CN111150410B - 基于心电信号与肌电信号融合的心理压力评测方法 - Google Patents
基于心电信号与肌电信号融合的心理压力评测方法 Download PDFInfo
- Publication number
- CN111150410B CN111150410B CN202010053285.0A CN202010053285A CN111150410B CN 111150410 B CN111150410 B CN 111150410B CN 202010053285 A CN202010053285 A CN 202010053285A CN 111150410 B CN111150410 B CN 111150410B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- electrocardiosignals
- physiological parameters
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
一种基于心电信号与肌电信号融合的心理压力评测方法,属于心理压力分析技术领域。本发明针对现有心理压力评测更强调参试者的主观性,而无法用生理或行为特征从客观上体现被试个体的压力状态的问题。包括:获得心电生理参数和肌电生理参数;获得心电生理参数和肌电生理参数的所有待识别特征;通过随机森林特征重要性度量方法算法对所有待识别特征进行融合,并在压力识别模型中分配权重,获得压力识别最终模型;采集待测试者的心电信号和表面肌电信号并进行处理,获得待测试者的待测试特征;将待测试者的待测试特征输入压力识别最终模型,获得待测试者的当前心理压力等级。本发明用于测试受试者的心理压力状态。
Description
技术领域
本发明涉及基于心电信号与肌电信号融合的心理压力评测方法,属于心理压力分析技术领域。
背景技术
现代社会中,不同人群体常面对多方面的压力,大部分心理受压人群常感到心理压力测试表与自己的实际情况并不十分贴合;并且,多数受压人群在压力过大时通常没有时间求助专业的心理辅导机构。对于心理压力高危人群,其在职群体及时有效地调试紧张疲劳的心理,避免身心的过度劳累是保障身心健康的重要因素。在压力严重时,单凭个人的力量难以排解,就更应该积极寻求外部的理解和帮助,例如向家人、知己倾诉,或者寻求心理咨询机构的治疗,参加有关心理学的培训和学习。
适当的心理压力对人体并无危害,但过大的心理压力则会带来一系列的负面影响;慢性心理压力还会引发一系列生理、病理风险,如心脑血管疾病、抑郁症及精神紊乱等。如果能在形成慢性心理压力前对心理状态进行准确的识别评测,会为这一类人群带来很大便利。心理压力的自动识别,可以帮助我们洞察生活中可能引起心理压力的因素;同时也可以提示处于心理压力状态中的个体进行干预治疗。能够在自然状态下进行心理压力的分析将有助于研究人们的情绪化行为,同时有助于对个体心理压力等级的客观评测。
心理学领域常用于心理压力评估的方法有晤谈法、心理测验法和问卷调查法。这三种方法强调参与的主观性。如果心理压力评测可以在更加客观的条件下进行,则结果将更为准确合理,并且有利于心理压力与健康的研究。任何一种情感状态都可能会伴随几种生理或行为特征的变化;而某些生理或行为特征也可能起因于数种情感状态。因此,确定情感状态与生理或行为特征之间的对应关系是情感计算理论的一个基本前提,心理压力的自动识别技术可为情感计算提供更丰富的理论支持。
信息融合是指对多个传感器信息源采集的数据进行检测,并进行一定的自动分析和综合;经过集成和融合的多传感器信息能够更加全面和精确地反应心理压力人群的心理信号特征;将多传感器同时采集的生理信号进行信息融合,相对于单一信号识别提高了心理压力识别和准确度。随着研究的深入,面向情感心理压力评估这一复杂问题,数据采集实验设计的合理性以及采集的原始数据的有效性,成为压力识别的基础和关键。因此如何建立准确的心理压力评估方法成为目前研究的重点。目前还没有提供采用重建模型完整度的空间目标三维重建评估方法。
发明内容
针对现有心理压力评测更强调参试者的主观性,而无法用生理或行为特征从客观上体现被试个体的压力状态的问题,本发明提供一种基于心电信号与肌电信号融合的心理压力评测方法。
本发明所述的一种基于心电信号与肌电信号融合的心理压力评测方法,包括:
采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理,获得心电生理参数和肌电生理参数;
对心电生理参数和肌电生理参数分别基于小波分解进行特征提取,获得心电生理参数和肌电生理参数的所有待识别特征,包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征;
通过随机森林特征重要性度量方法算法对所有待识别特征进行融合,并在压力识别模型中分配权重,获得压力识别最终模型;所述压力识别最终模型预设置与待识别特征对应的心理压力等级;
采集待测试者的心电信号和表面肌电信号并进行处理,获得待测试者的待测试特征:包括心电生理参数的时域特征、频域特征和非线性特征,肌电生理参数的时域特征和频域特征;
将待测试者的待测试特征输入压力识别最终模型,获得待测试者的当前心理压力等级。
根据本发明所述的基于心电信号与肌电信号融合的心理压力评测方法,所述预处理包括:
对心电信号和表面肌电信号进行去噪和滤波,所述去噪包括基线漂移矫正,滤波包括工频干扰抑制。
根据本发明所述的基于心电信号与肌电信号融合的心理压力评测方法,心电生理参数的待识别特征包括:心电信号的P波、QRS波、T波;心电信号的R波检测和心率值;RR间期的均值、标准差、方差、最值和最值之差;心电信号的HRV时域指标:SDNN、RMSSD、pNN50、变异系数;HRV频域指标:HRV高频峰、低频峰、极低频峰和LF/HF;HRV的非线性特征:Poincare散点图、VAI及VLI。
肌电生理参数的待识别特征包括:时域统计特征:均值、积分肌电值、幅值的过零次数、均方根、方差、最值和最值之差;以所述时域统计特征求取一阶导数和二阶导数,再分别求取统计值;
频域分析指标:峰值频率、平均功率频率和中值频率;
采用的时频分析方法包括短时FFT变换及维格纳分布。
根据本发明所述的基于心电信号与肌电信号融合的心理压力评测方法,心电生理参数的待识别特征中,所述SDNN为:
式中SDNN表示正常窦性心搏单项的标准差,N为采集样本中正常心搏的总数,RRi表示第i个RR间期,meanRR表示第N个心搏的RR间期的平均值;
所述RMSSD为:
式中RMSSD表示相邻R-R间期差值的均方根;
所述pNN50为:
式中pNN50表示采样信号中相邻RR间期差值大于50ms的个数占所有R-R间期个数的百分比,NN50表示采样信号中相邻R-R间期的差值大于50ms的个数,NN表示RR间期总数。
式中N1表示待分析的信号长度,Xn表示肌电信号的第n个样本;
均方根XRMS为:
幅值的过零次数XZC为:
方差XVAR为:
中值频率MF为:
式中PSD(f)为表面肌电信号功率谱密度函数。
根据本发明所述的基于心电信号与肌电信号融合的心理压力评测方法,设定受试志愿者心电信号和表面肌电信号的数据集样本数为A,特征维数为k,用p1,p2,…,pk表示其特征,z表示类别,特征pj的值域为Vj,z的值域为Vz;j=1,2,3,……,k;
特征pj与类别z之间的互信息I(pj,z)为:
式中q(vj,vz)表示特征pj的取值为vj且类别z的取值为vz的概率,q(vj)表示特征pj的取值为vj的概率,q(vz)表示类别z的取值为vz的概率;
计算每个特征与类别的互信息后,按互信息从大到小的顺序对特征排序;然后对数据集分组,定义特征分组的标准Q为:
式中SG表示表示类别z与特征pj的熵,RG表示特征pj与特征pk之间的熵,G表示一个特征组,pj,pk为G内的特征,I(pj,pk)为特征pj与特征pk之间的互信息I(pj,pk):
其中q(vj,vk)表示特征pj的取值为vj,且特征pk的取值为概率vk;I(pj,pk)的值越大,表示特征pj和特征pk越相似;Q值越大,表示该特征组中的特征与类别的关联度越大,特征组内特征之间的冗余度越小;
判断变量H为:
利用变量H最终判断特征之间的关联度与特征之间的相似度,并按照从大到小的顺序对H进行排序,进行特征选择;
经过特征选择后,由心电信号中提取时域特征:pNN50、RMSSD与SDNN,频域特征:LF/HF和LF,非线性特征:SD1/SD2;由表面肌电信号提取频域特征:中值频率;然后进行特征融合。
根据本发明所述的基于心电信号与肌电信号融合的心理压力评测方法,采用基于蒙特卡洛近似法改进的Dempster-Shafer证据理论的特征融合方法:
按照H值由大到小依次选择7种特征形成特征集Gθ:
式中B表示心电信号与肌电信号的所有特征,n表示利用D-S证据理论进行融合的7个特征表示,θ表示特征集中的特征;
式中m(θn)表示前k个特征被平均分配的权重,m(B)表示分配特征B的基本概率,设定m(B)的特征权重WB(0)为:
其中p表示两个特征之间的相似度,p=0.5,经过蒙特卡洛近似法计算后,特征权重需要重新分配:
由此实现了压力识别模型中的权重分配。
本发明的有益效果:本发明首先采集受压人群的心电、表面肌电两种生理信号;通过小波变换等方式提取两种生理信号的特征,并对提取的特征进行筛选;基于统计学概率,获得相关的融合函数,对测试者的压力状态进行分级。本发明通过生理参数信号采集、预处理、特征提取和融合,进行心理压力判断。相对于单一生理参数的压力识别,本发明能够更全面地描述压力特征,更加精准地判别心理压力人群的受压情况。
本发明采集参试者的生理信号进行压力评测,确保了测试结果的客观性,有利于测试者及时的了解自己的心理压力状态,从而指导受试者采取积极的措施进行应对。
附图说明
图1是本发明所述基于心电信号与肌电信号融合的心理压力评测方法的示例性流程图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一、结合图1所示,本发明提供了一种基于心电信号与肌电信号融合的心理压力评测方法,包括:
采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理,获得心电生理参数和肌电生理参数;
对心电生理参数和肌电生理参数分别基于小波分解进行特征提取,获得心电生理参数和肌电生理参数的所有待识别特征,包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征;
通过随机森林特征重要性度量方法算法对所有待识别特征进行融合,并在压力识别模型中分配权重,获得压力识别最终模型;所述压力识别最终模型预设置与待识别特征对应的心理压力等级;
采集待测试者的心电信号和表面肌电信号并进行处理,获得待测试者的待测试特征:包括心电生理参数的时域特征、频域特征和非线性特征,肌电生理参数的时域特征和频域特征;
将待测试者的待测试特征输入压力识别最终模型,获得待测试者的当前心理压力等级。
为了改进现有的心理压力测试方法,提高压力评测的自主性和实时性,本实施方式将基于心电与肌电信号获得的两种生理参数进行融合。
作为示例,所述预处理包括:
对心电信号和表面肌电信号进行去噪和滤波,所述去噪包括基线漂移矫正,滤波包括工频干扰抑制。
进一步,心电生理参数的待识别特征包括:心电信号的P波、QRS波、T波,心电信号的R波检测和心率值,RR间期的均值、标准差、方差、最值和最值之差,心电信号的HRV时域指标:SDNN、RMSSD、pNN50、变异系数,HRV频域指标:HRV高频峰(HF),低频峰(LF),极低频峰(VLF),LF/HF等,HRV的非线性特征:Poincare散点图、VAI、VLI等;
肌电生理参数的待识别特征包括:时域统计特征:均值、积分肌电值(iEMG)、幅值的过零次数(ZC),均方根(RMS),方差(VAR)、最值和最值之差;以所述时域统计特征求取一阶导数和二阶导数,再分别求取统计值;
肌电的频域分析指标:峰值频率、平均功率频率(MPF)和中值频率(MF);
肌电信号的时频分析方法包括短时FFT变换、维格纳分布等。
所述受试志愿者选择日常生活中压力较大的程序员和研究生、博士生群体,其中X名男性,X名女性,均处于工作和学习生活中的较强压力环境下,通过填写心理压力测试表,初步确定心理压力的程度。
为了诱发明显的压力情绪,实验将持续超过10min,依次采用不同的压力刺激源,避免因采用单一的刺激源而产生的个体差异。5种压力刺激源的选取是根据索尔福德大学的调研结果,选择了排名前5的噪音源:麦克风发出的共鸣回音、几个孩子在一起的哭声、火车轮与铁轨的摩擦声、单个孩子的哭声及电流的嗡鸣声。5种声音依次播放作为连续10min的压力诱发源,每种压力源的播放持续时间均设定为2min,每次测试的时间应定为中午12点,此时人体的各项生理活动均处于峰值。
采用葡萄牙PLUX wireless biosignals公司的BITalino设备同时采集受试志愿者的心电信号和表面肌电信号。采集数据时,保证受测试者所处的环境相对安静,减小噪声干扰,且不宜有较大的肢体动作。测量方式:心电信号(ECG),采用3个贴片式电极;肌电信号(EMG),采用3个贴片式电极。
实验前先让受试志愿者静坐几分钟,放松平静下来,通过连接电脑,实时显示两项生理信号是否稳定,生理参数的特征明显。与此同时,向受试志愿者询问一些问题,例如个人信息,近期生活情况等;通过主动与受试志愿者沟通,缓解其紧张情绪和消除好奇心理。
在实验之后首先要对所采集的心电信号进行基线漂移矫正,采用Savitzky-Golay方法对心电信号进行平滑滤波,对信号中的每一个数据点的一个邻域内各点的数据,用一元七次多项式进行拟合,以实现去除基线漂移;再利用平滑滤波器,滤除心电信号中的50Hz工频干扰,平滑滤波器的优点在于对于QRS波群的噪声进行衰减,再通过快速傅里叶变换,使心电信号的频域特征更加明显。
心电信号特征提取:检测心电信号P波、QRS波群、PR间期、T波、QT间期、ST间期;在得到心电信号的几种特征进行识别后,再进行生理参数的分析和提取,最重要的是在得到心电信号的RR间期后,才能对心电信号进行HRV特征分析。
再进一步,心电生理参数的待识别特征中,所述SDNN为:
式中SDNN表示正常窦性心搏单项的标准差,反应全部RR间期的总体平均值的标准差;N为采集样本中正常心搏的总数,RRi表示第i个RR间期,meanRR表示第N个心搏的RR间期的平均值;
所述RMSSD为:
式中RMSSD表示相邻R-R间期差值的均方根,单位为ms;
所述pNN50为:
式中pNN50表示采样信号中相邻RR间期差值大于50ms的个数占所有R-R间期个数的百分比,NN50表示采样信号中相邻R-R间期的差值大于50ms的个数,NN表示RR间期总数。
相邻RR间期差值的标准差SDSD为:
RRi,RRi+1为相邻两个窦性心动周期的长度。
心电信号HRV频域特征:
HRV功率谱主要可以划分为以下三种类型的频谱成分:极低频功率(VLF,Very LowFrequency)、低频功率(LF,Low Frequency)及高频功率(HF,High Frequency),以上三种频谱成分的起伏反映了交感神经与副交感神经的活性变化,当交感神经活性被阻断时,HRV功率谱中低频成分明显降低:当副交感神经活性被阻断时,HRV谱中高频成分则显著降低。HRV功率谱成分及特点如表1所示。
表1
心电信号的非线性特征:利用Poincare散点图反映受压人群的心理压力状态,Poincare图中的散点会随着压力等级的升高而呈现集中态势,Poincare散点图常用的定量分析法为椭圆填充法,设椭圆长轴方向垂直的散点离散宽度为SD1,散点图上沿xy坐标轴间45°直线方向的散点离散长度SD2,SD1和SD2分别描述了相邻RR间期的差异,以及RR间期序列总的变化情况。在一定程度上,代表了心率的瞬时变化和心率总体变异程度。SD1与SD2的具体计算公式如下,设N1为RR间期序列的长度,为RR间期的序列均值,则:
表面肌电信号的特征提取:提取表面肌电信号的时域统计特征包括:均值、绝对值积分平均值(IAV)、过零次数(ZC)、均方根(RMS)和方差(VAR),并进行归一化处理;肌电的频域分析指标:峰值频率、平均功率频率(MPF)和中值频率(MF),且中值频率对于心理状态变化敏感,抗噪声和信号混叠能力强,将其作为肌电信号频域特征的参数。
以下是提取肌电特征的几个主要公式,下面是对信号的归一化处理及统计特征的提取公式。
式中N1表示待分析的信号长度,Xn表示肌电信号的第n个样本;
标准差:
绝对值积分平均值(IAV):
均方根XRMS为:
幅值的过零次数(ZC)XZC为:
方差(VAR)XVAR为:
中值频率MF为:
式中PSD(f)为表面肌电信号功率谱密度函数。
为降低心电信号与肌电信号特征的冗余性,提高心理压力的评测速度,需要对心电信号与肌电信号的以上特征进行特征选择,经过特征选择后的信号特征再送入压力识别算法进行特征融合和分类训练,获得心理压力的评测结果。
基于互信息的特征选择方法:设定受试志愿者心电信号和表面肌电信号的数据集样本数为A,特征维数为k,用p1,p2,…,pk表示其特征,z表示类别,特征pj的值域为Vj,z的值域为Vz;j=1,2,3,……,k;
特征pj与类别z之间的互信息I(pj,z)为:
式中q(vj,vz)表示特征pj的取值为vj且类别z的取值为vz的概率,q(vj)表示特征pj的取值为vj的概率,q(vz)表示类别z的取值为vz的概率;I(pj,z)的值越大,表示特征pj与类别z的关联度越大。
其中所述数据集可以利用前期填写的压力测试表进行特征集的量化与构建;然后通过互信息的Q值进行特征的选择,将特征的数量从20种减小到7种
计算每个特征与类别的互信息后,按互信息从大到小的顺序对特征排序;然后对数据集分组,定义特征分组的标准Q为:
式中SG表示类别z与特征pj的熵,RG表示特征pj与特征pk之间的熵,G表示一个特征组,pj,pk为G内的特征,I(pj,pk)为特征pj与特征pk之间的互信息I(pj,pk):
其中q(vj,vk)表示特征pj的取值为vj,且特征pk的取值为概率vk;I(pj,pk)的值越大,表示特征pj和特征pk越相似;Q值越大,表示该特征组中的特征与类别的关联度越大,特征组内特征之间的冗余度越小;
判断变量H为:
利用变量H最终判断特征之间的关联度与特征之间的相似度,并按照从大到小的顺序对H进行排序,进行特征选择;
经过特征选择后,由心电信号中提取时域特征:pNN50、RMSSD与SDNN,频域特征:LF/HF和LF,非线性特征:SD1/SD2;由表面肌电信号提取频域特征:中值频率;然后进行特征融合。
再进一步,采用基于蒙特卡洛近似法改进的Dempster-Shafer证据理论的特征融合方法:
按照H值由大到小依次选择7种特征形成特征集Gθ:
式中B表示心电信号与肌电信号的所有特征,n表示利用D-S证据理论进行融合的7个特征表示,θ表示特征集中的特征;
式中m(θn)表示前k个特征被平均分配的权重,m(B)表示分配特征B的基本概率,设定m(B)的特征权重WB(0)为:
其中p表示两个特征之间的相似度,p=0.5,经过蒙特卡洛近似法计算后,特征权重需要重新分配:
由此实现了压力识别模型中的权重分配。
经过融合后,特征有了权重分配,在进行心理压力评测时结果更为准确。
受测试者一直处于受压状态,采用精密装置获取高精度信号数据,获得的数据具有明显的生理特性,且采用基于两种传感器的生理信号并融合用于评测心理压力情况相对于简单的单一信号更具有优势和高准确度。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (3)
1.一种基于心电信号与肌电信号融合的心理压力评测方法,其特征在于包括:
采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理,获得心电生理参数和肌电生理参数;
对心电生理参数和肌电生理参数分别基于小波分解进行特征提取,获得心电生理参数和肌电生理参数的所有待识别特征,包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征;
通过随机森林特征重要性度量方法算法对所有待识别特征进行融合,并在压力识别模型中分配权重,获得压力识别最终模型;所述压力识别最终模型预设置与待识别特征对应的心理压力等级;
采集待测试者的心电信号和表面肌电信号并进行处理,获得待测试者的待测试特征:包括心电生理参数的时域特征、频域特征和非线性特征,肌电生理参数的时域特征和频域特征;
将待测试者的待测试特征输入压力识别最终模型,获得待测试者的当前心理压力等级;
设定受试志愿者心电信号和表面肌电信号的数据集样本数为A,特征维数为k,用p1,p2,…,pk表示其特征,z表示类别,特征pj的值域为Vj,z的值域为Vz;j=1,2,3,……,k;
特征pj与类别z之间的互信息I(pj,z)为:
式中q(vj,vz)表示特征pj的取值为vj且类别z的取值为vz的概率,q(vj)表示特征pj的取值为vj的概率,q(vz)表示类别z的取值为vz的概率;
计算每个特征与类别的互信息后,按互信息从大到小的顺序对特征排序;然后对数据集分组,定义特征分组的标准Q为:
式中SG表示类别z与特征pj的熵,RG表示特征pj与特征pk之间的熵,G表示一个特征组,pj,pk为G内的特征,I(pj,pk)为特征pj与特征pk之间的互信息I(pj,pk):
其中q(vj,vk)表示特征pj的取值为vj,且特征pk的取值为概率vk;I(pj,pk)的值越大,表示特征pj和特征pk越相似;Q值越大,表示该特征组中的特征与类别的关联度越大,特征组内特征之间的冗余度越小;
判断变量H为:
利用变量H最终判断特征之间的关联度与特征之间的相似度,并按照从大到小的顺序对H进行排序,进行特征选择;
经过特征选择后,由心电信号中提取时域特征:pNN50、RMSSD与SDNN,频域特征:LF/HF和LF,非线性特征:SD1/SD2;由表面肌电信号提取频域特征:中值频率;然后进行特征融合;
采用基于蒙特卡洛近似法改进的Dempster-Shafer证据理论的特征融合方法:
按照H值由大到小依次选择7种特征形成特征集Gθ:
式中B表示心电信号与肌电信号的所有特征,n表示利用D-S证据理论进行融合的7个特征表示,θ表示特征集中的特征;
式中m(θn)表示前k个特征被平均分配的权重,m(B)表示分配特征B的基本概率,
设定m(B)的特征权重WB(0)为:
其中p表示两个特征之间的相似度,p=0.5,经过蒙特卡洛近似法计算后,特征权重需要重新分配:
其中WBk(k)表示第k个特征的被重新分配的权重,Nk为蒙特卡洛计算的次数;
由此实现了压力识别模型中的权重分配;
所述预处理包括:
对心电信号和表面肌电信号进行去噪和滤波,所述去噪包括基线漂移矫正,滤波包括工频干扰抑制;
心电生理参数的待识别特征包括:心电信号的P波、QRS波、T波;心电信号的R波检测和心率值;RR间期的均值、标准差、方差、最值和最值之差;心电信号的HRV时域指标:SDNN、RMSSD、pNN50、变异系数;HRV频域指标:HRV高频峰、低频峰、极低频峰和LF/HF;HRV的非线性特征:Poincare散点图、VAI及VLI;
肌电生理参数的待识别特征包括:时域统计特征:均值、积分肌电值、幅值的过零次数、均方根、方差、最值和最值之差;以所述时域统计特征求取一阶导数和二阶导数,再分别求取统计值;
频域分析指标:峰值频率、平均功率频率和中值频率;
采用的时频分析方法包括短时FFT变换及维格纳分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053285.0A CN111150410B (zh) | 2020-01-17 | 2020-01-17 | 基于心电信号与肌电信号融合的心理压力评测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053285.0A CN111150410B (zh) | 2020-01-17 | 2020-01-17 | 基于心电信号与肌电信号融合的心理压力评测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111150410A CN111150410A (zh) | 2020-05-15 |
CN111150410B true CN111150410B (zh) | 2022-11-11 |
Family
ID=70563725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053285.0A Active CN111150410B (zh) | 2020-01-17 | 2020-01-17 | 基于心电信号与肌电信号融合的心理压力评测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111150410B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111714118B (zh) * | 2020-06-08 | 2023-07-18 | 北京航天自动控制研究所 | 一种基于集成学习的脑认知模型融合方法 |
CN113261974A (zh) * | 2021-06-07 | 2021-08-17 | 吉林大学 | 一种基于多生理信号的运动疲劳监测方法 |
CN114617555A (zh) * | 2022-03-16 | 2022-06-14 | 山东大学 | 基于生理特征稳定性检测的心理评估系统、介质及设备 |
CN115192040B (zh) * | 2022-07-18 | 2023-08-11 | 天津大学 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103758742A (zh) * | 2014-01-17 | 2014-04-30 | 东华大学 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
CN105681339A (zh) * | 2016-03-07 | 2016-06-15 | 重庆邮电大学 | 一种融合粗糙集与ds证据理论的增量式入侵检测方法 |
CN107280694A (zh) * | 2017-07-18 | 2017-10-24 | 燕山大学 | 一种基于多源信息融合的疲劳检测方法 |
CN108509040A (zh) * | 2018-03-28 | 2018-09-07 | 哈尔滨工业大学深圳研究生院 | 基于多维信号处理和自适应学习的混合脑机接口系统 |
CN110061789A (zh) * | 2019-05-06 | 2019-07-26 | 哈尔滨工业大学 | 灰色关联分析与改进ds推理的电子设备故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584872B (zh) * | 2013-10-29 | 2015-03-25 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN103926536A (zh) * | 2014-03-07 | 2014-07-16 | 南京航空航天大学 | 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法 |
US9672418B2 (en) * | 2015-02-06 | 2017-06-06 | King Fahd University Of Petroleum And Minerals | Arabic sign language recognition using multi-sensor data fusion |
CN105147248B (zh) * | 2015-07-30 | 2019-02-05 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
FR3083346B1 (fr) * | 2018-07-02 | 2020-07-10 | Airbus Operations | Procede et dispositif de surveillance de la capacite d'un membre d'equipage d'un aeronef |
CN110070031A (zh) * | 2019-04-18 | 2019-07-30 | 哈尔滨工程大学 | 一种基于emd和随机森林的海底底质声呐回波特征提取融合方法 |
-
2020
- 2020-01-17 CN CN202010053285.0A patent/CN111150410B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103758742A (zh) * | 2014-01-17 | 2014-04-30 | 东华大学 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
CN105681339A (zh) * | 2016-03-07 | 2016-06-15 | 重庆邮电大学 | 一种融合粗糙集与ds证据理论的增量式入侵检测方法 |
CN107280694A (zh) * | 2017-07-18 | 2017-10-24 | 燕山大学 | 一种基于多源信息融合的疲劳检测方法 |
CN108509040A (zh) * | 2018-03-28 | 2018-09-07 | 哈尔滨工业大学深圳研究生院 | 基于多维信号处理和自适应学习的混合脑机接口系统 |
CN110061789A (zh) * | 2019-05-06 | 2019-07-26 | 哈尔滨工业大学 | 灰色关联分析与改进ds推理的电子设备故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于DS数据融合与SVR-PF的锂电子电池RUL预测方法;王常虹,董汉成,凌明祥,李清华;《东北石油大学学报》;20150921;第39卷(第4期);全文 * |
基于改进DS理论的加权协作频谱检测算法;王洪奎,龚晓峰;《电子设计工程》;20181105;第26卷(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111150410A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111150410B (zh) | 基于心电信号与肌电信号融合的心理压力评测方法 | |
CN103584872B (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
Roy et al. | EMG assessment of back muscle function during cyclical lifting | |
US5361775A (en) | Method for determining muscle endurance and sensitivity to fatigue | |
Karthikeyan et al. | Analysis of stroop color word test-based human stress detection using electrocardiography and heart rate variability signals | |
EP0699413A1 (en) | Apparatus and method for analyzing information relating to physical and mental condition | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN113397546B (zh) | 基于机器学习和生理信号的情绪识别模型构建方法及系统 | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
CN111466876A (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
CN110123342B (zh) | 一种基于脑电波的网瘾检测方法及系统 | |
Jaiswal et al. | Effect of mental workload on breathing pattern and heart rate for a working memory task: A pilot study | |
CN109480872A (zh) | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 | |
CN113261981A (zh) | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 | |
CN114693170A (zh) | 一种基于多源参数融合的飞行员跳伞训练心理评估方法 | |
CN115568866A (zh) | 一种神经损伤的评价系统及其方法 | |
Jose et al. | Robust classification of intramuscular EMG signals to aid the diagnosis of neuromuscular disorders | |
Muhajir et al. | Stress level measurements using heart rate variability analysis on android based application | |
CN110956406B (zh) | 一种基于心率变异性的团队协同能力的评估方法 | |
CN116616709A (zh) | 基于非静止状态下多通道视频的工作记忆负荷评估方法 | |
Pal et al. | Feature extraction for evaluation of Muscular Atrophy | |
Calder et al. | Reliability of quantitative EMG analysis of the extensor carpi radialis muscle | |
CN115017996A (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 | |
Rakotomamonjy et al. | Automated neural network detection of wavelet preprocessed electrocardiogram late potentials | |
CN111150411B (zh) | 基于改进遗传算法的心理压力评测分级方法 |
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 |