CN112806994A - 一种基于生理信号预测个体压力应对方式的系统和方法 - Google Patents

Abstract

本申请实施例公开了一种基于生理信号预测个体压力应对方式的系统和方法。该系统包括：生理信号采集模块，对个体生理信号进行采集，获取目标生理信号；信号预处理模块，对目标生理信号进行预处理，得到目标生理数据；特征提取模块，对目标生理数据进行特征提取，得到待处理特征；特征选择模块，对待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集；分类器训练模块，通过目标特征参数集，对分类模型进行训练，建立压力应对方式模型；结果输出模块，根据压力应对方式模型，输出预测的个体压力应对方式。本技术方案，可以利用生理信号预测个体压力应对方式，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

Description

一种基于生理信号预测个体压力应对方式的系统和方法

技术领域

本申请实施例涉及心理测评技术领域，尤其涉及一种基于生理信号预测个体压力应对方式的系统和方法。

背景技术

心理压力是指一个人在觉察或认识到自己正面对着至关重要而又难以应对的环境情况时，产生一种倾向于通过各式各样的心理和生理反应而表现出来的心身紧张状态。压力应对方式是心理应激过程中一种重要调节机制，指一个人在面对压力期间处理应激情境、保持心理平衡的方式。

个体压力应对方式的评估具有重要意义，准确地识别人们的压力应对方式，一方面能够避免人长期过度暴露于压力情景下，从而减少其患病的风险；另一方面能为不同专业领域培养和选拔人才提供帮助。当前，压力应对方式的评估方法主要依靠问卷测评法。

采用问卷测评法，测评结果会受到主观心理意识的影响，测评结果准确率低。

发明内容

本申请实施例提供一种基于生理信号预测个体压力应对方式的系统和方法，利用生理信号预测个体压力应对方式，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

第一方面，本申请实施例提供了一种基于生理信号预测个体压力应对方式的系统，该系统包括：

压力情景诱发模块、生理信号采集模块、信号预处理模块、特征提取模块、特征选择模块、分类器训练模块以及结果输出模块；

所述压力情景诱发模块，与所述生理信号采集模块连接，根据预先设定的图片数据诱发个体产生压力状态下的生理信号；

所述生理信号采集模块，与所述信号预处理模块连接，利用生理信号采集设备对所述生理信号进行采集，得到目标生理信号，并将所述目标生理信号传输至所述信号预处理模块；

所述信号预处理模块，与所述特征提取模块连接，对所述目标生理信号进行去噪处理，得到目标生理数据，并将所述目标生理数据传输至所述特征提取模块；

所述特征提取模块，与所述特征选择模块连接，对所述目标生理数据进行特征提取，得到待处理特征，并将所述待处理特征传输至所述特征选择模块；

所述特征选择模块，与所述分类器训练模块连接，对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集，并将所述目标特征参数集传输至所述分类器训练模块；

所述分类器训练模块，与所述结果输出模块连接，通过所述目标特征参数集，对分类模型进行训练，建立压力应对方式模型；

所述结果输出模块，根据所述压力应对方式模型，输出预测的个体压力应对方式；其中，所述压力应对方式包括成熟型、不成熟型和混合型。

第二方面，本申请实施例提供了一种基于生理信号预测个体压力应对方式的方法，该方法包括：

根据预先设定的图片数据诱发个体产生压力状态下的生理信号；

利用生理信号采集设备对所述生理信号进行采集，得到目标生理信号；

对所述目标生理信号进行去噪处理，得到目标生理数据；

对所述目标生理数据进行特征提取，得到待处理特征；

对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集；

通过所述目标特征参数集，对分类模型进行训练，建立压力应对方式模型；

根据所述压力应对方式模型，输出预测的个体压力应对方式；其中，所述压力应对方式包括成熟型、不成熟型、和混合型。

本申请实施例所提供的技术方案，压力情景诱发模块，根据预先设定的图片数据诱发个体产生压力状态下的生理信号；生理信号采集模块，利用生理信号采集设备对生理信号进行采集，得到目标生理信号；信号预处理模块，对目标生理信号进行去噪处理，得到目标生理数据；特征提取模块，对目标生理数据进行特征提取，得到待处理特征；特征选择模块，对待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集；分类器训练模块，通过目标特征参数集，对分类模型进行训练，建立压力应对方式模型；结果输出模块，根据压力应对方式模型，输出预测的个体压力应对方式。本技术方案，可以利用生理信号预测个体压力应对方式，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

附图说明

图1是本申请实施例一提供的基于生理信号预测个体压力应对方式的系统的结构示意图；

图2是本申请实施例二提供的基于生理信号预测个体压力应对方式的方法的流程图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本申请实施例一提供的基于生理信号预测个体压力应对方式的系统的结构示意图，本实施例可适用于对个体压力应对方式进行预测的情况，该系统可集成于用于个体压力应对方式预测的智能终端等设备中。

如图1所示，所述基于生理信号预测个体压力应对方式的系统包括：

压力情景诱发模块110、生理信号采集模块120、信号预处理模块130、特征提取模块140、特征选择模块150、分类器训练模块160以及结果输出模块170；

所述压力情景诱发模块110，与所述生理信号采集模块120连接，根据预先设定的图片数据诱发个体产生压力状态下的生理信号；

所述生理信号采集模块120，与所述信号预处理模块130连接，利用生理信号采集设备对所述生理信号进行采集，得到目标生理信号，并将所述目标生理信号传输至所述信号预处理模块130；

所述信号预处理模块130，与所述特征提取模块140连接，对所述目标生理信号进行去噪处理，得到目标生理数据，并将所述目标生理数据传输至所述特征提取模块140；

所述特征提取模块140，与所述特征选择模块150连接，对所述目标生理数据进行特征提取，得到待处理特征，并将所述待处理特征传输至所述特征选择模块150；

所述特征选择模块150，与所述分类器训练模块160连接，对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集，并将所述目标特征参数集传输至所述分类器训练模块160；

所述分类器训练模块160，与所述结果输出模块170连接，通过所述目标特征参数集，对分类模型进行训练，建立压力应对方式模型；

所述结果输出模块170，根据所述压力应对方式模型，输出预测的个体压力应对方式；其中，所述压力应对方式包括成熟型、不成熟型和混合型。

其中，图片数据可以是负面情景图片材料，用于诱发个体产生适度的心理压力，诱发相应的生理信号。预先设定的图片数据是经过标准化的评估，能够保证情绪效价和唤醒度上的匹配。优选的，可以在电脑屏幕上显示100张图片，每张图片呈现3s，图片呈现期间要求个体集中精力观察和感受图片内容。其中，心理压力是指个体在觉察或认识到自己正面对着至关重要而又难以应对的环境情况时，产生一种倾向于通过各式各样的心理和生理反应而表现出来的心身紧张状态。生理信号可以是测量的定义人体器官组织因某些原因而向人脑发送的生理信息。例如，生理信号可以是头晕、心跳加速或者头脑空白等。

在本实施例中，目标生理信号可以是目标脑电信号或者目标心电信号等生理信号。其中，目标脑电信号可以是脑部的自发性生物电位信号；目标心电信号可以是心脏每一心动周期所产生的电活动信号。

其中，生理信号采集设备是一种用于生物学、电子与通信技术、计算机科学技术领域的医学科研仪器，可以用于对生理信号进行采集。生理信号采集设备可以是脑电信号采集设备或者心电信号采集设备等。具体的，可以将生理信号采集设备穿戴在个体身体相应的采集位置上，对个体产生的生理信号进行采集，得到目标生理信号。

在本方案中，目标生理数据可以是对目标生理信号进行处理后的数据。例如，可以是对目标生理信号进行滤波处理或者对目标生理信号进行小波变换处理。小波变换可以对目标生理信号进行时域分析和处理。

其中，待处理特征可以是时域特征或者频域特征等。时域是描述数学函数或物理信号对时间的关系。例如，一个信号的时域波形可以表达信号随着时间的变化。频域是描述信号在频率方面特性时用到的一种坐标系。通过对目标生理数据进行特征提取，可以获取到时域特征或者频域特征。其中，特征提取是指使用计算机提取图像中属于特征性的信息的方法及过程。获得待处理特征后，对待处理特征进行标准化处理。例如，可以采用最小值最大值标准化处理。

在本实施例中，目标特征参数集可以是对待处理特征进行筛选后得到的特征参数集。不同分类器对待处理特征的敏感度不同，需要根据不同分类器对待处理特征进行筛选，得到与压力应对方式关联度较大的目标特征参数集。

具体的，使用分类器训练模块160对目标特征参数集进行机器学习，建立压力应对方式模型。可以是将目标特征参数集分为训练集和验证集，并选择机器学习算法，对分类器进行训练，建立压力应对方式模型。可选的，机器学习算法可以是支持向量机、KNN(K近邻)、朴素贝叶斯或者决策树算法等。例如，可以选择支持向量机算法，通过监督学习的方式使用训练集建立高准确率的压力应对方式模型。

其中，压力应对方式是心理应激过程中一种重要调节机制，指一个人在面对压力期间处理应激情境、保持心理平衡的方式。在压力应对过程中，基于个体面对压力情境时的认知表现，可将压力应对方式分为成熟型、不成熟型和混合型三种类型。倾向于成熟型压力应对方式的人，通常能通过解决问题和求助来面对应激事件、压力事件或环境，并且其人格特征和行为方式也较为成熟稳定；倾向于不成熟型压力应对方式的人，在生活中常以退避、自责和幻想等方式应对困难和挫折，表现出一种神经症性的人格特点，其情绪和行为均缺乏稳定性；倾向于混合型压力应对方式的人，集成熟与不成熟的压力应对方式于一体，在应对行为上表现出一种矛盾的心态和两面性的人格特点。

可以理解的，通过分类器训练模块160对目标特征进行训练，建立压力应对方式模型，结果输出模块170可以通过压力应对模型，对个体压力应对方式进行预测。

在本技术方案中，可选的，所述目标生理信号包括目标脑电信号和目标心电信号、目标皮电信号以及目标肌电信号中的至少一种。

其中，目标皮电信号可以是皮肤电阻或电导随皮肤汗腺机能变化产生的信号；目标肌电信号可以是肌肉在放松和收紧时的电活动信号。

通过对目标生理信号进行采集，结合脑电信号、心电信号、皮电信号和肌电信号多生理信号对压力应对方式进行评估，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

在本技术方案中，可选的，所述生理信号采集模块120，具体用于：

通过脑电信号采集单元对所述生理信号进行采集，得到目标脑电信号；以及，

通过心电信号采集单元对所述生理信号进行采集，得到目标心电信号；以及，

通过皮电信号采集单元对所述生理信号进行采集，得到目标皮电信号；以及，

通过肌电信号采集单元对所述生理信号进行采集，得到目标肌电信号。

具体的，使用基于10-20定位系统的64导联脑电采集设备，采集大脑头皮电活动，得到目标脑电信号；使用3导联心电信号采集设备，将电极贴片分别贴于胸骨右缘锁骨中线第一肋间、胸骨左缘锁骨中线第一肋间和左锁骨中线剑突水平处，采集心电信号，得到目标心电信号；将皮电信号设备佩戴在被试者的中指和食指远端指骨下方处，采集皮电信号，得到目标皮电信号；使用4导联肌电采集设备，将两对电极并排放置在颈部两侧的斜方肌上，参考电极置于两对电极中间，采集肌电信号，得到目标肌电信号。

通过对脑电信号、心电信号、皮电信号以及肌电信号进行采集，可以利用多生理信号对个体压力对应方式进行预测，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

在本技术方案中，可选的，所述信号预处理模块130，具体用于：

利用基线校正、滤波处理、独立成分分析法、小波变换以及频谱分析法对目标脑电信号进行处理，得到目标脑电数据；以及，

利用滤波处理、小波变换和频谱分析法对目标心电信号进行处理，得到目标心电数据；以及，

利用滤波处理和小波变换对目标皮电信号以及目标肌电信号进行处理，得到目标皮电数据以及目标肌电数据。

在本实施例中，使用带通滤波器对目标脑电信号去除杂波，将目标脑电信号进行分段以及基线校正，使用独立成分分析法去除眼电信号以及心电信号，得到预处理后的目标脑电信号，并利用小波变换和频谱分析法对目标脑电信号进行处理，得到目标脑电数据。其中，分段是以实验刺激出现的起始点为零时刻点，根据实验出现的事件，将脑电数据划分成多个数据段，每段为刺激前1000ms到刺激后2000ms。对每个试次提取一段同样长度的数据段。眼电信号和心电信号是脑电信号采集过程中常见的噪音。基线校正可以用于消除自发脑电活动导致的脑电噪声，以零时刻点前的数据作为基线，假设零时刻点前的脑电信号代表接收刺激时的自发脑电，用零时刻点后的数据减去零时刻点前的各点数据的平均值，消除部分的自发脑电噪声，从而使得经过基线校正后的脑电数据从偏向横轴的某一侧变成围绕横轴上下波动。

在本方案中，目标心电信号经滤波处理后，使用小波变换去除基线漂移，小波变换后进行阈值处理和归一化，并使用频谱分析法进行处理，得到目标心电数据。其中，基线漂移是检测器基线随时间的增加朝单一方向的偏离。阈值处理就是在小波分解后，对小波系数设置阈值，在众多小波系数中，把绝对值较小的系数置为零，而让绝对值较大的系数保留或收缩，然后对阈值处理后的系数进行小波逆变换，直接进行信号重构，可达到去除噪音的目的。由于在不同评价特征指标中，其量纲或是量纲单位往往不同，变化区间处于不同的数量级，为了消除特征数据之间的量纲影响，进行归一化处理，以解决特征指标之间的可比性。可选的，归一化方法包括最小值-最大值标准化：对原始数据进行线性变换，使结果值映射到[0-1]之间；z分数标准化：将原始数据转化为均值与标准差。

其中，目标皮电信号以及目标肌电信号可以直接通过滤波器去除杂波，并进行小波变换，通过小波变换后，进行阈值处理和归一化，得到目标皮电数据以及目标肌电数据。

通过信号预处理模块对目标脑电信号、目标心电信号、目标皮电信号以及目标肌电信号进行处理，可以得到多生理信号数据，有利于更准确地预测个体压力应对方式。

在本技术方案中，可选的，所述待处理特征包括待处理脑电特征、待处理心电特征、待处理皮电特征以及待处理肌电特征；

其中，所述待处理脑电特征包括脑电时域特征、脑电频域特征和脑电非线性特征；所述待处理心电特征包括心电时域特征和心电频域特征；所述待处理皮电特征包括皮电时域特征、皮电频域特征、皮电非线性特征；所述待处理肌电特征包括肌电时域特征、肌电频域特征和肌电非线性特征。

可以理解的，获得目标生理数据后，对目标生理数据进行提取，目标生理数据是对多个生理信号进行采集得到的，分别对目标脑电数据、目标心电数据、目标皮电数据以及目标肌电数据进行提取。

通过对目标生理数据进行特征提取，可以利用多生理信号对个体压力对应方式进行预测，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

在本技术方案中，可选的，所述脑电时域特征包括时域均值、中值、标准差、最小值、最大值、差值范围、偏歪度和峭度；所述脑电频域特征包括δ、θ、α、β、γ频段下的绝对功率、相对功率、各频段中心频率、功率谱密度、能量、不对称差和不对称商；所述脑电非线性特征包括小波熵与样本熵；

所述心电时域特征包括Q、R和S峰振幅、均值、最大值、最小值、标准差、P-Q间隔、Q-S间隔和S-T间隔的最大值、最小值、平均值、标准差以及心率变异率时域值；所述心电频域特征包括RR间隔频域的频率、带内功率，峰值频率以及低频、高频和高低频比；

所述皮电时域特征包括一阶差分、二阶差分的均值、中值、方差、标准差、最小值、最大值、差值范围、最小值比率以及最大值比率；所述皮电频域特征包括功率谱和功率谱密度；所述皮电非线性特征包括复杂度、盒子维、信息熵、近似熵和样本熵；

所述肌电时域特征包括一阶差分、二阶差分的均值、中值、方差、标准差、最小值、最大值、差值范围、最小值比率和最大值比率；所述肌电频域特征包括功率谱和功率谱密度；所述肌电非线性特征包括复杂度、盒子维、信息熵、近似熵和样本熵。

其中，δ的范围是0.5-2Hz、θ的范围是4-8Hz、α的范围是8-12Hz、β的范围是12-30Hz、γ的范围是30-47Hz；差值范围指的是时域最小值和最大值的差值范围；偏歪度是指对统计数据分布偏斜方向及程度的度量；峭度反映随机变量分布特性的数值统计量；不对称差是指左右脑对称电极的微分熵特征值的差；不对称商是指左右脑对称电极的微分熵特征值的商；小波熵是指信号在不同尺度上的能量分布；样本熵是指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；复杂度是指一件事物的复杂性可以用描述这件事物所用的计算机语言的长度来衡量，描述这件事物所用的计算机语言的长度越长，复杂度越高；盒子维是指非线性自由度信息的参数；信息熵常被用来作为一个系统的信息含量的量化指标；近似熵是描述信号复杂性和规律性的指标；样本熵是指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的指标。

通过对目标生理数据进行特征提取，可以实现利用多生理信号对个体压力对应方式进行预测，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

在本技术方案中，可选的，所述特征选择模块150，具体用于：

利用过滤法、嵌入法或者包装法对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集。

在本实施例中，过滤法可以是指皮尔逊相关系数、卡方分布等方法；嵌入法可以是指递归特征消除等方法；包装法可以是指套索、树模型等方法。其中，可以使用过滤法、嵌入法或者包装法中的一种或者任意组合对待处理特征进行选择。

在本实施例中，过滤法可以是Filter特征选择方法，Filter特征选择方法主要思想为对每一维特征打分，即给每一维的特征赋予权重，这样的权重就代表着该特征的重要性，然后依据权重排序。具体的，第一步使用基于特征排序的Filter算法去除无关特征，第二步使用基于搜索策略的Filter算法删除冗余特征对待处理特征进行选择。其中，无关特征是指与当前学习任务无关的特征。例如，生理信号中的工频干扰特征。冗余特征是指该特征所包含的信息能从其他特征推演出来，则它是冗余特征。例如，对于呼吸频率这个特征，能从目标心电数据得出，则它是冗余特征。

具体步骤如下：第一步，分别对每个待处理特征x_i，计算x_i相对于类别标签y的信息量S(i)，得到n个结果。然后将n个S(i)按照从大到小排序，输出前k个特征，用于去除无关特征。第二步，初始化特征集F为空，扫描i从1到n，如果第i个特征不在F中，那么特征i和F放在一起作为F_i(即F_i＝F\cup{i})。在只使用F_i中特征的情况下，利用交叉验证来得到F_i的错误率，从上步中得到的n个F_i中选出错误率最小的F_i，更新F为F_i，如果F中的特征数达到了n或者预定的阈值，那么输出整个搜索过程中最好的，以此去除冗余特征。

通过对待处理特征进行选择，能够去除无关特征和冗余特征，得到与压力应对方式关联度较大的目标特征，提高了分类器训练的准确率。

本申请实施例所提供的技术方案，压力情景诱发模块，根据预先设定的图片数据诱发个体产生压力状态下的生理信号；生理信号采集模块，利用生理信号采集设备对生理信号进行采集，得到目标生理信号；信号预处理模块，对目标生理信号进行去噪处理，得到目标生理数据；特征提取模块，对目标生理数据进行特征提取，得到待处理特征；特征选择模块，对待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集；分类器训练模块，通过目标特征参数集，对分类模型进行训练，建立压力应对方式模型；结果输出模块，根据压力应对方式模型，输出预测的个体压力应对方式。通过执行本技术方案，可以利用生理信号预测个体压力应对方式，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

实施例二

图2是本申请实施例二提供的基于生理信号预测个体压力应对方式的方法的流程图，所述方法由基于生理信号预测个体压力应对方式的系统执行。

如图2所示，基于生理信号预测个体压力应对方式的方法包括：

S210、根据预先设定的图片数据诱发个体产生压力状态下的生理信号。

在本实施例中，由基于生理信号预测个体压力应对方式的系统中的压力情景诱发模块展示预先设定的图片数据，诱导个体产生适当的心理压力，诱发相应的生理信号。预先设定的图片数据是经过标准化的评估，能够保证情绪效价和唤醒度上的匹配。

S220、利用生理信号采集设备对所述生理信号进行采集，得到目标生理信号。

其中，生理信号采集设备可以是脑电信号采集设备、心电信号采集设备、皮电信号采集设备以及肌电信号采集设备，可以将生理信号采集设备穿戴在个体身体相应的采集位置上，对个体产生的生理信号进行采集，得到目标脑电信号、目标心电信号、目标皮电信号以及目标肌电信号。

在本技术方案中，可选的，所述目标生理信号包括目标脑电信号和目标心电信号、目标皮电信号以及目标肌电信号中的至少一种。

通过采集目标生理信号，可以利用生理信号预测个体压力应对方式，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

S230、对所述目标生理信号进行去噪处理，得到目标生理数据。

在本方案中，使用基于生理信号预测个体压力应对方式的系统中的信号预处理模块对目标生理信号进行处理，得到目标生理数据。

在本技术方案中，可选的，对所述目标生理信号进行去噪处理，得到目标生理数据，包括：

利用基线校正、滤波处理、独立成分分析法、小波变换以及频谱分析法对目标脑电信号进行处理，得到目标脑电数据；以及，

利用滤波处理、小波变换和频谱分析法对目标心电信号进行处理，得到目标心电数据；以及，

利用滤波处理和小波变换对目标皮电信号以及目标肌电信号进行处理，得到目标皮电数据以及目标肌电数据。

通过对目标生理信号进行处理，可以得到多个生理信号数据，有利于更准确地预测个体压力应对方式。

S240、对所述目标生理数据进行特征提取，得到待处理特征。

其中，可以通过对目标生理数据进行校正、增强以及变换等技术实现对目标生理数据的特征提取，得到待处理特征，获得待处理特征后，对待处理特征进行标准化处理。例如，可以采用最小值最大值标准化处理。

S250、对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集。

具体的，可以是通过Filter特征选择方法对待处理特征进行选择。第一步使用基于特征排序的Filter算法去除无关特征，第二步使用基于搜索策略的Filter算法删除冗余特征对待处理特征进行选择。也可以是通过递归特征消除、套索、树模型等方法对待处理特征进行选择。

S260、通过所述目标特征参数集，对分类模型进行训练，建立压力应对方式模型。

具体的，获得目标特征参数集后，目标特征参数集分为训练集和验证集，并选择机器学习算法，对分类器进行训练，建立压力应对方式模型。可以选择支持向量机算法，通过监督学习的方式使用训练集建立高准确率的压力应对方式模型。

S270、根据所述压力应对方式模型，输出预测的个体压力应对方式；其中，所述压力应对方式包括成熟型、不成熟型、和混合型。

可以理解的，建立压力应对方式模型后，将获得的个体的目标特征输入到压力应对方式模型中进行预测，可以得到个体压力应对方式。

本申请实施例所提供的技术方案，根据预先设定的图片数据诱发个体产生压力状态下的生理信号；利用生理信号采集设备对生理信号进行采集，得到目标生理信号；对目标生理信号进行去噪处理，得到目标生理数据；对目标生理数据进行特征提取，得到待处理特征；对待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集；通过目标特征参数集，对分类模型进行训练，建立压力应对方式模型；根据压力应对方式模型，输出预测的个体压力应对方式；其中，压力应对方式包括成熟型、不成熟型、和混合型。通过执行本技术方案，可以利用生理信号预测个体压力应对方式，能够更为客观地评估个体的压力应对方式，评估结果准确率高。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于生理信号预测个体压力应对方式的系统，其特征在于，所述系统包括压力情景诱发模块、生理信号采集模块、信号预处理模块、特征提取模块、特征选择模块、分类器训练模块以及结果输出模块；

所述压力情景诱发模块，与所述生理信号采集模块连接，根据预先设定的图片数据诱发个体产生压力状态下的生理信号；

所述生理信号采集模块，与所述信号预处理模块连接，利用生理信号采集设备对所述生理信号进行采集，得到目标生理信号，并将所述目标生理信号传输至所述信号预处理模块；

所述信号预处理模块，与所述特征提取模块连接，对所述目标生理信号进行去噪处理，得到目标生理数据，并将所述目标生理数据传输至所述特征提取模块；

所述特征提取模块，与所述特征选择模块连接，对所述目标生理数据进行特征提取，得到待处理特征，并将所述待处理特征传输至所述特征选择模块；

所述特征选择模块，与所述分类器训练模块连接，对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集，并将所述目标特征参数集传输至所述分类器训练模块；

所述分类器训练模块，与所述结果输出模块连接，通过所述目标特征参数集，对分类模型进行训练，建立压力应对方式模型；

所述结果输出模块，根据所述压力应对方式模型，输出预测的个体压力应对方式；其中，所述压力应对方式包括成熟型、不成熟型和混合型。

2.根据权利要求1所述的系统，其特征在于，所述目标生理信号包括目标脑电信号和目标心电信号、目标皮电信号以及目标肌电信号中的至少一种。

3.根据权利要求2所述的系统，其特征在于，所述生理信号采集模块，具体用于：

通过脑电信号采集单元对所述生理信号进行采集，得到目标脑电信号；以及，

通过心电信号采集单元对所述生理信号进行采集，得到目标心电信号；以及，

通过皮电信号采集单元对所述生理信号进行采集，得到目标皮电信号；以及，

通过肌电信号采集单元对所述生理信号进行采集，得到目标肌电信号。

4.根据权利要求2所述的系统，其特征在于，所述信号预处理模块，具体用于：

利用基线校正、滤波处理、独立成分分析法、小波变换以及频谱分析法对目标脑电信号进行处理，得到目标脑电数据；以及，

利用滤波处理、小波变换和频谱分析法对目标心电信号进行处理，得到目标心电数据；以及，

利用滤波处理和小波变换对目标皮电信号以及目标肌电信号进行处理，得到目标皮电数据以及目标肌电数据。

5.根据权利要求1所述的系统，其特征在于，所述待处理特征包括待处理脑电特征、待处理心电特征、待处理皮电特征以及待处理肌电特征；

其中，所述待处理脑电特征包括脑电时域特征、脑电频域特征和脑电非线性特征；所述待处理心电特征包括心电时域特征和心电频域特征；所述待处理皮电特征包括皮电时域特征、皮电频域特征、皮电非线性特征；所述待处理肌电特征包括肌电时域特征、肌电频域特征和肌电非线性特征。

6.根据权利要求5所述的系统，其特征在于，所述脑电时域特征包括时域均值、中值、标准差、最小值、最大值、差值范围、偏歪度和峭度；所述脑电频域特征包括δ、θ、α、β、γ频段下的绝对功率、相对功率、各频段中心频率、功率谱密度、能量、不对称差和不对称商；所述脑电非线性特征包括小波熵与样本熵；

所述心电时域特征包括Q、R和S峰振幅、均值、最大值、最小值、标准差、P-Q间隔、Q-S间隔和S-T间隔的最大值、最小值、平均值、标准差以及心率变异率时域值；所述心电频域特征包括RR间隔频域的频率、带内功率，峰值频率以及低频、高频和高低频比；

所述皮电时域特征包括一阶差分、二阶差分的均值、中值、方差、标准差、最小值、最大值、差值范围、最小值比率以及最大值比率；所述皮电频域特征包括功率谱和功率谱密度；所述皮电非线性特征包括复杂度、盒子维、信息熵、近似熵和样本熵；

所述肌电时域特征包括一阶差分、二阶差分的均值、中值、方差、标准差、最小值、最大值、差值范围、最小值比率和最大值比率；所述肌电频域特征包括功率谱和功率谱密度；所述肌电非线性特征包括复杂度、盒子维、信息熵、近似熵和样本熵。

7.根据权利要求1所述的系统，其特征在于，所述特征选择模块，具体用于：

利用过滤法、嵌入法或者包装法对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集。

8.一种基于生理信号预测个体压力应对方式的方法，其特征在于，所述方法包括：

根据预先设定的图片数据诱发个体产生压力状态下的生理信号；

利用生理信号采集设备对所述生理信号进行采集，得到目标生理信号；

对所述目标生理信号进行去噪处理，得到目标生理数据；

对所述目标生理数据进行特征提取，得到待处理特征；

对所述待处理特征进行选择，得到与压力应对方式关联度较大的目标特征参数集；

通过所述目标特征参数集，对分类模型进行训练，建立压力应对方式模型；

根据所述压力应对方式模型，输出预测的个体压力应对方式；其中，所述压力应对方式包括成熟型、不成熟型和混合型。

9.根据权利要求8所述的方法，其特征在于，所述目标生理信号包括目标脑电信号和目标心电信号、目标皮电信号以及目标肌电信号中的至少一种。

10.根据权利要求8所述的方法，其特征在于，对所述目标生理信号进行去噪处理，得到目标生理数据，包括：

利用基线校正、滤波处理、独立成分分析法、小波变换以及频谱分析法对目标脑电信号进行处理，得到目标脑电数据；以及，

利用滤波处理、小波变换和频谱分析法对目标心电信号进行处理，得到目标心电数据；以及，

利用滤波处理和小波变换对目标皮电信号以及目标肌电信号进行处理，得到目标皮电数据以及目标肌电数据。

Images