CN115804575A - 一种基于脉搏信号的个性化生理状态聚类判别系统 - Google Patents
一种基于脉搏信号的个性化生理状态聚类判别系统 Download PDFInfo
- Publication number
- CN115804575A CN115804575A CN202111067322.4A CN202111067322A CN115804575A CN 115804575 A CN115804575 A CN 115804575A CN 202111067322 A CN202111067322 A CN 202111067322A CN 115804575 A CN115804575 A CN 115804575A
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- pulse
- algorithm
- characteristic values
- 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
Links
- 230000035790 physiological processes and functions Effects 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 230000003340 mental effect Effects 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 206010006187 Breast cancer Diseases 0.000 claims description 6
- 208000026310 Breast neoplasm Diseases 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 4
- 206010016256 fatigue Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种关于脑力劳动者的生理状态评估的方法,此方法首先通过红外脉搏传感器采集个体在不同状态下的脉搏波信号,通过小波分解去除脉搏波信号存在的高频噪声和基线漂移,并分别提取脉搏波信号在时域和频域下的多种特征值,其次,通过Relief算法进行特征值权重计算,得到新的加权脉搏样本。再次,基于加权的特征值样本,综合采用k‑means算法和模糊C均值算法分别进行聚类分析。最后,根据特定的特征值的变化规律对聚类后的模型进行状态判别,实现分级,由此提出了一种个性化的生理状态分级方法。本发明提出的个性化的生理状态分级方法,可以解决一直以来存在的个体差异性问题,极大的提高了生理状态评估的普适性。
Description
技术领域
本发明涉及一种关于脑力劳动者的生理状态评估的方法,具体涉及一种面向脑力劳动群体的个性化生理状态分级方法。
背景技术
随着科技的飞速发展,社会对年轻脑力劳动者的需求比例越来越高。人长期处在工作压力和精神疲劳状态的共同作用下极易产生抑郁、焦虑等严重心理问题,进而给身体健康和工作安全带来严重隐患。因此,对劳动者进行生理状态评估并做出预警的研究十分必要。生理状态评估主要的研究思路有基于主观评价的生理状态检测、基于行为特征的生理状态检测和基于生理信号的生理状态检测。主观评价法的准确性相对较低,经常作为其他方法的辅助。行为特征法需要根据应用场景来布置各种传感器,过程繁琐且难以得到一种应用广泛的统一方法。生理信号法通过对被测者的生理信号进行采集和分析来判定生理状态,易于采集且适用场景广,选取生理信号法比较适宜。
目前基于生理信号的研究方法存在的主要问题在于生理信号具有个体差异性,而目前并没有一种完全消除生理信号个体差异的方法。前人的研究中主要通过限制群体范围,但缩小研究范围不仅无法完全消除个体差异,还会导致研究结果失去普适性。故基于前人的研究,本文针对单个体建立评估检测模型,保证模型的有效,不同个体则建立各自不同的评估检测模型,从而避开个体差异性的问题,使研究更加具有实际意义。
发明内容
本发明的目的在于:提供一种面向脑力劳动群体的个性化生理状态分级方法,此方法首先通过红外脉搏传感器采集多个个体在不同状态下的脉搏波信号,通过小波分解去除脉搏波信号的高频噪声和基线漂移,完成数据的预处理,并分别提取脉搏波信号在时域和频域下的多种特征值,其次,通过Relief算法进行特征值权重计算,得到新的加权脉搏样本。再次,基于加权的特征值样本,综合采用k-means算法和模糊C均值(FCM)算法分别进行聚类分析,并使用误差平方和、轮廓系数、CH系数三个参数作为聚类效果的评价指标。最后,根据特定的特征值的变化规律对聚类后的模型进行状态判别,实现分级,由此提出了一种个性化的生理状态分级方法,针对不同个体则建立各自不同的分级算法模型。
本发明采用的技术方案为:一种面向脑力劳动群体的个性化生理状态分级方法,所述方法包括步骤如下:
第一步:获取数据及数据预处理
步骤1.1使用红外脉搏传感器设备,同时多次采集4名学生处于不同时段的脉搏波信号,;
步骤1.2采用小波变换对原始信号进行分解,得到分解的不同频率的波形;
步骤1.3置零分解后的高频段的近似系数,根据采样定理,计算出基线漂移的频段,同样置零其近似系数,实现数据的预处理;
第二步:脉搏数据的特征值提取
步骤2.1首先提取脉搏波图像在时域上的特征值,经查阅相关资料和对比数据发现,心率、重搏波周期T2、周期比值T2/T、重搏系数C、峭度因子、裕度因子可以作为脉搏数据的时域特征值,故逐个提取出这些特征值;
步骤2.2除了时域上的特征值,脉搏波图像在频域上也有着可靠的特征值,经研究发现,频域图像上前三个谐振波峰幅值、脉搏信号频谱5Hz以上的能量占比是否大于1%、7.8Hz- 23.4Hz以及23.4Hz-31.25Hz的能量占比均可作为脉搏数据的频域特征值,同样逐个提出这些特征值;
第三步:基于Relief加权的聚类算法
步骤3.1采用三组UCI数据集,分别是Iris,Wine,和Breast-cancer数据集,基于此数据集,采用k-means算法和FCM算法聚类,结果表明聚类算法具有较高的准确性,得到较优的聚类结果,这证实了数据集的可信性;
步骤3.2采用Relief算法进行特征权重的计算,选择了UCI数据集中的Breast-cancer集进行加权,得到加权后的样本,针对加权后的样本再次聚类,结果显示基于Relief加权后的聚类算法的聚类效果明显更好。
第四步:基于加权样本的聚类分析
步骤4.1对4名志愿者的加权样本使用k-means算法和FCM算法进行2-7类的聚类,分析两种聚类方法的误差平方和、轮廓系数以及CH系数,并结合聚类中心之间的差值初步确定大概的最佳聚类数;
步骤4.2分析聚类效果,同时分析特征值的变化规律,找到可作为聚类模型评判指标的特征值,并根据特征值给聚类后的模型贴上对应标签,最终得到生理状态评估分级模型。
与最接近的现有技术相比,本发明的优异效果是:
本发明基于红外脉搏波传感器采集脉搏波数据,通过小波分解去除脉搏波信号的高频噪声和基线漂移,并分别提取脉搏波信号在时域和频域下的多种特征值,其次,通过Relief算法进行特征值权重计算,得到新的加权脉搏样本。再次,基于加权的特征值样本,综合采用 k-means算法和模糊C均值(FCM)算法分别进行聚类分析,并使用误差平方和、轮廓系数、 CH系数三个参数作为聚类效果的评价指标。最后,根据特定的特征值的变化规律对聚类后的模型进行状态判别,实现生理状态分级。相比于已有方法,本发明中采用指夹式红外脉搏传感器,采集方便且易于携带。为了解决个体差异与偶然性,摒弃了传统的分类方式,选择带有加权的聚类法,并根据特有特征值的变化规律判别状态等级,且针对不同的个体建立各自属于自己的生理状态分级模型,避开了个体差异性等问题。
附图说明
下面结合附图对本发明进一步说明。
图1是:个性化生理状态分级整体流程图;
图2是:初始聚类中心选择算法流程图;
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种面向脑力劳动群体的个性化生理状态分级方法,图1展示出了本实施例中的所述方法的流程图,包括下述步骤:
步骤1:同时获取多个个体的红外脉搏数据及完成数据的预处理。
步骤1.1使用指夹式红外脉搏传感器设备同时采集4名对象的脉搏波数据,男女各两名,每3小时采集一次,连续采集20-30天数据。测量时,志愿者安静地坐在椅子上,使用仪器的夹子夹住食指或中指前端,测量实时脉搏,持续一分钟。且为了保证数据的有效性,每次采集结束后,志愿者再通过主观评价法进行表格自测,主观的为数据贴上标签。
步骤1.2将采集到的信号进行小波分解,置零分解后的高频信号的系数和计算得到的基线漂移信号的系数,再重新进行信号重构,从而达到去除噪声的功能。步骤如下:
步骤1.2.1选择Sym8小波作为小波基函数对采集到的脉搏波数据进行7层小波分解,由于传感器的采集频率为200Hz,根据奈奎斯特采样定理,每层的频段应该为0.78125Hz。故将第七层展开的后的近似系数置零,即去除0-0.78125Hz的基线信号。
步骤1.2.2同时把第一层和第二层的细节系数置零,即去掉25Hz-50Hz和50Hz以上两个频段的信号,以达到高频滤波的效果。
步骤1.2.3对置零干扰信号的脉搏波信号进行信号重构,得到去除基线漂移和高频滤波的脉搏数据。
步骤2:提取脉搏数据在时域和频域的特征值。
步骤2.1首先提取脉搏波图像在时域上的特征值,经查阅相关资料和对比数据发现,心率、重搏波周期T2、周期比值T2/T、重搏系数C、峭度因子、裕度因子可以作为脉搏数据的时域特征值,提取时首先使用findpeaks函数找到脉搏数据图像中的波峰波谷值点,并把脉图分割为主波段和重搏波段,然后根据公式分别按需计算指标。同时求出心率、重搏波周期T2、周期比值T2/T、重搏系数C四个特征值。其使用形式如下:
[maxl,minl]=findpeaks(y,'minpeakheight',h,'minpeakdistance',d) (1)
其中y为脉搏数据,h为峰值的最低幅度,d为两个峰值之间间隔的最小距离,[maxl,minl] 为保存提取出的峰值点坐标的矩阵。
裕度因子和峭度因子的计算方法如下:
步骤2.2除了时域上的特征值,脉搏波图像在频域上也有着可靠的特征值,经研究发现,频域图像上前三个谐振波峰幅值、脉搏信号频谱5Hz以上的能量占比是否大于1%、7.8Hz- 23.4Hz以及23.4Hz-31.25Hz的能量占比均可作为脉搏数据的频域特征值。同样对脉搏数据进行7层小波包分解得到128个频段,由于频域中心脉搏信号的频率为0-100Hz,故可算出每一频段包含100/128=0.78125Hz,故各特征值的计算方法如表1所示.
步骤3:基于Relief加权的聚类算法。
步骤3.1基于密度提出了一个初始聚类中心点选取算法,流程图见图1所示,算法涉及以下几个基本概念:
(1)相异度矩阵D是一个n*n的对称矩阵,每一个元素代表一个距离,如Dij代表第i个样本和第j个样本之间的距离。
表1频谱特征值对应计算表
(2)利用相异度矩阵求每个样本与其它n-1个样本之间距离的中间值,然后取n个中间值的平均值作为邻域半径ε。
(3)计算每个样本点在ε邻域内包含的样本数目个数,mp(i)(i=1,2,…,n)用来存放计算结果,定义最小包含样本个数M为
(4)定义高密度点为在其ε邻域内,所包含的样本个数大于M的样本点。
首先选取密度最高的高密度点(在其ε邻域内,所包含的样本个数最多的样本点)作为第一个聚类中心,之后依次选择距离最远的k-1个高密度点作为初始聚类中心。基于此优化算法,得到优化后的k-means聚类算法和优化后的FCM聚类算法。
步骤3.2采用三组UCI数据集对上述优化后的聚类算法进行验证,它们分别是Iris,Wine,和Breast-cancer数据集,根据聚类算法的聚类标签与实际标签的符合程度作为评价指标,对聚类算法做出评价。
步骤3.3采用Relief算法进行特征权重的计算,Relief算法的主要原理是:
设样本集合S={S1,S2,…,Sm},每个样本包含p个特征,即Si={Si1,Si2,…,Sip},1≤i≤m。两个样本Si与Sj在特征t上的差定义为:
其中maxt,和mint,分别为特征t在样本集中的最大值和最小值。
Relief算法更新权重wt的表达式为
由上述公式可知,在迭代计算特征权重的过程中,Si与其异类标签样本在特征t上的差值 diff(t,Si,Miss)/r要减去Si与其同类样本在特征t上的差diff(t,Si,Miss)/r,对类别区分能力较强的特征应该表现为在异类标签样本间差异较大而同类标签样本间差异较小,因此具有区分能力的特征的权值为正值。
步骤3.4选择UCI数据集中的Breast-cancer-wisconsin进行分析,该数据集拥有699个样本,9维特征值,有2类标签。经过Relief算法处理,得到该数据集特征权重,对于数据集样本进行加权处理后,分别使用FCM和k-means聚类算法进行聚类。
步骤3.5利用聚类评价指标对聚类的结果进行评价,综合使用误差平方和、轮廓系数、 CH系数进行聚类评估。
以上三个系数均可以进行聚类效果评估,但是由于单个系数对与聚类效果的评价可能存在误差。因此,综合以上三个系数来进行最终效果的评估。具体判别方法为:首先根据肘部法则得到可能的最佳聚类数,然后分别把使得CH系数和SC系数最大的前两个聚类数作为可能的聚类数,最后根据投票原则,哪个聚类数出现的次数多就把哪个作为最佳聚类数,若出现投票结果相同的情况,则需要考虑SSE图像中该点的斜率来判别最佳聚类数。
同样的,对于前面的UCI数据集进行验证,通过结果验证该算法的优势。
步骤4:基于加权样本的聚类分析。
步骤4.1对4名志愿者的加权样本使用k-means算法和FCM算法进行2-7类的聚类。
步骤4.1.1用Relief算法对4个个体的样本进行权重的计算,并逐个计算20次取均值,比较各特征值的权重大小,保留数值相对较高的几个特征值。
步骤4.1.2对得到的聚类中心进行对比,分析两种聚类方法的结果差异,并通过聚类中心之间的差值初步确定大概的最佳聚类数。
步骤4.2结合主观评价和特征值变化规律为聚类后的结果贴上对应标签
步骤4.2.1结合采集数据时所做的表格调查结果,重点关注记录得分绝对值大于20的数据,因为这些数据显示了深度疲劳或很轻松的状态,主观判断结果更加清晰。对比聚类后数据集区分出深度疲劳或很轻松的数据集,贴上对应标签。
步骤4.2.2结合前人经验,并分析在深度疲劳和很轻松两种状态下各特征值的变化规律,找出可用于判断生理状态分级的特征值,根据这些特征值对聚类后未分级的数据集贴上对应标签。由此提出了一种个性化的生理状态分级方法,即针对不同个体建立各自不同的分级算法模型,避开了个体差异问题。
Claims (1)
1.一种关于脑力劳动者的生理状态评估的方法,其特点在于针对单个体建立评估检测模型,保证模型的有效,不同个体则建立各自不同的评估检测模型,避开了个体差异性的问题,所述方法包括下述步骤:
第一步:数据采集及数据预处理
步骤1.1数据采集选择4名对象,男女各两名,每日间隔3小时采集一次,收集人体在不同状态下的脉搏波数据,共采集20-30天,800组数据。且为了保证数据的有效性,每次采集结束后,志愿者再通过主观评价法进行表格自测,主观的为数据贴上标签。
步骤1.2采集到的脉搏波数据因外界因素干扰会存在高频噪声和基线漂移,故选择Sym8小波作为小波基函数进行7层小波分解,置零分解后的高频信号的系数和计算得到的基线漂移信号的系数,再重新进行信号重构,从而达到去除噪声的功能。
第二步:脉搏数据的特征值提取
步骤2.1首先提取脉搏波图像在时域上的特征值,经查阅相关资料和对比数据发现,心率、重搏波周期T2、周期比值T2/T、重搏系数C、峭度因子、裕度因子可以作为脉搏数据的时域特征值,故逐个提取出这些特征值;
步骤2.2除了时域上的特征值,脉搏波图像在频域上也有着可靠的特征值,经研究发现,频域图像上前三个谐振波峰幅值、脉搏信号频谱5Hz以上的能量占比是否大于1%、7.8Hz-23.4Hz以及23.4Hz-31.25Hz的能量占比均可作为脉搏数据的频域特征值,同样逐个提出这些特征值;
第三步:基于Relief加权的聚类算法
步骤3.1研究中采用三组UCI数据集,分别是Iris,Wine,和Breast-cancer数据集,对数据集进行聚类,结果表明聚类算法具有较高的准确性,得到较优的聚类结果,这证实了数据集的可信性;
步骤3.2采用Relief算法进行特征权重的计算,选择了UCI数据集中的Breast-cancer集进行加权,得到加权后的样本,针对加权后的样本再次聚类,结果显示基于Relief加权后的聚类算法的聚类效果明显更好。
第四步:基于加权样本的聚类分析
步骤4.1对4名志愿者的加权样本使用k-means算法和FCM算法进行2-7类的聚类,分析两种聚类方法的结果差异,并通过聚类中心之间的差值初步确定大概的最佳聚类数;
步骤4.2分析得到可作为聚类模型评判指标的特征值,并根据特征值给聚类后的模型贴上对应标签,得到生理状态评估分级模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067322.4A CN115804575A (zh) | 2021-09-13 | 2021-09-13 | 一种基于脉搏信号的个性化生理状态聚类判别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067322.4A CN115804575A (zh) | 2021-09-13 | 2021-09-13 | 一种基于脉搏信号的个性化生理状态聚类判别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115804575A true CN115804575A (zh) | 2023-03-17 |
Family
ID=85480987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111067322.4A Pending CN115804575A (zh) | 2021-09-13 | 2021-09-13 | 一种基于脉搏信号的个性化生理状态聚类判别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115804575A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382488A (zh) * | 2023-06-01 | 2023-07-04 | 隽智生物医学研究实验室(佛山)有限公司 | 基于人体状态识别的人机交互智能化调控决策系统及方法 |
CN116894744A (zh) * | 2023-07-21 | 2023-10-17 | 国网湖北省电力有限公司随州供电公司 | 一种基于改进k均值聚类算法的电网用户数据分析方法 |
-
2021
- 2021-09-13 CN CN202111067322.4A patent/CN115804575A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382488A (zh) * | 2023-06-01 | 2023-07-04 | 隽智生物医学研究实验室(佛山)有限公司 | 基于人体状态识别的人机交互智能化调控决策系统及方法 |
CN116382488B (zh) * | 2023-06-01 | 2023-10-27 | 隽智生物医学研究实验室(佛山)有限公司 | 基于人体状态识别的人机交互智能化调控决策系统及方法 |
CN116894744A (zh) * | 2023-07-21 | 2023-10-17 | 国网湖北省电力有限公司随州供电公司 | 一种基于改进k均值聚类算法的电网用户数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113349752B (zh) | 一种基于传感融合的可穿戴设备实时心率监测方法 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN105411565B (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
CN115804575A (zh) | 一种基于脉搏信号的个性化生理状态聚类判别系统 | |
CN111657889A (zh) | 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
WO2006025504A1 (ja) | 感性状態判別方法 | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN109480872B (zh) | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 | |
CN102178514A (zh) | 一种基于非线性与复杂性多重指标的昏迷程度评价方法 | |
CN107080545B (zh) | 一种基于脑电的测谎系统 | |
CN111248928A (zh) | 压力识别方法及装置 | |
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 | |
CN111783715B (zh) | 基于脉搏信号特征提取的身份识别方法 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN111150410A (zh) | 基于心电信号与肌电信号融合的心理压力评测方法 | |
CN107320097A (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
CN110070013A (zh) | 一种ecg信号噪声污染程度与类别智能评估方法 | |
CN113796873A (zh) | 穿戴式动态心电信号分类方法及系统 | |
CN114469041A (zh) | 一种运动过程中心率变化数据特征分析方法 | |
CN114159079A (zh) | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 | |
CN116172531B (zh) | 一种基于小波散射变换的血压变化趋势估计方法 | |
CN112244767A (zh) | 一种基于脑电的认知功能评估方法 | |
Guo et al. | Analysis and feature extraction of EEG signals induced by anesthesia monitoring based on wavelet transform |
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 |