CN108670277A - 精神压力监测方法 - Google Patents

Abstract

本申请公开了一种精神压力监测方法。采用获取人体压力生理信号，通过人体汗腺皮下生理数据的抓取的方式，通过获取被试对象的基线期、认知任务期以及恢复期的人体压力生理信号；分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值；所述被试对象的基线期、认知任务期及恢复期分别具有多个非相关特征值；根据所述非相关特征值对分类器进行训练，得到准确率最高的最终模型；通过所述最终模型对监测对象的人体压力生理信号进行识别，判断所述监测对象是否存在精神压力。达到了判断监测对象是否存在精神压力的目的，进而解决了医生无法准确得知患者精神状态进而给出准确治疗方案的技术问题。

Description

精神压力监测方法

技术领域

本申请涉及情绪监控领域，具体而言，涉及一种精神压力监测方法。

背景技术

精神压力(mental stress)即心理压力，现代生活中每个人都有所体验。心理压力可来自于各个方面，总的来说有社会、生活和竞争3个压力源，如家庭生活的负担、学习的繁重、人际关系的紧张等等。虽然这是社会文明时代产生的—种自然形态，但是，久而久之，日积月累，往往会造成某种障碍或生理机能失调，看上去也类似于病态。过度紧张和压力过大会使人感到冷漠。情绪紧张、恐惧、易怒、不满足、健忘、注意力不集中、抑郁、易出事故、警觉、做恶梦、容易被很小的声音所惊吓等等。

然而在调查中，超过40％的人不采取任何措施，自己默默忍受。社会学家指出，现在人们压力都很大，很多人都不知道怎么排解。中国人的传统性格比较隐忍，习惯把事情压抑在内心，人们对心理专家还是有顾虑的，即使知道和人沟通是最有效的方法，他也不愿意去解决。

对于现在这种情况，急需一种能够之间检测和分析人体精神状态和疲劳程度的方法和/或仪器，可以对受试者的精神压力进行检测，使医生能够对患者的精神状态有一个深入和明确的了解，并根据患者精神状态给与相应的建议。

发明内容

本申请的主要目的在于提供一种精神压力监测方法，以解决相关技术中存在的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种精神压力监测方法，包括：

获取被试对象的基线期、认知任务期以及恢复期的人体压力生理信号；所述基线期为所述被试对象未接收认知任务时的无压力感知的时间段；所述认知任务期为所述被试对象在进行认知任务时的处于压力感知的时间段；所述恢复期为所述被试对象在结束执行认知任务后从压力感知恢复到无压力感知的时间段；

分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值；所述被试对象的基线期、认知任务期及恢复期分别具有多个非相关特征值；

根据所述非相关特征值对分类器进行训练，得到准确率最高的最终模型；

通过所述最终模型对监测对象的人体压力生理信号进行识别，判断所述监测对象是否存在精神压力。

进一步的，如前述的精神压力监测方法，所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值，包括：

根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值；

分别对所述基线期、认知任务期及恢复期的特征值进行数据处理，得到非相关特征值；所述数据处理的方法包括：求取平均值、最大值、最小值、斜率、平均幅值以及平均瞬时峰值速率。

进一步的，如前述的精神压力监测方法，所述根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值，包括：

抓取所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号中的所有尖峰，并确定每个尖峰对应的幅值；

根据所述每个尖峰对应的幅值确定所述被试对象的基线期、认知任务期及恢复期的所有特征值。

进一步的，如前述的精神压力监测方法，所述根据所述非相关特征值对分类器进行训练，包括：

将所有的所述非相关特征值进行组合，得到一个或多个非相关特征值组；

通过所有所述非相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

进一步的，如前述的精神压力监测方法，所述得到最终模型，包括：

对各个所述分类器通过不同的所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。

进一步的，如前述的精神压力监测方法，在所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值之后，还包括：

将所述认知任务期及恢复期的人体压力生理信号进行归一化处理，计算并得到相关特征值。

进一步的，如前述的精神压力监测方法，所述将所述认知任务期及恢复期的人体压力生理信号进行归一化处理，计算并得到相关特征值，包括：

得到所述基线期人体压力生理信号的平均值；

将所述认知任务期与所述恢复期的所有非相关特征值减去所述基线期人体压力生理信号的平均值，得到与每个所述非相关特征值对应的剩余特征值；

在所有所述剩余特征值中，得到所有数值为正数的所述剩余特征值；

将所述数值为正数的所述剩余特征值定义为相关特征值。

进一步的，如前述的精神压力监测方法，所述根据所述非相关特征值对分类器进行训练之后，还包括：

根据所述相关特征值对分类器进行训练。

进一步的，如前述的精神压力监测方法，所述根据所述相关特征值对分类器进行训练，包括：

将所有的所述相关特征值进行组合，得到一个或多个相关特征值组；

通过所有所述相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

进一步的，如前述的精神压力监测方法，所述得到最终模型，包括：

对各个分类器通过不同的所述相关特征值组及所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。

在本申请实施例中，采用获取人体人体压力生理信号的方式，通过获取被试对象的基线期、认知任务期以及恢复期的人体压力生理信号；分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值；所述被试对象的基线期、认知任务期及恢复期分别具有多个非相关特征值；根据所述非相关特征值对分类器进行训练，得到准确率最高的最终模型；通过所述最终模型对监测对象的人体压力生理信号进行识别，判断所述监测对象是否存在精神压力。达到了判断监测对象是否存在精神压力的目的，进而解决了医生无法准确得知患者精神状态进而给出准确治疗方案的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本发明一种实施例的方法流程示意图；以及

图2是根据本发明又一种实施例的方法流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本发明提供一种精神压力监测方法，该方法包括如下的步骤S1至步骤S4：

S1.获取被试对象的基线期、认知任务期以及恢复期的人体压力生理信号；所述基线期为所述被试对象未接收认知任务时的无压力感知的时间段；所述认知任务期为所述被试对象在进行认知任务时的处于压力感知的时间段；所述恢复期为所述被试对象在结束执行认知任务后从压力感知恢复到无压力感知的时间段；在本发明中通过EDA传感器测量所述被试对象的人体压力生理信号；在获取所述人体压力生理信号后，先对所述人体压力生理信号进行平滑滤波处理，除去信号中的噪声；

S2.分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值；所述被试对象的基线期、认知任务期及恢复期分别具有多个非相关特征值；

S3.根据所述非相关特征值对分类器进行训练，得到准确率最高的最终模型；

S4.通过所述最终模型对监测对象的人体压力生理信号进行识别，判断所述监测对象是否存在精神压力。

在一些实施例中，如前述的精神压力监测方法，所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值，包括：

根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值；

分别对所述基线期、认知任务期及恢复期的特征值进行数据处理，得到非相关特征值；所述数据处理的方法包括：求取平均值、最大值、最小值、斜率、平均幅值以及平均瞬时峰值速率。具体的，求取的数值如下所示：

1)均值、方差、最大和最小EDA水平；

2)EDA的一阶和二阶导数值(用线性回归计算)；

3)平均EDA峰高；

4)在峰/min中表示EDA瞬时峰值速率，所述瞬时峰值速率的计算方法为：计算相邻的两个峰值之间的时间t，以作为所述瞬时峰值速率；

5)得到分位数阈值分别为25％、50％、75％、85％和95％的EDA峰值高度与瞬时峰值速率。

因此，针对基线期、认知任务期及恢复期，分别能够得到16个非相关特征值，一共能够获得48个非相关特征值。

在一些实施例中，如前述的精神压力监测方法，所述根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值，包括：

抓取所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号中的所有尖峰，并确定每个尖峰对应的幅值；具体的，由于标准的EDA特征值仅用于定义SCRs(特定的人体压力生理信号)，但是由于皮肤在未受到外界刺激时也会存在人体压力生理信号的非特异性波动，即NS.SCRs；而且SCRs和NS.SCRs是无法进行区分的。因为上述原因，且相关技术中极少通过EDA分析贴近生活的压力情景，因此需要对通过EDA测得的数据进行有效特征值的筛选。而现有技术中无法对其进行有效区分及筛选，因此，此处通过抓取所述人体压力生理信号中的所有尖峰从而获取有意义的特征值。

根据所述每个尖峰对应的幅值确定所述被试对象的基线期、认知任务期及恢复期的所有特征值。

在一些实施例中，如前述的精神压力监测方法，所述根据所述非相关特征值对分类器进行训练，包括：

将所有的所述非相关特征值进行组合，得到一个或多个非相关特征值组；

通过所有所述非相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。具体的，所述SVM分类器还可以包括：SVM与线性、二次、多项式和径向基函数核分类器。

具体的，通过“留一交叉验证”用于验证性能指标的准确性。这意味着，将所有样本的数据都用于训练上述分类器得到对应模型，但是留下一个样本，用于通过所述留下的样本的数据对所述模型的进行测试准确率。对所有受试者的样本重复此过程，通过将测试正确的次数除以测试总数来计算准确度。由于某些特征值是具有相关性的，因此还可通过包装器方法进行特征值选择。由于每个阶段(基线期、认知任务期及恢复期)都有16个非相关特征值和16个相关特征值，分别对非相关特征值和相关特征值进行组合，并通过计算获取并得到最佳的特征值组合，每个所述特征值组合中都为非相关特征值或相关特征值。然后针对每个特征值组合对每个分类器进行训练从而对所有的特征值组合的准确度进行判断，得到每个分类器对应的最佳的精度的特征值组合。

在一些实施例中，如前述的精神压力监测方法，所述得到最终模型，包括：

对各个所述分类器通过不同的所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

由于每个阶段(基线期、认知任务期及恢复期)都有16个非相关特征值，分别对非相关特征值进行组合，并通过计算获取并得到最佳的特征值组合，每个所述特征值组合中都为非相关特征值。然后针对每个特征值组合对每个分类器进行训练从而对所有的特征值组合的准确度进行判断，得到每个分类器对应的最佳的精度的特征值组合；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。

如图2所示，在一些实施例中，如前述的精神压力监测方法，在所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值时，还包括：

将所述认知任务期及恢复期的人体压力生理信号与所述基线期人体压力生理信号相关联，进行计算并得到相关特征值。

在一些实施例中，如前述的精神压力监测方法，所述将所述认知任务期及恢复期的人体压力生理信号与所述基线期人体压力生理信号相关联，进行计算并得到相关特征值，包括：

得到所述基线期人体压力生理信号的平均值；

将所述认知任务期与所述恢复期的所有非相关特征值减去所述基线期人体压力生理信号的平均值，得到与每个所述非相关特征值对应的剩余特征值；

在所有所述剩余特征值中，得到所有数值为正数的所述剩余特征值；

将所述数值为正数的所述剩余特征值定义为相关特征值。

在一些实施例中，如前述的精神压力监测方法，所述根据所述非相关特征值对分类器进行训练之后，还包括：

根据所述相关特征值对分类器进行训练。

在一些实施例中，如前述的精神压力监测方法，所述根据所述相关特征值对分类器进行训练，包括：

将所有的所述相关特征值进行组合，得到一个或多个相关特征值组；

由于每个阶段(基线期、认知任务期及恢复期)都有16个相关特征值，对相关特征值进行组合，并通过计算获取并得到最佳的特征值组合，每个所述特征值组合中都为相关特征值。然后针对每个特征值组合对每个分类器进行训练从而对所有的特征值组合的准确度进行判断，得到每个分类器对应的最佳的精度的特征值组合。

通过所有所述相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

在一些实施例中，如前述的精神压力监测方法，所述得到最终模型，包括：

对各个分类器通过不同的所述相关特征值组及所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种精神压力监测方法，其特征在于，包括：

获取被试对象的基线期、认知任务期以及恢复期的人体压力生理信号；所述基线期为所述被试对象未接收认知任务时的无压力感知的时间段；所述认知任务期为所述被试对象在进行认知任务时的处于压力感知的时间段；所述恢复期为所述被试对象在结束执行认知任务后从压力感知恢复到无压力感知的时间段；

分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值；所述被试对象的基线期、认知任务期及恢复期分别具有多个非相关特征值；

根据所述非相关特征值对分类器进行训练，得到准确率最高的最终模型；

通过所述最终模型对监测对象的人体压力生理信号进行识别，判断所述监测对象是否存在精神压力。

2.根据权利要求1所述的精神压力监测方法，其特征在于，所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值，包括：

根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值；

分别对所述基线期、认知任务期及恢复期的特征值进行数据处理，得到非相关特征值；所述数据处理的方法包括：求取平均值、最大值、最小值、斜率、平均幅值以及平均瞬时峰值速率。

3.根据权利要求1所述的精神压力监测方法，其特征在于，所述根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值，包括：

抓取所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号中的所有尖峰，并确定每个尖峰对应的幅值；

根据所述每个尖峰对应的幅值确定所述被试对象的基线期、认知任务期及恢复期的所有特征值。

4.根据权利要求1所述的精神压力监测方法，其特征在于，所述根据所述非相关特征值对分类器进行训练，包括：

将所有的所述非相关特征值进行组合，得到一个或多个非相关特征值组；

通过所有所述非相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

5.根据权利要求4所述的精神压力监测方法，其特征在于，所述得到最终模型，包括：

对各个所述分类器通过不同的所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。

6.根据权利要求1所述的精神压力监测方法，其特征在于，在所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值时，还包括：

将所述认知任务期及恢复期的人体压力生理信号进行归一化处理，计算并得到相关特征值。

7.根据权利要求6所述的精神压力监测方法，其特征在于，所述将所述认知任务期及恢复期的人体压力生理信号进行归一化处理，计算并得到相关特征值，包括：

得到所述基线期人体压力生理信号的平均值；

将所述认知任务期与所述恢复期的所有非相关特征值减去所述基线期人体压力生理信号的平均值，得到与每个所述非相关特征值对应的剩余特征值；

在所有所述剩余特征值中，得到所有数值为正数的所述剩余特征值；

将所述数值为正数的所述剩余特征值定义为相关特征值。

8.根据权利要求6所述的精神压力监测方法，其特征在于，所述根据所述非相关特征值对分类器进行训练时，还包括：

根据所述相关特征值对分类器进行训练。

9.根据权利要求8所述的精神压力监测方法，其特征在于，所述根据所述相关特征值对分类器进行训练，包括：

将所有的所述相关特征值进行组合，得到一个或多个相关特征值组；

通过所有所述相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

10.根据权利要求9所述的精神压力监测方法，其特征在于，所述得到最终模型，包括：

对各个分类器通过不同的所述相关特征值组及所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。