CN116269392B - 一种多参数耦合的应激水平评估方法及其系统 - Google Patents

一种多参数耦合的应激水平评估方法及其系统 Download PDF

Info

Publication number
CN116269392B
CN116269392B CN202310572924.8A CN202310572924A CN116269392B CN 116269392 B CN116269392 B CN 116269392B CN 202310572924 A CN202310572924 A CN 202310572924A CN 116269392 B CN116269392 B CN 116269392B
Authority
CN
China
Prior art keywords
stress
actual
brain
coupling
characteristic
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.)
Active
Application number
CN202310572924.8A
Other languages
English (en)
Other versions
CN116269392A (zh
Inventor
吴凯
李懿
卓敏
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310572924.8A priority Critical patent/CN116269392B/zh
Publication of CN116269392A publication Critical patent/CN116269392A/zh
Application granted granted Critical
Publication of CN116269392B publication Critical patent/CN116269392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及多参数耦合处理技术领域，具体公开了一种多参数耦合的应激水平评估方法及其系统，对多个试验者建立应激场景进行刺激实验采集实际生理数据集，分别进行数据预处理和应激特征提取，得到应激特征参数集；根据实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；结合多方评估应激等级作为评定结果，建立应激水平评估模型，能稳定输出更客观准确的评估结果，达到提高应激评估的自适应性和准确性的目的。

Description

一种多参数耦合的应激水平评估方法及其系统
技术领域
本发明涉及多参数耦合处理技术领域，具体涉及一种多参数耦合的应激水平评估方法及其系统。
背景技术
根据应激产生的持续时间与方式，将其分为急性应激和慢性应激。目前慢性应激的评分检测方式主要通过量表进行评估，急性应激的检测方式则是通过各种实验范式诱发被试产生急性应激。应激产生的情绪变化是生理与心理的共同活动，因此心理指标和生理指标都可以作为应激程度的评价标准。通过生理指标，比如心率、呼吸、内分泌和皮肤电等对应激反应进行研究，相比单一的心理指标具有更高的信效度，因此采用生理指标对应激水平进行评估更具有客观性。目前常采用血液以及内分泌指数进行评估，但存在提取和检测过程久、周期长、耗费大等限制，对评估结果会造成无法避免的噪声影响。相比之下，生理电信号的采集更为的方便，获取数据的时间也更短，能够更快的进行分析得到评估结果。然而现有研究在应激程度评估方面采用的生理参数模态和数量都较为单一，难以克服单一模态与应激特征相关性较差，容易受环境干扰导致误差的问题。
发明内容
鉴于以上所述现有方法的局限，本发明的目的在于提供一种多参数耦合的应激水平评估方法及其系统，对多个试验者建立应激场景进行刺激实验采集实际生理数据集，分别进行数据预处理和应激特征提取，得到应激特征参数集；根据实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；结合多方评估应激等级作为评定结果，建立应激水平评估模型，能稳定输出更客观准确的评估结果，达到提高应激评估的自适应性和准确性的目的。
为了实现上述目的，根据本公开的一方面，提供一种多参数耦合的应激水平评估方法，所述方法包括以下步骤：
S100，对多个试验者建立应激场景进行刺激实验，同时采集对应的多种生理信号和记录多方评估应激等级；
S200，对所述多种生理信号分别进行数据预处理，构成实际生理数据集；
S300，根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；
S400，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；
S500，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；
S600，采集各个被试者的多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级。
优选地，在S100中，所述对多个试验者建立应激场景进行刺激实验的方法包括：基于虚拟现实头戴式显示设备（如VR头显设备）生成高应激虚拟场景，并将该虚拟场景利用视觉仿真呈现给各个试验者；其中，VR头显设备包括外接式头显设备、一体式头显设备、移动端头显设备等配置，高应激虚拟场景包括但不限于：高空作业场景、驾驶场景、战争场景等，构建的虚拟背景环境是一个符合试验者工作背景的中性环境，采用第一人称视角漫游的方式，在虚拟背景环境中以一定频率生成能够使试验者产生高应激反应的刺激源，包括三维模型、相应的动画效果以及音效等，其通过提前的刺激实验进行确定。
优选地，在S100中，所述多方评估应激等级至少包括自我评估和他人评估两种评估方式，基于相关的应激分量表包括但不限于大学生状态焦虑量表(SAI)、焦虑自评量表(SAS)、剧烈事件量表（LEQ）、压力与应对问卷（SCQ）、特质应对方式量表（TCSQ）等，得到所述多方评估应激等级，用于评估对试验者建立应激场景进行刺激实验时对应的应激程度。
优选地，在S200中，所述多种生理信号包括心电信号、肌电信号、脑电信号和脑氧信号；所述数据预处理至少包括滤波去噪、基线校正和去除伪迹；其中，对所述多种生理信号分别进行数据预处理，构成实际生理数据集的具体方法为：
S201，采用低通滤波、双线性变换和零相位移数字滤波对所述心电信号中的高频干扰进行滤除，其中低通滤波选用巴特沃斯数字低通滤波器，其通带截止频率设为180Hz，通带最大衰减设为1.4，阻带截止频率设为200Hz，阻带最小衰减设为1.6；以及滤除50Hz的工频干扰和35Hz的肌电干扰，得到预处理后的实际心电信号；
S202，对所述肌电信号进行基线校正、50Hz工频陷波、51~150Hz的带通滤波，按打标点进行数据分段，得到预处理后的实际肌电信号；
S203，对所述脑电信号数据进行0.4~40Hz的带通滤波、按打标点进行数据分段、剔除坏导或波动异常的数据段、以及重参考，之后使用独立成分分析法去除肌电、眼电、心电伪迹，得到预处理后的实际脑电信号；
S204，对所述脑氧信号进行0.5Hz低通滤波和0.01Hz高通滤波去除漂移噪声和生理干扰，采用样条插值的方法对伪迹进行矫正，得到预处理后的实际脑氧信号；
S205，对预处理后的实际心电信号、实际肌电信号、实际脑电信号和实际脑氧信号按照相同的时间长度进行无重叠的数据切割，各个切割后的多参数数据组合为一个实际生理数据样本，所有实际生理数据样本按时间顺序排列构成所述实际生理数据集。
进一步地，在S300中，所述实际生理数据集包括预处理后的实际心电信号、实际肌电信号、实际脑电信号和实际脑氧信号；根据所述实际生理数据集进行应激特征提取，得到应激特征参数集的方法为：
S301，对所述实际心电信号进行应激特征提取，在时域上计算所有心跳周期对应的标准差记作STDRR、相邻心跳周期对应的时间间隔的平均值记作MEANRR、以及在频域上计算低频段功率与高频段功率的比值记作LF/HF；
S302，对所述实际脑电信号进行应激特征提取，分别计算δ脑波、θ脑波、α脑波、β脑波四种频域波段在时域上对应的绝对能量E，分别记作Eδ，Eθ，Eα，Eβ；其中，绝对能量的计算公式为：
；
其中，EEG(t)表示为所述实际脑电信号在t时刻对应的数值，其中t为时刻，t∈[0,T]，T为采集时间总长，t1分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的起始时刻；t2分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的结束时刻，分别对应计算得到Eδ，Eθ，Eα，Eβ（当人处于紧张或压力的应激状态下，大脑的脑电活动一般表现为θ波增加、α波减少、β波增加，通过计算四个脑波的绝对能量能用于表征脑电应激活动的时域特征）；
S303，对所述实际肌电信号进行应激特征提取，在时域上计算所述实际肌电信号在δ脑波、θ脑波、α脑波、β脑波分别对应的一定时间段内的积分得到积分肌电值记作iEMG，分别记作iEMGδ，iEMGθ，iEMGα，iEMGβ，其计算公式为：
；
其中，EMG(t)表示为所述实际肌电信号在t时刻对应的数值（iEMG能够反应肌肉在一定时间内的活动强度和持续时间，即在一定时间内肌肉中参与活动的运动单位放电总量；当iEMG下降时表明肌肉紧张，分别计算实际脑电信号在δ脑波、θ脑波、α脑波、β脑波分别对应的一定时间段内的iEMGδ，iEMGθ，iEMGα，iEMGβ，用于评估在各个应激状态下肌肉活动的时域特征）；
以及在频域上计算所述实际肌电信号的平均功率频率和中位频率，分别记作MPF和MF，其计算公式为：
，/>；
其中，P(f)为所述实际肌电信号的功率谱密度函数，f为所述实际肌电信号在频域对应的频率，其中f∈[0, ∞]，∞表示为所述实际肌电信号的全部频率范围（MPF和MF用于评价肌肉应激程度的频域特征）；
S304，对所述实际脑氧信号进行应激特征提取，在时域上计算所述实际脑氧信号的脑氧均值，脑氧斜率、脑氧方差和脑氧峰峰值，分别记作μ、k、σ2和PP，其计算公式为：
，/>；
，/>；
其中，ODr表示为所述实际脑氧信号，ODr(j)为所述实际脑氧信号在时域上对应的第j个光强度大小，j为脑氧序号，j∈[1,M]，M为ODr的实际采集个数；[X]为所述实际脑氧信号中血红蛋白的相对浓度，包括氧合血红蛋白和脱氧血红蛋白；GJ为与散射相关的几何因子；Max(ODr)为ODr的最大值，Min(ODr)为ODr的最小值；
S305，所述应激特征参数集包括STDRR、MEANRR、LF/HF、Eδ、Eθ、Eα、Eβ、iEMGδ、iEMGθ、iEMGα、iEMGβ、MPF、MF、μ、k、σ2和PP（STDRR、MEANRR、LF/HF为所述实际心电信号在应激状态下的时域和频域特征，Eδ，Eθ，Eα，Eβ为所述实际脑电信号在各个应激状态下活动的时域特征，iEMGδ，iEMGθ，iEMGα，iEMGβ为所述实际肌电信号在各个应激状态下肌肉活动的时域特征，MPF、MF为所述实际肌电信号在应激状态下肌肉活动的频域特征，μ、k、σ2和PP为所述实际脑氧信号在应激状态下神经环路活动的应激特征，根据多参数采集分析构成所述应激特征参数集，能够更全面、更准确、更有效地对反应被试者在生理参数上体现的真实应激状态，进一步提高应激水平评估的准确性）。
优选地，在S301中，对所述实际心电信号进行应激特征提取的具体方法包括：
S3011，对所述实际心电信号在时域上进行小波处理，判断得到所述实际心电信号中的切点和极值点，利用自适应阈值处理法确定所述极值点为R波的波峰；其中，设第n+1个R波对应的时刻与第n个R波对应的时刻之间的时间间隔称为第n个RR间期（即为心跳周期），记作RRn；n为波峰序号，n∈[1,N]，N为R波的个数；
S3012，根据所有RR间期计算所述实际心电信号中所有心跳周期对应的标准差，记作STDRR，其计算公式为：
；
其中，i为波峰序号，i∈[1,N]，N为R波的个数；RRi表示为第i个RR间期，RRn表示为第n个RR间期；
S3013，根据第n个RR间期和第n+1个RR间期计算所述实际心电信号中相邻心跳周期对应的时间间隔的平均值，记作MEANRR，其计算公式为：
；
其中，RRn表示为第n个RR间期，n为波峰序号，n∈[1,N]，N为R波的个数；
S3014，计算所述实际心电信号在频域上的低频段功率和高频段功率，分别记作LF和HF；以及计算低频段功率和高频段功率的比值，记作LF/HF；具体地，计算所述实际心电信号中0.04Hz-0.15Hz的低频段功率和0.15Hz-0.4Hz的高频段功率，其计算公式为：
，/>；
其中，PSD(f)表示为所述实际心电信号在频域的自相关函数，f为频域对应的频率。
进一步地，在S400中，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集，所述应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，其计算方法为：
S401，结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集；
S402，对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集；
其中，在S401中，所述初次应激耦合特征集包括心脑传递耦合强度、脑肌相干耦合系数和神经环路耦合特征；结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集的具体方法为：
S4011，根据所述实际心电信号与所述脑电信号，计算心脑传递耦合强度：判断所述实际心电信号与所述脑电信号的序列长度是否一致，否则提取所述实际心电信号的RR间期并进行插值处理，使得所述实际心电信号与所述脑电信号的序列长度一致；将所述实际心电信号设为x(t)，所述实际脑电信号设为y(t)，t为采集时刻，t∈[0,T]，在采集时间总长T内分别计算x(t)和y(t)的自相关函数，以及x(t)和y(t)之间的互相关函数；并在频域分别计算x(t)和y(t)的自功率谱密度，分别记作Pxx(ω)和Pyy(ω)，以及x(t)和y(t)之间的互功率谱密度记作Pxy(ω)，ω为角频率，ω∈[0,2π]；进一步计算心脑传递耦合强度记作EBCC，其计算公式为：
；
其中，EBCC(ω)表示为所述心脑传递耦合强度在ω值对应的数值（对心脑系统随机动态因果研究发现，在应激活动调节自主神经过程中大脑皮层中央后区到前区的信息流增加, 心脑间的耦合程度也会显著增强，在步骤S4011中通过计算EBCC表征心脑之间相互关联的耦合程度）；
S4012，根据所述实际脑电信号与所述实际肌电信号，计算脑肌相干耦合系数记作BMCC，其计算公式为：
；
其中，EM(t)为某一肌肉部位的实际肌电信号从起始时刻到t时刻的均方根值；EMG(t)为所述实际肌电信号在t时刻对应的数值，为EMG(t)在采集时间总长T内的平均值；y(t)为所述脑电信号，/>为所述脑电信号在采集时间总长T内的平均值；
S4013，根据所述应激特征参数集，计算神经环路耦合特征：根据所述应激特征参数集获得所述实际脑电信号的特征参数，包括Eδ，Eθ，Eα，Eβ，构成脑电特征矩阵记作SEEG；根据所述应激特征参数集获得所述实际脑氧信号的特征参数，包括μ、k、σ2和PP，构成脑氧特征矩阵记作SfNIRS；分别对SEEG和SfNIRS进行线性组合得到UEEG和VfNIRS，以及对应的相关向量A和B；进一步分别计算SEEG和SfNIRS的协方差矩阵记作conv(SEEG , SEEG)和conv(SfNIRS,SfNIRS)，以及SEEG和SfNIRS之间的协方差矩阵记作conv(SEEG , SfNIRS)，计算神经环路耦合矩阵记作ρ，其计算公式为：
；
；
；
其中，AT和BT分别为相关向量A和B的转置，AT=[a1,a2,a3,a4]，a1,a2,a3,a4为相关向量A中的各个元素值；BT=[b1,b2,b3,b4]，b1,b2,b3,b4为相关向量B中的各个元素值；取神经环路耦合矩阵中的最大值作为神经环路耦合特征记作maxρ；
另外，在S402中，所述二次应激耦合特征集包括神经活动应激指标、肌肉紧张程度、最大应激度和平均应激度；其中，所述神经活动应激指标包括神经疲劳度、环路波动度和神经放松度；对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集的具体方法为：
S4021，根据所述应激特征参数集，计算神经活动应激指标：获得δ脑波、θ脑波、α脑波、β脑波分别对应的绝对能量Eδ、Eθ、Eα、Eβ，融合计算所述神经疲劳度记作TIR，所述环路波动度记作FLU，以及所述神经放松度REL，其计算公式为：
，/>，/>；
（由于脑电信号不同的节律能够反映不同的应激状态，所述应激特征参数集中计算所述实际脑电信号在四种频域波段对应的绝对能量，进行第二应激特征融合得到三项神经活动应激指标：神经疲劳度TIR能够表征刺激实验中被试者的神经疲劳水平，该值越大代表面对应激场景时疲劳度越高；环路波动度FLU用于反映刺激实验中的情绪波动情况，该值越大代表情绪越不稳定；神经放松度REL用于反映过程中的放松程度，该值越大代表精神状态越放松）；
S4022，根据所述应激特征参数集，计算肌肉紧张程度：获得δ脑波、θ脑波、α脑波、β脑波分别对应的积分肌电值iEMGδ、iEMGθ、iEMGα、iEMGβ，在采集时间总长T中计算肌肉紧张程度记作RMS，其计算公式为：
；
（由于在应激过程中肌纤维的传播速度存在个体差异，利用积分肌电值表征神经信号传播时间，通过计算肌肉紧张程度RMS进一步反映在应激过程中的肌纤维传播状态，当RMS下降表示被试者的肌肉处于紧张的应激状态）；
S4023，根据所述应激特征参数集，计算最大应激度和平均应激度：获得所述实际脑氧信号的脑氧均值μ，脑氧斜率k、脑氧方差σ2和脑氧峰峰值PP，计算最大应激度记作SM；以及计算所述实际脑氧信号归一化后的平方均值作为平均应激度记作SA，其计算公式为：
，/>；
（在S400中，结合所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集能够反映更精准的应激水平的耦合特征，相比于单一生理信号提取特征，能够获得多生理参数维度表征的客观评估结果，提高模型的识别精度，降低个体差异误差）。
进一步地，在S500中，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型的方法为：
S501，获得各个试验者对应的所述应激特征参数集和所述应激耦合特征集，利用Box-Cox变换对各个试验者对应的所述应激特征参数集和所述应激耦合特征集进行归一化，构成综合应激特征集；
S502，根据各个试验者对应的所述综合应激特征集作为数据集，并按照设定比例划分为训练数据集、测试数据集和验证数据集；利用机器学习方法对进行所述训练数据集进行分类训练，构建初级分类模型；
S503，对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证，选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型；
S504，利用 BP神经网络模型、多层感知网络(MLP)、卷积神经网络(CNN)作为集成次级模型，将所述集成初级模型的输出作为所述集成次级模型的输入，结合所述多方评估应激等级作为输出，训练得到最终决策模型，即为应激水平评估初级模型；
S505，利用所述应激水平评估初级模型对所述测试数据集进行优化训练，得到最优的应激水平评估模型；
S506，利用所述验证数据集对所述应激水平评估模型进行预测评估，输出对应的应激等级（按照各个生理参数对应的模态和类别得到不同的应激耦合特征，进行Box-Cox特征转换以减小不同个体在情感表达中的参数差异，可以在一定程度上减小不可观测的误差和预测应激耦合特征的相关性；结合集成学习方法，构建集成初级模型，将集成初级模型的one-hot输出作为集成次级模型如神经网络等的训练输入，进一步训练优化得到应激水平评估模型，在决策层面实现了融合，使得应激水平评估模型具有更好的实时性、容错性和自适应性，抗干扰能力强，能稳定输出更客观准确的评估结果，具体为四种应激等级：无症状、轻度应激、中度应激和重度应激）。
根据本公开的另一方面，还提供一种多参数耦合的应激水平评估系统，所述处理器执行所述计算机程序运行在以下系统的单元中：
应激采集量化单元，用于当试验者建立应激场景进行刺激实验时，同时获得多种生理信号和记录多方评估应激等级；
数据预处理单元，用于对所述多种生理信号分别进行数据预处理，构成实际生理数据集；
应激特征提取单元，用于根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；
特征耦合分析单元，用于根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；
应激模型建立单元，用于将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；
应激等级评估单元，用于当被试者在对应的应激场景下进行刺激实验时，获得多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级。
如上所述，本发明所述的一种多参数耦合的应激水平评估方法及系统，具有以下有益效果：（1）采集多种与应激过程中密切相关的生理参数信息，从多种单一生理特征以及各个特征之间的相关性对应激水平进行耦合分析；（2）计算应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，与应激病症的关联性更强，用于对应激水平的量化评估更准确；（3）在一定程度上解决单一生理参数对应激程度的识别准确度较低且相关性较差的问题，有效避免单一生理参数测量误差和被试个体心理和生理差异的干扰；（4）利用双层融合的方式建立应激水平评估模型，采用特征层面和决策层面的双融合训练模式，利用多参数耦合分析提高模型评估准确度，并兼容了多传感器的环境特征信息，提高模型的自适应性和抗干扰性。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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所示为一种多参数耦合的应激水平评估方法于一实施例中的流程图；
图2所示为一种多参数耦合的应激水平评估系统于一实施例中的系统结构图；
图3所述为一种多参数耦合的应激水平评估系统于一实施例中的应激多参数采集装置的脑电脑氧集成采集帽的采集位置示意图；
图4所述为一种多参数耦合的应激水平评估系统于一实施例中的应激多参数采集装置的心电采集设备、脑电采集设备和脑氧采集设备的采集位置示意图；
附图标记如下：脑电脑氧集成采集帽1、脑电采集设备的脑电电极头11、脑氧采集设备的光极探头12、脑电采集设备中符合10-20电极放置法的脑电电极头13；应激多参数采集装置2、近红外光源21、探测器22、脑电电极头23、脑氧光极探头24、心电电极25。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的一种多参数耦合的应激水平评估方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种多参数耦合的应激水平评估方法。本公开提出一种多参数耦合的应激水平评估方法，所述方法具体包括以下步骤：
S100，对多个试验者建立应激场景进行刺激实验，同时采集对应的多种生理信号和记录多方评估应激等级；
S200，对所述多种生理信号分别进行数据预处理，构成实际生理数据集；
S300，根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；
S400，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；
S500，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；
S600，采集各个被试者的多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级。
优选地，在S100中，所述对多个试验者建立应激场景进行刺激实验的方法包括：基于虚拟现实头戴式显示设备（如VR头显设备）生成高应激虚拟场景，并将该虚拟场景利用视觉仿真呈现给各个试验者；其中，VR头显设备包括外接式头显设备、一体式头显设备、移动端头显设备等配置，高应激虚拟场景包括但不限于：高空作业场景、驾驶场景、战争场景等，构建的虚拟背景环境是一个符合试验者工作背景的中性环境，采用第一人称视角漫游的方式，在虚拟背景环境中以一定频率生成能够使试验者产生高应激反应的刺激源，包括三维模型、相应的动画效果以及音效等，其通过提前的刺激实验进行确定。
具体地，在本具体实施例中，对多个试验者建立所述高应激虚拟场景进行多次刺激实验，并实时记录试验者对应的多种生理信号；每次刺激实验连续刺激10min，每次刺激实验之间间隔30s，所述高应激虚拟场景在每次刺激实验的开始和结尾处设有时长为30s的黑屏时间。
优选地，在S100中，所述多方评估应激等级至少包括自我评估和他人评估两种评估方式，基于相关的应激分量表包括但不限于大学生状态焦虑量表(SAI)、焦虑自评量表(SAS)、剧烈事件量表（LEQ）、压力与应对问卷（SCQ）、特质应对方式量表（TCSQ）等，得到所述多方评估应激等级，用于评估对试验者建立应激场景进行刺激实验时对应的应激程度。
具体地，在本具体实施例中，所述他人评估的具体方式为：多个评定员（优选为至少十个）基于以下问题对试验者分别进行应激状态评定其应激水平（得到等级1-4级）并取其平均值得到他人评估应激水平记作S1；问题1：你认为目前这个人有压力吗（1-4级），问题2：你对你自己的评分多有信心（1-4级），其中，各个评定员的最终评分为：(问题1等级×问题2等级) / 4；所述自我评估的具体方式为：志愿者在刺激实验之后完成SAI量表，将SAI量表的评分按照0~49，50~59，60~69，以及69以上换算成对应的应激水平（1-4级）记作S2；最后将自我评估和他人评估的两个评定结果进行加权取值：S1×0.6 + S2×0.4得到所述多方评估应激等级，分别对应于四种应激等级：无症状、轻度应激、中度应激和重度应激。
优选地，在S200中，所述多种生理信号包括心电信号、肌电信号、脑电信号和脑氧信号；所述数据预处理至少包括滤波去噪、基线校正和去除伪迹；其中，对所述多种生理信号分别进行数据预处理，构成实际生理数据集的具体方法为：
S201，采用低通滤波、双线性变换和零相位移数字滤波对所述心电信号中的高频干扰进行滤除，其中低通滤波选用巴特沃斯数字低通滤波器，其通带截止频率设为180Hz，通带最大衰减设为1.4，阻带截止频率设为200Hz，阻带最小衰减设为1.6；以及滤除50Hz的工频干扰和35Hz的肌电干扰，得到预处理后的实际心电信号；
S202，对所述肌电信号进行基线校正、50Hz工频陷波、51~150Hz的带通滤波，按打标点进行数据分段，得到预处理后的实际肌电信号；
S203，对所述脑电信号数据进行0.4~40Hz的带通滤波、按打标点进行数据分段、剔除坏导或波动异常的数据段、以及重参考，之后使用独立成分分析法去除肌电、眼电、心电伪迹，得到预处理后的实际脑电信号；
S204，对所述脑氧信号进行0.5Hz低通滤波和0.01Hz高通滤波去除漂移噪声和生理干扰，采用样条插值的方法对伪迹进行矫正，得到预处理后的实际脑氧信号；
S205，对预处理后的实际心电信号、实际肌电信号、实际脑电信号和实际脑氧信号按照相同的时间长度进行无重叠的数据切割，各个切割后的多参数数据组合为一个实际生理数据样本，所有实际生理数据样本按时间顺序排列构成所述实际生理数据集。
优选地，在本具体实施例中，所述脑氧信号的具体计算方法包括：通过近红外光谱仪采集试验者或被试者大脑皮层的散射光强度连续变化，计算得到动态的脑氧信号，包括与氧合血红蛋白和脱氧血红蛋白的相对浓度变化有关的光强度，其中光强度的计算公式为：
；
其中，OD表示为与血红蛋白的相对浓度变化有关的光强度的大小，即为所述脑氧信号；I0为所述近红外光谱仪的近红外光源的发光强度，I为所述近红外光谱仪的探测器获取散射的测量光强度，为衰减系数，[X]为血红蛋白的相对浓度，包括氧合血红蛋白和脱氧血红蛋白；L为近红外光源与探测器之间的源探距离，DPF为差分路径长度因子，用于校正其血红蛋白浓度变化大小由于个体年龄差异带来的计算误差，GJ为与散射相关的几何因子；其中，DPF的计算公式为：
；
其中， Age为试验者或被试者的个体年龄值。
进一步地，在S300中，所述实际生理数据集包括预处理后的实际心电信号、实际肌电信号、实际脑电信号和实际脑氧信号；根据所述实际生理数据集进行应激特征提取，得到应激特征参数集的方法为：
S301，对所述实际心电信号进行应激特征提取，在时域上计算所有心跳周期对应的标准差记作STDRR、相邻心跳周期对应的时间间隔的平均值记作MEANRR、以及在频域上计算低频段功率与高频段功率的比值记作LF/HF；
S302，对所述实际脑电信号进行应激特征提取，分别计算δ脑波、θ脑波、α脑波、β脑波四种频域波段在时域上对应的绝对能量E，分别记作Eδ，Eθ，Eα，Eβ；其中，绝对能量的计算公式为：
；
其中，EEG(t)表示为所述实际脑电信号在t时刻对应的数值，其中t为时刻，t∈[0,T]，T为采集时间总长，t1分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的起始时刻；t2分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的结束时刻，分别对应计算得到Eδ，Eθ，Eα，Eβ（所述实际脑电信号即为脑电图（EEG），一般由四种基本脑波构成，分别为：δ脑波（DELTA），θ脑波（THETA），α脑波（ALPHA）和β脑波（BETA）。
具体地，δ脑波（0.5 ~ 4Hz）表示为无梦沉睡态，θ脑波（4 ~ 8Hz）表示为浅睡冥思态，主要出现在较轻的睡眠状态和一些放松状态下，在紧张和疼痛时θ脑波增加；α脑波（8 ~12Hz）表示为平静深思态，主要出现在放松状态和安静的警觉状态下，α脑波的减少反映出人在紧张和焦虑时更易被干扰和分心，而人在激动、恐惧、愤怒或深睡情况下不存在α脑波；β脑波表示为高度警觉态，主要在紧张、思考、分析等认知任务时增强，其数值越高越警觉，在左脑表征注意力的高度集中或紧张状态，在右脑则侧重于表惊恐状态，但加强到一定程度会导致许多疲劳和焦虑症状。因此，当人处于紧张或压力的应激状态下，大脑的脑电活动一般表现为θ波增加、α波减少、β波增加，通过计算四个脑波的绝对能量能用于表征脑电应激活动的时域特征）；
S303，对所述实际肌电信号进行应激特征提取，在时域上计算所述实际肌电信号在δ脑波、θ脑波、α脑波、β脑波分别对应的一定时间段内的积分得到积分肌电值记作iEMG，分别记作iEMGδ，iEMGθ，iEMGα，iEMGβ，其计算公式为：
；
其中，EMG(t)表示为所述实际肌电信号在t时刻对应的数值（iEMG能够反应肌肉在一定时间内的活动强度和持续时间，用于评估在各个应激状态下肌肉活动的时域特征）；
以及在频域上计算所述实际肌电信号的平均功率频率和中位频率，分别记作MPF和MF，其计算公式为：
，/>；
其中，P(f)为所述实际肌电信号的功率谱密度函数，f为所述实际肌电信号在频域对应的频率，其中f∈[0, ∞]，∞表示为所述实际肌电信号的全部频率范围（MPF和MF用于评价肌肉应激程度的频域特征）；
S304，对所述实际脑氧信号进行应激特征提取，在时域上计算所述实际脑氧信号的脑氧均值，脑氧斜率、脑氧方差和脑氧峰峰值，分别记作μ、k、σ2和PP，其计算公式为：
，/>；
，/>；
其中，ODr表示为所述实际脑氧信号，ODr(j)为所述实际脑氧信号在时域上对应的第j个光强度大小，j为脑氧序号，j∈[1,M]，M为ODr的实际采集个数；[X]为所述实际脑氧信号中血红蛋白的相对浓度，包括氧合血红蛋白和脱氧血红蛋白；GJ为与散射相关的几何因子；Max(ODr)为ODr的最大值，Min(ODr)为ODr的最小值；
S305，所述应激特征参数集包括STDRR、MEANRR、LF/HF、Eδ、Eθ、Eα、Eβ、iEMGδ、iEMGθ、iEMGα、iEMGβ、MPF、MF、μ、k、σ2和PP（根据多参数采集分析构成所述应激特征参数集，能够更全面、更准确、更有效地对反应被试者在生理参数上体现的真实应激状态，进一步提高应激水平评估的准确性）。
优选地，在S301中，对所述实际心电信号进行应激特征提取的具体方法包括：
S3011，对所述实际心电信号在时域上进行小波处理，判断得到所述实际心电信号中的切点和极值点，利用自适应阈值处理法确定所述极值点为R波的波峰；其中，设第n+1个R波对应的时刻与第n个R波对应的时刻之间的时间间隔称为第n个RR间期（即为心跳周期），记作RRn；n为波峰序号，n∈[1,N]，N为R波的个数；
S3012，根据所有RR间期计算所述实际心电信号中所有心跳周期对应的标准差，记作STDRR，其计算公式为：
；
其中，i为波峰序号，i∈[1,N]，N为R波的个数；RRi表示为第i个RR间期，RRn表示为第n个RR间期；
S3013，根据第n个RR间期和第n+1个RR间期计算所述实际心电信号中相邻心跳周期对应的时间间隔的平均值，记作MEANRR，其计算公式为：
；
其中，RRn表示为第n个RR间期，n为波峰序号，n∈[1,N]，N为R波的个数；
S3014，计算所述实际心电信号在频域上的低频段功率和高频段功率，分别记作LF和HF；以及计算低频段功率和高频段功率的比值，记作LF/HF；具体地，计算所述实际心电信号中0.04Hz-0.15Hz的低频段功率和0.15Hz-0.4Hz的高频段功率，其计算公式为：
，/>；
其中，PSD(f)表示为所述实际心电信号在频域的自相关函数，f为频域对应的频率。
进一步地，在S400中，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集，所述应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，其计算方法为：
S401，结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集；
S402，对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集；
其中，在S401中，所述初次应激耦合特征集包括心脑传递耦合强度、脑肌相干耦合系数和神经环路耦合特征；结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集的具体方法为：
S4011，根据所述实际心电信号与所述脑电信号，计算心脑传递耦合强度：判断所述实际心电信号与所述脑电信号的序列长度是否一致，否则提取所述实际心电信号的RR间期并进行插值处理，使得所述实际心电信号与所述脑电信号的序列长度一致；将所述实际心电信号设为x(t)，所述实际脑电信号设为y(t)，t为采集时刻，t∈[0,T]，在采集时间总长T内分别计算x(t)和y(t)的自相关函数，以及x(t)和y(t)之间的互相关函数；并在频域分别计算x(t)和y(t)的自功率谱密度，分别记作Pxx(ω)和Pyy(ω)，以及x(t)和y(t)之间的互功率谱密度记作Pxy(ω)，ω为角频率，ω∈[0,2π]；进一步计算心脑传递耦合强度记作EBCC，其计算公式为：
；
其中，EBCC(ω)表示为所述心脑传递耦合强度在ω值对应的数值（对心脑系统随机动态因果研究发现，在应激活动调节自主神经过程中大脑皮层中央后区到前区的信息流增加, 心脑间的耦合程度也会显著增强，在步骤S4011中通过计算EBCC表征心脑之间相互关联的耦合程度）；
S4012，根据所述实际脑电信号与所述实际肌电信号，计算脑肌相干耦合系数记作BMCC，其计算公式为：
；
其中，EM(t)为某一肌肉部位的实际肌电信号从起始时刻到t时刻的均方根值；EMG(t)为所述实际肌电信号在t时刻对应的数值，为EMG(t)在采集时间总长T内的平均值；y(t)为所述脑电信号，/>为所述脑电信号在采集时间总长T内的平均值；
S4013，根据所述应激特征参数集，计算神经环路耦合特征：根据所述应激特征参数集获得所述实际脑电信号的特征参数，包括Eδ，Eθ，Eα，Eβ，构成脑电特征矩阵记作SEEG；根据所述应激特征参数集获得所述实际脑氧信号的特征参数，包括μ、k、σ2和PP，构成脑氧特征矩阵记作SfNIRS；分别对SEEG和SfNIRS进行线性组合得到UEEG和VfNIRS，以及对应的相关向量A和B；进一步分别计算SEEG和SfNIRS的协方差矩阵记作conv(SEEG , SEEG)和conv(SfNIRS,SfNIRS)，以及SEEG和SfNIRS之间的协方差矩阵记作conv(SEEG , SfNIRS)，计算神经环路耦合矩阵记作ρ，其计算公式为：
；
；
；
其中，AT和BT分别为相关向量A和B的转置，AT=[a1,a2,a3,a4]，a1,a2,a3,a4为相关向量A中的各个元素值；BT=[b1,b2,b3,b4]，b1,b2,b3,b4为相关向量B中的各个元素值；取神经环路耦合矩阵中的最大值作为神经环路耦合特征记作maxρ；
另外，在S402中，所述二次应激耦合特征集包括神经活动应激指标、肌肉紧张程度、最大应激度和平均应激度；其中，所述神经活动应激指标包括神经疲劳度、环路波动度和神经放松度；对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集的具体方法为：
S4021，根据所述应激特征参数集，计算神经活动应激指标：获得δ脑波、θ脑波、α脑波、β脑波分别对应的绝对能量Eδ、Eθ、Eα、Eβ，融合计算所述神经疲劳度记作TIR，所述环路波动度记作FLU，以及所述神经放松度REL，其计算公式为：
，/>，/>；
（神经疲劳度TIR能够表征刺激实验中被试者的神经疲劳水平，该值越大代表面对应激场景时疲劳度越高；环路波动度FLU用于反映刺激实验中的情绪波动情况，该值越大代表情绪越不稳定；神经放松度REL用于反映过程中的放松程度，该值越大代表精神状态越放松）；
S4022，根据所述应激特征参数集，计算肌肉紧张程度：获得δ脑波、θ脑波、α脑波、β脑波分别对应的积分肌电值iEMGδ、iEMGθ、iEMGα、iEMGβ，在采集时间总长T中计算肌肉紧张程度记作RMS，其计算公式为：
；
（由于在应激过程中肌纤维的传播速度存在个体差异，利用积分肌电值表征神经信号传播时间，通过计算肌肉紧张程度RMS进一步反映在应激过程中的肌纤维传播状态，当RMS下降表示被试者的肌肉处于紧张的应激状态）；
S4023，根据所述应激特征参数集，计算最大应激度和平均应激度：获得所述实际脑氧信号的脑氧均值μ，脑氧斜率k、脑氧方差σ2和脑氧峰峰值PP，计算最大应激度记作SM；以及计算所述实际脑氧信号归一化后的平方均值作为平均应激度记作SA，其计算公式为：
，/>；
（在被试者进行刺激实验时，由于个体存在较强的主观意志，导致脑部血流量增加，血氧浓度变化的脑氧峰峰值PP可表征被试者的最大应激程度，脑氧均值可表征被试者的平均应激水平，计算二者比值在一定程度上能够减少个体之间的差异性误差，用于反映被试者在刺激实验中的最大应激程度SM；而根据脑氧均值μ和脑氧方差σ2计算平均应激度SA，可以更准确地衡量被试者的平均应激水平；在S400中，结合所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集能够反映更精准的应激水平的耦合特征，相比于单一生理信号提取特征，能够获得多生理参数维度表征的客观评估结果，提高模型的识别精度，降低个体差异误差）。
进一步地，在S500中，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型的方法为：
S501，获得各个试验者对应的所述应激特征参数集和所述应激耦合特征集，利用Box-Cox变换对各个试验者对应的所述应激特征参数集和所述应激耦合特征集进行归一化，构成综合应激特征集；
S502，根据各个试验者对应的所述综合应激特征集作为数据集，并按照设定比例划分为训练数据集、测试数据集和验证数据集；利用机器学习方法对进行所述训练数据集进行分类训练，构建初级分类模型；优选地，所述机器学习方法包括但不限于支持向量机(SVM)、随机森林、K近邻算法(KNN)、多层感知网络(MLP)、卷积神经网络(CNN)等分类算法；具体地，在本具体实施例中，所述设定比例为8：1：1；
S503，对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证，选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型；
S504，利用 BP神经网络模型、多层感知网络(MLP)、卷积神经网络(CNN)作为集成次级模型，将所述集成初级模型的输出作为所述集成次级模型的输入，结合所述多方评估应激等级作为输出，训练得到最终决策模型，即为应激水平评估初级模型；
S505，利用所述应激水平评估初级模型对所述测试数据集进行优化训练，得到最优的应激水平评估模型；
S506，利用所述验证数据集对所述应激水平评估模型进行预测评估，输出对应的应激等级。
优选地，在另一种可能的实施例中，所述一种多参数耦合的应激水平评估方法，在步骤S600之后，还包括：
S700，基于被试者的应激等级作为场景反馈参数，控制对应的应激场景生成的刺激模型以及动画效果，搭建个性化应激场景作为所述被试者对应的应激场景，各个被试者在个性化应激场景下重复步骤S600获得其对应的应激等级，并自适应调整刺激实验。
优选地，在本具体实施例中，S700的具体方法为：
S701，根据被试者的训练用户群体的需求和背景设计一个无特殊事件的中性开放型场景，并制定好能够激发被试者的应激反应的三维模型、动画效果以及音效，并按照各个被试者的平均应激水平将其划分为不同程度的应激源集合；
S702，在刺激实验中，通过步骤S100~S400获得各个被试者对应的所述应激特征参数集和所述应激耦合特征集，通过S600输入所述应激水平评估模型，输出各个被试者对应的应激等级；
S703，将所述应激等级反馈至上位机控制端，控制端根据各个被试者对应的所述应激特征参数集和所述应激耦合特征集的大小调整加入的应激源集合以及加入应激源的频率，让被试者能够在合适的训练强度下进行刺激实验，实现生理参数反馈循环的自适应训练（通过反馈多参数融合计算得到的应激特征和耦合特征，对各个被试者的应激水平评估模型进行自适应调整，进一步考虑各个被试者的情绪状态和心理反应等抗压程度的个体差异，对各个被试者对应的应激场景进行差异调整，能够准确分析被试者在适应的应激环境中的应激水平，具有更高的适用价值，在一定程度上能够作为评价应激水平的客观标准）。
具体地，现有技术中大多采用单一生理参数信号数据或两种生理信号数据，提取较少模态的特征进行评估识别效率低且性能较差。所述一种多参数耦合的应激水平评估方法相比于现有技术，在S100中选择采集多种与应激过程中密切相关的生理参数信息，其中心电信号可以表征应激过程中心脏各部分生理状况，脑电信号和脑氧信号可以表征应激过程中大脑功能的连接状态，肌电信号可以表征应急过程中训练者的紧张程度和疲劳程度；在S300中计算各个生理信号对应的单生理参数特征得到应激特征参数集，在S400中计算心电和脑电，脑电和肌电，脑电和脑氧信号之间的耦合关系，从多种单一生理特征以及各个特征之间的相关性对应激水平进行耦合分析，进一步提高评估的全面性和准确性。
相比于现有基于生理信号的应激评价方式，均是采集生理参数而后直接进行对比评估而或通过简单的特征融合后进行模型分类，其缺点是忽略了生理参数之间的关联性使得计算出的特征与应激过程的相关度较低。所述一种多参数耦合的应激水平评估方法通过在S400中计算应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，得到心脑传递耦合强度、脑肌相干耦合系数和神经环路耦合特征，以及神经活动应激指标、肌肉紧张程度、最大应激度和平均应激度，分别表征大脑的意识活动对心率产生的影响，大脑皮层的控制信息对肌肉组织同步振荡活动的影响，以及大脑反应能力和脑血管供血能力强度，这些应激指标与应激病症的关联性更强，用于对应激水平的量化评估更准确。
相比于现有基于多生理参数应激水平评估算法，大多是在特征层面实现融合，将不同特征结合成为新的特征。所述一种多参数耦合的应激水平评估方法利用双层融合的方式建立应激水平评估模型，采用特征层面和决策层面的双融合训练模式，不仅利用了来自不同模态的多个特征之间的相关性及其耦合分析结果，同时也兼容了多传感器的环境特征信息，提高了模型的自适应性和抗干扰性。
现有的应激训练系统都是采用量表生成评价指标而或是采用生理参数输出简单的是否处于应激状态的评价结果，且需要人工针对评价结果进行训练方案的调整。所述一种多参数耦合的应激水平评估方法，通过多生理参数融合输出多层次的评价结果，还包括S700根据评价结果的反馈调整训练的方案，能够自适应VR应激训练，让被试者能够在合适的训练强度下进行应激训练，实现生理参数反馈循环的自适应训练。其中，应激源采用中性的漫游式背景与三维模型、动画效果和实时音效融合的方式，既避免了训练者由于交互忽略了应激事件的情况，更具有沉浸感，也使得应激方案的调整更加流畅和便捷。
如图2所示为本公开的一种多参数耦合的应激水平评估系统结构图，所述处理器执行所述计算机程序运行在以下系统的单元中：
应激采集量化单元，用于当试验者建立应激场景进行刺激实验时，同时获得多种生理信号和记录多方评估应激等级；
数据预处理单元，用于对所述多种生理信号分别进行数据预处理，构成实际生理数据集；
应激特征提取单元，用于根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；
特征耦合分析单元，用于根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；
应激模型建立单元，用于将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；
应激等级评估单元，用于当被试者在对应的应激场景下进行刺激实验时，获得多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级。
优选地，所述应激采集量化单元，在本具体实施例中，所述应激多参数采集装置至少包括：虚拟现实头盔、上位机、心电采集设备、肌电采集设备、脑电采集设备和脑氧采集设备。其中，所述心电采集设备、肌电采集设备、脑电采集设备和虚拟现实头盔连接同一上位机，所述应激多参数采集装置通过无线传输的方式将数据发送到上位机；虚拟现实头盔的应激场景展示和被试者的应激状态能够通过上位机进行控制和读取。
具体地，所述心电采集设备优选为单导联心电测量仪，所述肌电采集设备优选为16通道肌电测量仪，所述脑电采集设备优选为32通道脑电测量仪，所述脑氧采集设备优选为24通道脑氧测量仪。
优选地，所述应激采集量化单元，在本具体实施例中，利用所述应激多参数采集装置对试验者建立应激场景进行刺激实验，同时采集多种生理信号和记录多方评估应激等级的具体步骤为：
S101，所述虚拟现实头盔用于生成高应激虚拟场景，提供应激源；并利用视觉感知呈现给试验者进行刺激实验，同时采集试验者的多种生理信号；
S102，所述上位机用于控制所述高应激虚拟场景的选择、产生高应激反应的刺激源生成的频率以及多种生理信号的同步采集；其中，使试验者产生高应激反应的刺激源包括三维模型、相应的动画效果以及音效等；所述多种生理信号包括心电信号、肌电信号、脑电信号和脑氧信号；
S103，对试验者进行刺激实验之后，对试验者基于相关的应激分量表得到多方评估应激等级，分为四种应激等级包括：无症状、轻度应激、中度应激和重度应激。
具体地，所述高应激虚拟场景采用中性开放型背景与三维模型和实时音效相结合的表现方式，所述上位机用于控制场景中的模型和声音出现的方式和频率。
优选地，在另一种可能的实施例中，所述应激多参数采集装置还包括脑电脑氧集成采集帽1，如图3所示；其中，将所述脑电采集设备的脑电电极头11和脑氧采集设备的光极探头12分别交叉安放，所述脑电脑氧集成采集帽1集成在一个头戴式的脑电脑氧集成采集帽上，以覆盖待测者的大脑全头皮区域，也可优化安置区域集中在大脑左右半球的前额叶运动皮层区域，因为该特定脑区主要反应心理状态和情感状态，与神经环路活动的产生高度相关。其中所述脑电电极头包括分为湿式电极头和干式电极头，为了确保信号的稳定和真实性，优选使用湿式电极头。
具体地，在本具体实施例中，应激多参数采集装置2包括所述肌电采集设备，用于测量试验者手臂和腿部的肌电信号；所述脑电采集设备用于采集试验者对应的七个导联的脑电信号，分别为：FP1、F7、F3、Fz、FP2、F8和F4，取A1为参考电极；所述脑电采集设备用于基于国际10-20电极安放系统(10-20电极放置法)，采用32导联脑电帽进行数据采集，所述脑电采集设备中符合10-20电极放置法的脑电电极头12的电极放置位置如图3所示；其中，所述脑氧采集设备用于利用近红外光谱采集脑部血氧数据，包括近红外光源21和探测器22；脑电脑氧集成采集帽2用于记录PFC皮层的大脑活动，集成包含7个脑电电极头23和16个脑氧光极探头24（相当于23个fNIRS通道），23个fNIRS通道对应的脑氧导联的电极放置位置如图4所示；以及1个心电电极25，心电导联的电极位于10-20电极放置法中Cz的位置。
优选地，在另一种可能的实施例中，所述应激多参数采集装置还包括打标盒；所述打标盒用于在局域网内进行多种生理信号的同步采集。
具体地，在所述应激采集量化单元中，同步采集试验者的心电、脑电、肌电和脑氧信号；在所述应激特征提取单元中，对所述实际生理数据集进行应激特征提取，提取各个生理信号的单一生理参数得到应激特征参数集，能够减小不同个体在情感表达中的差异；同时在所述特征耦合分析单元中，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，所述初次应激耦合特征集包括心脑传递耦合强度，用于监视在应激过程中大脑的意识活动对心率产生的影响；脑肌相干耦合系数，用于分析应激过程中大脑皮层的控制信息引起的肌肉组织同步振荡活动；以及环路耦合特征，用于展示应激过程中大脑反应能力和脑血管供血能力强度；所述二次应激耦合特征集包括神经活动应激指标、肌肉紧张程度、最大应激度和平均应激度，使用多种特征结合以及耦合分析能够从不同的角度更全面地反映多次刺激训练后的应激程度变化，在所述应激等级评估单元中获得对应的应激等级，使得多个被试者的应激水平的量化评估更加具有对比性、客观性和真实性。
所述一种多参数耦合的应激水平评估系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种多参数耦合的应激水平评估系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种多参数耦合的应激水平评估方法及系统的示例，并不构成对一种多参数耦合的应激水平评估方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种多参数耦合的应激水平评估系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-ProgrammHCO3-le Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种多参数耦合的应激水平评估系统的控制中心，利用各种接口和线路连接整个一种多参数耦合的应激水平评估系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种多参数耦合的应激水平评估方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (2)

1.一种多参数耦合的应激水平评估方法，其特征在于，所述方法包括以下步骤：
S100，对多个试验者建立应激场景进行刺激实验，同时采集对应的多种生理信号和记录多方评估应激等级；
S200，对所述多种生理信号分别进行数据预处理，构成实际生理数据集；
S300，根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；
S400，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；
S500，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；
S600，采集各个被试者的多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级；
在S300中，所述实际生理数据集包括预处理后的实际心电信号、实际肌电信号、实际脑电信号和实际脑氧信号；根据所述实际生理数据集进行应激特征提取，得到应激特征参数集的方法为：
S301，对所述实际心电信号进行应激特征提取，在时域上计算所有心跳周期对应的标准差记作STDRR、相邻心跳周期对应的时间间隔的平均值记作MEANRR、以及在频域上计算低频段功率与高频段功率的比值记作LF/HF；
S302，对所述实际脑电信号进行应激特征提取，分别计算δ脑波、θ脑波、α脑波、β脑波四种频域波段在时域上对应的绝对能量E，分别记作Eδ，Eθ，Eα，Eβ；其中，绝对能量的计算公式为：
；
其中，EEG(t)表示为所述实际脑电信号在t时刻对应的数值，其中t为时刻，t∈[0,T]，T为采集时间总长，t1分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的起始时刻；t2分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的结束时刻，分别对应计算得到Eδ，Eθ，Eα，Eβ；
S303，对所述实际肌电信号进行应激特征提取，在时域上计算所述实际肌电信号在δ脑波、θ脑波、α脑波、β脑波分别对应的一定时间段内的积分得到积分肌电值记作iEMG，分别记作iEMGδ，iEMGθ，iEMGα，iEMGβ，其计算公式为：
；
其中，EMG(t)表示为所述实际肌电信号在t时刻对应的数值；
以及在频域上计算所述实际肌电信号的平均功率频率和中位频率，分别记作MPF和MF，其计算公式为：
，/>；
其中，P(f)为所述实际肌电信号的功率谱密度函数，f为所述实际肌电信号在频域对应的频率，其中f∈[0, ∞]，∞表示为所述实际肌电信号的全部频率范围；
S304，对所述实际脑氧信号进行应激特征提取，在时域上计算所述实际脑氧信号的脑氧均值，脑氧斜率、脑氧方差和脑氧峰峰值，分别记作μ、k、σ2和PP，其计算公式为：
，/>；
，/>；
其中，ODr表示为所述实际脑氧信号，ODr(j)为所述实际脑氧信号在时域上对应的第j个光强度大小，j为脑氧序号，j∈[1,M]，M为ODr的实际采集个数；[X]为所述实际脑氧信号中血红蛋白的相对浓度，包括氧合血红蛋白和脱氧血红蛋白；GJ为与散射相关的几何因子；Max(ODr)为ODr的最大值，Min(ODr)为ODr的最小值；
S305，所述应激特征参数集包括STDRR、MEANRR、LF/HF、Eδ、Eθ、Eα、Eβ、iEMGδ、iEMGθ、iEMGα、iEMGβ、MPF、MF、μ、k、σ2和PP；
在S400中，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集，所述应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，其计算方法为：
S401，结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集；
S402，对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集；
在S401中，所述初次应激耦合特征集包括心脑传递耦合强度、脑肌相干耦合系数和神经环路耦合特征；结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集的具体方法为：
S4011，根据所述实际心电信号与所述脑电信号，计算心脑传递耦合强度：判断所述实际心电信号与所述脑电信号的序列长度是否一致，否则提取所述实际心电信号的RR间期并进行插值处理，使得所述实际心电信号与所述脑电信号的序列长度一致；将所述实际心电信号设为x(t)，所述实际脑电信号设为y(t)，t为采集时刻，t∈[0,T]，在采集时间总长T内分别计算x(t)和y(t)的自相关函数，以及x(t)和y(t)之间的互相关函数；并在频域分别计算x(t)和y(t)的自功率谱密度，分别记作Pxx(ω)和Pyy(ω)，以及x(t)和y(t)之间的互功率谱密度记作Pxy(ω)，ω为角频率，ω∈[0,2π]；进一步计算心脑传递耦合强度记作EBCC，其计算公式为：
；
其中，EBCC(ω)表示为所述心脑传递耦合强度在ω值对应的数值；
S4012，根据所述实际脑电信号与所述实际肌电信号，计算脑肌相干耦合系数记作BMCC，其计算公式为：
；
其中，EM(t)为某一肌肉部位的实际肌电信号从起始时刻到t时刻的均方根值；EMG(t)为所述实际肌电信号在t时刻对应的数值，为EMG(t)在采集时间总长T内的平均值；y(t)为所述脑电信号，/>为所述脑电信号在采集时间总长T内的平均值；
S4013，根据所述应激特征参数集，计算神经环路耦合特征：根据所述应激特征参数集获得所述实际脑电信号的特征参数，包括Eδ，Eθ，Eα，Eβ，构成脑电特征矩阵记作SEEG；根据所述应激特征参数集获得所述实际脑氧信号的特征参数，包括μ、k、σ2和PP，构成脑氧特征矩阵记作SfNIRS；分别对SEEG和SfNIRS进行线性组合得到UEEG和VfNIRS，以及对应的相关向量A和B；进一步分别计算SEEG和SfNIRS的协方差矩阵记作conv(SEEG , SEEG)和conv(SfNIRS, SfNIRS)，以及SEEG和SfNIRS之间的协方差矩阵记作conv(SEEG , SfNIRS)，计算神经环路耦合矩阵记作ρ，其计算公式为：
；
；
；
其中，AT和BT分别为相关向量A和B的转置，AT=[a1,a2,a3,a4]，a1,a2,a3,a4为相关向量A中的各个元素值；BT=[b1,b2,b3,b4]，b1,b2,b3,b4为相关向量B中的各个元素值；取神经环路耦合矩阵中的最大值作为神经环路耦合特征记作maxρ；
在S402中，所述二次应激耦合特征集包括神经活动应激指标、肌肉紧张程度、最大应激度和平均应激度；其中，所述神经活动应激指标包括神经疲劳度、环路波动度和神经放松度；对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集的具体方法为：
S4021，根据所述应激特征参数集，计算神经活动应激指标：获得δ脑波、θ脑波、α脑波、β脑波分别对应的绝对能量Eδ、Eθ、Eα、Eβ，融合计算所述神经疲劳度记作TIR，所述环路波动度记作FLU，以及所述神经放松度REL，其计算公式为：
，/>，/>；
S4022，根据所述应激特征参数集，计算肌肉紧张程度：获得δ脑波、θ脑波、α脑波、β脑波分别对应的积分肌电值iEMGδ、iEMGθ、iEMGα、iEMGβ，在采集时间总长T中计算肌肉紧张程度记作RMS，其计算公式为：
；
S4023，根据所述应激特征参数集，计算最大应激度和平均应激度：获得所述实际脑氧信号的脑氧均值μ，脑氧斜率k、脑氧方差σ2和脑氧峰峰值PP，计算最大应激度记作SM；以及计算所述实际脑氧信号归一化后的平方均值作为平均应激度记作SA，其计算公式为：
，/>；
在S500中，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型的方法为：
S501，获得各个试验者对应的所述应激特征参数集和所述应激耦合特征集，利用Box-Cox变换对各个试验者对应的所述应激特征参数集和所述应激耦合特征集进行归一化，构成综合应激特征集；
S502，根据各个试验者对应的所述综合应激特征集作为数据集，并按照设定比例划分为训练数据集、测试数据集和验证数据集；利用机器学习方法对进行所述训练数据集进行分类训练，构建初级分类模型；
S503，对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证，选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型；
S504，利用 BP神经网络模型、多层感知网络、卷积神经网络作为集成次级模型，将所述集成初级模型的输出作为所述集成次级模型的输入，结合所述多方评估应激等级作为输出，训练得到最终决策模型，即为应激水平评估初级模型；
S505，利用所述应激水平评估初级模型对所述测试数据集进行优化训练，得到最优的应激水平评估模型；
S506，利用所述验证数据集对所述应激水平评估模型进行预测评估，输出对应的应激等级。
2.一种多参数耦合的应激水平评估系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序；所述处理器执行所述计算机程序时实现权利要求1中所述多参数耦合的应激水平评估方法中的步骤，具体包括：
应激采集量化单元，用于当试验者建立应激场景进行刺激实验时，同时获得多种生理信号和记录多方评估应激等级；
数据预处理单元，用于对所述多种生理信号分别进行数据预处理，构成实际生理数据集；
应激特征提取单元，用于根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；
特征耦合分析单元，用于根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；
应激模型建立单元，用于将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；
应激等级评估单元，用于当被试者在对应的应激场景下进行刺激实验时，获得多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级；
所述一种多参数耦合的应激水平评估系统运行于桌上型计算机、掌上电脑中。
CN202310572924.8A 2023-05-22 2023-05-22 一种多参数耦合的应激水平评估方法及其系统 Active CN116269392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572924.8A CN116269392B (zh) 2023-05-22 2023-05-22 一种多参数耦合的应激水平评估方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572924.8A CN116269392B (zh) 2023-05-22 2023-05-22 一种多参数耦合的应激水平评估方法及其系统

Publications (2)

Publication Number Publication Date
CN116269392A CN116269392A (zh) 2023-06-23
CN116269392B true CN116269392B (zh) 2023-07-18

Family

ID=86803587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572924.8A Active CN116269392B (zh) 2023-05-22 2023-05-22 一种多参数耦合的应激水平评估方法及其系统

Country Status (1)

Country Link
CN (1) CN116269392B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106073702A (zh) * 2016-05-27 2016-11-09 燕山大学 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法
CN112100286A (zh) * 2020-08-14 2020-12-18 华南理工大学 基于多维度数据的计算机辅助决策方法、装置、系统及服务器
CN112206140A (zh) * 2020-09-03 2021-01-12 国家康复辅具研究中心 心脑耦合导向的气动循环训练方法及系统
EP3955257A1 (en) * 2020-08-13 2022-02-16 Oncomfort SA A method and system for measurement of a level of anxiety combined with and/or correlated with a level of a modified state of consciousness and/or a level of pain

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140046407A1 (en) * 2001-08-31 2014-02-13 Bio Control Medical (B.C.M.) Ltd. Nerve stimulation techniques
US20170224245A1 (en) * 2016-02-09 2017-08-10 Chiun-Fan Chen System for diagnosing and treating neurological and psychological disorders
KR102491130B1 (ko) * 2016-06-20 2023-01-19 매직 립, 인코포레이티드 시각적 프로세싱 및 지각 상태들을 포함하는 신경학적 상태들의 평가 및 수정을 위한 증강 현실 디스플레이 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106073702A (zh) * 2016-05-27 2016-11-09 燕山大学 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法
EP3955257A1 (en) * 2020-08-13 2022-02-16 Oncomfort SA A method and system for measurement of a level of anxiety combined with and/or correlated with a level of a modified state of consciousness and/or a level of pain
CN112100286A (zh) * 2020-08-14 2020-12-18 华南理工大学 基于多维度数据的计算机辅助决策方法、装置、系统及服务器
CN112206140A (zh) * 2020-09-03 2021-01-12 国家康复辅具研究中心 心脑耦合导向的气动循环训练方法及系统

Also Published As

Publication number Publication date
CN116269392A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN107788970B (zh) 一种基于多生理参数方法融合的脑力负荷评估方法
Hogervorst et al. Combining and comparing EEG, peripheral physiology and eye-related measures for the assessment of mental workload
US10959656B2 (en) Method for sampling cerebral insular cortex activity
CN111466876B (zh) 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统
Mustafa et al. Comparison between KNN and ANN classification in brain balancing application via spectrogram image
US20180279938A1 (en) Method of diagnosing dementia and apparatus for performing the same
Kar et al. Effect of sleep deprivation on functional connectivity of EEG channels
Firooz et al. IQ estimation by means of EEG-fNIRS recordings during a logical-mathematical intelligence test
CN111466931A (zh) 基于eeg和食物图片数据集的情感识别方法
Rabbi et al. Mental workload and task engagement evaluation based on changes in electroencephalogram
CN112515676A (zh) 心理体检方法和主客观相结合的受检者伪装性测试方法
Agrawal et al. Early stress detection and analysis using EEG signals in machine learning framework
KR20080107961A (ko) 오감 정보 처리기법 및 뇌파를 활용한 사용자 적응형임상진단/치료시스템
Desai et al. Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review
Beiramvand et al. Mental Workload Assessment using Low-Channel Prefrontal EEG Signals
CN116186502B (zh) 一种多模态视觉神经功能检测方法及其系统
CN116269392B (zh) 一种多参数耦合的应激水平评估方法及其系统
Razali et al. 2D affective space model (ASM) for detecting autistic children
Nagy et al. Predicting arousal with machine learning of EEG signals
Zahari et al. The Enhancement on Stress Levels Based on Physiological Signal and Self-Stress Assessment.
Apicella et al. Preliminary validation of a measurement system for emotion recognition
Wang et al. Research on fatigue identification methods based on low-load wearable ECG monitoring devices
Badr et al. Classification of Mental Stress using Dry EEG Electrodes and Machine Learning
Shrivastava et al. Effect of Heartfulness meditation among long-term, short-term and non-meditators on prefrontal cortex activity of brain using machine learning classification: a cross-sectional study
Bi et al. Study on real-time detection of alertness based on EEG

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
GR01 Patent grant
GR01 Patent grant