一种基于多生理参数融合的心理压力评估方法

摘要

本发明公开了一种基于多生理参数融合的心理压力评估方法，其内容包括设计合理的刺激程序，采集心理压力人群的心电、肌电、脉搏波、脑电四种电生理信号；提取这四种电生理信号的情感特征；通过ReliefF算法、遗传算法寻优等方式对提取的特征进行特征选择；基于基本概率指派函数mass，获得相关的融合函数。本发明是基于多生理参数融合的评估心理压力的方法研究，通过对多参数信号采集、预处理、特征提取和心理压力情感识别，并进行融合。相对于单一参数分类识别，或者多参数数据级融合或者特征级融合，本发明方法能够更加充分地利用数据信息和更加准确地识别心理压力情感。

说明书

技术领域

本发明涉及心理压力评估方法技术领域，特别涉及一种基于多生理参数融 合的心理压力评估方法。

背景技术

心理压力又称“心理应激”，是一个人在觉察或认识到自己正面对着至关 重要而又难以应对的环境情况时，产生一种倾向于通过各式各样的心理和生理 反应而表现出来的心身紧张状态；是心理压力源与主体心理压力反应共同构成 的一种认知和行为体验，表现为内心冲突以及随之产生的情绪体验。

适当程度的心理压力对人体并无危害，但过大的心理压力则带来一系列负 面影响，慢性心理压力会引发一系列的生理、病理风险，如心脑血管疾病，抑 郁症，精神紊乱等。如果能在其变成慢性心理压力前就进行准确的识别评估， 将给我们带来很大的便利。心理压力的自动识别，可以帮助我们洞察生活中可 能引起心理压力反应的因素；同时也可以用来对处于心理压力状态中的个体进 行干预治疗。能够在自然状态下进行心理压力的分析将有助于研究人们的情绪 化行为，同时有助于对个体心理压力等级的客观评估。

心理学领域常用于心理压力评估的方法有晤谈法、心理测验法和问卷调查 法。这些方法往往需要参与者的显著响应与配合。如果心理压力评估可以在更 加客观的条件下进行，其结果将更为准确合理，并且有利于心理压力与健康的 研究。情感计算为心理压力的自动识别技术提供了丰富的理论支持。

多传感器信息融合是指对来自多个传感器信息源的数据进行检测、关联、

相关、估计和综合等多级、多方面的处理，以获得对被测对象状态的精确 估计和评估，提高监测系统的整体性能。经过集成与融合的多传感器信息能全 面和精确地反映环境特征，将多传感器同时采集的生理信号进行信息融合，相 对于单一信号识别提高了心理压力情感识别的准确度。

决策层融合是在对采集到的数据初步完成特征提取的基础上，模仿人的思 维，充分利用特征层融合所提取测量对象的各类特征信息，借助一定的规则或 特定的算法，得到目标的最后身份，是一种高层次的融合，可以用不精确的推 理方法得出合理或近乎合理的结论。而目前评估心理压力方法的研究中应用决 策级融合的基本没有，所以我们要在这一新的领域获得更高的识别率。

随着研究的深入，研究人员越来越意识到，面向情感心理压力评估这一复 杂问题，数据采集实验设计的合理性以及采集的原始数据的有效性，是情感识 别的基础和关键。因此，如何建立准确的心理压力评估方法也成为目前研究的 热点。

在国外，德国Augsburg大学情感生理数据库中，其中心理压力数据库，是 在受试者操作著名的计算机拼图游戏“俄罗斯方块”时收集呼吸和肌电信号， 实验的目的是使受试者交替处于高心理压力和低心理压力状态。而在国内，心 理压力情感数据并不充分。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供一种多参数压力评估 方法。

本发明的技术方案是基于心电、肌电、脉搏波和脑电信号获得多参数融合 的心理压力评估方法，同时建立一个基于心电、肌电、脉搏波和脑电信号的心 理压力评估数据库。

为了解决上述存在的技术问题，本发明是通过以下技术方案实现的：

一种基于多生理参数融合的心理压力评估方法，其内容包括如下步骤：

第一步、设计合理的刺激程序，采集心理压力人群的心电、肌电、脉搏波 和脑电四种电生理信号，对所采集的这四种电生理信号进行去噪、滤除50Hz工 频干扰等预处理；

第二步、根据预处理获得的电生理信号进行特征提取，提取四种电生理信 号的情感特征：

根据小波分解获得的系数提取心电的统计特征和HRV特征、肌电的统计特 征和脉搏波的统计特征，脑电基于Kc复杂度、近似熵和小波熵理论分别提取 Kc复杂度、近似熵和小波熵等特征，并分别两两组合为特征向量；

第三步、通过ReliefF算法、遗传算法寻优等方式对提取的各种特征进行特 征选择；将特征向量作为输入信息输入到SVM分类器中，获得样本所属的类别 与分类准确率；

第四步、基于基本概率指派函数mass，获得相关的融合函数；假设C为一 个辨识空间，全体子集为2^C，则m:2^C→[0,1],称为一个基本概率指派，需要 满足以下条件：

融合函数如下所示

$m\left(I\right)=\frac{1}{R^{-1}}\underset{A_i\cap B_j=I}{\Sigma }{m}_1\left(A_i\right)·m_2\left(B_j\right)---(1-2)$

其中：

$R^{-1}=1-\underset{A_i\cap B_j=\phi }{\Sigma }{m}_1\left(A_i\right)·m_2\left(B_j\right)=\underset{A_i\cap B_j\ne \phi }{\Sigma }{m}_1\left(A_i\right)·m_2\left(B_j\right)$

将数据空间的每一个样本都指派一个基本概率，构成各个信号源在目标类 别上的概率分配值函数，根据融合函数获得不同类别的不同概率值，将概率最 大的类别定为该样本的类别，获得最终的分类结果，从而有效地融合心电、肌 电、脉搏和脑电这四个传感器的属性信息，获得更高的识别率。

由于采用上述技术方案，本发明提供的一种基于多生理参数融合的心理压 力评估方法，与现有技术相比具有这样的有益效果：

本发明是基于多生理参数融合包括心电、肌电、脉搏波和脑电信号四种电 生理信号的评估心理压力方法，通过对生理参数包括心电、肌电、脉搏波和脑 电信号四种信号的采集、预处理、特征提取和心理压力情感识别，并进行融合 再识别。相对于单一参数分类识别，或者多参数数据级融合或者特征级融合， 本发明方法能够更加充分地利用数据信息和更加准确地识别心理压力情感。多 生理参数心理压力评估数据库的建立相对于先前的数据库更加丰富，更有利于 心理压力评估方法的研究。首先采集生理参数，采集步骤包括：在可能高压人 群基础上，再用刺激源诱发受测试者的情绪，使获得的数据具有较高的典型性、 自然度和可控性。在低噪音刺激素材中采集获取所需信息，采用美国Biopac公 司的多导生理记录仪MP150记录受测试者的心电信号、表面肌电信号、脉搏波 和脑电信号。

实验中采集的四种信号获取方案均合理有效地诱发出受测试者的心理压力 情绪，最终实现心理压力评估方法和心理压力评估数据库的建立。

附图说明

图1为获取心电信号、肌电信号、脉搏波和脑电信号心理压力评估数据库 的流程框图；

图2为获得心理压力评估方法的算法仿真流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细说明：

一种基于多生理参数融合的心理压力评估方法，实施该方法包括如下步骤：

心电信号、肌电信号、脉搏波和脑电信号四种心理压力电生理信号采集， 如图1所示，受测试者选择的是燕山大学研究生三年级即将毕业答辩的16名在 校学生，其中8名男生8名女生，他们均身体健康，右利手并且都处于高压状 态中。

研究表明，办公室低量噪音如冷气暖气送风声、电脑声和周围同事的低声 说话声都会对工作人员产生情绪心理压力。为了达到较好的刺激效果，根据英 国索尔福德大学教授特雷弗·考克斯对令人不安声音的调查结果，选择了排名前 十不安声音中的5种作为心理压力刺激素材，这5种声音是麦克风发出的回音、 几个孩子一起哭的哭声、火车轮子的摩擦声、单个孩子的哭声和电流的嗡嗡声， 刺激顺序如下表所示：

采用美国Biopac公司的多导生理记录仪MP150同时记录受测试者的表面心 电信号、肌电信号、脉搏波和脑电信号。采集数据时，同步用耳机给受测试者 播放心理压力刺激素材。在测试过程中，保证测试实验室内环境绝对安静，且 关闭手机等设备，减少干扰。测量方式：心电信号(ECG)：三个贴片式电极，一 个置于右手手腕，一个置于左脚脚腕，另一个作为参考电极，置于右脚脚腕； 肌电信号(EMG)：三个贴片式电极，一个置于脸部皱眉肌，一个置于左侧面颊肌， 另一个作为参考电极，置于右手手腕；脉搏波（PPG）：一个传感器包裹住左手 食指第一关节指腹；脑电信号（EEG）：三个电极片，两个电极片贴于前额两端， 另一个作为参考电极，置于右耳耳垂。

实验前先让受测试者休息几分钟，使其放松平静下来，生理特征达到平常 状态。与此同时，让受测试者填写个人信息、知情同意书和一份测试受测试者 是否有述情障碍的问卷调查，主动与受测试者沟通，让他们了解我们的测试流 程，缓解紧张情绪和消除好奇心。

为了削弱或消除受测试者的个体差异性，在采集完数据后，要求受测试者 填写一份情感体验问卷表，以便于实验数据的筛选。对所采集的各种电生理信 号去噪，每组数据中截取中间2秒。为了减少噪音的影响，我们采用小波变换 对信号进行去噪。

由于脑电β波不受睁眼和闭眼的影响，且在大脑皮层兴奋状态时表现明显， 因此适合作为实验的研究对象。基于ICA方法对数据进行去噪处理。将各状态 下的脑电信号数据截取最能体现特征的8秒。通过小波包，采用daubechies小 波对脑电信号进行6层分解，将β波所包含的分解节点进行重构，便得到了β 波。

基于多生理参数的心理压力评估方法算法的仿真过程，如图2所示，其基 本步骤包括信号预处理、特征提取、分类识别、融合和最终识别。

基于电生理信号微弱且受到外界的噪声干扰强烈的问题，首先要对心电、 肌电、脉搏波和脑电信号四种信号进行去噪处理，基于小波变换分别设置滤波 器的参数，分别对四种信号进行滤波。心电信号滤除50Hz工频干扰，肌电信号 滤除杂波干扰并进行归一化处理，脉搏波滤除杂波干扰和奇异波。脑电信号滤 除杂波干扰。基于小波变换滤波器参数的设置，首先要对每一种信号进行小波 分解获得小波系数，再依据小波系数构建滤波参数矩阵，分别进行滤波。

心电信号特征提取：检测心电信号P波、Q波、R波、S波、T波，通过检 测这几种波的间期和波峰作为提取统计特征的数据点，提取的特征包括：各个 波形的；QS波，TS波之间的均值、中值、方差、最值和最值之差；HRV特征 包括：RR间期、周期心率的统计值、心率分布的统计值和心率变异性功率谱。

肌电信号特征提取：将经过预处理的肌电信号进行统计特征提取，提取其 均值、中值、方差、最值和最值之差，并对信号求一阶导数和二阶导数，分别 对导数再计算统计值作为特征向量。

脉搏波特征提取：提取脉搏波的时域统计特征包括均值、中值、方差、最 值和最值之差，并对信号求一阶导数和二阶导数，再分别求取统计值；另外还 要利用小波变换提取频域的脉搏波频谱。

脑电信号特征提取：基于Kc复杂度、近似熵和小波熵三种特征提取理论分 别提取Kc复杂度、近似熵和小波熵等特征。

分类识别：为了去除已提取特征的重复性和冗余性，分别采取不同的特征 选择算法进行筛选，对心电信号通过ReliefF算法进行特征选择，肌电信号是通 过PCA/ICA算法进行特征选择。经过特征选择入选的信号特征分别送入SVM 分类器进行分类训练和识别，获得四种信号的初步心理压力识别结果；

融合与再识别：信息融合是针对多传感器信息分析中解决信息复杂性问题 和充分利用信息互补性优势的好方法，尤其是决策级的信息融合在获得四种信 号的识别结果后继续运用D-S证据理论获得每一种信号的概率分配值，也就是 信号在识别目标类别中的权重，最后进行识别获得识别率更高的结果。

受测试者处于高压或者可能处于高压状态，采用精密装置获取高效信号数 据，获得的数据具有明显的心理压力特性，除了同其他的心理压力数据库一样 具有普遍适用性，而且其自身具有压力参数丰富且同一心理压力刺激下取自同 一个体的特性，相对于普通的高校学生压力数据库具有更加丰富的研究价值和 使用价值。

基于多传感器采集多种生理信号并融合用于评估心理压力的方法相对于单 一信号评估心理压力更具有优势和高准确度。本方法引入了基于D-S证据理论 以及决策级融合方法对多个电生理信号源进行处理，能够充分利用生理信号中 的信息，通过对数据库数据仿真，结果证明这种方法明显提高了分类准确率。