[发明专利]一种光电容积脉搏波压力识别方法及系统

说明书

本发明涉及模式识别领域，为光电容积脉搏波压力识别方法及系统，其方法包括：建立原始训练样本集，并对其进行若干种信号变换，构建信号变换样本集；搭建信号变换识别网络，使用信号变换样本集训练信号变换识别网络，获得信号变换识别网络的卷积层权重；在信号变换识别网络中加入时域注意力模块，学习到脉搏波信号中不同时间区域的重要程度；使用自监督学习搭建脉搏波的压力识别网络，将信号变换识别网络的卷积层权重作为压力识别网络的卷积层的初始化权重，用原始训练样本集训练压力识别网络，得到最终的压力识别模型，对脉搏波压力信号进行识别。本发明的模型关注到产生压力的区域，泛化能力强、性能好，有效提高压力识别效果。

技术领域

本发明涉及计算机技术、模式识别领域，更具体地说，涉及一种基于自监督和时域注意力机制的光电容积脉搏波压力识别方法及系统。

背景技术

如今，社会生活节奏越来越快，社会竞争越来越大，现代生活的压力正在无时无刻不在向我们涌过来，并且这种压力将会越来越大。现代医学相关研究表明，若人们长期处于高度压力之下，身心健康会遭到严重的影响，人体的免疫系统会被削弱，导致人体的神经系统出现紊乱，进而导致心理或者生理上产生疾病。因此，对于心理压力的识别及管理变得越来越重要。

压力的识别从信号源角度可以分为非生理信号(如面部表情、语音、行为)和生理信号(如光电容积脉搏波、心电、脑电等)两类。基于非生理信号的压力识别由于易伪装等特点，难以保证识别的可靠性，而基于生理信号的压力识别更加稳定、准确客观。现如今，由于智能手环、手表等一系列非入侵式可穿戴设备的发展和普及，对于光电容积脉搏数据的采集越来越方便，并且越来越准确，采用基于光电容积脉搏波信号的压力识别能够更方便应用在日常生活中，有利于人们正确认识到自己的心理压力，并根据压力状态进行自我调节，改善自身的工作生活水平。

传统的光电容积脉搏波压力识别方法存在许多局限，现有的方法通常为先对原始数据进行预处理，随后进行特征工程，手动提取时域特征、频域特征和非线性特征等相关特征，最后使用传统的机器学习模型进行建模，如支持向量机(SVM)、随机森林(RF)等。而特征工程往往决定了模型的上限，传统的特征工程对压力相关的表征能力不强，手动提取的特征恰恰限制了压力识别所能达到的最大精度。

近年来，深度学习取得飞速的发展，其凭借着神经网络强大的自我学习能力，正在各个领域崭露头角。卷积神经网络(CNN)具有强大的自动特征学习能力，其能够自动进行特征学习，在特征提取方面占有优势。卷积神经网络最初应用于计算机视觉任务，后来逐渐引起了其他各个领域的兴趣，包括生物信号分类领域。在心电信号分类领域，卷积神经网络已成功应用于心律不齐检测、信号成分识别、生物特征识别，这些研究证明了卷积神经网络在生物信号分类中的强大能力，同时也暗示了卷积神经网络在基于光电容积脉搏波的压力识别中具有巨大的潜力。

发明内容

针对现有的基于光电容积脉搏波的压力识别方法的不足，本发明提出基于自监督和时域注意力机制的光电容积脉搏波压力识别方法及系统，采用深度学习领域中的自监督学习方法，利用辅助任务从自动构建的信号变换样本集中挖掘自身的监督信息，通过自己构造的监督信息对网络进行训练，从而可以使模型学习到更多更有价值的表征，配合针对时间领域上的注意力机制，能够让模型关注到产生压力的区域，使得训练出来的模型的泛化能力更强、性能更好，从而有效提高压力识别效果。

为实现上述目的，本发明采用的方法技术方案为：一种光电容积脉搏波压力识别方法，包括以下步骤：

建立带有压力标签的光电容积脉搏波原始训练样本集；

对原始训练样本集进行若干种信号变换，生成信号变换类型标签，构建一个新的信号变换样本集；搭建信号变换识别网络，使用信号变换样本集训练信号变换识别网络，获得信号变换识别网络的卷积层权重；

在信号变换识别网络中，加入时域注意力模块，使信号变换识别网络的模型学习到光电容积脉搏波信号中不同时间区域的重要程度，使信号变换识别网络的模型将注意力更多地放在产生压力的区域；