CN112617851A - 一种基于心电信号的脑力负荷分类方法及系统 - Google Patents

一种基于心电信号的脑力负荷分类方法及系统 Download PDF

Info

Publication number
CN112617851A
CN112617851A CN202110011958.0A CN202110011958A CN112617851A CN 112617851 A CN112617851 A CN 112617851A CN 202110011958 A CN202110011958 A CN 202110011958A CN 112617851 A CN112617851 A CN 112617851A
Authority
CN
China
Prior art keywords
electrocardiosignal
preprocessed
electrocardiosignals
mental load
data set
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.)
Pending
Application number
CN202110011958.0A
Other languages
English (en)
Inventor
庞丽萍
曲洪权
邓野
王鑫
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110011958.0A priority Critical patent/CN112617851A/zh
Publication of CN112617851A publication Critical patent/CN112617851A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于心电信号的脑力负荷分类方法及系统。该方法包括：获取待测人员的心电信号；对心电信号进行预处理；提取预处理后的心电信号的R‑R间期的时域特征；根据预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；根据预处理后的心电信号，利用样本熵算法提取非线性动力学特征；将预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定预处理后的心电信号的融合特征；根据融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果。本发明在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，进而达到快速且准确的效果。

Description

一种基于心电信号的脑力负荷分类方法及系统
技术领域
本发明涉及脑力负荷辨识领域，特别是涉及一种基于心电信号的脑力负荷分类方法及系统。
背景技术
目前国内外基于心电信号的脑力负荷分类的方法主要是心率变异性(Heart RateVariability，HRV)分析法，HRV指的是连续心动周期(R-R间期)的微小变化或连续瞬时心率的微小涨落，主要分为时域分析、频域分析和非线性分析。
现有的心电信号脑力负荷分类方法HRV代表了一种量化标测，即通过测量连续正常R-R间期变化的变异性来反映心率变化程度、规律，从而用以判断其对心血管活动的影响。HRV所有的指标都是基于R-R间期展开的，且HRV的频域分析低频(LF)需要至少1分钟，高频(HF)需要至少2分钟，低频/高频(LF/HF)则需要至少24小时才能保证结果的准确性。在HRV非线性分析中比较常用的方法是Poincare散点图(又称R-R间期散点图)，但其形状代表的意义等缺少权威的对比标准，故就目前而言，其所得结果尚待验证。
因此，针对现有技术所需信号时间长，在实际应用中难以实时响应，且脑力负荷分类精度较低的缺点，亟需一种新的脑力负荷分类方法或系统，在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，以达到快速且准确的效果。
发明内容
本发明的目的是提供一种基于心电信号的脑力负荷分类方法及系统，在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，进而达到快速且准确的效果。
为实现上述目的，本发明提供了如下方案：
一种基于心电信号的脑力负荷分类方法，包括：
获取待测人员的心电信号；所述心电信号的时长为12分钟；
对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪；
提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值；
根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征；
根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征；
将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征；
根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。
可选的，所述对所述心电信号进行预处理，具体包括：
利用自适应差分阈值法检测所述心电信号的R波位置；
根据所述R-R间期对所述心电信号进行切分；
利用R-R间期差值阈值范围对切分后的心电信号进行去噪。
可选的，所述根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征，具体包括：
利用公式
Figure BDA0002885350070000021
对所述预处理后的心电信号进行傅里叶变换；
利用公式
Figure BDA0002885350070000022
确定所述预处理后的心电信号的功率谱；
利用公式
Figure BDA0002885350070000023
确定所述预处理后的心电信号的P波和T波的能量特征；
利用公式
Figure BDA0002885350070000031
确定所述预处理后的心电信号的QRS波的能量特征；
其中，S为预处理后的心电信号，Fs(n)为S的傅里叶变换，n为心电信号样本的数目，n为从0到N-1，e为自然常数，j为复数域，ps(n)为S的功率谱密度，Fs *(n)为Fs(n)的共轭项，N为预处理后的心电信号的长度，Es,tp为P波和T波的能量特征，ps,freq为某一频率下的功率谱密度，即指叠加0-11Hz，Es,qrs为QRS波的能量。
可选的，所述支持向量机分类器包括：CV交叉验证。
可选的，根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果，之前还包括：
获取多组心电信号样本；所述多组心电信号样本的脑力负荷分类结果为已知；
对所述心电信号样本进行预处理；
获取所有预处理后的心电信号样本的融合特征；
将所有预处理后的心电信号样本的融合特征按照7：3的比例随机划分数据集，得到训练数据集以及测试数据集；所述训练数据集为70％的预处理后的心电信号样本的融合特征；所述测试数据集为30％的预处理后的心电信号样本的融合特征；
利用所述数据集对支持向量机分类器进行训练；
利用所述测试数据集对训练后的支持向量机分类器进行验证。
一种基于心电信号的脑力负荷分类系统，包括：
心电信号获取模块，用于获取待测人员的心电信号；所述心电信号的时长为12分钟；
心电信号预处理模块，用于对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪；
时域特征提取模块，用于提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值；
频域特征提取模块，用于根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征；
非线性动力学特征提取模块，用于根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征；
融合特征确定模块，用于将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征；
脑力负荷分类结果确定模块，用于根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。
可选的，所述心电信号预处理模块具体包括：
R波位置确定单元，用于利用自适应差分阈值法检测所述心电信号的R波位置；
心电信号切分单元，用于根据所述R-R间期对所述心电信号进行切分；
心电信号去噪单元，用于利用R-R间期差值阈值范围对切分后的心电信号进行去噪。
可选的，所述频域特征提取模块具体包括：
傅里叶变换单元，用于利用公式
Figure BDA0002885350070000041
对所述预处理后的心电信号进行傅里叶变换；
心电信号的功率谱确定单元，用于利用公式
Figure BDA0002885350070000042
确定所述预处理后的心电信号的功率谱；
P波和T波的能量特征确定单元，用于利用公式
Figure BDA0002885350070000051
确定所述预处理后的心电信号的P波和T波的能量特征；
QRS波的能量特征确定单元，用于利用公式
Figure BDA0002885350070000052
确定所述预处理后的心电信号的QRS波的能量特征；
其中，S为预处理后的心电信号，Fs(n)为S的傅里叶变换，n为心电信号样本的数目，n为从0到N-1，e为自然常数，j为复数域，ps(n)为S的功率谱密度，Fs *(n)为Fs(n)的共轭项，N为预处理后的心电信号的长度，Es,tp为P波和T波的能量特征，ps,freq为某一频率下的功率谱密度，即指叠加0-11Hz，Es,qrs为QRS波的能量。
可选的，还包括：
心电信号样本获取模块，用于获取多组心电信号样本；所述多组心电信号样本的脑力负荷分类结果为已知；
心电信号样本预处理模块，用于对所述心电信号样本进行预处理；
融合特征获取模块，用于获取所有预处理后的心电信号样本的融合特征；
训练数据集以及测试数据集确定模块，用于将所有预处理后的心电信号样本的融合特征按照7：3的比例随机划分数据集，得到训练数据集以及测试数据集；所述训练数据集为70％的预处理后的心电信号样本的融合特征；所述测试数据集为30％的预处理后的心电信号样本的融合特征；
支持向量机分类器训练模块，用于利用所述数据集对支持向量机分类器进行训练；
支持向量机分类器验证模块，用于利用所述测试数据集对训练后的支持向量机分类器进行验证。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于心电信号的脑力负荷分类方法及系统，通过分别心电信号的时域特征、频域特征以及非线性动力学特征，并对心电信号的时域特征、频域特征以及非线性动力学特征进行融合，得到融合特征，在一定程度上揭示了心电信号的混沌特性，更完整的反应了心电信号系统在不同脑力负荷下的变化，因而分类准确率较高。突破了以往以HRV分析为主提取心电信号特征的脑力负荷分类方法。本发明在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，达到快速且准确的效果。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于心电信号的脑力负荷分类方法流程示意图；
图2为心电信号进行切分示意图；
图3为心电信号的心电波形示意图；
图4为本发明所提供的一种基于心电信号的脑力负荷分类系统结构示意图。
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做出创造性劳动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。
本发明的目的是提供一种基于心电信号的脑力负荷分类方法及系统，在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，进而达到快速且准确的效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于心电信号的脑力负荷分类方法流程示意图，如图1所示，本发明所提供的一种基于心电信号的脑力负荷分类方法，包括：
S101，获取待测人员的心电信号；所述心电信号的时长为12分钟。
S102，对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪。
S102具体包括：
利用自适应差分阈值法检测所述心电信号的R波位置。
根据所述R-R间期对所述心电信号进行切分，并如图2所示。
利用R-R间期差值阈值范围对切分后的心电信号进行去噪。R-R间期差值阈值范围为0.6s-1s，若R-R间期的心电信号存在R-R间期差值阈值范围外的值，则筛去该噪声。
S103，提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值。
S104，根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征。心电信号的心电波形示意图如图3所示，当脑力负荷状态变化时，若心电信号发生变化，则会通过P-QRS-T波的变化体现出来，本算法利用不同频率下的功率谱密度(PSD)提取心电信号的频域特征。
S104具体包括：
利用公式
Figure BDA0002885350070000071
对所述预处理后的心电信号进行傅里叶变换。
利用公式
Figure BDA0002885350070000072
确定所述预处理后的心电信号的功率谱。
利用公式
Figure BDA0002885350070000073
确定所述预处理后的心电信号的P波和T波的能量特征。
利用公式
Figure BDA0002885350070000074
确定所述预处理后的心电信号的QRS波的能量特征。
其中，S为预处理后的心电信号，Fs(n)为S的傅里叶变换，n为心电信号样本的数目，n为从0到N-1，e为自然常数，j为复数域，ps(n)为S的功率谱密度，Fs *(n)为Fs(n)的共轭项，N为预处理后的心电信号的长度，Es,tp为P波和T波的能量特征，ps,freq为某一频率下的功率谱密度，即指叠加0-11Hz，Es,qrs为QRS波的能量。
S105，根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征。
样本熵(Sample Entropy，SampEn)是近似熵的改进算法，是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大，则该时间序列的样本熵值越大。
对于由N个数据组成的时间序列{x(n)}＝x(1)，x(2)，...，x(N)，样本熵的算法如下：
重新构造m维向量序列Xm(1)，Xm(2)，...Xm(i)，...，Xm(N-m+1)。
其中Xm(i)＝[x(i)，x(i+1)，...，x(i+m-1)]，1≤i≤N-m+1这些向量代表从第i点开始的m个连续的x的值。
定义向量Xm(i)与Xm(j)的矢量距离d[Xm(i)，Xm(j)]为两者对应元素的最大差值的绝对值。
Figure BDA0002885350070000081
给定相似容量r(r＞0)，统计满足条件d[Xm(i),Xm(j)]≤r(1≤j≤N-m+1,j≠i)的j的个数，并记作Bi。此时，认为当前距离对应的2个子序列之间是相似的。对于1≤i≤N-m+1，定义：
Figure BDA0002885350070000082
求出
Figure BDA0002885350070000085
对所有i值的平均值，记作Bm(r)，即：
Figure BDA0002885350070000083
再构造一个m+1维的矢量，重复上述步骤，得到Bm+1(r)。
样本熵定义如
Figure BDA0002885350070000084
所示，当N为有限值时，可用SampEn(m,r,N)＝-ln[Bm(r)/Bm+1(r)]估计。
由上述算法描述可知，样本熵的计算主要与维数m和相似容量r的选择有关。本算法选择m＝2，r＝0.2*SD(SD为心电信号的标准差)。目前样本熵在评估生理时间序列(EEG，sEMG等)的复杂性和诊断病理状态等方面均有应用。因此本算法计算样本熵作为心电信号的非线性动力学特征。
S106，将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征。
S107，根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。所述支持向量机分类器包括：CV交叉验证。
S107之前还包括：
获取多组心电信号样本；所述多组心电信号样本的脑力负荷分类结果为已知。实验采集了36个心电信号(年龄在22至25岁之间)。实验平台为multi-attribute taskbattery(MATB-II，NASA)。在四个地区分别部署了一些远景和作战飞行任务。在实验过程中，设置了低心理负荷(LMW)和高心理负荷(HMW)两个水平的心理负荷。每次任务采集12分钟的心电数据。
对所述心电信号样本进行预处理。
获取所有预处理后的心电信号样本的融合特征。
将所有预处理后的心电信号样本的融合特征按照7：3的比例随机划分数据集，得到训练数据集以及测试数据集；所述训练数据集为70％的预处理后的心电信号样本的融合特征；所述测试数据集为30％的预处理后的心电信号样本的融合特征。
利用所述数据集对支持向量机分类器进行训练。
利用所述测试数据集对训练后的支持向量机分类器进行验证。
图4为本发明所提供的一种基于心电信号的脑力负荷分类系统结构示意图，如图4所示，本发明所提供的一种基于心电信号的脑力负荷分类系统，包括：
心电信号获取模块401，用于获取待测人员的心电信号；所述心电信号的时长为12分钟。
心电信号预处理模块402，用于对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪。
时域特征提取模块403，用于提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值。
频域特征提取模块404，用于根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征。
非线性动力学特征提取模块405，用于根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征。
融合特征确定模块406，用于将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征。
脑力负荷分类结果确定模块407，用于根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。
所述心电信号预处理模块402具体包括：
R波位置确定单元，用于利用自适应差分阈值法检测所述心电信号的R波位置。
心电信号切分单元，用于根据所述R-R间期对所述心电信号进行切分。
心电信号去噪单元，用于利用R-R间期差值阈值范围对切分后的心电信号进行去噪。
所述频域特征提取模块404具体包括：
傅里叶变换单元，用于利用公式
Figure BDA0002885350070000111
对所述预处理后的心电信号进行傅里叶变换。
心电信号的功率谱确定单元，用于利用公式
Figure BDA0002885350070000112
确定所述预处理后的心电信号的功率谱。
P波和T波的能量特征确定单元，用于利用公式
Figure BDA0002885350070000113
确定所述预处理后的心电信号的P波和T波的能量特征。
QRS波的能量特征确定单元，用于利用公式
Figure BDA0002885350070000114
确定所述预处理后的心电信号的QRS波的能量特征。
其中，S为预处理后的心电信号，Fs(n)为S的傅里叶变换，n为心电信号样本的数目，n为从0到N-1，e为自然常数，j为复数域，ps(n)为S的功率谱密度，Fs *(n)为Fs(n)的共轭项，N为预处理后的心电信号的长度，Es,tp为P波和T波的能量特征，ps,freq为某一频率下的功率谱密度，即指叠加0-11Hz，Es,qrs为QRS波的能量。
本发明所提供的一种基于心电信号的脑力负荷分类系统，还包括：
心电信号样本获取模块，用于获取多组心电信号样本；所述多组心电信号样本的脑力负荷分类结果为已知。
心电信号样本预处理模块，用于对所述心电信号样本进行预处理。
融合特征获取模块，用于获取所有预处理后的心电信号样本的融合特征；
训练数据集以及测试数据集确定模块，用于将所有预处理后的心电信号样本的融合特征按照7：3的比例随机划分数据集，得到训练数据集以及测试数据集；所述训练数据集为70％的预处理后的心电信号样本的融合特征；所述测试数据集为30％的预处理后的心电信号样本的融合特征。
支持向量机分类器训练模块，用于利用所述数据集对支持向量机分类器进行训练。
支持向量机分类器验证模块，用于利用所述测试数据集对训练后的支持向量机分类器进行验证。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于心电信号的脑力负荷分类方法，其特征在于，包括：
获取待测人员的心电信号；所述心电信号的时长为12分钟；
对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪；
提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值；
根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征；
根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征；
将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征；
根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。
2.根据权利要求1所述的一种基于心电信号的脑力负荷分类方法，其特征在于，所述对所述心电信号进行预处理，具体包括：
利用自适应差分阈值法检测所述心电信号的R波位置；
根据所述R-R间期对所述心电信号进行切分；
利用R-R间期差值阈值范围对切分后的心电信号进行去噪。
3.根据权利要求1所述的一种基于心电信号的脑力负荷分类方法，其特征在于，所述根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征，具体包括：
利用公式
Figure FDA0002885350060000011
对所述预处理后的心电信号进行傅里叶变换；
利用公式
Figure FDA0002885350060000021
确定所述预处理后的心电信号的功率谱；
利用公式
Figure FDA0002885350060000022
确定所述预处理后的心电信号的P波和T波的能量特征；
利用公式
Figure FDA0002885350060000023
确定所述预处理后的心电信号的QRS波的能量特征；
其中，S为预处理后的心电信号，Fs(n)为S的傅里叶变换，n为心电信号样本的数目，n为从0到N-1，e为自然常数，j为复数域，ps(n)为S的功率谱密度，Fs *(n)为Fs(n)的共轭项，N为预处理后的心电信号的长度，Es,tp为P波和T波的能量特征，ps,freq为某一频率下的功率谱密度，即指叠加0-11Hz，Es,qrs为QRS波的能量。
4.根据权利要求1所述的一种基于心电信号的脑力负荷分类方法，其特征在于，所述支持向量机分类器包括：CV交叉验证。
5.根据权利要求1所述的一种基于心电信号的脑力负荷分类方法，其特征在于，根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果，之前还包括：
获取多组心电信号样本；所述多组心电信号样本的脑力负荷分类结果为已知；
对所述心电信号样本进行预处理；
获取所有预处理后的心电信号样本的融合特征；
将所有预处理后的心电信号样本的融合特征按照7：3的比例随机划分数据集，得到训练数据集以及测试数据集；所述训练数据集为70％的预处理后的心电信号样本的融合特征；所述测试数据集为30％的预处理后的心电信号样本的融合特征；
利用所述数据集对支持向量机分类器进行训练；
利用所述测试数据集对训练后的支持向量机分类器进行验证。
6.一种基于心电信号的脑力负荷分类系统，其特征在于，包括：
心电信号获取模块，用于获取待测人员的心电信号；所述心电信号的时长为12分钟；
心电信号预处理模块，用于对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪；
时域特征提取模块，用于提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值；
频域特征提取模块，用于根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征；
非线性动力学特征提取模块，用于根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征；
融合特征确定模块，用于将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征；
脑力负荷分类结果确定模块，用于根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。
7.根据权利要求6所述的一种基于心电信号的脑力负荷分类系统，其特征在于，所述心电信号预处理模块具体包括：
R波位置确定单元，用于利用自适应差分阈值法检测所述心电信号的R波位置；
心电信号切分单元，用于根据所述R-R间期对所述心电信号进行切分；
心电信号去噪单元，用于利用R-R间期差值阈值范围对切分后的心电信号进行去噪。
8.根据权利要求6所述的一种基于心电信号的脑力负荷分类系统，其特征在于，所述频域特征提取模块具体包括：
傅里叶变换单元，用于利用公式
Figure FDA0002885350060000041
对所述预处理后的心电信号进行傅里叶变换；
心电信号的功率谱确定单元，用于利用公式
Figure FDA0002885350060000042
确定所述预处理后的心电信号的功率谱；
P波和T波的能量特征确定单元，用于利用公式
Figure FDA0002885350060000043
确定所述预处理后的心电信号的P波和T波的能量特征；
QRS波的能量特征确定单元，用于利用公式
Figure FDA0002885350060000044
确定所述预处理后的心电信号的QRS波的能量特征；
其中，S为预处理后的心电信号，Fs(n)为S的傅里叶变换，n为心电信号样本的数目，n为从0到N-1，e为自然常数，j为复数域，ps(n)为S的功率谱密度，Fs *(n)为Fs(n)的共轭项，N为预处理后的心电信号的长度，Es,tp为P波和T波的能量特征，ps,freq为某一频率下的功率谱密度，即指叠加0-11Hz，Es,qrs为QRS波的能量。
9.根据权利要求6所述的一种基于心电信号的脑力负荷分类系统，其特征在于，还包括：
心电信号样本获取模块，用于获取多组心电信号样本；所述多组心电信号样本的脑力负荷分类结果为已知；
心电信号样本预处理模块，用于对所述心电信号样本进行预处理；
融合特征获取模块，用于获取所有预处理后的心电信号样本的融合特征；
训练数据集以及测试数据集确定模块，用于将所有预处理后的心电信号样本的融合特征按照7：3的比例随机划分数据集，得到训练数据集以及测试数据集；所述训练数据集为70％的预处理后的心电信号样本的融合特征；所述测试数据集为30％的预处理后的心电信号样本的融合特征；
支持向量机分类器训练模块，用于利用所述数据集对支持向量机分类器进行训练；
支持向量机分类器验证模块，用于利用所述测试数据集对训练后的支持向量机分类器进行验证。
CN202110011958.0A 2021-01-06 2021-01-06 一种基于心电信号的脑力负荷分类方法及系统 Pending CN112617851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110011958.0A CN112617851A (zh) 2021-01-06 2021-01-06 一种基于心电信号的脑力负荷分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110011958.0A CN112617851A (zh) 2021-01-06 2021-01-06 一种基于心电信号的脑力负荷分类方法及系统

Publications (1)

Publication Number Publication Date
CN112617851A true CN112617851A (zh) 2021-04-09

Family

ID=75291474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110011958.0A Pending CN112617851A (zh) 2021-01-06 2021-01-06 一种基于心电信号的脑力负荷分类方法及系统

Country Status (1)

Country Link
CN (1) CN112617851A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113633293A (zh) * 2021-07-29 2021-11-12 佛山科学技术学院 混沌检测t波电交替的心源性猝死预警方法
CN116269391A (zh) * 2023-05-22 2023-06-23 华南理工大学 一种心脑耦合分析评估方法及其系统
WO2024062345A1 (en) * 2022-09-22 2024-03-28 Medtronic, Inc. Selectively filtering noise from cardiac signals

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107788970A (zh) * 2017-11-15 2018-03-13 中国航天员科研训练中心 一种基于多生理参数方法融合的脑力负荷评估方法
CN109171707A (zh) * 2018-10-24 2019-01-11 杭州电子科技大学 一种智能心电图分类方法
CN109770860A (zh) * 2019-03-28 2019-05-21 广州视源电子科技股份有限公司 一种心电信号处理装置和心电设备
CN111449646A (zh) * 2020-03-18 2020-07-28 广州视源电子科技股份有限公司 一种心电图识别方法、装置、存储介质及电子设备
CN111616680A (zh) * 2020-05-26 2020-09-04 北京航空航天大学 一种脑力负荷自动辨识方法及系统
CN112006682A (zh) * 2020-06-02 2020-12-01 东南大学 一种基于多通道频率特征定制的左右手运动想象脑电信号分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107788970A (zh) * 2017-11-15 2018-03-13 中国航天员科研训练中心 一种基于多生理参数方法融合的脑力负荷评估方法
CN109171707A (zh) * 2018-10-24 2019-01-11 杭州电子科技大学 一种智能心电图分类方法
CN109770860A (zh) * 2019-03-28 2019-05-21 广州视源电子科技股份有限公司 一种心电信号处理装置和心电设备
CN111449646A (zh) * 2020-03-18 2020-07-28 广州视源电子科技股份有限公司 一种心电图识别方法、装置、存储介质及电子设备
CN111616680A (zh) * 2020-05-26 2020-09-04 北京航空航天大学 一种脑力负荷自动辨识方法及系统
CN112006682A (zh) * 2020-06-02 2020-12-01 东南大学 一种基于多通道频率特征定制的左右手运动想象脑电信号分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHILIANG SHAO 等: "Research of HRV as a Measure of Mental Workload in Human and Dual-Arm Robot Interaction", 《ELECTRONICS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113633293A (zh) * 2021-07-29 2021-11-12 佛山科学技术学院 混沌检测t波电交替的心源性猝死预警方法
WO2024062345A1 (en) * 2022-09-22 2024-03-28 Medtronic, Inc. Selectively filtering noise from cardiac signals
CN116269391A (zh) * 2023-05-22 2023-06-23 华南理工大学 一种心脑耦合分析评估方法及其系统
CN116269391B (zh) * 2023-05-22 2023-07-18 华南理工大学 一种心脑耦合分析评估方法及其系统

Similar Documents

Publication Publication Date Title
US11529103B2 (en) Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus
CN112617851A (zh) 一种基于心电信号的脑力负荷分类方法及系统
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
US11234629B2 (en) Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence
CN110338786B (zh) 一种癫痫样放电的识别与分类方法、系统、装置和介质
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
Inbar et al. On surface EMG spectral characterization and its application to diagnostic classification
KR101524226B1 (ko) 신경망을 이용한 심장질환판별 방법 및 그 장치
US5645069A (en) System for and method of analyzing electrocardiograms employing chaos techniques
CN110693489B (zh) 一种基于多分类器强化学习的心肌梗塞检测方法
CN108577834B (zh) 一种用于癫痫间期棘波自动检测的方法
Daqrouq et al. Neural network and wavelet average framing percentage energy for atrial fibrillation classification
Kumar et al. Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis
CN111248928A (zh) 压力识别方法及装置
CN103970975A (zh) 心电数据处理方法和系统
CN112932498A (zh) 一种基于深度学习的强泛化能力的t波形态分类系统
CN115486849A (zh) 心电信号质量评估方法、装置及设备
Azami et al. Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm
CN116712099A (zh) 基于多模态数据的胎心状态检测方法、电子设备、存储介质
Fattah et al. An approach for human identification based on time and frequency domain features extracted from ECG signals
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
KR102605130B1 (ko) 인공 신경망을 이용하여 표준 12리드 심전도 신호로부터 심장 부정맥을 분류하는 방법 및 이를 이용한 심장 부정맥 분류장치
Pretorius et al. Feature extraction from ECG for classification by artificial neural networks
CN109846473A (zh) 一种检测单导联10秒心电图噪音干扰程度的方法
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409