CN117898685A - 一种基于不同情绪状态的压力检测方法及装置 - Google Patents
一种基于不同情绪状态的压力检测方法及装置 Download PDFInfo
- Publication number
- CN117898685A CN117898685A CN202311847571.4A CN202311847571A CN117898685A CN 117898685 A CN117898685 A CN 117898685A CN 202311847571 A CN202311847571 A CN 202311847571A CN 117898685 A CN117898685 A CN 117898685A
- Authority
- CN
- China
- Prior art keywords
- emotion
- data signal
- data
- cortisol
- user
- 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.)
- Granted
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 192
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 claims abstract description 146
- 229960000890 hydrocortisone Drugs 0.000 claims abstract description 73
- 230000008909 emotion recognition Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 54
- 230000002996 emotional effect Effects 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002040 relaxant effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010008874 Chronic Fatigue Syndrome Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 208000029766 myalgic encephalomeyelitis/chronic fatigue syndrome Diseases 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于不同情绪状态的压力检测方法及装置，属于智能健康监测技术领域，所述方法包括：获取可穿戴式设备采集的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据并进行预处理，建立数据集；采用数据集训练基于深度学习的情绪识别模型；获取待测用户的皮电数据信号、温度数据信号、心率数据信号并预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度；根据待测用户的情绪类别和情绪强度，结合待测用户的皮质醇数据进行不同情绪状态下的压力检测。本发明简化了压力检测的方式，降低检测的成本的同时提高了对情绪压力的检测精度，方便用户通过有预警功能的便携装置随时检测自身所处的情绪以及压力。
Description
技术领域
本发明属于智能健康监测技术领域，具体涉及一种基于不同情绪状态的压力检测方法及装置。
背景技术
在日常生活中，个人的情绪将决定工作效率与沟通状态，压力也已经成为影响身心健康的关键因素之一。而人长期处于情绪价值低、压力大的状态下容易造成失眠焦虑，内分泌失调，慢性疲劳综合征等严重问题，损害个人的身心健康。为应对此类问题的长期后果，尽可能避免负面情绪与长期压力的重要性已变得显而易见。
现有的压力的检测方式主要有以下几种：一种是通过设计一份包含各种情绪与压力相关的问题，让被试者自我报告自己的情绪状态和压力水平；第二种是通过观察被试者的表情、姿态、语言等行为表现来推测其情绪压力水平；第三种是通过使用情绪量表、压力量表等标准化的心理测试工具来评估个人的压力水平；最后一种是通过检测被试者的生理指标来判断个人压力水平。前两种方式虽然简单易行，但实际检测中易受外界条件影响，主观性较大，可能存在误判的风险。后两种方式具有较高的客观性和科学性，但需要专业的设备以及专业人员进行解读分析，增加了检测的难度，不能快速实时检测用户的压力水平。
发明内容
有鉴于此，本发明提出了一种基于不同情绪状态的压力检测方法及装置，用于解决现有的压力检测方法不能快速实时检测用户的压力的问题。
本发明第一方面，提出了一种基于不同情绪状态的压力检测方法，所述方法包括：
获取可穿戴式设备采集的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据并进行预处理，建立数据集；
采用数据集训练基于深度学习的情绪识别模型；
获取待测用户的皮电数据信号、温度数据信号、心率数据信号并预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度；
根据待测用户的情绪类别和情绪强度，结合待测用户的皮质醇数据进行不同情绪状态下的压力检测。
在以上技术方案的基础上，优选的，所述可穿戴式设备包括皮电传感器、温度传感器、心率传感器以及皮质醇传感器。
在以上技术方案的基础上，优选的，所述预处理具体包括：
分别对皮电数据信号和温度数据信号进行中值滤波、重采样与归一化处理；
对心率数据信号进行归一化处理；
将归一化处理后的数据按皮电数据信号、温度数据信号、心率数据信号的顺序线性拼接。
在以上技术方案的基础上，优选的，所述情绪识别模型包括依次连接的卷积神经网络、位置编码模块、Transformer编码器和分类层；
所述卷积神经网络模块用于对输入数据进行一维卷积操作，实现下采样处理，得到降维后的数据；
所述位置编码模块用于对降维后的数据进行位置编码，获取降维后的数据中波峰、波谷在时域上的位置关系；
所述Transformer编码器用于基于自注意力机制计算权重分布，学习输入数据与情绪及其强度之间的内在联系，并将提取的特征经过多层编码后输出特征向量；
所述分类层用于将Transformer编码器输出的特征向量进行全连接层处理，并通过softmax函数将特征向量转换为情绪类别和情绪强度的预测概率；
所述情绪类别分为正面情绪和负面情绪，每一个情绪类别对应轻度、中度、重度三中情绪强度。
在以上技术方案的基础上，优选的，所述根据待测用户的情绪类别和情绪强度，结合待测用户的皮质醇数据进行不同情绪状态下的压力检测具体包括：
若情绪类别判断结果为正面情绪，则默认为无压力；
若情绪类别判断结果为负面情绪，根据皮质醇数据提取对应的皮质醇特征向量；将皮质醇特征向量与负面情绪中的情绪强度特征向量进行融合，得到融合特征向量；将融合特征向量输入SVM模型进行分类，得到待测用户的压力等级。
在以上技术方案的基础上，优选的，所述根据皮质醇数据提取对应的皮质醇特征向量具体包括：
提取皮质醇数据的时域统计特征和频域统计特征，时域统计特征包括差分、上升时间、幅度，频域统计特征包括功率谱密度、能量；
基于皮质醇数据的时域统计特征和频域统计特征计算各个特征的方差；
筛选方差最大的k个特征组成皮质醇特征向量
在以上技术方案的基础上，优选的，所述将皮质醇特征向量与负面情绪中的情绪强度特征向量进行融合，得到融合特征向量具体包括：
设情绪识别模型的输出为其中y0,y1,y2分别为输入的生理信号属于正面情绪中的轻度、中度、重度的概率，y3,y4,y5为输入的生理信号属于负面情绪中的轻度、中度、重度的概率；
将y3,y4,y5组合成负面情绪中的情绪强度特征向量
情绪强度特征向量与皮质醇特征向量/>线性拼接为融合特征向量/>
本发明第二方面，公开了一种基于不同情绪状态的压力检测装置，所述装置包括：
可穿戴式设备：用于采集测试人员和待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据；
模数转换模块：用于通过模数转换将可穿戴式设备采集的数据转换为生理信号值；
无线传输模块：用于将生理信号值传输至数据分析模块；
数据分析模块：用于对测试人员的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据进行预处理，建立数据集，并训练基于深度学习的情绪识别模型；将待测用户的皮电数据信号、温度数据信号、心率数据信号预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度；根据待测用户的情绪类别和情绪强度，结合皮质醇数据进行不同情绪状态下的压力检测；
预警模块：用于在待测用户压力检测处于异常状态下进行预警并提供放松和缓解压力的建议；
显示模块：用于显示待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据，以及待测用户在不同情绪下的压力等级。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明通过便捷性高的可穿戴设备采集测试人员的皮电、温度、心率等多种生理信号数据建立数据集，训练基于深度学习的情绪识别模型对待测用户的生理信号数据进行一级分类，通过一级分类识别待测用户的情绪类别和情绪强度，在此基础上，分别基于不同的情绪类别并引入皮质醇数据进行二级分类，通过二级分类可以准确检测出不同情绪下待测用户的压力等级，提高压力测试的准确度，不要专业人员分析，即可实现准确、实时的压力监测。
2)本发明提取皮质醇数据的时域统计特征和频域统计特征并计算各个特征的方差，筛选方差最大的k个特征组成皮质醇特征向量，可以准确提取皮质醇数据的特征，若情绪类别判断结果为负面情绪，将皮质醇特征向量与负面情绪中的情绪强度特征向量进行融合，得到融合特征向量，并输入机器学习算法判断在负面情绪下的压力等级，可以结合皮质特征更准确地对压力程度进行分类，通过多维特征融合三维方式增加分类器的鲁棒性和泛化能力，提高情绪识别的准确性和可靠性。
3)本发明在情绪类别判断结果为正面情绪时，则默认为无压力，在情绪类别判断结果为负面情绪时，则进一步进行压力等级识别，充分考虑到了不同情绪状态下压力程度的不同，避免忽略情绪状态进行压力程度的盲目划分，更符合实际情况。
4)本发明简化了检测压力的方式，降低检测的成本的同时提高了对情绪压力的检测精度，方便用户通过有预警功能的便携装置随时检测自身所处的情绪以及压力，达到对压力程度有效分级和处置。
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，下面将对实施例或现有技术描述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为本发明的基于不同情绪状态的压力检测方流程图；
图2为本发明的可穿戴式设备佩戴示意图；
图3为本发明的深度学习模型示意图；
图4为本发明的皮质醇数据特征提取和筛选示意图；
图5为本发明的基于不同情绪状态的压力检测装置结构示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于不同情绪状态的压力检测方法，所述方法包括：
S1、通过可穿戴式设备采集测试人员的生理信号数据并进行预处理，并对测试人员的情绪类别与情绪强度进行标注，得到数据集。
本发明通过可穿戴式设备采集测试人员的生理信号数据，包括皮电数据信号、温度数据信号、心率数据信号和皮质醇数据，并皮电数据信号、温度数据信号、心率数据信号建立情绪识别模型的数据集。步骤S1具体包括如下分步骤：
S11、生理信号数据采集。
如图2所示为本发明的可穿戴式设备佩戴示意图，本发明的可穿戴式设备包括皮电传感器、温度传感器、心率传感器以及皮质醇传感器。将皮电传感器的两个电极分别固定在左手食指和中指指尖处，用于采集皮电数据信号；温度传感器固定在手腕内侧距离手腕2～3厘米高度，用于采集温度数据信号；心率传感器使用皮筋绑紧在手腕内侧，用于采集心率数据信号；皮质醇传感器固定在手腕外侧，用于采集皮质醇数据。
皮电传感器是一种基于人体皮肤导电性的传感器，有研究表明，皮肤电活动与情绪、应激反应等有关。人体皮肤在不同状态下具有不同导电特性，当人体处于情绪波动时，皮肤的导电率会发生变化，可以通过传感器采集并检测。所述皮电传感器有两个电极，分别将两个电极固定在手指上，一个为测量电极，一个为参考电极，两者接触手指皮肤，产生微弱电流，经信号放大和模数转换被采集分析。因此皮电信号可以作为情绪检测的指标。
温度传感器选取可以非接触测量人体温度、精度高的红外测温传感器，其工作原理基于人体辐射出的红外线能量，将其转化成电信号，经放大和处理被采集分析。有研究表明，人体体温与情绪之间存在一定程度的相关性，个体情绪波动时体温会略微升高或降低。因此温度可以作为情绪检测的指标。
心率传感器采用光电容积脉搏波描记法(PPG)来测量心率，其工作原理是利用发光二极管发出特定波长的光，通过光电二极管接收光信号，经过信号处理和算法计算测量人体心率。有研究表明，心率的变化能影响情绪，人体处于紧张或压力状态，自主神经系统被激活，导致心率加快。因此心率可以作为情绪检测的指标。
皮质醇传感器通过特定的生物识别元素与汗液中皮质醇分子相互作用，并将作用过程转化为可测量的信号来实现皮质醇浓度的检测。研究表明，皮质醇浓度是衡量压力水平的有效指标。因此皮质醇浓度可以作为检测压力水平的指标。
本发明通过采集测试人员的皮电信号、温度信号、心率信号、皮质醇信号的基线数据以及在不同情境诱导下的数据，完成情绪压力诱导工作，并得到对应的情绪类别与情绪强度标签。
首先，在测试人员平复情绪后佩戴可穿戴式设备观看中性视频，随后采集基线数据；
然后，测试人员的观看具有情绪压力诱导的视频，记录生理信号数据并填写主观自我打分报告。
所述主观自我打分报告分为情绪该主观自我打分报告和压力主观自我报告。
其中，情绪该主观自我打分报告采用SAM量表记录情绪得分，对情绪对应的效价、唤醒度与支配度得分(PAD得分)进行记录，并直接记录离散情绪类别及其强度，后续作为皮电信号数据、温度信号数据、心率信号数据的情绪类别及情绪强度标签。
其中，压力主观自我报告采用短期压力量表(PSS)来评估个体对生活中情境的感受来测量压力水平，以不同事件对个体感受的得分作为后续皮质醇信号的标签。
S12、生理信号数据预处理。
分别对皮电数据信号和温度数据信号进行滑动窗口长度为600和100的中值滤波，对中值滤波后的皮电数据信号和温度数据信号进行重采样，记心率数据长度为LHR，皮电数据信号重采样的目标长度为LGSR＝2000-LHR，温度数据信号的重采样目标长度为LT＝500。
对重采样后的皮电数据信号和温度数据信号分别进行归一化处理，同样对心率数据信号进行归一化处理。归一化函数如下：
其中，xi是输入序列；Normalize(xi)是对输入序列xi进行归一化后的结果；min(xi)和max(xi)分别是输入序列xi的最小值和最大值。
将归一化处理后皮电数据信号、温度数据信号、心率数据信号按顺序线性拼接。本实施例中，这三种数据的线性拼接序列的长度为2500。
S13、对情绪类别与情绪强度进行标注，构建数据集。
本发明生理数据的标签为多尺度标签，将情绪类别分为正面和负面两类，正面情绪代表积极情绪，对应的情绪强度又分为轻度、中度、重度；负面代表消极情绪，对应的情绪强度也分为轻度、中度、重度。其中，情绪强度还可以对应轻度、中度、重度的等压力等级。
本发明采用步骤S11记录的情绪类别与对应的情绪强度六类标签对预处理后的数据进行标注。
S2、建立基于深度学习的情绪识别模型，获取待测用户的皮电数据信号、温度数据信号、心率数据信号并预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度。
步骤S2具体包括如下分步骤：
S21、构建深度学习模型。
图3为本发明的深度学习模型示意图，本发明采用的深度学习模型包括依次连接的卷积神经网络、位置编码模块、Transformer编码器和分类层。
所述卷积神经网络模块用于对输入数据进行一维卷积操作实现下采样处理，得到降维后的数据。一维卷积操作包括卷积、批量归一化和ReLU激活等。
所述位置编码模块用于对降维后的数据添加位置编码，以使模型能够考虑序列的位置信息，比如获取降维后的数据中波峰、波谷在时域上的位置关系。
所述Transformer编码器用于使用多层Transformer编码层对输入进行编码并基于注意力机制计算自注意力值，学习输入数据与情绪及其强度之间的内在联系，并将提取的特征经过多层编码后输出特征向量。
自注意力(Self-Attention)机制的计算方式如下：
给定一个序列中的某个元素，我们需要计算该元素与其他所有元素之间的关系。具体来说，对于序列中的第i个元素，我们将其表示为qi，将其他所有元素表示为ki和vi。然后，可以使用以下公式来计算自注意力值：
其中，Q,K,V分别代表查询矩阵、键矩阵、值矩阵，*表示矩阵乘法，T表示转置，dk是键矩阵的维度，是键矩阵对角线元素的平方根。
公式(2)中，softmax函数用于对注意力权重进行归一化，使得它们的和为1。softmax函数可以表示为：
其中，softmax(xi)表示输入向量中第i个元素经过softmax函数归一化后的值，xi表示输入向量中第i个元素；n表示输入向量的维度；e表示自然对数的底数。通过式(1)、式(2)可以计算出各自的注意力值并加权求和，得到每个位置上的输出。
所述分类层用于将Transformer编码器输出的特征向量进行全连接层处理，并通过softmax函数将特征向量转换为情绪类别和情绪强度等六个类别的预测概率。
S22、训练深度学习模型并调优，得到情绪识别模型。
将数据集划分为训练数据和测试数据，训练深度学习模型，利用训练集训练模型并调优，直至深度学习模型收敛，随后利用测试集对训练完毕的模型进行测试，根据测试结果对模型进行调优，最后保存最优深度学习模型作为情绪识别模型。
在训练过程中，采用交叉熵作为损失函数，采用反向传播算法更新深度学习模型的参数，并使用Adam梯度下降算法作为优化器。
损失函数L的公式为：
其中，j为训练样本序号，N为训练样本总数，y(j)为真实情绪标签的编码，为深度学习模型对情绪的预测值。
对损失函数求导得到损失函数的梯度，将梯度反馈给优化函数进行权重更新，以最小化损失，达到学习的目的。
S23、通过情绪识别模型识别待测用户的情绪类别及情绪强度。
通过与步骤S1相同的可穿戴式设备采集待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据并进行预处理，输入情绪识别模型，识别待测用户的情绪类别及情绪强度。其中，情绪类别分为正面情绪和负面情绪，每一个情绪类别对应轻度、中度、重度三中情绪强度。
S3、根据待测用户的情绪类别和情绪强度，结合待测用户的皮质醇数据进行不同情绪状态下的压力检测。
情绪强度是情感表达的一种重要指标，揭示个体对外界刺激的反应强度和程度，而汗液中皮质醇的分泌量与自身压力水平有关，可反映个体应激水平。因此，发明才情绪感知模型得到生理信号所对应的情绪后，当生理信号的情绪识别结果为负面情绪时，进一步分析此种情况下受试者的压力情况；生理信号的情绪识别结果为正面情绪时，默认为无压力。
步骤S3具体包括如下分步骤：
S31、若情绪类别判断结果为正面情绪，则默认为无压力。
S32、若情绪类别判断结果为负面情绪，根据皮质醇数据提取对应的皮质醇特征向量，将皮质醇特征向量与负面情绪中的情绪强度特征向量进行融合，得到融合特征向量，将融合特征向量输入SVM模型进行分类，得到待测用户压力等级。
图4为本发明的皮质醇数据特征提取和筛选示意图。
具体的，提取皮质醇数据的时域统计特征和频域统计特征，时域统计特征包括差分、上升时间、幅度，频域统计特征包括功率谱密度、能量。
基于皮质醇数据的时域统计特征和频域统计特征计算各个特征的方差；
筛选方差最大的k个特征组成皮质醇特征向量其中，k∈[1,10]。
通过提取皮质醇数据的特征并进行特征筛选，可以提高模型的泛化能力、减少计算成本以及增强模型的可解释性。
设情绪识别模型的输出为其中y0,y1,y2分别为输入的生理信号属于正面情绪中的轻度、中度、重度的概率，y3,y4,y5为输入的生理信号属于负面情绪中的轻度、中度、重度的概率；
提取负面情绪中的轻度、中度、重度的概率y3,y4,y5组合成负面情绪中的情绪强度特征向量
情绪强度特征向量与皮质醇特征向量/>线性拼接为融合特征向量/>结合压力等级的轻度压力、中度压力、重度压力的三种标签，即可由支持向量机分类器实现压力等级的分类。
本发明通过便捷性高的可穿戴设备采集测试人员的皮电、温度、心率等多种生理信号数据建立数据集，建立基于深度学习的情绪识别模型进行一级分类，通过一级分类识别待测用户的情绪类别和情绪强度，在此基础上，分别基于不同的情绪类别并引入皮质醇数据进行二级分类，通过二级分类可以准确检测出不同情绪下待测用户的压力等级，提高压力测试的准确度，不要专业人员分析，即可实现准确、实时的压力监测。
与上述方法实施例相对应，本发明还提出一种基于不同情绪状态的压力检测装置，如图5所示，所述装置包括：
可穿戴式设备：用于采集测试人员和待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据；
模数转换模块：用于通过模数转换将可穿戴式设备采集的数据转换为生理信号值；
无线传输模块：用于建立模数转换模块与云服务器之间的通讯连接，将生理信号值传输至云服务器上的数据分析模块；无线传输模块包括但不限于WIFI模块、蓝牙模块或ZigBee模块；
数据分析模块：用于对测试人员的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据进行预处理，建立数据集，并训练基于深度学习的情绪识别模型；将待测用户的皮电数据信号、温度数据信号、心率数据信号预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度；根据待测用户的情绪类别和情绪强度，结合皮质醇数据进行不同情绪状态下的压力检测；
预警模块：用于在待测用户的压力检测处于异常状态下进行预警并提供放松和缓解压力的建议，比如通过震动传感器进行压力预警，提醒用户放松或深呼吸以缓解压力；
显示模块：用于显示待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据，以及待测用户在不同情绪下的压力等级；
存储模块：用于存储采集到的生理信号、识别出的情绪状态以及压力状态；
电源管理模块：用于为可穿戴式设备、模数转换模块、无线传输模块、预警模块、显示模块、存储模块提供充电管理；
电池充电模块：用于给电源管理模块充电，包括但不限于USB充电和无线充电。
当用户使用本发明的装置检测压力程度时，先检测用户的情绪状态，若为正面情绪，则在显示模块中显示采集的生理信号数据值；若为负面情绪，则在显示模块上显示压力等级和压力值，若多次检测超出合理值，则通过震动方式提醒用户，并提供减轻压力的方式。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于不同情绪状态的压力检测方法，其特征在于，所述方法包括：
获取可穿戴式设备采集的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据并进行预处理，建立数据集；
采用数据集训练基于深度学习的情绪识别模型；
获取待测用户的皮电数据信号、温度数据信号、心率数据信号并预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度；
根据待测用户的情绪类别和情绪强度，结合待测用户的皮质醇数据进行不同情绪状态下的压力检测。
2.根据权利要求1所述的基于不同情绪状态的压力检测方法，其特征在于，所述可穿戴式设备包括皮电传感器、温度传感器、心率传感器以及皮质醇传感器。
3.根据权利要求2所述的基于不同情绪状态的压力检测方法，其特征在于，所述预处理具体包括：
分别对皮电数据信号和温度数据信号进行中值滤波、重采样与归一化处理；
对心率数据信号进行归一化处理；
将归一化处理后的数据按皮电数据信号、温度数据信号、心率数据信号的顺序线性拼接。
4.根据权利要求1所述的基于不同情绪状态的压力检测方法，其特征在于，所述情绪识别模型包括依次连接的卷积神经网络、位置编码模块、Transformer编码器和分类层；
所述卷积神经网络模块用于对输入数据进行一维卷积操作，实现下采样处理，得到降维后的数据；
所述位置编码模块用于对降维后的数据进行位置编码，获取降维后的数据中波峰、波谷在时域上的位置关系；
所述Transformer编码器用于基于自注意力机制计算权重分布，学习输入数据与情绪及其强度之间的内在联系，并将提取的特征经过多层编码后输出特征向量；
所述分类层用于将Transformer编码器输出的特征向量进行全连接层处理，并通过softmax函数将特征向量转换为情绪类别和情绪强度的预测概率；
所述情绪类别分为正面情绪和负面情绪，每一个情绪类别对应轻度、中度、重度三中情绪强度。
5.根据权利要求1所述的基于不同情绪状态的压力检测方法，其特征在于，所述根据待测用户的情绪类别和情绪强度，结合待测用户的皮质醇数据进行不同情绪状态下的压力检测具体包括：
若情绪类别判断结果为正面情绪，则默认为无压力；
若情绪类别判断结果为负面情绪，根据皮质醇数据提取对应的皮质醇特征向量；将皮质醇特征向量与负面情绪中的情绪强度特征向量进行融合，得到融合特征向量；将融合特征向量输入SVM模型进行分类，得到待测用户压力等级。
6.根据权利要求5所述的基于不同情绪状态的压力检测方法，其特征在于，所述根据皮质醇数据提取对应的皮质醇特征向量具体包括：
提取皮质醇数据的时域统计特征和频域统计特征，时域统计特征包括差分、上升时间、幅度，频域统计特征包括功率谱密度、能量；
基于皮质醇数据的时域统计特征和频域统计特征计算各个特征的方差；
筛选方差最大的k个特征组成皮质醇特征向量
7.根据权利要求6所述的基于不同情绪状态的压力检测方法，其特征在于，所述将皮质醇特征向量与负面情绪中的情绪强度特征向量进行融合，得到融合特征向量具体包括：
设情绪识别模型的输出为其中y0,y1,y2分别为输入的生理信号属于正面情绪中的轻度、中度、重度的概率，y3,y4,y5为输入的生理信号属于负面情绪中的轻度、中度、重度的概率；
将y3,y4,y5组合成负面情绪中的情绪强度特征向量
情绪强度特征向量与皮质醇特征向量/>线性拼接为融合特征向量/>
8.一种基于不同情绪状态的压力检测装置，其特征在于，所述装置包括：
可穿戴式设备：用于采集测试人员和待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据；
模数转换模块：用于通过模数转换将可穿戴式设备采集的数据转换为生理信号值；
无线传输模块：用于将生理信号值传输至数据分析模块；
数据分析模块：用于对测试人员的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据进行预处理，建立数据集，并训练基于深度学习的情绪识别模型；将待测用户的皮电数据信号、温度数据信号、心率数据信号预处理后输入情绪识别模型，识别待测用户的情绪类别和情绪强度；根据待测用户的情绪类别和情绪强度，结合皮质醇数据进行不同情绪状态下的压力检测；
预警模块：用于在待测用户的压力检测处于异常状态下进行预警并提供放松和缓解压力的建议；
显示模块：用于显示待测用户的皮电数据信号、温度数据信号、心率数据信号和皮质醇数据，以及待测用户在不同情绪下的压力等级。
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311847571.4A CN117898685B (zh) | 2023-12-29 | 2023-12-29 | 一种基于不同情绪状态的压力检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311847571.4A CN117898685B (zh) | 2023-12-29 | 2023-12-29 | 一种基于不同情绪状态的压力检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117898685A true CN117898685A (zh) | 2024-04-19 |
| CN117898685B CN117898685B (zh) | 2024-06-18 |
Family
ID=90681079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311847571.4A Active CN117898685B (zh) | 2023-12-29 | 2023-12-29 | 一种基于不同情绪状态的压力检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117898685B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150245777A1 (en) * | 2012-10-19 | 2015-09-03 | Basis Science, Inc. | Detection of emotional states |
| US20170127993A1 (en) * | 2015-11-06 | 2017-05-11 | Lifeq Global Limited | Non-Invasive Physiological Quantification of Stress Levels |
| CN108601566A (zh) * | 2016-11-17 | 2018-09-28 | 华为技术有限公司 | 一种精神压力评测方法和装置 |
| US20200163606A1 (en) * | 2017-06-30 | 2020-05-28 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | Prediction of mood and associated outcomes based on correlation of autonomous and endocrine parameters |
| CN113057633A (zh) * | 2021-03-26 | 2021-07-02 | 华南理工大学 | 多模态情绪压力识别方法、装置、计算机设备及存储介质 |
| CN116236197A (zh) * | 2022-12-12 | 2023-06-09 | 天津大学 | 皮质醇联合皮肤电导精神压力监测装置及实验范式方法 |
| CN117093893A (zh) * | 2023-07-17 | 2023-11-21 | 平安科技（深圳）有限公司 | 基于多感知能力的语言交互方法、装置、设备及介质 |
-
2023
- 2023-12-29 CN CN202311847571.4A patent/CN117898685B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150245777A1 (en) * | 2012-10-19 | 2015-09-03 | Basis Science, Inc. | Detection of emotional states |
| US20170127993A1 (en) * | 2015-11-06 | 2017-05-11 | Lifeq Global Limited | Non-Invasive Physiological Quantification of Stress Levels |
| CN108601566A (zh) * | 2016-11-17 | 2018-09-28 | 华为技术有限公司 | 一种精神压力评测方法和装置 |
| US20200163606A1 (en) * | 2017-06-30 | 2020-05-28 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | Prediction of mood and associated outcomes based on correlation of autonomous and endocrine parameters |
| CN113057633A (zh) * | 2021-03-26 | 2021-07-02 | 华南理工大学 | 多模态情绪压力识别方法、装置、计算机设备及存储介质 |
| CN116236197A (zh) * | 2022-12-12 | 2023-06-09 | 天津大学 | 皮质醇联合皮肤电导精神压力监测装置及实验范式方法 |
| CN117093893A (zh) * | 2023-07-17 | 2023-11-21 | 平安科技（深圳）有限公司 | 基于多感知能力的语言交互方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117898685B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| 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 | |
| CN109069081A (zh) | 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 | |
| KR20040032451A (ko) | 생체신호 기반의 건강 관리 기능을 갖는 모바일 기기 및이를 이용한 건강 관리 방법 | |
| CN103038772A (zh) | 预测患者的存活性的方法 | |
| CN106725376B (zh) | 体征信号检测方法及装置 | |
| CN109394203A (zh) | 精神障碍康复期情绪监测与干预方法 | |
| CN111265226A (zh) | 一种心理应激管理能力检测系统及方法 | |
| Basjaruddin et al. | Measurement device for stress level and vital sign based on sensor fusion | |
| CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
| CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及系统 | |
| KR20180119913A (ko) | 생체정보를 이용한 감성 검출 장치 및 감성 검출 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록매체 | |
| Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
| CN114587288A (zh) | 一种睡眠监测方法、装置以及设备 | |
| CN115089179A (zh) | 一种心理情绪洞察分析方法及系统 | |
| CN112057090B (zh) | 基于体表极低频电势差特征的情绪判断穿戴式设备和方法 | |
| CN117898685B (zh) | 一种基于不同情绪状态的压力检测方法及装置 | |
| CN116548970A (zh) | 一种深远海作业人员的状态研判方法与装置 | |
| CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| CN114903475A (zh) | 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 | |
| CN113017633B (zh) | 一种基于人体特征数据的智能精神分析和评价方法及系统 | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| CN109620263A (zh) | 一种企事业单位上岗人员体征安全分析方法 | |
| Malviya et al. | Mental stress level detection using LSTM for WESAD dataset |
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 |