CN115054252A - 一种基于生理信号复杂度不对称性的心理状态评测系统 - Google Patents

Abstract

本发明公开了一种基于生理信号复杂度不对称性的心理状态评测系统，包括基础信息输入模块，生理信号获取模块、数据预处理模块、特征提取模块、知识库构建模块、智能评测模块、结果反馈模块以及云存储模块；特征提取模块利用了基于生理信号非线性特性而提出的复杂度不对称性算法及其他线性与非线性分析方法，其中复杂度不对称性算法可提取复杂度面积不对称指标、复杂度斜率不对称指标以及复杂度聚集程度不对称指标。本发明利用便携式可穿戴设备获取生理信号，适用于居家等非医院环境或实验室科研环境的日常使用，可实现快速评估及长期监测的功能。

Description

一种基于生理信号复杂度不对称性的心理状态评测系统

技术领域

本发明属于生理信号特征提取、心理状态评测及复杂度分析方法等技术领域，具体而言，涉及一种基于生理信号复杂度不对称性的心理状态评测系统。

背景技术

现代社会人们的心理健康问题越来越凸显，并且随着科技水平的进步发展，人们对于心理健康的重视程度也在不断加深，与心理健康息息相关的心理状态评测的需求迅速增加。人类可产生包括兴奋、喜悦、满足、平静、悲伤、压力、抑郁、焦虑、愤怒、恐惧等在内的多类心理状态，并且随内外环境的改变而不停转变内在心理状态。心理状态长期消极负面会进一步导致严重的心理健康问题，为公共卫生资源与全球经济带来极大的负担。针对于心理状态的识别已成为心理健康领域的重要研究内容，越来越受到医生及研究人员的关注。目前已存在许多以问卷为主体的心理状态评测方案，可以帮助用户认识到自身心理健康现状，并促使用户进一步寻求专业技术人员的帮助。但上述方案的评估结果往往主观性过强，且不能给出可靠的心理状态评估结果，而基于人体生理信号的定量评测可克服上述局限，实现心理状态的量化评测。

人体生理系统每时每刻所输出的各类生理信号，可反应系统内部的运行状态。复杂度不对称性作为表征复杂系统平衡特性的指标，适用于人体系统所输出的多类生理信号。时间序列的复杂度曲线表示随着时间尺度的增加，粗粒化程度增加的时间序列的熵值变化过程。当时间尺度为1时，熵值代表原始时间序列的不确定性，时间尺度的增加意味着原始时间序列中的高频信息被不断弱化，对应的粗粒化时间序列的熵值代表了序列中剩余信息的不确定性。根据以往多尺度熵及其各类改进算法的研究，健康生命系统所产生的各类生理信号的复杂度曲线往往是相似的，通常由两个斜率不同的部分组成。临界点左边的小时间尺度范围内，其熵值对应时间序列短程高频信息的复杂度；临界点右边的大时间尺度范围内，其熵值则对应长程低频信息的复杂度。高频信息复杂度和低频信息复杂度的比值代表了该复杂系统短程高频与长程低频复杂度之间的平衡。因此，复杂度不对称性被提出，用以表征这一系统平衡指标。

专业大型生理信号获取设备往往不适用于大样本及非医院或实验室环境的监测，而便携、低负荷的消费级可穿戴设备可以实现人体一维或多维生理信号的居家长程监测，并可以通过持续性收集用户的各类生理信号，形成长期的电子健康记录。长期追踪用户的心理状态变化情况与干预效果是保持健康稳定的心理状态的重要手段。数字健康已成为心理健康管理的新发展趋势。基于可获取人体生理信号的智能可穿戴设备，使进一步提取生理信号的相关特征作为心理状态评测可靠且有效的标准成为可能。可穿戴设备与移动设备中的心理状态评测APP结合可更好的实现智能评测和心理健康管理的目标，并可协助专业技术人员实现相关心理异常的早发现、早诊断与早治疗。软硬件相结合的心理状态智能评测系统可以及时提醒用户进行自我管理或接受专业干预，辅助专业技术人员的评估预测与追踪管理，实现个性化精准干预，有利于用户长期心理健康状态的稳定。

综上，研究基于生理信号复杂度不对称性的心理状态评测系统具有十分重要的现实意义。

发明内容

发明目的：本发明提供一种基于生理信号复杂度不对称性的心理状态评测系统，根据综合智能可穿戴设备所获取的人体一维或多维生理信号，实现与情绪、心理相关的特征提取，以评估用户的心理状态，最终向用户反馈评估结果。

技术方案：本发明提供一种基于生理信号复杂度不对称性的心理状态评测系统，包括基础信息输入模块，生理信号获取模块、数据预处理模块、特征提取模块、知识库构建模块、智能评测模块、结果反馈模块以及云存储模块；

所述基础信息输入模块，用于收集用户的基本信息及患病史背景信息，用以健康管理及辅助后续不同心理状态的评测，并将获取信息发送至智能评测模块；

所述生理信号获取模块，用于利用可穿戴便携式设备采集预设时长的人体一维或多维生理信号，并将获取信息发送至数据预处理模块；

所述数据预处理模块，根据预设程序，对不同种类的人体的一维或多维生理信号完成不同类别或序的预处理，并将预处理后的结果发送至特征提取模块；

所述特征提取模块，用于利用复杂度不对称性特征提取算法提取预处理后的一维或多维生理信号的大时间尺度与小时间尺度复杂度的不对称性特征，并利用其它线性与非线性分析方法提取其它特征，并将特征提取结果发送至智能评测模块；

所述知识库构建模块，用于利用含有不同心理状态个体的一维或多维生理信号及其他相关基础信息的数据集训练心理状态评测模型；

所述智能评测模块，用于基于用户的基础信息和生理特征，利用心理状态评测模型评测用户的心理状态，并将结果发送至结果反馈模块；

所述结果反馈模块，用于根据智能评测模块所得的心理状态评测结果，向用户反馈用户心理的当前状态及变化状况结果报告；

所述云存储模块，用于存储已有的心理状态评测数据集、心理状态评测模型及新增用户的数据，并利用新增用户的数据不断提高心理状态评测模型的预测准确率。

进一步地，所述生理信号获取模块根据用户需要及选择，完成用户一维或多维生理信号的采集，主要包括脑电、心电、肌电、脉搏波、加速度、皮肤电以及皮温。

进一步地，所述预处理步骤包括数据分割、无效数据清洗、滤波、去噪、分段、坏段剔除和信号质量评估。

进一步地，所述特征提取模块利用复杂度不对称性特征提取算法提取不对称性特征实现过程如下：

S1：利用多尺度熵及其改进算法计算一维生理信号的多尺度复杂度；利用多变量多尺度熵及其改进算法计算多维生理信号的多尺度复杂度；

S2：根据健康生命系统中各类生理信号的采样率和数据点数，利用中值定理找出驻点位置，或者找出曲线曲率最大的位置，用于自适应确定复杂度曲线的临界点；

S3：基于复杂度曲线的临界点，根据临界点两侧复杂度特性，计算复杂度不对称性，包括复杂度面积不对称指标、复杂度斜率不对称指标和复杂度聚集程度不对称指标等。

进一步地，所述复杂度面积不对称指标的具体计算过程如下：

计算临界点左侧小尺度范围内的曲线下面积area₁和临界点右侧大尺度范围内的曲线下面积area₂；基于复杂度曲线的area₁和area₂，提出复杂度面积不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度面积不对称性指标＝±(area₁-area₂)/(area₁+area₂)或

其中，area₁代表复杂系统精细尺度即高频信息的复杂度，area₂代表复杂系统粗糙尺度即低频信息的复杂度。

进一步地，所述复杂度斜率不对称指标的具体计算过程如下：

计算临界点左侧小尺度范围内的曲线斜率a₁和临界点右侧大尺度范围内的曲线斜率a₂；基于复杂度曲线的a₁和a₂，提出复杂度斜率不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度斜率不对称性指标＝±(a₁-a₂)/(a₁+a₂)或

其中，a₁代表复杂系统精细尺度的复杂度变化率，a₂代表复杂系统粗糙尺度的复杂度变化率。

进一步地，所述复杂度聚集程度不对称指标的具体计算过程如下：

计算临界点左侧小尺度范围内的曲线标准差b₁和临界点右侧大尺度范围内的曲线标准差b₂；基于复杂度曲线的b₁和b₂，提出复杂度聚集程度不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度聚集程度度不对称性指标＝±(b₁-b₂)/(b₁+b₂)或

其中，b₁代表复杂系统精细尺度复杂度的集中程度，b₂代表复杂系统粗糙尺度复杂度的集中程度。

有益效果：与现有技术相比，本发明的有益效果为：本发明可利用智能可穿戴设备，根据用户需要，实现包括但不限于脑电、心电、脉搏等的一维或多维生理信号的短期或长期监测；本发明可利用复杂度不对称性算法及其他线性与非线性分析方法提取人体生理信号中与情绪、心理等相关的特征，以评估用户的心理状态；本发明可结合用户历史数据，反馈用户的心理状态变化状况，展现干预效果；本发明可利用云存储模块建立用户心理状态的长期健康记录与管理，用于长程评估预测及追踪管理；本发明可利用云存储模块中新增用户信息不断优化智能评测模型中多种心理状态的预测评估方法。

附图说明

图1为本发明的框架示意图；

图2为心理状态评测系统的工作流程图；

图3为基础信息输入模块的用户操作界面示意图；

图4为脑电信号预处理的流程图；

图5为心电信号预处理的流程图；

图6为计算生理信号复杂度不对称性特征的算法流程图；

图7为复杂度面积不对称性特征的示例结果图；

图8为知识库模块构建流程图；

图9为智能评测方法的示意性步骤流程图；

图10为反馈模块的用户界面示意图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明提供一种基于生理信号复杂度不对称性的心理状态评测系统，如图1所示，主要包括8个模块，分别为基础信息输入模块，生理信号获取模块、数据预处理模块、特征提取模块、知识库构建模块、智能评测模块、结果反馈模块以及云存储模块。心理状态评测系统工作流程如图2所示。

基础信息输入模块，用于收集用户的基本信息及患病史背景信息，用以健康管理及辅助后续不同心理状态的评测，并将上述内容发送至智能评测模块。具体而言，该模块可获取用户基本信息及患病史背景信息，前者包括姓名、性别、出生年月、身高、体重、婚姻状态、生育情况、民族、受教育程度、职业及现居地等；后者包括主诉、现病史、既往史、家族史及过敏史等，具体用户操作界面如图3所示。系统内部将为新用户分配新的账号，历史用户可直接选择已有账号登陆。该基础信息输入模块，可利用智能移动设备内部APP完成基础信息输入功能，并将用户相关信息传输至云存储模块，作为个体的基础信息特征，用于心理状态评测模型的训练以及评估预测。

生理信号获取模块，用于利用可穿戴便携式设备采集预设时长的人体一维或多维生理信号，并将上述内容发送至数据预处理模块。具体而言，该模块可包括多类智能可穿戴设备，包括便携式多通道电极系统以及手环等；此外，可根据用户需要及选择，完成用户一维或多维生理信号的采集，可包括脑电、心电、肌电、脉搏波、加速度、皮肤电以及皮温等。生理信号通过有线或无线传输方式传输至APP后，同步上传至云存储模块，用于后续处理和分析。

数据预处理模块，用于完成可反映人体生理状态的一维或多维生理信号的分割、清洗、信号质量评估等预处理步骤，并将上述内容发送至特征提取模块。该模块可根据预设程序，对不同种类的人体生理信号完成不同类别或顺序的预处理步骤，预处理步骤可包括数据分割、无效数据清洗、滤波、去噪、分段、坏段剔除和信号质量评估等。如图4、图5所示，以脑电与心电信号预处理为例，脑电预处理流程可包括剔除坏导、重采样统一至所需采样率、50/60Hz陷波去除工频干扰、特定频率高通滤波及低通滤波去除基线漂移与高频噪声、去除眼动伪迹、数据分段、剔除坏段等；心电预处理流程可包括剔除坏导、重采样统一至所需采样率、50/60Hz陷波去除工频干扰、特定频率高通滤波及低通滤波去除基线漂移与高频噪声、剔除坏段、提取RR间期数据、数据分段、剔除异常值等。该数据预处理模块在云存储模块内，利用存储的一维或多维生理信号完成上述功能。

特征提取模块，用于利用复杂度不对称性算法提取预处理后的一维或多维生理信号的大时间尺度与小时间尺度复杂度的不对称性特征，并利用其它线性与非线性分析方法提取其它特征，并将上述内容发送至智能评测模块。该模块可利用复杂度不对称性指标算法，提取一维或多维生理信号中高频成分复杂度与低频成分复杂度的不对称特征。此外，可提取不同生理信号中其他线性与非线性特征。其他线性特征指标可包括时域的统计特征、频域的频带能量特征以及时频结合分析特征，如时域的最大值、最小值、均值、标准差、方差、中位数、百分位数、偏度、峰度、过零率和能量，频域的Theta、Alpha、Beta等频带能量以及短时傅立叶变换和小波变换等时频结合分析方法所得特征；其他非线性特征指标可包括Hurst指数、Lyapunov指数、去趋势波动分析指数、分形维数、复杂度以及其他各类熵等等。该特征提取模块在云存储模块内，利用存储的预处理后的一维或多维生理信号完成上述功能。如图6所示，复杂度不对称性特征提取算法的流程如下：

首先，利用多尺度熵及其改进算法(包括多尺度样本熵、多尺度模糊熵和多尺度分布熵等)计算一维生理信号的多尺度复杂度；利用多变量多尺度熵及其改进算法计算多维生理信号的多尺度复杂度。

健康生命系统产生的各类生理信号，其复杂度曲线往往由两个斜率不同的部分组成，通常小时间尺度部分的复杂度曲线的绝对斜率较大，而大时间尺度部分的复杂度曲线的绝对斜率较小，根据健康生命系统中各类生理信号的采样率和数据点数，利用中值定理找出驻点位置，或者找出曲线曲率最大的位置，用于自适应确定复杂度曲线的临界点。

基于复杂度曲线的临界点，根据临界点两侧复杂度特性，计算复杂度不对称性，包括复杂度面积不对称指标、复杂度斜率不对称指标和复杂度聚集程度不对称指标等。三类复杂度不对称性特征的计算方法如下：

复杂度面积不对称指标：如图7所示，计算临界点左侧小尺度范围内的曲线下面积area₁和临界点右侧大尺度范围内的曲线下面积area₂。基于复杂度曲线的area₁和area₂，提出复杂度面积不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度面积不对称性指标＝±(area₁-area₂)/(area₁+area₂)或

其中，area₁代表复杂系统精细尺度即高频信息的复杂度，area₂代表复杂系统粗糙尺度即低频信息的复杂度。

复杂度斜率不对称指标：计算临界点左侧小尺度范围内的曲线斜率a₁和临界点右侧大尺度范围内的曲线斜率a₂。基于复杂度曲线的a₁和a₂，提出复杂度斜率不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度斜率不对称性指标＝±(a₁-a₂)/(a₁+a₂)或

其中，a₁代表复杂系统精细尺度的复杂度变化率，a₂代表复杂系统粗糙尺度的复杂度变化率。

复杂度聚集程度不对称指标：计算临界点左侧小尺度范围内的曲线标准差b₁和临界点右侧大尺度范围内的曲线标准差b₂。基于复杂度曲线的b₁和b₂，提出复杂度聚集程度不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度聚集程度度不对称性指标＝±(b₁-b₂)/(b₁+b₂)或

其中，b₁代表复杂系统精细尺度复杂度的集中程度，b₂代表复杂系统粗糙尺度复杂度的集中程度。

知识库构建模块，用于利用含有不同心理状态个体的一维或多维生理信号及其他相关基础信息的数据集训练心理状态评测模型。具体而言，该模块可构建不同心理状态评测模型，可评估的心理状态类别包括兴奋、喜悦、满足、平静、悲伤、压力、抑郁、焦虑、愤怒、恐惧等。此外，知识库后续可纳入更多不同种类心理状态个体的数据集，并且可根据新增用户的信息，完成心理状态评测模型的不断更新。知识库构建过程可在云存储模块中完成，通过数据集不断上传同步至云存储模块，完成心理状态评测模型的训练。知识库构建过程可在PC机中利用MATLAB、C++、Python或其他语言实现。具体而言，如图8所示，该模块内部知识库构建包括以下步骤：

1)获取大量多类心理状态个体的一维或多维生理信号、基本信息及患病史背景信息，完成案例筛选及样本标签。

2)对上述不同种类的生理信号完成数据预处理过程，该过程可利用数据预处理模块完成。

3)提取多类心理状态个体的一维或多维生理信号的复杂度不对称性指标及其他线性与非线性指标，该过程可利用特征提取模块完成。

4)筛选与特定心理状态相关性较强的特征，确定对应于不同心理状态评测效果最优的生理信号类别，并保留与不同心理状态相关的基本信息或患病史背景信息。

5)利用筛选出的生理信号特征、基本信息和患病史背景信息特征，训练心理状态评测模型，可利用监督学习中多类常见机器学习模型，包括支持向量机、随机森林、朴素贝叶斯、K-最近邻和集成学习等。

6)对于上述多类机器学习模型的效果进行评估，采用k折交叉验证方法进行模型评估，利用ROC曲线、F1-score、特异性、敏感性、召回率、精确率、准确率、混淆矩阵等等多类常见指标度量模型性能。

7)由上述度量模型性能的多类指标综合考虑，选出心理状态评测效果最优的机器学习模型。

8)所构建的心理状态评测模型，可用于智能评测模块中用户心理状态的评测，并进一步输出患者的心理状态结果报告。

智能评测模块，如图9所示，用于基于用户的基础信息和生理特征，利用心理状态评测模型评测用户的心理状态，并将结果发送至结果反馈模块。具体而言，该模块将用户的一维或多维生理信号特征(包括复杂度不对称性以及其他线性与非线性特征)、基本信息及患病史背景信息特征，作为知识库构建模块训练得到的心理状态评测模型的输入，模型输出该用户的心理状态结果。该智能评测模块在云存储模块内，利用所存储的一维或多维生理信号特征完成上述功能，并将相应结果报告发送至智能移动设备内部APP。

结果反馈模块，如图10所示，用于根据智能评测模块所得的心理状态评测结果，向用户反馈心理的当前状态及变化状况结果报告。具体而言，该模块可向用户反馈心理的当前状态，并提醒用户及时干预自身心理状态，还可以结合用户历史数据，反馈用户的心理状态变化状况，展现干预效果。此外，可辅助专业技术人员的评估预测及追踪管理。该结果反馈模块可利用智能移动设备内部APP界面向用户可视化反馈智能评测结果。

云存储模块，用于存储已有的心理状态评测数据集、心理状态评测模型及新增用户的数据，并利用新增用户的数据不断提高心理状态评测模型的预测准确率。具体而言，该模块存储有计算机程序、所构建的知识库及用户的各类历史信息。

Claims (7)

1.一种基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，包括基础信息输入模块，生理信号获取模块、数据预处理模块、特征提取模块、知识库构建模块、智能评测模块、结果反馈模块以及云存储模块；

所述基础信息输入模块，用于收集用户的基本信息及患病史背景信息，用以健康管理及辅助后续不同心理状态的评测，并将获取信息发送至智能评测模块；

所述生理信号获取模块，用于利用可穿戴便携式设备采集预设时长的人体一维或多维生理信号，并将获取信息发送至数据预处理模块；

所述数据预处理模块，根据预设程序，对不同种类的人体的一维或多维生理信号完成不同类别或序的预处理，并将预处理后的结果发送至特征提取模块；

所述特征提取模块，用于利用复杂度不对称性特征提取算法提取预处理后的一维或多维生理信号的大时间尺度与小时间尺度复杂度的不对称性特征，并利用其它线性与非线性分析方法提取其它特征，并将特征提取结果发送至智能评测模块；

所述知识库构建模块，用于利用含有不同心理状态个体的一维或多维生理信号及其他相关基础信息的数据集训练心理状态评测模型；

所述智能评测模块，用于基于用户的基础信息和生理特征，利用心理状态评测模型评测用户的心理状态，并将结果发送至结果反馈模块；

所述结果反馈模块，用于根据智能评测模块所得的心理状态评测结果，向用户反馈用户心理的当前状态及变化状况结果报告；

所述云存储模块，用于存储已有的心理状态评测数据集、心理状态评测模型及新增用户的数据，并利用新增用户的数据不断提高心理状态评测模型的预测准确率。

2.根据权利要求1所述的基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，所述生理信号获取模块根据用户需要及选择，完成用户一维或多维生理信号的采集，主要包括脑电、心电、肌电、脉搏波、加速度、皮肤电以及皮温。

3.根据权利要求1所述的基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，所述预处理步骤包括数据分割、无效数据清洗、滤波、去噪、分段、坏段剔除和信号质量评估。

4.根据权利要求1所述的基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，所述特征提取模块利用复杂度不对称性特征提取算法提取不对称性特征实现过程如下：

S1：利用多尺度熵及其改进算法计算一维生理信号的多尺度复杂度；利用多变量多尺度熵及其改进算法计算多维生理信号的多尺度复杂度；

S2：根据健康生命系统中各类生理信号的采样率和数据点数，利用中值定理找出驻点位置，或者找出曲线曲率最大的位置，用于自适应确定复杂度曲线的临界点；

S3：基于复杂度曲线的临界点，根据临界点两侧复杂度特性，计算复杂度不对称性，包括复杂度面积不对称指标、复杂度斜率不对称指标和复杂度聚集程度不对称指标等。

5.根据权利要求4所述的基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，所述复杂度面积不对称指标的具体计算过程如下：

计算临界点左侧小尺度范围内的曲线下面积area₁和临界点右侧大尺度范围内的曲线下面积area₂；基于复杂度曲线的area₁和area₂，提出复杂度面积不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度面积不对称性指标＝±(area₁-area₂)/(area₁+area₂)或

其中，area₁代表复杂系统精细尺度即高频信息的复杂度，area₂代表复杂系统粗糙尺度即低频信息的复杂度。

6.根据权利要求4所述的基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，所述复杂度斜率不对称指标的具体计算过程如下：

计算临界点左侧小尺度范围内的曲线斜率a₁和临界点右侧大尺度范围内的曲线斜率a₂；基于复杂度曲线的a₁和a₂，提出复杂度斜率不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度斜率不对称性指标＝±(a₁-a₂)/(a₁+a₂)或

其中，a₁代表复杂系统精细尺度的复杂度变化率，a₂代表复杂系统粗糙尺度的复杂度变化率。

7.根据权利要求4所述的基于生理信号复杂度不对称性的心理状态评测系统，其特征在于，所述复杂度聚集程度不对称指标的具体计算过程如下：

计算临界点左侧小尺度范围内的曲线标准差b₁和临界点右侧大尺度范围内的曲线标准差b₂；基于复杂度曲线的b₁和b₂，提出复杂度聚集程度不对称性指标，用于表征系统小时间尺度与大时间尺度复杂度不对称性，该指标由以下公式计算得到：

复杂度聚集程度度不对称性指标＝±(b₁-b₂)/(b₁+b₂)或

其中，b₁代表复杂系统精细尺度复杂度的集中程度，b₂代表复杂系统粗糙尺度复杂度的集中程度。

Images