[发明专利]基于心电信号与肌电信号融合的心理压力评测方法

权利要求书

1.一种基于心电信号与肌电信号融合的心理压力评测方法，其特征在于包括：

采集受试志愿者在压力刺激情况下的心电信号和表面肌电信号并进行预处理，获得心电生理参数和肌电生理参数；

对心电生理参数和肌电生理参数分别基于小波分解进行特征提取，获得心电生理参数和肌电生理参数的所有待识别特征，包括心电生理参数的时域特征、频域特征和非线性特征及肌电生理参数的时域特征和频域特征；

通过随机森林特征重要性度量方法算法对所有待识别特征进行融合，并在压力识别模型中分配权重，获得压力识别最终模型；所述压力识别最终模型预设置与待识别特征对应的心理压力等级；

采集待测试者的心电信号和表面肌电信号并进行处理，获得待测试者的待测试特征：包括心电生理参数的时域特征、频域特征和非线性特征，肌电生理参数的时域特征和频域特征；

将待测试者的待测试特征输入压力识别最终模型，获得待测试者的当前心理压力等级；

设定受试志愿者心电信号和表面肌电信号的数据集样本数为A，特征维数为k，用p₁,p₂,…,p_k表示其特征，z表示类别，特征p_j的值域为V_j，z的值域为V_z；j＝1，2，3，……，k；

特征p_j与类别z之间的互信息I(p_j,z)为：

式中q(v_j,v_z)表示特征p_j的取值为v_j且类别z的取值为v_z的概率，q(v_j)表示特征p_j的取值为v_j的概率，q(v_z)表示类别z的取值为v_z的概率；

计算每个特征与类别的互信息后，按互信息从大到小的顺序对特征排序；然后对数据集分组，定义特征分组的标准Q为：

式中S_G表示类别z与特征p_j的熵，R_G表示特征p_j与特征p_k之间的熵，G表示一个特征组，p_j,p_k为G内的特征，I(p_j,p_k)为特征p_j与特征p_k之间的互信息I(p_j,p_k)：

其中q(v_j,v_k)表示特征p_j的取值为v_j，且特征p_k的取值为概率v_k；I(p_j,p_k)的值越大，表示特征p_j和特征p_k越相似；Q值越大，表示该特征组中的特征与类别的关联度越大，特征组内特征之间的冗余度越小；

判断变量H为：

利用变量H最终判断特征之间的关联度与特征之间的相似度，并按照从大到小的顺序对H进行排序，进行特征选择；

经过特征选择后，由心电信号中提取时域特征：pNN50、RMSSD与SDNN，频域特征：LF/HF和LF，非线性特征：SD1/SD2；由表面肌电信号提取频域特征：中值频率；然后进行特征融合；

采用基于蒙特卡洛近似法改进的Dempster-Shafer证据理论的特征融合方法：

按照H值由大到小依次选择7种特征形成特征集G_θ：

式中B表示心电信号与肌电信号的所有特征，n表示利用D-S证据理论进行融合的7个特征表示，θ表示特征集中的特征；

特征函数PMF为

式中m(θ_n)表示前k个特征被平均分配的权重，m(B)表示分配特征B的基本概率，

设定m(B)的特征权重W_B(0)为：

其中p表示两个特征之间的相似度，p＝0.5，经过蒙特卡洛近似法计算后，特征权重需要重新分配：

其中W_Bk(k)表示第k个特征的被重新分配的权重，N_k为蒙特卡洛计算的次数；

由此实现了压力识别模型中的权重分配；

所述预处理包括：

对心电信号和表面肌电信号进行去噪和滤波，所述去噪包括基线漂移矫正，滤波包括工频干扰抑制；

心电生理参数的待识别特征包括：心电信号的P波、QRS波、T波；心电信号的R波检测和心率值；RR间期的均值、标准差、方差、最值和最值之差；心电信号的HRV时域指标：SDNN、RMSSD、pNN50、变异系数；HRV频域指标：HRV高频峰、低频峰、极低频峰和LF/HF；HRV的非线性特征：Poincare散点图、VAI及VLI；

肌电生理参数的待识别特征包括：时域统计特征：均值、积分肌电值、幅值的过零次数、均方根、方差、最值和最值之差；以所述时域统计特征求取一阶导数和二阶导数，再分别求取统计值；

频域分析指标：峰值频率、平均功率频率和中值频率；

采用的时频分析方法包括短时FFT变换及维格纳分布。