论文部分内容阅读
由于社会节奏的加快和生活压力的增加,心理压力逐渐成为影响人体身心健康与生活质量的重要因素,自动检测和衡量心理压力有利于个人及时掌握自身的压力状态并进行自我调节,避免长期心理压力对身心和生活带来不良影响。同时,伴随着可穿戴设备监测心脏活动的普及,获取心率变异性(Heart Rate Variability,HRV)用于自动识别心理压力成为可能。目前利用HRV信号自动识别心理压力研究的主要难点在于:第一,由于没有公开检测心理压力的HRV数据集,需要设计压力诱发实验采集心电数据,并科学的判定数据的压力标签;第二,心电信号干扰噪声去除向来是心电信号采集领域的难点;第三,识别压力的HRV特征集没有统一的标准,且特征的识别贡献度没有较为准确的衡量;最后,不同的分类器具有各自的特性,需要选择合适的分类器建立基于HRV特征的心理压力识别模型,以保证利用HRV识别心理压力的准确性。本文以电子游戏-“节奏大师”作为压力诱发源,根据游戏的低、中、高难度,被试者客观游戏参数(如击中,丢失,完美击中等)以及被试者面部表情和自我评估综合设置压力标签,同时同步记录被试者的心电信号。心电信号经小波分析可准确识别R波位置,并获得HRV的基础数据。在特征提取中,本文将HRV的时域分析、频域分析和非线性分析方法结合,构建HRV的表达特征,其中以统计学方法提取时域特征,LB周期图法提取频域特征,通过该方法克服HRV信号非均匀采样造成的频谱失真,同时发现非线性分析的散点图紧密度与心理压力程度存在一定关系,并依此提取出相关的非线性特征。在分类模型构建中本文采用随机森林建立基于HRV的心理压力识别模型,并以随机森林的特征评估特性对HRV特征在心理压力识别中的贡献度进行排序分析。最后以K最近邻,逻辑回归的压力模型作为对比,评估本文提出的随机森林压力模型的识别性能。实验结果证明通过HRV可以识别出心理压力状态的变化,尤其在压力较大时表现敏感。同时通过三种分类模型的对比实验,发现利用HRV识别心理压力状态时,随机森林模型整体上具有较好的识别性能,在压力程度较大时达到了90%以上的识别率。