CN111150411A - 基于改进遗传算法的心理压力评测分级方法 - Google Patents

基于改进遗传算法的心理压力评测分级方法 Download PDF

Info

Publication number
CN111150411A
CN111150411A CN202010054621.3A CN202010054621A CN111150411A CN 111150411 A CN111150411 A CN 111150411A CN 202010054621 A CN202010054621 A CN 202010054621A CN 111150411 A CN111150411 A CN 111150411A
Authority
CN
China
Prior art keywords
value
parameter
pressure
genetic algorithm
signal
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
Application number
CN202010054621.3A
Other languages
English (en)
Other versions
CN111150411B (zh
Inventor
张泽旭
乔衍迪
迟旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Dianshi Simulation Technology Co Ltd
Harbin Institute of Technology
Original Assignee
Suzhou Dianshi Simulation Technology Co Ltd
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Dianshi Simulation Technology Co Ltd, Harbin Institute of Technology filed Critical Suzhou Dianshi Simulation Technology Co Ltd
Priority to CN202010054621.3A priority Critical patent/CN111150411B/zh
Publication of CN111150411A publication Critical patent/CN111150411A/zh
Application granted granted Critical
Publication of CN111150411B publication Critical patent/CN111150411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—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

一种基于改进遗传算法的心理压力评测分级方法，属于心理压力分析技术领域。本发明针对现有心理压力分级方法对不同的受压群体的敏感度不同，通用性差的问题。包括：采集受试者的心电信号和皮肤电阻信号，对心电信号进行去噪滤波后获得待识别心电信号，再进行特征提取获得心电参数特征；同时对皮肤电阻信号进行去噪滤波后获得待识别皮肤电阻信号，再进行特征提取获得皮肤参数特征；对心电参数特征和皮肤参数特征进行选择，获得压力评测特征；基于改进遗传算法对压力评测特征进行权重分配，并与PSTR压力表进行映射，实现对受试者受压状态的压力分级。本发明方法用于心理压力分析。

Description

基于改进遗传算法的心理压力评测分级方法
技术领域
本发明涉及基于改进遗传算法的心理压力评测分级方法，属于心理压力分析技术领域。
背景技术
德国心理学家穆瑞在1968年提出了心理压力因素理论，以此为基础，瑞士心理学家爱德沃兹于1983年编制了PSTR(心理压力)量表。由于适度的心理压力有助于提高工作效率，而过度的心理压力会使得工作效果适得其反，严重的甚至影响身体健康，因此关注并分析相应人群的心理压力情况，有助于及时的采取措施进行调整，进而改善工作状态。
在对心理压力进行评测分级时，压力作为研究的主导变量，很难直接进行定量描述，因此心理学家设计了PSTR量表。将受试者对PSTR量表的作答结果作为辅助变量，可以与主导变量建立反应模型，再运用遗传学、支持向量机方法等建模方法，可以将主观的PSTR压力量表转化成客观的压力软评测。
现有压力评测与分级模型通常基于神经网络与支持向量机方法建立，这种模型受多项条件的制约，使得对于不同的受压群体，模型精度会受到很大的影响。
发明内容
针对现有心理压力分级方法对不同的受压群体的敏感度不同，通用性差的问题，本发明提供一种基于改进遗传算法的心理压力评测分级方法。
本发明所述一种基于改进遗传算法的心理压力评测分级方法，包括以下步骤：
步骤一：采集受试者的心电信号和皮肤电阻信号，对心电信号进行去噪滤波后获得待识别心电信号，再进行特征提取获得心电参数特征；同时对皮肤电阻信号进行去噪滤波后获得待识别皮肤电阻信号，再进行特征提取获得皮肤参数特征；
步骤二：对心电参数特征和皮肤参数特征进行选择，获得压力评测特征；
步骤三：基于改进遗传算法对压力评测特征进行权重分配，并与PSTR压力表进行映射，实现对受试者受压状态的压力分级。
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述步骤一中，心电参数特征包括心电信号时域特征、心电信号频域特征及心电信号非线性特征；皮肤参数特征包括皮肤电阻信号时域特征及皮肤电阻信号频域特征。
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述心电信号和皮肤电阻信号的去噪滤波包括：首先进行基线漂移矫正，采用LOWESS方法进行平滑滤波，对信号中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，实现去除基线漂移；再利用陷波滤波器，滤除信号中的50Hz工频干扰。
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述心电信号时域特征中，正常窦性心搏单项的标准差SDNN为：
Figure BDA0002372382710000021
式中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；
相邻R-R间期差值的均方根RMSSD为：
Figure BDA0002372382710000022
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pNN50为：
Figure BDA0002372382710000023
式中NN为RR间期总数，NN50为采样信号中相邻R-R间期的差值大于50ms的个数；
相邻RR间期差值的标准差SDSD为：
Figure BDA0002372382710000024
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述皮肤参数特征中，均值
Figure BDA0002372382710000026
为：
Figure BDA0002372382710000025
式中Xn表示皮肤电阻信号的第n个样本；
标准差Xstd为：
Figure BDA0002372382710000031
归一化
Figure BDA0002372382710000032
为：
Figure BDA0002372382710000033
一阶差分dX为：
dX＝Xn+1-Xn，
一阶差分绝对值的均值
Figure BDA0002372382710000034
为：
Figure BDA0002372382710000035
归一化信号的一阶差分绝对值均值
Figure BDA0002372382710000036
为：
Figure BDA0002372382710000037
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述步骤三中，基于改进遗传算法对压力评测特征进行权重分配包括：
1)选择待评估的压力分级模型的压力评测特征参数；
2)对每个压力评测特征参数设定取值范围；
3)对每个压力评测特征参数在设定的取值范围内，产生N个均匀分布的独立随机数；
4)将N个独立随机数作为生理参数形成生理参数集，分别运行所述压力分级模型，并计算目标函数值；
5)比较目标函数值和给定指标值，将N个独立随机数区分为可接受值和不可接受值；
6)对每个压力评测特征参数，比较可接受值和不可接受值的分布，计算累积频率，并绘制累积频率曲线图，所述累积频率曲线图用于表示每个压力评测特征参数的敏感度大小。
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述目标函数值f(x)采用生理参数加权值与压力分级级数的误差平方和表示：
Figure BDA0002372382710000038
式中ps(x)是生理参数加权值，pc(x)是压力分级级数；
若目标函数值f(x)小于相应给定指标值，则对应的生理参数值为可接受值，否则为不可接受值。
根据本发明所述的基于改进遗传算法的心理压力评测分级方法，
所述改进遗传算法包括：
1)产生初始化种群，每个染色体被编码为一个浮点数字向量，长度和待估计重要模型参数的个数一致；以[x1 x2 ... xi ... xN]表示一个染色体，使用下式进行个体数为M的种群初始化：
Figure BDA0002372382710000041
式中
Figure BDA0002372382710000042
和
Figure BDA0002372382710000043
分别是生理参数的上限和下限，εi是范围在[0，1]内的服从均匀分布的随机数，重复N次进而产生向量[x1 x2 ... xi ... xN]；
重复上述过程M次，得到搜索空间中服从均匀分布的M个初始可行解；
2)设计适应度函数：设各生理参数加权值Ri与心理压力分级级数Yi之间的误差为ei：所述Ri等于同ps(x)，Yi等同于pc(x)；
ei＝Ri-Yi，
均方误差ε定义为：
Figure BDA0002372382710000044
式中Z是训练的样本数；
通过训练使得各心理参数加权值Ri尽可能地接近心理压力分级级数Yi的均方误差ε，收敛于0；
3)根据适应度函数训练得到的各生理参数特征值Ri，设计交叉概率pc和变异概率pm进行调节，强化心理压力级数与各生理参数特征之间的固连关系：
Figure BDA0002372382710000045
Figure BDA0002372382710000051
式中，fmax是最大适应值，fmin是最小适应值，fc是交叉个体的适应值，fm是变异个体的适应值，fave是平均适应值，且(fmax-fmin)用于反映种群稳定性；
其中ci，i＝1,2,3,4，表示任意常值的权重，满足以下条件：
Figure BDA0002372382710000052
4)权系数设计：将压力分级模型的压力分为5级；根据各压力级数的子目标函数fi(x)，(i＝1,2,...,m)赋予不同的权系数wi，(i＝1,2,...,m)，0≤wi≤1,i＝1,2,...,m且
Figure BDA0002372382710000053
wi的大小代表相应子目标函数fi(x)在多目标优化问题中的重要程度，从而将多目标优化问题转化为了单目标优化问题：
压力分组模型函数u(f(x))为：
Figure BDA0002372382710000054
5)模型分析：计算各生理参数的分离程度SD，SD值越接近1，表示参数此时的权重分配越不合理，反之参数权重分配是合理的；
分离程度SD为：
Figure BDA0002372382710000055
式中Yi是参数可接受值，
Figure BDA0002372382710000056
是参数不可接受值；
Figure BDA0002372382710000057
是参数可接受值的平均值。
本发明的有益效果：本发明方法通过采集人体的心电信号与皮肤电阻信号；提取两种生理信号的特征，并对提取的特征进行筛选；基于改进遗传算法对提取的生理信号特征进行权重分配，并与PSTR压力表对照，对测试者的受压状态进行压力分级。它通过对生理信号的采集、预处理、特征选择与权重分配，进行心理压力的映射。相对于PSTR压力表的测量，本发明能够更客观地评价人群的受压力情况，并做出相应的指导。本发明方法对敏感度不同的受压群体的压力分级，具有通用性。同时，本发明在对特征参数进行提取与权重分配后，可以与PSTR量表形成映射，从而提高了心理压力评测的准确性与客观性。
本发明方法用于心理压力分析，可节省传统方式中的就诊时间，提高压力评测与分级的便携性。
附图说明
图1是本发明所述基于改进遗传算法的心理压力评测分级方法的示例性流程图；
图2是改进遗传算法流程图。
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改进遗传算法的心理压力评测分级方法，包括以下步骤：
步骤一：采集受试者的心电信号和皮肤电阻信号，对心电信号进行去噪滤波后获得待识别心电信号，再进行特征提取获得心电参数特征；同时对皮肤电阻信号进行去噪滤波后获得待识别皮肤电阻信号，再进行特征提取获得皮肤参数特征；
步骤二：对心电参数特征和皮肤参数特征进行选择，获得压力评测特征；
步骤三：基于改进遗传算法对压力评测特征进行权重分配，并与PSTR压力表进行映射，实现对受试者受压状态的压力分级。
本实施方式中，首先采集心理压力人群的心电信号、皮肤电阻两种生理信号，对采集的这两种信号进行基线漂移矫正、工频干扰抑制等预处理。
进一步，所述步骤一中，心电参数特征包括心电信号时域特征、心电信号频域特征及心电信号非线性特征；皮肤参数特征包括皮肤电阻信号时域特征及皮肤电阻信号频域特征。
根据预处理获得的生理参数进行特征提取，根据Savitzky-Golay滤波方法获得的生理参数提取心电信号和表面肌电信号的时域特征、频域特征和非线性特征。
再进一步，所述心电信号和皮肤电阻信号的去噪滤波包括：首先进行基线漂移矫正，采用LOWESS方法进行平滑滤波，对信号中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，实现去除基线漂移；再利用陷波滤波器，滤除信号中的50Hz工频干扰。
心电参数特征包括：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；
皮肤参数特征包括：提取皮肤电阻信号的时域统计特征包括：均值、中值、标准差、均方根(RMS)、最大值、最小值和最值和最值之差，并对信号求取一阶导数和二阶导数；皮肤电阻的频域分析指标：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：短时FFT变换、维格纳分布等。
在具体实施中，受试者可以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20名男性，20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。
采用葡萄牙PLUX wireless biosignals公司的BITalino设备同时采集参与测试者的心电信号和皮肤电阻信号。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；皮肤电阻信号(EDA)，采用2个贴片式电极。
实验前先让参与试者先静坐几分钟，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，使生理参数的特征明显。与此同时，向参与测试者询问一些问题，例如个人信息，近期生活情况等；通过主动与参与测试者沟通，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LOWESS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，再利用陷波滤波器，滤除心电信号中的50Hz工频干扰，陷波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，所述心电信号时域特征中，正常窦性心搏单项的标准差SDNN为：
Figure BDA0002372382710000081
式中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SDNN反应全部RR间期的总体平均值的标准差。
相邻R-R间期差值的均方根RMSSD为：
Figure BDA0002372382710000082
RMSSD的单位为ms；
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pNN50为：
Figure BDA0002372382710000083
式中NN为RR间期总数，NN50为采样信号中相邻R-R间期的差值大于50ms的个数；
相邻RR间期差值的标准差SDSD为：
Figure BDA0002372382710000084
式中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
Figure BDA0002372382710000091
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为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N为RR间期序列的长度，
Figure BDA0002372382710000096
为RR间期的序列均值，则：
Figure BDA0002372382710000092
Figure BDA0002372382710000093
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。
以下是提取皮肤电阻信号特征的几个主要公式，其中Xn用来表示皮肤电阻信号的第n个样本，N表示待分析的信号长度，下式是对信号的归一化处理及统计特征的提取公式。
所述皮肤参数特征中，均值
Figure BDA0002372382710000094
为：
Figure BDA0002372382710000095
式中Xn表示皮肤电阻信号的第n个样本；
标准差Xstd为：
Figure BDA0002372382710000101
归一化
Figure BDA0002372382710000102
为：
Figure BDA0002372382710000103
一阶差分dX为：
dX＝Xn+1-Xn，
一阶差分绝对值的均值
Figure BDA0002372382710000104
为：
Figure BDA0002372382710000105
归一化信号的一阶差分绝对值均值
Figure BDA0002372382710000106
为：
Figure BDA0002372382710000107
根据上式求解获得皮肤电阻信号的二阶差分、二阶差分绝对值的均值、归一化信号的二阶差分绝对值均值；
为降低心电信号与皮肤电阻信号特征的冗余性，提高心理压力的评测与分级的准确性，需要对心电信号与皮肤电阻信号的以上特征进行特征提取，经过特征提取后的信号特征再送入压力分级算法进行分类训练，获得心理压力的评测分级结果。
遗传算法是一种基于模型特征选择方法，它需要一个分类器模型对特征子集给出评价。由于寻找最优子集是一个困难问题，如果考察所有子集是不现实的，因此它往往需要一种搜索算法与分类器模型结合使用，从而提高了特征子集的分类性能，但是时间复杂度也会提高。本发明采用改进的遗传算法搜索最优特征子集。具体步骤如下：
所述步骤三中，基于改进遗传算法对压力评测特征进行权重分配包括：
1)选择待评估的压力分级模型的压力评测特征参数；
2)对每个选取的压力评测特征参数进行试验，在受高压力人群中，对每个压力评测特征参数设定取值范围；
3)对每个压力评测特征参数在设定的取值范围内，产生N个均匀分布的独立随机数；
4)将N个独立随机数作为生理参数形成生理参数集，分别运行所述压力分级模型，并计算目标函数值；
5)比较目标函数值和给定指标值，将N个独立随机数区分为可接受值和不可接受值；
6)统计评价参数灵敏度，对每个压力评测特征参数，比较可接受值和不可接受值的分布，计算累积频率，并绘制累积频率曲线图，所述累积频率曲线图的分离程度用于表示每个压力评测特征参数的敏感度大小。
再进一步，在生理信号参数灵敏度分析中，所述目标函数值f(x)采用生理参数加权值与压力分级级数的误差平方和表示：
Figure BDA0002372382710000111
式中ps(x)是生理参数加权值，pc(x)是压力分级级数；
若目标函数值f(x)小于相应给定指标值，则对应的生理参数值为可接受值，否则为不可接受值。五种目标函数值通常用作给定指标值，即，将模拟得到的N个目标函数值排序，取后33％，50％和60％分位点的目标函数值作为给定指标值。
本发明采用改进遗传算法来提高局部搜索能力。通过改进遗传算法中的遗传操作对初始种群进行优化，即根据自识别交叉和变异概率，对初始种群进行交叉、变异操作，得到新种群。根据模拟退火算法中的准则，决定新种群的每个个体是否进入下一代种群，然后产生的种群又作为父代种群使继续进行下去。整个过程如此重复，直到终止条件满足，具体步骤如下：
1)产生初始化种群，每个染色体被编码为一个浮点数字向量，长度和待估计重要模型参数的个数一致；为了方便起见，以[x1 x2 ... xi ... xN]表示一个染色体，对应于待估计的重要模型参数组。使用下式进行个体数为M的种群初始化：
Figure BDA0002372382710000112
式中
Figure BDA0002372382710000113
和
Figure BDA0002372382710000114
分别是生理参数的上限和下限，εi是范围在[0，1]内的服从均匀分布的随机数，重复N次进而产生向量[x1 x2 ... xi ... xN]；
重复上述过程M次，得到搜索空间中服从均匀分布的M个初始可行解；
2)设计适应度函数：设各生理参数加权值Ri与心理压力分级级数Yi之间的误差为ei：所述Ri等于同ps(x)，Yi等同于pc(x)；
ei＝Ri-Yi，
均方误差ε可以定义为：
Figure BDA0002372382710000121
式中Z是训练的样本数；
通过训练使得各心理参数加权值Ri尽可能地接近心理压力分级级数Yi的均方误差ε，收敛于0；
3)本发明的改进的遗传算法中交叉概率和变异概率随着适应度函数值的变化而变化，即适应度函数值大的个体的交叉概率较大，有效地抑制遗传算法的收敛的不确定性。
根据适应度函数训练得到的各生理参数特征值Ri，设计交叉概率pc和变异概率pm进行调节，强化心理压力级数与各生理参数特征之间的固连关系：
Figure BDA0002372382710000122
Figure BDA0002372382710000123
式中，fmax是最大适应值，fmin是最小适应值，fc是交叉个体的适应值，fm是变异个体的适应值，fave是平均适应值，且(fmax-fmin)用于反映种群稳定性；
其中ci，i＝1,2,3,4，表示任意常值的权重，满足以下条件：
Figure BDA0002372382710000124
4)权系数设计：将压力分级模型的压力分为5级，是一个多目标优化问题；可以根据各压力级数的子目标函数fi(x)，(i＝1,2,...,m)赋予不同的权系数wi，(i＝1,2,...,m)，其中wi满足，0≤wi≤1,i＝1,2,...,m且
Figure BDA0002372382710000125
其中wi的大小代表相应子目标函数fi(x)在多目标优化问题中的重要程度，从而将多目标优化问题转化为了单目标优化问题：
压力分组模型函数u(f(x))为：
Figure BDA0002372382710000131
5)模型分析：为了Monte Carlo模拟中模型运行次数为1000次，通过累积频率分布曲线判断优化后的各生理参数的权重是否可接受，即，计算各生理参数的分离程度SD，SD值越接近1，表示参数此时的权重分配越不合理，反之参数权重分配是合理的；
分离程度SD为：
Figure BDA0002372382710000132
式中Yi是参数可接受值，
Figure BDA0002372382710000133
是参数不可接受值；
Figure BDA0002372382710000134
是参数可接受值的平均值。N是Monte Carlo模拟数。
经过特征选择后，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，皮肤电阻信号提取时域特征：均值、标准差与归一化信号的一阶差分绝对值均值与功率值；并在心理压力评测分级中分配了适当的权重，以实现受测者心理压力的准确检测。
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，且基于两种传感器的生理信号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 (8)

1.一种基于改进遗传算法的心理压力评测分级方法，其特征在于，包括以下步骤：
步骤一：采集受试者的心电信号和皮肤电阻信号，对心电信号进行去噪滤波后获得待识别心电信号，再进行特征提取获得心电参数特征；同时对皮肤电阻信号进行去噪滤波后获得待识别皮肤电阻信号，再进行特征提取获得皮肤参数特征；
步骤二：对心电参数特征和皮肤参数特征进行选择，获得压力评测特征；
步骤三：基于改进遗传算法对压力评测特征进行权重分配，并与PSTR压力表进行映射，实现对受试者受压状态的压力分级。
2.根据权利要求1所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，
所述步骤一中，心电参数特征包括心电信号时域特征、心电信号频域特征及心电信号非线性特征；皮肤参数特征包括皮肤电阻信号时域特征及皮肤电阻信号频域特征。
3.根据权利要求2所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，
所述心电信号和皮肤电阻信号的去噪滤波包括：首先进行基线漂移矫正，采用LOWESS方法进行平滑滤波，对信号中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，实现去除基线漂移；再利用陷波滤波器，滤除信号中的50Hz工频干扰。
4.根据权利要求3所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，
所述心电信号时域特征中，正常窦性心搏单项的标准差SDNN为：
Figure FDA0002372382700000011
式中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；
相邻R-R间期差值的均方根RMSSD为：
Figure FDA0002372382700000012
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pNN50为：
Figure FDA0002372382700000013
式中NN为RR间期总数，NN50为采样信号中相邻R-R间期的差值大于50ms的个数；
相邻RR间期差值的标准差SDSD为：
Figure FDA0002372382700000021
5.根据权利要求4所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，
所述皮肤参数特征中，均值
Figure FDA00023723827000000210
为：
Figure FDA0002372382700000022
式中Xn表示皮肤电阻信号的第n个样本；
标准差Xstd为：
Figure FDA0002372382700000023
归一化
Figure FDA0002372382700000024
为：
Figure FDA0002372382700000025
一阶差分dX为：
dX＝Xn+1-Xn，
一阶差分绝对值的均值
Figure FDA0002372382700000026
为：
Figure FDA0002372382700000027
归一化信号的一阶差分绝对值均值
Figure FDA0002372382700000028
为：
Figure FDA0002372382700000029
6.根据权利要求5所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，
所述步骤三中，基于改进遗传算法对压力评测特征进行权重分配包括：
1)选择待评估的压力分级模型的压力评测特征参数；
2)对每个压力评测特征参数设定取值范围；
3)对每个压力评测特征参数在设定的取值范围内，产生N个均匀分布的独立随机数；
4)将N个独立随机数作为生理参数形成生理参数集，分别运行所述压力分级模型，并计算目标函数值；
5)比较目标函数值和给定指标值，将N个独立随机数区分为可接受值和不可接受值；
6)对每个压力评测特征参数，比较可接受值和不可接受值的分布，计算累积频率，并绘制累积频率曲线图，所述累积频率曲线图用于表示每个压力评测特征参数的敏感度大小。
7.根据权利要求6所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，
所述目标函数值f(x)采用生理参数加权值与压力分级级数的误差平方和表示：
Figure FDA0002372382700000031
式中ps(x)是生理参数加权值，pc(x)是压力分级级数；
若目标函数值f(x)小于相应给定指标值，则对应的生理参数值为可接受值，否则为不可接受值。
8.根据权利要求7所述的基于改进遗传算法的心理压力评测分级方法，其特征在于，所述改进遗传算法包括：
1)产生初始化种群，每个染色体被编码为一个浮点数字向量，长度和待估计重要模型参数的个数一致；以[x1 x2…xi…xN]表示一个染色体，使用下式进行个体数为M的种群初始化：
Figure FDA0002372382700000032
式中
Figure FDA0002372382700000033
和
Figure FDA0002372382700000034
分别是生理参数的上限和下限，εi是范围在[0，1]内的服从均匀分布的随机数，重复N次进而产生向量[x1 x2…xi…xN]；
重复上述过程M次，得到搜索空间中服从均匀分布的M个初始可行解；
2)设计适应度函数：设各生理参数加权值Ri与心理压力分级级数Yi之间的误差为ei：所述Ri等于同ps(x)，Yi等同于pc(x)；
ei＝Ri-Yi，
均方误差ε定义为：
Figure FDA0002372382700000041
式中Z是训练的样本数；
通过训练使得各心理参数加权值Ri尽可能地接近心理压力分级级数Yi的均方误差ε，收敛于0；
3)根据适应度函数训练得到的各生理参数特征值Ri，设计交叉概率pc和变异概率pm进行调节，强化心理压力级数与各生理参数特征之间的固连关系：
Figure FDA0002372382700000042
Figure FDA0002372382700000043
式中，fmax是最大适应值，fmin是最小适应值，fc是交叉个体的适应值，fm是变异个体的适应值，fave是平均适应值，且(fmax-fmin)用于反映种群稳定性；
其中ci，i＝1,2,3,4，表示任意常值的权重，满足以下条件：
ci∈[0,1]and
Figure FDA0002372382700000044
4)权系数设计：将压力分级模型的压力分为5级；根据各压力级数的子目标函数fi(x)，(i＝1,2,…,m)赋予不同的权系数wi，(i＝1,2,…,m)，0≤wi≤1,i＝1,2,...,m且
Figure FDA0002372382700000045
wi的大小代表相应子目标函数fi(x)在多目标优化问题中的重要程度，从而将多目标优化问题转化为了单目标优化问题：
压力分组模型函数u(f(x))为：
Figure FDA0002372382700000046
5)模型分析：计算各生理参数的分离程度SD，SD值越接近1，表示参数此时的权重分配越不合理，反之参数权重分配是合理的；
分离程度SD为：
Figure FDA0002372382700000051
式中Yi是参数可接受值，
Figure FDA0002372382700000052
是参数不可接受值；
Figure FDA0002372382700000053
是参数可接受值的平均值。
CN202010054621.3A 2020-01-17 2020-01-17 基于改进遗传算法的心理压力评测分级方法 Active CN111150411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010054621.3A CN111150411B (zh) 2020-01-17 2020-01-17 基于改进遗传算法的心理压力评测分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010054621.3A CN111150411B (zh) 2020-01-17 2020-01-17 基于改进遗传算法的心理压力评测分级方法

Publications (2)

Publication Number Publication Date
CN111150411A true CN111150411A (zh) 2020-05-15
CN111150411B CN111150411B (zh) 2022-11-11

Family

ID=70563741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010054621.3A Active CN111150411B (zh) 2020-01-17 2020-01-17 基于改进遗传算法的心理压力评测分级方法

Country Status (1)

Country Link
CN (1) CN111150411B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0216241D0 (en) * 2002-07-12 2002-08-21 Fujitsu Ltd Signal processing using genetic algorithms
US20070005521A1 (en) * 2005-06-03 2007-01-04 Aspeed Software Corporation Method and system for conditioning of numerical algorithms for solving optimization problems within a genetic framework
US20110038515A1 (en) * 2009-08-14 2011-02-17 Arnaud Jacquin Development of fully-automated classifier builders for neurodiagnostic applications
CN105147248A (zh) * 2015-07-30 2015-12-16 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
WO2016115437A1 (en) * 2015-01-15 2016-07-21 Schlumberger Canada Limited Approaches to tying well logs to seismic data
CN106250935A (zh) * 2016-08-15 2016-12-21 广东石油化工学院 遗传编程和加权证据理论融合的旋转机械故障诊断方法
CN106650667A (zh) * 2016-12-26 2017-05-10 北京交通大学 一种基于支持向量机的行人检测方法及系统
CN107220708A (zh) * 2017-06-23 2017-09-29 哈尔滨工业大学 用于睡眠脑电分期特征选择的自适应模拟退火遗传算法
CN107480386A (zh) * 2017-08-22 2017-12-15 哈尔滨工业大学 一种基于响应混叠性度量与遗传算法的测试激励优选方法
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
CN110097973A (zh) * 2019-05-10 2019-08-06 重庆邮电大学 基于遗传算法和bp神经网络的人体健康指标的预测算法
CN110309780A (zh) * 2019-07-01 2019-10-08 中国科学院遥感与数字地球研究所 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
US10489713B1 (en) * 2015-08-26 2019-11-26 Psibernetix, Inc. Self-optimized system and method using a fuzzy genetic algorithm
CN110633868A (zh) * 2019-07-19 2019-12-31 中国石油化工股份有限公司 遗传算法优化神经网络进行探井试油层油气性质预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0216241D0 (en) * 2002-07-12 2002-08-21 Fujitsu Ltd Signal processing using genetic algorithms
US20070005521A1 (en) * 2005-06-03 2007-01-04 Aspeed Software Corporation Method and system for conditioning of numerical algorithms for solving optimization problems within a genetic framework
US20110038515A1 (en) * 2009-08-14 2011-02-17 Arnaud Jacquin Development of fully-automated classifier builders for neurodiagnostic applications
WO2016115437A1 (en) * 2015-01-15 2016-07-21 Schlumberger Canada Limited Approaches to tying well logs to seismic data
CN105147248A (zh) * 2015-07-30 2015-12-16 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
US10489713B1 (en) * 2015-08-26 2019-11-26 Psibernetix, Inc. Self-optimized system and method using a fuzzy genetic algorithm
CN106250935A (zh) * 2016-08-15 2016-12-21 广东石油化工学院 遗传编程和加权证据理论融合的旋转机械故障诊断方法
CN106650667A (zh) * 2016-12-26 2017-05-10 北京交通大学 一种基于支持向量机的行人检测方法及系统
CN107220708A (zh) * 2017-06-23 2017-09-29 哈尔滨工业大学 用于睡眠脑电分期特征选择的自适应模拟退火遗传算法
CN107480386A (zh) * 2017-08-22 2017-12-15 哈尔滨工业大学 一种基于响应混叠性度量与遗传算法的测试激励优选方法
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
CN110097973A (zh) * 2019-05-10 2019-08-06 重庆邮电大学 基于遗传算法和bp神经网络的人体健康指标的预测算法
CN110309780A (zh) * 2019-07-01 2019-10-08 中国科学院遥感与数字地球研究所 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
CN110633868A (zh) * 2019-07-19 2019-12-31 中国石油化工股份有限公司 遗传算法优化神经网络进行探井试油层油气性质预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
姜爱萍: "《混沌时间序列的小波神经网络预测方法及其优化研究》", 31 December 2013 *
张泽旭: "船用柴油机NOx排放建模及分析", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
杨志清: "城市快递配送条件下的多目标车辆路径优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
汪民乐: "《先进遗传算法及其工程应用》", 31 October 2019 *
王纲胜，夏军，陈军锋: "模型多参数灵敏度与不确定性分析", 《地理研究》 *

Also Published As

Publication number Publication date
CN111150411B (zh) 2022-11-11

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
US11529103B2 (en) Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus
KR102008196B1 (ko) 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
CN109276241B (zh) 一种压力识别方法及设备
Pattichis et al. Autoregressive and cepstral analyses of motor unit action potentials
CN111150410B (zh) 基于心电信号与肌电信号融合的心理压力评测方法
CN109864714A (zh) 一种基于深度学习的心电信号分析方法
CN110598676A (zh) 基于置信度得分模型的深度学习手势肌电信号识别方法
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
JP2004503316A (ja) 自律神経系機能の指標を与えるための方法及び装置
Chen et al. Temporal feature extraction and clustering analysis of electromyographic linear envelopes in gait studies
CN109938723A (zh) 一种人体疾病风险的判别方法及设备
CN113197584A (zh) 一种基于差分过零检测法的qrs波群识别方法
Bhoi et al. A comparative analysis of neuropathic and healthy EMG signal using PSD
CN114732424A (zh) 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法
Li et al. Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals
CN111150411B (zh) 基于改进遗传算法的心理压力评测分级方法
CN116451110A (zh) 基于信号能量特征和脉搏周期的血糖预测模型构建方法
CN108324272A (zh) 一种基于lzc复杂度测查焦虑程度的装置
Dandu et al. Determining physiological significance of inertial gait features in multiple sclerosis
CN114469041A (zh) 一种运动过程中心率变化数据特征分析方法
Suganthi et al. Evaluation of muscle fatigue based on SEMG using deep learning techniques
Zhang et al. Evaluation of single-lead ECG signal quality with different states of motion
Kumar et al. Statistical heart rate variability analysis under rest and post-exercise
Goovaerts et al. Analysis of changes in ECG morphology prior to in-hospital cardiac arrest using weighted tensor decompositions

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