模型为例，该模型由多颗决策树组成，每颗决策树根据训练好的结果，将输入的脑电信号特征向量以及心率变异性信号特征向量中的特定维度与特定的值进行比较，最终达到树的叶节点，改变该特征向量属于某类的概率。例如，第一颗决策树可能使压力级别为1的概率增加了0.32，第二颗决策树可能使压力级别为2的概率减少了0.18。通过多颗决策树的共同影响，最终得到了该特征向量属于五类压力级别的概率，选取其中概率最大的类别为分类的类别。

在步骤S104之后，还可以进一步对计算出的心理状态指标进行校正。具体而言，本申请所提供的方法，在步骤S104之后，还包括如下步骤，如图3所示：

S301，获取隐式马尔科夫模型，隐式马尔科夫模型的参数包括状态转移概率的矩阵和输出观测概率的矩阵；

S302，使用状态转移概率的矩阵和输出观测概率的矩阵对心理状态指标进行校正。

步骤使用状态转移概率的矩阵和输出观测概率的矩阵对心理状态指标进行校正具体可以是采用Viterbi算法来对心理状态指标进行校正。上述步骤中的状态转移概率的矩阵和输出观测概率的矩阵是隐式马尔科夫模型的参数。

状态转移概率矩阵和输出观测概率矩阵可以通过EM算法或者最大后验概率等方法求解。在这里优选使用EM算法的特例Baum-Welch算法完成算法的训练。

状态转移概率的矩阵中记录有状态转移概率aij，即模型在不同状态转移的概率。状态转移概率反应了时间上连续的两个心理状态指标的变化规律，比如上一时刻状态为yi，下一时刻为yj的概率。举例说即为上一时刻压力为5级，下一时刻为3级的概率。(比如训练的结果发现a55最大，a54依次，而a51则很小。即很大可能上一时刻是五级压力，下一时刻还是五级压力。次之则是从五级压力变成四级压力。而直接从五级压力变成一级压力的概率很小)，因此可以采用状态转移概率来对心理状态指标进行校正。

输出观测概率的矩阵中记录有输出观测概率bij，输出观测概率表示了根据当前客观心理状态指标通过上述决策树模型观测到特定心理状态指标的概率，即当前状态为yi，观测到xj的概率。比如b55是客观压力状态为五级，决策树模型分类得到压力状态为五级的概率。而b54是客观压力状态为五级，决策树模型分类得到压力状态为四级的概率。由于具体的决策树模型分类的错误存在一定倾向性，例如对某一模型可能b55最大，b53其次，b54再次，而b52，b51接近0。即该模型可能将五级压力错分类为三级压力与四级压力。因此可以采用状态转移概率来对心理状态指标进行校正。

比如，在已经预先得到了状态转移概率和输出观测概率，同时还获取到心理状态指标序列，如11225555，即为可观察状态序列。通过状态转移概率的矩阵和输出观测概率的矩阵可以对该序列进行调整，如调整后的序列为11223345。

前述步骤中，提及了使用状态转移概率的矩阵和输出观测概率的矩阵对心理状态指标进行校正。下面，对这两个矩阵的获取过程进行介绍，包括如下步骤。

步骤1，通过设置在标准测试者额头处电极和耳垂处的电极采集脑电信号(单通道EEG(脑电图))，并使用脉搏波信号计算出心率变异性信号HRV；

步骤2，对脑电信号和心率变异性信号进行数据增强(主要是为了增加可使用的数据量；数据增强的方式包括给原始数据增加随机噪声，使用SMOTE算法给原始数据进行插值以及降采样等等。所述数据增强步骤的目的为提高精确度)

步骤3，采用滑动窗口的方式进行信号采样；(主要指对采集到的单通道额叶EEG数据和单通道心率变异性HRV使用滑动窗口方法，得到一个个窗口向量，每个窗口向量代表特定时刻的状态。以EEG为256Hz采样率为例，取窗口大小也为256个点，而窗口平移的步长为采样率的一半即128。于是每个窗口的256个点可以代表当前1s的状态，而相邻的两个窗口总有128个点重叠。于是对30分钟的EEG数据，能得到30*60*2＝3600个滑动窗口。对HRV使用类似的滑动窗口方法，得到与EEG的3600个滑动窗口时间一一对应的3600个滑动窗口。下述的信号和数据均为这里的滑动窗口)；

步骤4，对采样结果进行第一次滤波处理(由于人的运动和眨眼造成的伪差比脑电和脉搏波大的多，信号首先需要通过滤波器进行降噪，信号滤波有多种方法，如带通滤波，中值滤波，卡尔曼滤波，小波分析，独立成分分析等等。考虑到带通滤波的运算量较低，同时本方法针对的大部分情形使用者都闭着眼睛处于休息状态，运动和眨眼造成的伪差相对比较小，所以简单的带通滤波足以滤除大部分噪声，故本方法优选使用带通滤波，仅取0-50Hz的信号成分)；

步骤5，对心率变异性信号和脑电信号的采样结果提取特征向量；(滤波和降噪后的EEG和HRV信号经过特征提取可以得到特征向量，主要的提取方式有非线性特征、熵特征、基于小波的特征、基于时频的特征、局部方差、功率谱等等，对不同的应用场景需要进行特征工程选取不同的特征。本方案优选得到了频谱能量以及近似熵和样本熵作为EEG特征和HRV特征)；

步骤6，特征向量融合；(将EEG和HRV的特征向量的特征向量拼接就能够实现脑电和心电的融合[10]，得到心脑融合的特征向量。该步骤的目的为提高算法精度，如果只使用脑电EEG特征或HRV的特征也是可以的)；

步骤7，特征向量标准化处理；(考虑到特征向量的不同维度量纲不同，可能存在某些维度特别大，占据主导作用的情况。所以对特征向量进行标准化，去均值处理，使得每个特征向量的均值为0，方差为1)；

步骤8，特征向量的第二次滤波；(由于输入信号存在各种伪差噪声的影响，它们在频域上与脑电信号存在一定的重叠，所以仅以输入信号的带通滤波无法完全去除噪声。这些噪声会导致特征向量也出现剧烈的变化，最终使分类器得到错误的结果。本发明使用卡尔曼滤波方法对上述得到的特征向量进行滤波)；

步骤9，决策树模型训练；将滤波后的特征向量输入到决策树模型中，并通过随机梯度下降的方法，使用最小化损失函数得到决策树模型的参数，决策树模型的参数包括多棵子树的划分节点，节点比较值以及叶节点中该棵子树对分类结果的影响。多颗决策子树通过基于梯度增强的方法集成在一起，得到决策树模型。如图4所示，示出了决策树模型的示例，可见该模型中有两棵子树，一般情况下，一个决策树模型中有数百棵子树。

步骤10，隐式马尔科夫模型的训练；隐式马尔科夫模型的参数包括状态转移概率的矩阵和输出观测概率的矩阵；

训练过程是通过实际测量的数据进行训练的，比如实际测量大量被测者(上千人)的脑电信号和心率变异性信号，据此分类得到不同的分类结果。以及其他标准方式获得的客观心理状态分级序列，进而据此训练隐式马尔科夫模型。

状态转移概率的矩阵中记录有状态转移概率aij，即模型在不同状态转移的概率。状态转移概率反应了时间上连续的两个心理状态指标的变化规律，比如上一时刻状态为yi，下一时刻为yj的概率。举例说即为上一时刻压力为5级，下一时刻为3级的概率。(比如训练的结果发现a55最大，a54依次，而a51则很小。即很大可能上一时刻是五级压力，下一时刻还是五级压力。次之则是从五级压力变成四级压力。而直接从五级压力变成一级压力的概率很小)，因此可以采用状态转移概率来对心理状态指标进行校正。

输出观测概率的矩阵中记录有输出观测概率bij，输出观测概率表示了根据当前客观心理状态指标通过上述决策树模型观测到特定心理状态指标的概率，即当前状态为yi，观测到xj的概率。比如b55是客观压力状态为五级，决策树模型分类得到压力状态为五级的概率。而b54是客观压力状态为五级，决策树模型分类得到压力状态为四级的概率。由于具体的决策树模型分类的错误存在一定倾向性，例如对某一模型可能b55最大，b53其次，b54再次，而b52，b51接近0。即该模型可能将五级压力错分类为三级压力与四级压力。因此可以采用状态转移概率来对心理状态指标进行校正。如图5，示出了状态转移概率的矩阵和输出观测概率的矩阵的示意图。

状态转移概率矩阵和输出观测概率的矩阵可以通过EM算法或者最大后验概率等方法求解。在这里优选使用EM算法的特例Baum-Welch算法完成算法的训练。

前述步骤中得到了多个心理状态指标(压力指标、疲劳指标、专注指标和放松指标等)，可以使用这几个指标来计算综合处理。此处的综合处理，有两种，第一种是计算心理治疗精力回升指数，第二种是工作效率指数，下面，对这两个方法进行简要介绍：

关于心理治疗精力回升指数的计算过程，包括如下步骤(此时，该方法也可以认为是心理治疗精力回升指数计算方法)：

步骤S201，获取至少两个心理状态指标，心理状态指标包括：压力指标、疲劳指标、专注指标和放松指标；

步骤S202，根据心理状态指标计算心理治疗精力回升指数。

具体的，步骤S202可以按照如下方式执行：

将心理状态指标带入如下公式，以计算心理治疗精力回升指数，

INDEX＝50*(S1/S2+F1/F2)-100(0<50*(S1/S2+F1/F2)-100<100)；

INDEX＝100当50*(S1/S2+F1/F2)-100>100时；

INDEX＝0当50*(S1/S2+F1/F2)-100<0时；

上述步骤中，INDEX是心理治疗精力回升指数，治疗前压力指标的平均值为S1，治疗前疲劳指标的平均值为F1，治疗后压力指标的平均值为S2，治疗后疲劳指标的平均值为F2。

此处，优选最开始两分钟的状态作为心理治疗前的状态,优选唤醒前两分钟的数据作为心理治疗后的状态,将压力疲劳状态计算平均值。此处，整体的流程是催眠的流程，该流程分为多个阶段，按照时间的先后分为检测阶段、正念引导阶段(引导被测者集中注意力)、第一脑波导眠阶段(浅睡眠)、第二脑波导眠阶段(深度睡眠)和唤醒节点。最开始两分钟指的是正念引导阶段刚开始的两分钟，唤醒前两分钟指的是进入到唤醒阶段前的两分钟。

工作效率指数的具体计算过程包括如下步骤(此时，该方法也可以认为是工作效率指数计算方法)：

步骤S301，获取至少两个心理状态指标，心理状态指标包括：压力指标、疲劳指标、专注指标和放松指标；

步骤S302，根据心理状态指标计算工作效率指数。

Efficiency＝Fatigue_score(Fatigue)+Stress_score(Stress)+Attention_score(Attention)+Relaxation_score(Relaxation)

所述的Fatigue_score，Stress_score，Attention_score，Relaxation_score各自为0到25范围的只与特定心理状态指标相关的函数。

fatigue，stress，attention，relaxation分别为用户的疲劳指标，压力指标，专注指标和放松指标。efficiency为工作效率指数。

以Fatigue_score(Fatigue)为例，为通过回归分析方法得到的工作效率与疲劳相关的函数。显然疲劳越高，工作效率越低。该函数是单调递减的。

以Stress_score(Stress)为例，为通过回归分析方法得到的工作效率与压力相关的函数。该函数是先单调递增，后单调递减的。即处于适中压力状态时工作效率最高，压力太高或压力太低工作效率都比较低。

具体而言，根据心理学研究，认为专注度越高，压力指数越低对工作效率贡献越大，认为轻度压力和轻度放松时工作效率最佳，太高和太低的压力、放松对工作效率均有害。同时，可以通过对上千人的压力指标、疲劳指标、专注指标、放松指标和工作效率指数进行统计来得到得到了基础数据，而后，依据这些基础数据中不同指标来计算出工作效率和其他几个指标之间的对应关系，利用该对应关系，就可以根据心理状态指标计算工作效率指数。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种心理状态确定装置，其特征在于，包括：

获取模块，用于获取被测者的脑电信号和心率变异性信号；

采集模块，用于分别对脑电信号和心率变异性信号使用滑动窗口采样，以确定脑电信号采样结果和心率变异性信号采样结果；

提取模块，用于分别提取脑电信号采样结果的脑电信号特征向量和心率变异性信号采样结果的心率变异性信号特征向量，所述脑电信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵，所述心率变异性信号特征向量包括以下的一种或多种：频谱能量、近似熵和样本熵；

计算模块，用于根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标；

所述计算模块，还用于根据心理状态指标计算心理治疗精力回升指数，其中，所述心理状态指标包括正念引导阶段的心理状态指标以及唤醒阶段的心理状态指标；

所述心理状态指标通过以下公式确定出心理治疗精力回升指数，INDEX=50*（S1/S2+F1/F2）-100（0<50*（S1/S2+F1/F2）-100<100）；INDEX=100当50*（S1/S2+F1/F2）-100>100时；INDEX=0当50*（S1/S2+F1/F2）-100<0时；其中，INDEX是心理治疗精力回升指数，治疗前压力指标的平均值为S1，治疗前疲劳指标的平均值为F1，治疗后压力指标的平均值为S2，治疗后疲劳指标的平均值为F2。

2.根据权利要求1所述的装置，其特征在于，所述计算模块中的监督分类模型为LSTM神经网络模型、ANN人工神经网络模型、随机森林模型、KNN模型、支持向量机模型或决策树模型。

3.根据权利要求1所述的装置，其特征在于，所述提取模块在用于分别提取脑电信号采样结果的脑电信号特征向量和心率变异性信号采样结果的心率变异性信号特征向量之后，在步骤根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标之前时，所述提取模块还用于：

对脑电信号特征向量和心率变异性信号特征向量中的至少一个进行标准化处理；

分别对脑电信号特征向量和心率变异性信号特征向量进行卡尔曼滤波处理。

4.根据权利要求1所述的装置，其特征在于，所述计算模块在用于根据脑电信号特征向量、心率变异性信号特征向量和监督分类模型，计算被测者的心理状态指标时，所述计算模块还用于：

使用对应的决策树模型，根据将脑电信号特征向量和心率变异性信号特征向量进行计算，以得到心理状态指标；心理状态指标包括压力指标、疲劳指标、专注指标、放松指标、情绪指标、精力指标、睡眠状态。

5.根据权利要求1所述的装置，其特征在于，所述计算模块还用于：

获取隐式马尔科夫模型，隐式马尔科夫模型的参数包括状态转移概率的矩阵和输出观测概率的矩阵；

使用状态转移概率的矩阵和输出观测概率的矩阵对心理状态指标进行校正。

6.根据权利要求1所述的装置，其特征在于，所述采集模块在用于获取被测者的脑电信号和心率变异性信号后，在步骤分别对脑电信号和心率变异性信号使用滑动窗口采样，以确定脑电信号采样结果和心率变异性信号采样结果之前，采集模块还用于：

采用带通滤波的方式对脑电信号和心率变异性信号进行滤波处理。

7.根据权利要求2所述的装置，其特征在于，所述计算模块通过以下方式确定决策树模型：

通过设置在标准测试者额头处电极和远离额头处的电极采集脑电信号，所述远离额头处的电极包括设置在耳垂，耳廓，头皮远离额头位置的电极，并使用脉搏波信号计算出心率变异性信号；

对脑电信号和心率变异性信号进行数据增强；

对增强后的脑电信号和心率变异性信号采用滑动窗口的方式进行信号采样；

对采样结果进行第一次滤波处理；

对心率变异性信号和脑电信号的采样结果提取特征向量；

对特征向量进行第二次滤波处理；

将第二次滤波后的特征向量输入到决策树模型中，并通过随机梯度下降的方法，使用最小化损失函数得到决策树模型的参数；决策树模型的参数包括多棵子树的划分节点，节点比较值以及叶节点中该棵子树对分类结果的影响。

8.根据权利要求1所述的装置，其特征在于，所述计算模块还用于：

根据心理状态指标计算工作效率指数。

Images