基于心率变异性参数的压力状态描述研究

摘要

生活在竞争激烈的社会，压力时刻伴随着我们，因此压力的自动、快速识别具有重要研究意义。基于生物信号的压力情绪识别方法不易伪装，较易检测出内在的、潜藏的情感，因而被广泛使用。其中，从心电信号（Electrocardiogram，ECG）中提取出的心率变异性（Heart rate variability，HRV）被证明可用于识别压力。
　　HRV由一组参数组成，参数值作为特征被用于支撑识别系统，识别压力系统一般通过建立分类模型完成，而且以随机森林、逻辑回归、朴素贝叶斯等算法为多。但此类系统无法将不同压力状态和HRV特征之间的关系以量化的规则表达出来。
　　为了解不同压力状态下每个 HRV特征的近似量化表达，本文引入决策树方法，将特征以组合规则的方式表达出来，而规则中的每个特征也因此获得近似量化，研究利用CART算法生成二叉树，从而获得简单有效的规则，并且获得 HRV参数范围。为克服规则冗余，采用基于错误率降低（Reduced Error Pruning，REP）的剪枝算法对规则优化，提取出易理解的规则。实验证明，经优化后规则识别压力的平均识别率达89.4％。
　　经过对出错规则的分析，发现在参数范围值边界上发生错误的频率较高，即刚性边界值在进行压力识别时会缺乏包容性，进而导致规则的识别准确率不高，为加大参数值的包容性，本文提出一种将HRV参数值离散化为三部分的策略，该方法对每个HRV特征按照基于箱线图和正态分布两种方案分别将数据离散，并以此构建树、提取规则并使用 REP算法优化，通过实验对比两种方案，基于箱线图策略要优于正态分布，平均识别率达到96.1%。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景和意义

1.2情感识别的国内外研究现状

1.3基于HRV识别压力的可行性

1.4本文研究内容

第二章 心电信号采集与HRV参数

2.1压力诱发

2.2心电信号采集与处理

2.3 HRV分析方法与参数

2.4本章小结

第三章 用于描述压力状态的HRV特征规则提取与优化

3.1规则提取

3.2规则优化

3.3规则识别的评价标准

3.4实验

3.5本章小结

第四章 改进的描述压力的HRV特征规则提取与优化

4.1基于两个阈值的HRV参数离散

4.2规则提取和优化

4.3实验

4.4 本章小结

第五章 总结和展望

5.1总结

5.2展望

参考文献

发表论文和科研情况说明

致谢