CN111248928A

CN111248928A - 压力识别方法及装置

Info

Publication number: CN111248928A
Application number: CN202010066037.XA
Authority: CN
Inventors: 赵起超; 杨苒; 李召
Original assignee: Kingfar International Inc
Current assignee: Kingfar International Inc
Priority date: 2020-01-20
Filing date: 2020-01-20
Publication date: 2020-06-09

Abstract

本发明提供了一种压力识别方法及装置，所述方法通过对待测对象的待测生理信号序列进行短时傅里叶变换和连续的小波变换，获取所述待测生理信号序列的待测特征序列，在所述标准压力数据库中，比对找到与所述待测特征序列最接近的第一设定数量的样本特征序列，将其中多数所属的压力等级判断为待测对象的压力等级。本发明能够基于多种生命体征数据信号形成的离散周期的时域信号提取特征进行对比，自动匹配待测对象所属的压力等级，实时检测分析，提高了对比精度，保证了检测分析结果的准确性。

Description

压力识别方法及装置

技术领域

本发明属于体征监测技术领域，尤其涉及一种压力识别方法及装置。

背景技术

目前市面上存在大量用于监测生命体征的智能设备，但并没有通过多生理指标的数据去计算情绪压力的设备，而只是单一的数据来计算当时被试者健康的问题，通过单一的生理参数来判断被试者的状态，这并不能准确地说明被试者在心理层面的情绪压力值。而现实中，压力可以通过多个方面外化表现出来，如皮电、皮温、呼吸、脉搏等，综合的多生理指标参数分析会使得对压力识别更准确。

现有设备和方法无法直接通过生命体征数据分析计算用户的情绪压力的信息，进一步地，也不能通过单个指标计算或者分析对当时用户的情绪压力状态进行明确分类。因此，现有设备和方法缺乏对用户情绪进行系统监测和评价的能力。

发明内容

本发明针对现有技术中的不足，提供一种压力识别方法及装置，克服现有技术中无法对用户情绪压力状态进行实时监控和分析的缺陷，弥补了现有技术的空白。

本发明解决问题的技术方案是：

一方面，提供一种压力识别方法，包括：

采集待测对象的待测生理信号序列；

将所述待测生理信号序列进行短时傅里叶变换和连续的小波变换得到对应的待测特征序列；

获取标准压力数据库，所述标准压力数据库至少包含各压力等级对应的多个样本生理信号序列和多个样本特征序列，所述样本特征序列为对应的所述样本生理信号序列经短时傅里叶变换和连续的小波变换得到；

获取标准压力数据库中的各压力等级对应的各样本特征序列，通过相似度匹配获取与所述待测特征序列最接近的第一设定数量的样本特征序列，并将其中多数所属的压力等级确定为待测对象所属的压力等级；

其中，所述样本生理信号序列和所述待测生理信号序列为在设定周期内按指定间隔时长依次采集多种生命体征数据信号形成的离散周期的时域信号。

在一些实施例中，采集待测对象的待测生理信号序列之前，还包括：

获取各压力等级对应的测试场景下，多个样本人员的生理信号序列；

将各压力等级下的样本生理信号序列进行短时傅里叶变换和连续的小波变换，得到各样本人员的在对应压力等级下的样本特征序列；

将各样本人员在各压力等级下的所述样本生理信号序列和所述样本特征序列分类汇总生成所述标准压力数据库。

在一些实施例中，所述待测生理信号序列以及所述样本生理信号序列至少包括：皮温数据信号、皮电数据信号、脉搏数据信号、呼吸数据信号、皮质醇数据信号和腕部加速度数据信号。

在一些实施例中，将各样本人员在各压力等级下的所述样本生理信号序列和所述样本特征序列分类汇总生成所述标准压力数据库之后，还包括：

将所述样本人员在各压力等级下的样本生理信号序列进行离散傅里叶变换得到对应的频域信号；

根据脉搏数据信号低频段频率范围，对所述频域信号进行积分，得到心率的低频功率；

根据脉搏数据信号高频段频率范围，对所述频域信号进行积分，得到心率的高频功率；

计算所述低频功率占所述低频功率以及所述高频功率和之比，得到心率的低频能量密度；

将所述低频功率和/或所述低频能量密度加入所述标准压力数据库，作为压力评价指标，用于在确定所述待测对象所属的压力等级的同时，输出对应的压力评价指标，所述低频功率以及所述低频能量密度与压力程度正相关。

在一些实施例中，所述压力识别方法还包括：

计算所述低频功率与所述高频功率的功率比值，并将所述功率比值加入所述标准压力数据库，用于在确定所述待测对象所属的压力等级的同时，输出对应的功率比值，所述功率比值与压力程度正相关。

在一些实施例中，所述心率信号低频段频率范围为0.04-0.14Hz，所述心率信号高频段频率范围为0.15-0.4Hz。

在一些实施例中，所述短时傅里叶变换的窗口函数采用高斯函数，时间窗口选择1-8秒。

在一些实施例中，还包括：

当所述待测生理信号序列损坏或数据不全时，获取所述待测对象的待测脉搏数据信号；

通过KNN邻近算法，获取所述标准压力数据库中与待测脉搏数据信号最接近的样本脉搏数据信号；

判断所述待测对象属于所述样本脉搏数据信号对应的压力等级。

另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

基于上述技术方案，本发明所述压力识别方法及装置的有益效果是：

通过对待测对象的待测生理信号序列进行短时傅里叶变换和连续的小波变换，获取所述待测生理信号序列的待测特征序列，并比对找到所述标准压力数据库中与所述待测特征序列最接近的样本特征序列，能够自动匹配待测对象所属的压力等级，实时检测分析。基于多种生命体征数据信号形成的离散周期的时域信号提取特征进行对比，提高了对比精度，保证了检测分析结果的准确性。以较大的样本人员基数采集对应的生命体征数据信号并处理生成所述标准压力数据库，具有较高的泛化能力。

本领域技术人员应当理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

并且，应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。在附图中：

图1为本发明一实施例中所述压力识别方法流程示意图；

图2为本发明一实施例中所述压力识别方法待测生理信号序列形式示意图；

图3为本发明一实施例中所述压力识别方法中建立标注压力数据库流程示意图；

图4为本发明一实施例中所述压力识别方法中通过脉搏数据信号识别压力等级流程示意图。

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

本发明为了弥补现有技术以及市场上商用设备无法对于用户压力情绪状态进行准确识别和监测的缺陷，提供一种压力识别方法和装置，该方法能够通过采集待测对象的待测生理信号序列，提取待测特征序列并与预设的标准压力数据库进行匹配获取最接近的样本特征序列，将最接近的样本特征序列所属的压力等级判断为待测生理信号序列所属的压力等级。从而实现了对待测对象压力情绪的有效识别和准确定量。

本发明提供一种压力识别方法，如图1所示，包括如下步骤S101～S104：

步骤S101：采集待测对象的待测生理信号序列；其中，待测生理信号序列为在设定周期内按指定间隔时长依次采集多种生命体征数据信号形成的离散周期的时域信号；

步骤S102：将待测生理信号序列进行短时傅里叶变换和连续的小波变换得到对应的待测特征序列；

步骤S103：获取标准压力数据库，标准压力数据库至少包含各压力等级对应的多个样本特征序列和多个样本特征序列，样本特征序列为对应的样本生理信号序列经短时傅里叶变换和连续的小波变换得到；其中，样本生理信号序列为在设定周期内按指定间隔时长依次采集各生命体征数据信号形成的离散周期的时域信号。

步骤S104：获取标准压力数据库中的各压力等级对应的各样本特征序列，通过相似度匹配获取与待测特征序列最接近的第一设定数量的样本特征序列，并将其中多数所属的压力等级确定为待测对象所属的压力等级。

其中，样本生理信号序列和待测生理信号序列为在设定周期内按指定间隔时长依次采集多种生命体征数据信号形成的离散周期的时域信号。

在步骤S101中，对于待测对象生命体征数据的检测通过生命体征检测设备(本发明有涉及，在后续内容中说明)进行采集和记录，生命体征检测设备可以包括可穿戴设备或专用医疗监测设备。具体的，为了实现对于待测对象情绪压力状况的准确判断，需要对多个生理指标进行综合地评定分析，以减少特异性数据对于评价待测对象压力情绪对于判断结果的影响。例如，当待测对象患有生理性疾病或体征异常时，可能会诱发心率、呼吸或皮温等数据异于一般状态，如果仅以少数种类的生理指标进行判断，会导致评价失准。

进一步的，本发明中，不同于一般生命体征监测方法中简单加权运算获取特征值的方式，为了获得更具有表征能力的数据序列，综合所选取的生理指标的直观表达能力，在数据采集的过程中，通过在一个周期内按照指定间隔时间依次采集相应的生理指标对应的信号值，形成周期的离散的时域信号。

示例性的，如图2所示，在一个周期T内，根据所选取的生理指标的种类数n，按照T/n的时间间隔，对待测对象依次循环采集各生理指标对应的信号电压值，得到一组时域上的离散周期信号，在一个信号周期内用x(n)表示待测生理信号序列，n＝1、2、3……n，分别代表特定生命体征信号的电压值，例如，x(1)可以表示脉搏信号电压值，x(2)可以表示皮质醇信号电压值。

对于生理指标的选择，可以采用与情绪变化相关性较高的指标，例如，可以包括：脉搏(心率)、皮质醇、皮肤温度、皮电、血压以及加速度等，在实际选用过程中也可以选择其他类型指标进行标定计量，以获取更具泛化性的数据。

在步骤S102中，对于生理信号而言，其特征一般包括时域特征和频域特征。通常对于听觉或者视觉的刺激材料诱发的压力，可以采集的是在时间上连续的生理信号。

对于时域特征方面，皮电信号的时域特征可以是信号的均值、中值、标准差、最大值最小值、最大值与最小值的比率、差值等，然后再将上述信号的特征进行一阶差分、二阶差分计算后，提取以上相同的统计特征等。

脉搏信号的时域特征可以是心率和心率变异性HRV的均值和标准差。

呼吸信号的时域特征可以是呼吸间隔的均值和标准差。

皮肤温度的时域特性可以是最大值、最小值或均值等。

血压数据的时域特征提取可以是血压均值、最大值或最小值等。

皮质醇数据的时域特征可以是化学成分分析或分泌含量等。

加速度的时域特性是连续的XYZ轴的的数据的连续性。

而对于频域特征方面，具体的，皮电信号的主要频率范围在0-2.4Hz，皮电慢反应在0-0.2H，极慢反应在0-0.08H；脉搏PPG(photoplethysmograph：利用光电容积描记)的信号频率特征：低频段0-0.04Hz，中频段0.04-0.15Hz，高频段在0.15-0.4Hz；呼吸的信号频率在0-2.4Hz；皮肤温度的频率范围主要在0-0.2Hz；皮温信号的频率主要在0-0.2Hz；血压与脉搏PPG有着相同的频率特性；皮质醇数据的频率在0-0.01的范围内。

在本发明中，采集的生理信号都是平稳的时变信号；但是不同的时刻会有不同的频率分量，单独的分析频域或者时域信号是不能有效的反应生理信号的特征。所以本发明采用时域和频域结合的方式进行对生理信号序列的分析。

本发明中将待测生理信号序列进行短时傅里叶变换和连续的小波变换得到对应的待测特征序列，包括S201～S202：

S201：对待测生理信号序列x(n)进行短时快速傅里叶变换：

其中，x(n)为待测生理信号序列，ω(k-n)为窗口函数，k可以根据实际应用场景取值以调整窗口期出具量，e为自然底数。

随着k的变化，窗口函数会在时间轴上位移，并留下了窗口数据截取的部分做快速傅里叶变换。

在一些实施例中，窗口函数可以采用高斯函数，即对待测生理信号序列做加伯转换，使变换后在时间轴和频率轴的性质相互对称，以获得更优的比对效果，有利于获得更具有代表性的待测特征序列。

S202：对公式1中得到的数据X(k，w)进行连续的小波变换：

其中，a是尺度因子，b是时移因子，令待测特征序列PRESS(W)＝CWT_x(a，b)。

在步骤S103中，本发明中，为了精确评价待测对象的压力情绪，对待测对象采集并转换得到待测特征序列，将待测特征序列与标准压力数据库中所存储的样本特征序列进行对比，通过相似性匹配的方式找到与待测特征序列最接近的一个或多个样本特征序列，从而根据样本特征序列所属的压力等级，判断待测者的压力情绪状态。

因此，标准压力数据库中至少包括对压力等级的划分以及各压力等级对应的各样本生理信号序列经短时傅里叶变换和连续的小波变换得到的样本特征序列。

具体的，为了实现步骤S103，在本发明步骤S101之前，即采集待测对象的待测生理信号序列之前，还包括建立标准压力数据库，如图3中步骤S301～步骤S304所示：

步骤S301：获取各压力等级对应的测试场景下，多个样本人员的生理信号序列。

将测试场景按照压力程度由低到高分为多个压力等级。

为了建立可信度更高的标准压力数据库，提高泛化性，将测试场景按照压力程度进行分级。测试场景具体可以表现为，体验观看不同类型和内容的视频文件，包括一般视频形式或VR视频形式。示例性的，按照压力程度由低到高，将测试场景的压力分为5个等级，对应的测试场景的视频内容可以包括：音乐沙滩场景视频、空白场景视频、竞技体育场景视频、紧张刺激的游戏场景视频以及恐怖血腥场景视频。

需要说明的是，本实施例中，关于划分测试场景压力等级的内容，并不限于本实施例所给出的方式。应当认为，通过其他方法和标准进行的划分，同样落入本发明所保护的内容中。

将各样本人员分别置于测试场景中，采集各样本人员的在对应压力等级下的样本生理信号序列，样本生理信号序列的数据形式与待测生理信号序列一致。

为了使数据更具有泛化性和概括能力，再建立标准压力数据库的过程中，需要对各测试场景下分配多个测试样本，示例性的，可以将500个样本人员分别置于个测试场景中，采集相应的生理信号，并根据压力等级类型分类存储。本实施例中给出的500只是一种示例，也可以在特定要求下安排多于或少于500个样本人员。

在另一些实施例中，为了进一步提高标压力准数据库的检测评价能力，可以将样本人员按照按照性别或年龄等指标进行分组，细化标准压力数据库的分类。也可以在每一个压力等级下设置多个测试场景，将样本人员置于个测试场景下，分别采样本生理信号序列，用于构建数据量更庞大，泛化性更好的标准压力数据库。

进一步的，采集生理数据信号的方式，应当参照步骤S101，即在一个周期内依次采集相应的生理指标对应的信号值，形成周期的离散的时域信号。

示例性的，参照图2，在一个周期T内，根据所选取的生理指标的种类数n，按照T/n的时间间隔，对待测对象依次循环采集各生理指标对应的电压信号，得到一组时域上的离散周期信号，其应当与步骤S101中采集待测生理信号序列的形式保持一致。

步骤S302：将各压力等级下的样本生理信号序列进行短时傅里叶变换和连续的小波变换，得到各样本人员的在对应压力等级下的样本特征序列。

参照公式1和公式2，对样本人员在各测试场景下所采集到的样本生理信号进行短时傅里叶变换和连续的小波变换，以获得与待测特征序列形式一致的样本特征序列。

步骤S303：将各样本人员在各压力等级下的样本生理信号序列和样本特征序列分类汇总生成标准压力数据库。

具体的，将样本生理信号序列以及步骤S302中的变换得到的样本特征序列，按照步骤S301中所划分的压力等级为区分，将采集得到的样本生理信号序列和样本特征序列保存至对应的压力等级目录下，形成标准压力数据库。

示例性的，500个样本人员分别在压力等级由低到高的5个测试场景中进行测试，共获得2500个样本生理信号序列以及样本特征序列，每个压力等级下均有500个对应的样本生理信号序列，形成完整的标准压力数据库。

在步骤S104中，通过相似度匹配获取与待测特征序列最接近的第一设定数量的样本特征序列，可以通过深度神经网络进行学习匹配，也可以通过逼近目标函数进行计算匹配。第一设定数量为单数，例如3、5或7，但一般小于20。也可以直接通过相似度匹配获取与待测特征序列最接近的样本特征序列，将样本特征序列所属的压力等级判断为待测者的压力等级。示例性的，可以采用一直逼近函数定理，即weierstrass定理获取与待测特征序列最接近的样本特征序列。weierstrass定理为现有技术，此处不再赘述。

在一些实施例中，步骤S104可能由于数据损坏、数据不全或传输丢包等问题导致待测生理信号序列不完整或无法读取，以使得无法有效进行转换得到待测特征序列，因此，如图4所示，所述压力识别方法还可以包括步骤S401～S403：

步骤S401：当待测生理信号序列损坏或数据不全时，获取待测对象的待测脉搏数据信号；

步骤S402：通过KNN(k-NearestNeighbor)邻近算法，获取标准压力数据库中与待测脉搏数据信号最接近的第二设定数量的样本脉搏数据信号；

步骤S403：判断待测对象属于样本脉搏数据信号对应的压力等级。

在本实施例中，待测脉搏数据信号和样本脉搏数据信号可以是以心率值得形式进行对比，也可以换算为心动周期(RR)或心率变异性指标(HRV)进行对比。具体地，通过KNN邻近算法获得与待测脉搏数据信号最接近的k个样本脉搏数据信号，将k个样本脉搏数据信号中大多数所归属的压力等级定义为待测脉搏数据信号所归属的压力等级，也即待测对象所属的压力等级。

在一些实施例中，也可以利用步骤S401～S403辅助步骤S104进行判断，具体的，当两种判断方式结果一致时输出判断结果，若不一致则重新采集一组待测对象的待测生理信号序列进行判断。

在一些实施例中，对于待测脉搏数据信号的采集，由于所采集的待测生理信号序列的格式是固定的，可以直接通过读取脉搏数据信号在数据包中的序列位数获得，例如，所采集的待测生理信号序列的数据包中，脉搏数据信号为3个字节，对应数据包的第4～6位。

在一些实施例中，步骤S101以及步骤S103中，待测生理信号序列以及样本生理信号序列至少包括：皮温数据信号、皮电数据信号、脉搏数据信号、呼吸数据信号、皮质醇数据信号和腕部加速度数据信号。

在本实施例中，为了获得更精准的判断效果，采用为与情绪相关性较高的的评价指标作为对象。

在一些实施例中，如图3所示，建立标准压力数据库过程中，在步骤S303之后，还包括步骤S304～S308：

步骤S304：将样本人员在各压力等级下的样本生理信号序列进行离散傅里叶变换得到对应的频域信号。

参照步骤S101中的数据格式，以x(k)表示一个周期内所采集的样本生理信号序列，k＝1、2、3……k，对x(k)进行离散傅里叶变换：

其中，X(m)样本生理信号序列的离散频率点的相对幅度，

W_N为旋转因子。

步骤S305：根据脉搏数据信号低频段频率范围，对频域信号进行积分，得到心率的低频功率。

根据公式3计算出低频功率HF，0.04-0.14Hz：

步骤S306：根据脉搏数据信号高频段频率范围，对频域信号进行积分，得到心率的高频功率。

根据公式1计算出高频功率HF，0.15-0.4Hz：

步骤S307：计算低频功率占低频功率以及高频功率和之比，得到心率的低频能量密度，用于评价副交感神经系统的活动程度。

根据公式4、5：

LF(densit)＝LF/(LF+HF)×100％.................................(6)

通过心率变异性(HRV)分析压力指数可以用LF、LF/HF或者LF(densit)来评定。压力指示的大小与LFLF(densit)成正比关系。即LF、LF/HF和/或LF(densit)的值越大则表示压力越大。在一些实施例中，所述压力识别方法还包括：计算低频功率与高频功率的比值LF/HF，其中，LF/HF与压力程度正相关。

步骤S308：将低频功率和/或低频能量密度加入标准压力数据库，作为压力评价指标，用于在确定待测对象所属的压力等级的同时，输出对应的压力评价指标，低频功率以及低频能量密度与压力程度正相关。

在一些实施例中，步骤S308之前还包括：计算高频功率占低频功率以及高频功率和之比，得到高频能量密度，并加入标准压力数据库，用于评价交感神经系统的活动程度，在确定所述待测对象所属的压力等级的同时，输出对应的高频能量密度。

根据公式4、5：

HF(densit)＝HF/(LF+HF)×100％...............................(7)

相对于LF(densit)，HF(densit)值越小则表示压力越大。

在一些实施例中，步骤S308之前，还包括：

另一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。

在一实施例中，本发明所述压力识别方法包括如下步骤：

1.建立标准压力数据库：

1)被试戴上手环之后，让被试安静闭眼静坐5分钟，得到自身的基线数据。

2)开始采集样本生理信号序列。

3)对应压力较小的测试场景出现，该测试场景诱发被试者的较小的压力情景；得到此段的样本生理信号序列。

4)根据公式3，4，5，6，7计算出在脉搏状态下此压力较小状态下HF(densit)和LF(densit)，并存储在PressHR_LOW序列。

5)根据公式1，2计算出压力较小状态下的样本特征序列，并存储在Press_LOW序列。

6)被试休息五分钟，进行下一个测试场景的数据采集；

同理，根据以上的步骤1～6可以计算出压力正常状态下的序列PressHR_normal以及Press_normal序列；

同理，根据以上的步骤1～6可以计算出压力较高状态下的序列PressHR_high以及Press_high序列；

同理，根据以上的步骤1～6可以计算出压力很高状态下的序列PressHR_higher以及Press_higher序列；

同理，根据以上的步骤1～6可以计算出压力非常高状态下的序列PressHR_highest以及Press_highest序列；

同样的，根据以上的步骤1～6，将多个样本人员重复这样的实验得到对应压力等级下的样本生理信号序列和样本特征序列，汇总存储形成标准压力数据库。

2.待测对象评估测试：

1)采集待测对象得到待测生理信号序列，并进行短时傅里叶变换和连续的小波变换得到待测特征序列Aⁿ。

2)通过一致逼近函数定理，即weierstrass定理进行处理，获取标准压力数据库中与待测特征序列Aⁿ最接近的第一设定数量的样本特征序列，并将其中多数所属的压力等级确定为待测对象所属的压力等级。

例如，与Aⁿ最接近的7个样本特征序列中，有5个属于序列PressHR_LOW，此被试属于压力较小的特征序列。

3)辅助对比，待测生理信号序列以及样本生理信号序列中的脉搏数据，采用KNN邻近算法计算获得与待测生理信号序列中脉搏数据最接近的k个样本生理信号序列的类别，将其中大多数所属的压力等级定义为脉搏方向确定的压力等级。

4)当2)和3)中的判断结果一致时，输出该判断结果，不一致时重新采集待测生理信号序列进行比对计算。

综上所述，本发明所述压力识别方法及装置，通过对待测对象的待测生理信号序列进行短时傅里叶变换和连续的小波变换，获取所述待测生理信号序列的待测特征序列，并比对找到所述标准压力数据库中与所述待测特征序列最接近的样本特征序列，实现自动匹配待测对象所属的压力等级，实时检测分析。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种压力识别方法，其特征在于，包括：

采集待测对象的待测生理信号序列；

2.根据权利要求1所述的压力识别方法，其特征在于，采集待测对象的待测生理信号序列之前，还包括：

3.根据权利要求1中所述的压力识别方法，其特征在于，所述待测生理信号序列以及所述样本生理信号序列至少包括：皮温数据信号、皮电数据信号、脉搏数据信号、呼吸数据信号、皮质醇数据信号和腕部加速度数据信号。

4.根据权利要求2所述的压力识别方法，其特征在于，将各样本人员在各压力等级下的所述样本生理信号序列和所述样本特征序列分类汇总生成所述标准压力数据库之后，还包括：

5.根据权利要求4所述的压力识别方法，其特征在于，还包括：

6.根据权利要求4所述的压力识别方法，其特征在于，所述心率信号低频段频率范围为0.04-0.14Hz，所述心率信号高频段频率范围为0.15-0.4Hz。

7.根据权利要求1所述的压力识别方法，其特征在于，所述短时傅里叶变换的窗口函数采用高斯函数，时间窗口选择1-8秒。

8.根据权利要求1所述的压力识别方法，其特征在于，还包括：

通过KNN邻近算法，获取所述标准压力数据库中与待测脉搏数据信号最接近的第二设定数量的样本脉搏数据信号；

确定所述待测对象属于第二设定数量的样本脉搏数据信号中多数所属的压力等级。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。