[发明专利]一种多参数耦合的应激水平评估方法及其系统

权利要求书

1.一种多参数耦合的应激水平评估方法，其特征在于，所述方法包括以下步骤：

S100，对多个试验者建立应激场景进行刺激实验，同时采集对应的多种生理信号和记录多方评估应激等级；

S200，对所述多种生理信号分别进行数据预处理，构成实际生理数据集；

S300，根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；

S400，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；

S500，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；

S600，采集各个被试者的多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级；

在S300中，所述实际生理数据集包括预处理后的实际心电信号、实际肌电信号、实际脑电信号和实际脑氧信号；根据所述实际生理数据集进行应激特征提取，得到应激特征参数集的方法为：

S301，对所述实际心电信号进行应激特征提取，在时域上计算所有心跳周期对应的标准差记作STD_RR、相邻心跳周期对应的时间间隔的平均值记作MEAN_RR、以及在频域上计算低频段功率与高频段功率的比值记作LF/HF；

S302，对所述实际脑电信号进行应激特征提取，分别计算δ脑波、θ脑波、α脑波、β脑波四种频域波段在时域上对应的绝对能量E，分别记作Eδ，Eθ，Eα，Eβ；其中，绝对能量的计算公式为：

；

其中，EEG(t)表示为所述实际脑电信号在t时刻对应的数值，其中t为时刻，t∈[0,T]，T为采集时间总长，t1分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的起始时刻；t2分别为δ脑波、θ脑波、α脑波、β脑波在时域对应的结束时刻，分别对应计算得到Eδ，Eθ，Eα，Eβ；

S303，对所述实际肌电信号进行应激特征提取，在时域上计算所述实际肌电信号在δ脑波、θ脑波、α脑波、β脑波分别对应的一定时间段内的积分得到积分肌电值记作iEMG，分别记作iEMGδ，iEMGθ，iEMGα，iEMGβ，其计算公式为：

；

其中，EMG(t)表示为所述实际肌电信号在t时刻对应的数值；

以及在频域上计算所述实际肌电信号的平均功率频率和中位频率，分别记作MPF和MF，其计算公式为：

，；

其中，P(f)为所述实际肌电信号的功率谱密度函数，f为所述实际肌电信号在频域对应的频率，其中f∈[0, ∞]，∞表示为所述实际肌电信号的全部频率范围；

S304，对所述实际脑氧信号进行应激特征提取，在时域上计算所述实际脑氧信号的脑氧均值，脑氧斜率、脑氧方差和脑氧峰峰值，分别记作μ、k、σ²和PP，其计算公式为：

，；

，；

其中，ODr表示为所述实际脑氧信号，ODr(j)为所述实际脑氧信号在时域上对应的第j个光强度大小，j为脑氧序号，j∈[1,M]，M为ODr的实际采集个数；[X]为所述实际脑氧信号中血红蛋白的相对浓度，包括氧合血红蛋白和脱氧血红蛋白；G_J为与散射相关的几何因子；Max(ODr)为ODr的最大值，Min(ODr)为ODr的最小值；

S305，所述应激特征参数集包括STD_RR、MEAN_RR、LF/HF、Eδ、Eθ、Eα、Eβ、iEMGδ、iEMGθ、iEMGα、iEMGβ、MPF、MF、μ、k、σ²和PP；

在S400中，根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集，所述应激耦合特征集包括初次应激耦合特征集和二次应激耦合特征集，其计算方法为：

S401，结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集；

S402，对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集；

在S401中，所述初次应激耦合特征集包括心脑传递耦合强度、脑肌相干耦合系数和神经环路耦合特征；结合所述实际生理数据集和所述应激特征参数集进行第一应激特征耦合，得到初次应激耦合特征集的具体方法为：

S4011，根据所述实际心电信号与所述脑电信号，计算心脑传递耦合强度：判断所述实际心电信号与所述脑电信号的序列长度是否一致，否则提取所述实际心电信号的RR间期并进行插值处理，使得所述实际心电信号与所述脑电信号的序列长度一致；将所述实际心电信号设为x(t)，所述实际脑电信号设为y(t)，t为采集时刻，t∈[0,T]，在采集时间总长T内分别计算x(t)和y(t)的自相关函数，以及x(t)和y(t)之间的互相关函数；并在频域分别计算x(t)和y(t)的自功率谱密度，分别记作P_xx(ω)和P_yy(ω)，以及x(t)和y(t)之间的互功率谱密度记作P_xy(ω)，ω为角频率，ω∈[0,2π]；进一步计算心脑传递耦合强度记作EBCC，其计算公式为：

；

其中，EBCC(ω)表示为所述心脑传递耦合强度在ω值对应的数值；

S4012，根据所述实际脑电信号与所述实际肌电信号，计算脑肌相干耦合系数记作BMCC，其计算公式为：

；

其中，EM(t)为某一肌肉部位的实际肌电信号从起始时刻到t时刻的均方根值；EMG(t)为所述实际肌电信号在t时刻对应的数值，为EMG(t)在采集时间总长T内的平均值；y(t)为所述脑电信号，为所述脑电信号在采集时间总长T内的平均值；

S4013，根据所述应激特征参数集，计算神经环路耦合特征：根据所述应激特征参数集获得所述实际脑电信号的特征参数，包括Eδ，Eθ，Eα，Eβ，构成脑电特征矩阵记作S_EEG；根据所述应激特征参数集获得所述实际脑氧信号的特征参数，包括μ、k、σ²和PP，构成脑氧特征矩阵记作S_fNIRS；分别对S_EEG和S_fNIRS进行线性组合得到U_EEG和V_fNIRS，以及对应的相关向量A和B；进一步分别计算S_EEG和S_fNIRS的协方差矩阵记作conv(S_EEG , S_EEG)和conv(S_fNIRS, S_fNIRS)，以及S_EEG和S_fNIRS之间的协方差矩阵记作conv(S_EEG , S_fNIRS)，计算神经环路耦合矩阵记作ρ，其计算公式为：

；

；

；

其中，A^T和B^T分别为相关向量A和B的转置，A^T=[a1,a2,a3,a4]，a1,a2,a3,a4为相关向量A中的各个元素值；B^T=[b1,b2,b3,b4]，b1,b2,b3,b4为相关向量B中的各个元素值；取神经环路耦合矩阵中的最大值作为神经环路耦合特征记作maxρ；

在S402中，所述二次应激耦合特征集包括神经活动应激指标、肌肉紧张程度、最大应激度和平均应激度；其中，所述神经活动应激指标包括神经疲劳度、环路波动度和神经放松度；对所述应激特征参数集进行第二应激特征耦合，得到二次应激耦合特征集的具体方法为：

S4021，根据所述应激特征参数集，计算神经活动应激指标：获得δ脑波、θ脑波、α脑波、β脑波分别对应的绝对能量Eδ、Eθ、Eα、Eβ，融合计算所述神经疲劳度记作TIR，所述环路波动度记作FLU，以及所述神经放松度REL，其计算公式为：

，，；

S4022，根据所述应激特征参数集，计算肌肉紧张程度：获得δ脑波、θ脑波、α脑波、β脑波分别对应的积分肌电值iEMGδ、iEMGθ、iEMGα、iEMGβ，在采集时间总长T中计算肌肉紧张程度记作RMS，其计算公式为：

；

S4023，根据所述应激特征参数集，计算最大应激度和平均应激度：获得所述实际脑氧信号的脑氧均值μ，脑氧斜率k、脑氧方差σ²和脑氧峰峰值PP，计算最大应激度记作SM；以及计算所述实际脑氧信号归一化后的平方均值作为平均应激度记作SA，其计算公式为：

，；

在S500中，将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型的方法为：

S501，获得各个试验者对应的所述应激特征参数集和所述应激耦合特征集，利用Box-Cox变换对各个试验者对应的所述应激特征参数集和所述应激耦合特征集进行归一化，构成综合应激特征集；

S502，根据各个试验者对应的所述综合应激特征集作为数据集，并按照设定比例划分为训练数据集、测试数据集和验证数据集；利用机器学习方法对进行所述训练数据集进行分类训练，构建初级分类模型；

S503，对所述初级分类模型采用十折交叉验证方法或留一法验证进行模型验证，选取每个验证数据集上对应识别准确率最高的模型组成集成初级模型；

S504，利用 BP神经网络模型、多层感知网络、卷积神经网络作为集成次级模型，将所述集成初级模型的输出作为所述集成次级模型的输入，结合所述多方评估应激等级作为输出，训练得到最终决策模型，即为应激水平评估初级模型；

S505，利用所述应激水平评估初级模型对所述测试数据集进行优化训练，得到最优的应激水平评估模型；

S506，利用所述验证数据集对所述应激水平评估模型进行预测评估，输出对应的应激等级。

2.一种多参数耦合的应激水平评估系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序；所述处理器执行所述计算机程序时实现权利要求1中所述多参数耦合的应激水平评估方法中的步骤，具体包括：

应激采集量化单元，用于当试验者建立应激场景进行刺激实验时，同时获得多种生理信号和记录多方评估应激等级；

数据预处理单元，用于对所述多种生理信号分别进行数据预处理，构成实际生理数据集；

应激特征提取单元，用于根据所述实际生理数据集进行应激特征提取，得到应激特征参数集；

特征耦合分析单元，用于根据所述实际生理数据集和应激特征参数集进行应激特征耦合分析，得到应激耦合特征集；

应激模型建立单元，用于将所述应激特征参数集和所述应激耦合特征集作为训练数据集，结合所述多方评估应激等级作为评定结果，建立得到应激水平评估模型；

应激等级评估单元，用于当被试者在对应的应激场景下进行刺激实验时，获得多种生理信号并输入所述应激水平评估模型，输出其对应的应激等级；

所述一种多参数耦合的应激水平评估系统运行于桌上型计算机、掌上电脑中。