一种心率变异性压力检测方法、装置、存储介质以及系统与流程

1.本发明涉及心率变异性压力检测技术领域，尤其涉及一种心率变异性压力检测方法、装置、存储介质及系统。


背景技术：

2.随着物质生活水平的不断提高，人们越来越重视个人的生理和心理的健康。其中，压力是最重要的心理健康问题之一，长期处于压力情况下会导致头痛、心血管疾病、抑郁症等，从而严重损害生理健康和心理健康。如果能在早期对压力进行持续检测将对社会与个人有显著的积极效益。现有的压力检测基于不同的检测机制，例如基于视频的压力检测、基于语音的压力检测，以及基于生理信号的压力检测。有研究表明，生理信号是预测压力的可靠指标。生理信号可以通过各种传感器获得。
3.在现有技术中，大多都是基于生理信号的组合，包括心电图、皮肤电活动和肌电图等从传感器收集的信号，再利用机器学习算法分析生理信号来检测压力。例如专利号为cn114139571a的发明专利公开了一种基于多模态生理信号的压力检测方法和系统，该方法的多模态生理信号包括皮肤电活动信号、光电容积脉搏波信号和皮肤温度信号，将生理信号进行预处理后传入压力检测迁移模型，该模型包括特征提取器和压力分类器，特征提取器用于提取深度特征并将其与人工时频域特征进行融合，压力分类器用于对用户的压力等级进行分类。
4.但是，现有技术仍存在如下缺陷：现有技术主要基于多模态的生理信号的检测，多种生理信号的检测提高了检测的复杂度：被观察者需要佩戴可穿戴设备，虽然是无侵入式设备，但对人的正常活动会产生一定的影响；同时，多种生理信号的检测会有一定延迟，造成多种信号在时间上有偏差，从而导致检测判断的准确性较低。
5.因此，当前需要一种心率变异性压力检测方法、装置、存储介质以及系统，从而克服现有技术中存在的上述缺陷。


技术实现要素：

6.本发明实施例提供一种心率变异性压力检测方法、装置、存储介质以及系统，从而提升检测判断的准确性。
7.本发明一实施例提供一种心率变异性压力检测方法，所述检测方法包括：获取待检测对象的心电图信号，并对所述心电图信号进行过滤以获取第一检测信号；从所述第一检测信号中提取心率数据和心跳间隔数据，并根据所述心跳间隔数据进行时域分析、频域分析以及非线性分析，获取心率变异性特征集；将所述心率变异性特征集与所述心率数据进行融合处理以获取待检测特征集，并根据预设的fca-relieff降维方法，对所述待检测特征集进行降维处理，获得降维特征集；根据预设的多层感知器模型，对所述降维特征集进行识别分类以获取检测结果。
8.作为上述方案的改进，对所述心电图信号进行过滤以获取第一检测信号，具体包
括：剔除所述心电图信号中的异常值以获取第一心电图信号；根据预设的fir带通滤波方法以及预设的带通频率范围，对所述第一心电图信号进行滤波处理，获得第一检测信号。
9.作为上述方案的改进，根据所述心跳间隔数据进行时域分析、频域分析以及非线性分析，获取心率变异性特征集，具体包括：根据预设的hrv函数，对所述心跳间隔数据进行总体可变性分析，获得时域特征集；根据预设的hrv函数，对所述心跳间隔数据进行特定频段分析，获得频域特征集；根据预设的hrv函数，对所述心跳间隔数据进行心血管系统调节作用分析，获得非线性特征集；根据所述时域特征集、频域特征集以及非线性特征集，获取心率变异性特征集。
10.作为上述方案的改进，根据预设的fca-relieff降维方法，对所述待检测特征集进行降维处理，获得降维特征集，具体包括：计算所述待检测特征集中各个待检测特征之间的相关性，并根据所述相关性以及预设的冗余阈值，从所述待测特征集中删除冗余特征以获取有效特征集；根据预设的relieff算法以及预设的降维筛选阈值，对所述有效特征集进行降维筛选处理，获得降维特征集。
11.作为上述方案的改进，根据所述相关性以及预设的冗余阈值，从所述待测特征集中删除冗余特征以获取有效特征集，具体包括：判断所述相关性是否大于预设的冗余阈值；若是，则获取所述相关性对应的第一相关特征和第二相关特征，分别测试得到所述第一相关特征的第一模型影响因子和所述第二相关特征的第二模型影响因子，并判断所述第一模型影响因子和所述第二模型影响因子的大小关系；当所述第一模型影响因子大于所述第二模型影响因子时，将所述第二相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集；当所述第一模型影响因子小于所述第二模型影响因子时，将所述第一相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集。
12.作为上述方案的改进，在从所述第一检测信号中提取心率数据和心跳间隔数据之后，所述检测方法还包括：对所述心跳间隔数据和所述心率数据进行去噪处理。
13.作为上述方案的改进，对所述心跳间隔数据和所述心率数据进行去噪处理，具体包括：对所述心跳间隔数据进行中值替换和中值滤波，并对所述心率数据进行平均值替补和中值滤波。
14.本发明另一实施例对应提供了一种心率变异性压力检测装置，所述检测装置包括信号获取单元、多维分析单元、融合降维单元以及分类检测单元，其中，所述信号获取单元用于获取待检测对象的心电图信号，并对所述心电图信号进行过滤以获取第一检测信号；所述多维分析单元用于从所述第一检测信号中提取心率数据和心跳间隔数据，并根据所述心跳间隔数据进行时域分析、频域分析以及非线性分析，获取心率变异性特征集；所述融合降维单元用于将所述心率变异性特征集与所述心率数据进行融合处理以获取待检测特征集，并根据预设的fca-relieff降维方法，对所述待检测特征集进行降维处理，获得降维特征集；所述分类检测单元用于根据预设的多层感知器模型，对所述降维特征集进行识别分类以获取检测结果。
15.作为上述方案的改进，所述信号获取单元还用于：剔除所述心电图信号中的异常值以获取第一心电图信号；根据预设的fir带通滤波方法以及预设的带通频率范围，对所述第一心电图信号进行滤波处理，获得第一检测信号。
16.作为上述方案的改进，所述多维分析单元还用于：根据预设的hrv函数，对所述心跳间隔数据进行总体可变性分析，获得时域特征集；根据预设的hrv函数，对所述心跳间隔数据进行特定频段分析，获得频域特征集；根据预设的hrv函数，对所述心跳间隔数据进行心血管系统调节作用分析，获得非线性特征集；根据所述时域特征集、频域特征集以及非线性特征集，获取心率变异性特征集。
17.作为上述方案的改进，所述融合降维单元还用于：计算所述待检测特征集中各个待检测特征之间的相关性，并根据所述相关性以及预设的冗余阈值，从所述待测特征集中删除冗余特征以获取有效特征集；根据预设的relieff算法以及预设的降维筛选阈值，对所述有效特征集进行降维筛选处理，获得降维特征集。
18.作为上述方案的改进，所述融合降维单元还用于：判断所述相关性是否大于预设的冗余阈值；若是，则获取所述相关性对应的第一相关特征和第二相关特征，分别测试得到所述第一相关特征的第一模型影响因子和所述第二相关特征的第二模型影响因子，并判断所述第一模型影响因子和所述第二模型影响因子的大小关系；当所述第一模型影响因子大于所述第二模型影响因子时，将所述第二相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集；当所述第一模型影响因子小于所述第二模型影响因子时，将所述第一相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集。
19.作为上述方案的改进，所述检测装置还包括去噪处理单元，所述去噪处理单元用于：对所述心跳间隔数据和所述心率数据进行去噪处理。
20.作为上述方案的改进，所述去噪处理单元还用于：对所述心跳间隔数据进行中值替换和中值滤波，并对所述心率数据进行平均值替补和中值滤波。
21.本发明另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的心率变异性压力检测方法。
22.本发明另一实施例提供了一种心率变异性压力检测系统，所述检测系统包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的心率变异性压力检测方法。
23.与现有技术相比，本技术方案存在如下有益效果：
24.本发明提供了一种心率变异性压力检测方法、装置、计算机可读存储介质以及系统，通过对心电图信号过滤以获取第一检测信号，从第一检测信号中提取心率数据以及心跳间隔数据，根据心跳间隔数据对心率变异性进行时域、频域和非线性三方面分析以获取心率变异性特征集，使用fca-relieff对心率数据和心率变异性特征集融合得到的待检测特征集进行特征降维以获取降维特征集，并根据预设的多层感知器模型进行识别分类，该心率变异性压力检测方法、装置、计算机可读存储介质以及系统提升了检测判断的准确性。
附图说明
25.图1是本发明一实施例提供的一种心率变异性压力检测方法的流程示意图；
26.图2是本发明一实施例提供的一种心率变异性压力检测装置的结构示意图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.具体实施例一
29.本发明实施例首先描述了一种心率变异性压力检测方法。图1是本发明一实施例提供的一种心率变异性压力检测方法的流程示意图。
30.如图1所示，所述检测方法包括：
31.s1:获取待检测对象的心电图信号，并对所述心电图信号进行过滤以获取第一检测信号。
32.心电图信号或ppg信号都可以获得心率变异性数据，这里以心电图信号为例。采用biosppy工具包对心电图信号进行噪声过滤，包括异常值的剔除、fir带通滤波。fir带通滤波可以将需要保留波的频率限制在一定的范围内，用于去除周围的噪声，可以起到良好的效果。经过fir带通滤波后的心电图信号波形更加平滑。
33.在一个实施例中，对所述心电图信号进行过滤以获取第一检测信号，具体包括：剔除所述心电图信号中的异常值以获取第一心电图信号；根据预设的fir带通滤波方法以及预设的带通频率范围，对所述第一心电图信号进行滤波处理，获得第一检测信号。
34.s2:从所述第一检测信号中提取心率数据和心跳间隔数据，并根据所述心跳间隔数据进行时域分析、频域分析以及非线性分析，获取心率变异性特征集。
35.在获取第一检测信号后，同样采用biosppy工具包对心电图信号进行心率和rr间隔信息的提取，rr间隔是指心电信号波群中的峰值r与r点的间期，基于biosppy.signals.ecg.christov_segmenter函数对qrs波的识别。心率(heart rate，hr)的计算是将1除以rr间隔rri，单位为秒。由于可以从心电图ppg信号和成像式光电容积描记技术ippg信号中提取，ippg技术可以实现非接触式的压力检测，这种检测方式更加简单便利，易于大规模使用。
36.采用neurokit2工具包中的hrv函数对rr间隔进行心率变异性的计算，包括时域分析、频域分析和非线性分析，总得到特征72个。时域分析法是对r-r间期信号进行统计学分析,反映的是心率的总体可变性；频域分析可以反映交感神经和副交感神经各自的兴奋，不同频段功率分布的频率指数特别适合评估心率变异性的特定成分，高频段和低频段分别是副交感神经和交感神经活动的显著反映；非线性分析方法可以用于评价心血管系统的调节作用，从非线性分析方法得到的hrv特征能够充分表征心脏的动力学特征。设置滑动窗口为20s，并分别从上个窗口和下个窗口中添加一部分样本，样本的数据根据采样频率而定，使窗口的实际长度有30s左右。使用重叠窗口避免了硬切断。这种方法可以包括窗口开始或结束时的样本，以便在计算心率变异性特征时计算更多的rr峰值。下表展示了心率变异性常见的时域、频域和非线性特征。
37.在一个实施例中，根据所述心跳间隔数据进行时域分析、频域分析以及非线性分析，获取心率变异性特征集，具体包括：根据预设的hrv函数，对所述心跳间隔数据进行总体可变性分析，获得时域特征集；根据预设的hrv函数，对所述心跳间隔数据进行特定频段分
析，获得频域特征集；根据预设的hrv函数，对所述心跳间隔数据进行心血管系统调节作用分析，获得非线性特征集；根据所述时域特征集、频域特征集以及非线性特征集，获取心率变异性特征集。
38.受噪声的影响，rr间隔数据中会有一些异常值，明显超出正常的rr间隔数据范围，先将其替换为na，再利用中位数来替换掉rr间隔为0.5秒以下或者1.5秒以上的数值和缺失值，以确保不会超出rr间隔的正常范围。在替换之后进行中值滤波，中值滤波的基本原理是把数据中一点的值用该点的一个邻域中各点值的中值代替，以消除孤立的噪声，对信号进行平滑处理，核数为5。首先对明显超出范围的异常值先将其替换为na，再利用平均值来替换na值，最后，采用核数为13的中值滤波器进一步去除非自然心率。
39.在一个实施例中，在从所述第一检测信号中提取心率数据和心跳间隔数据之后，所述检测方法还包括：对所述心跳间隔数据和所述心率数据进行去噪处理。
40.在一个实施例中，对所述心跳间隔数据和所述心率数据进行去噪处理，具体包括：对所述心跳间隔数据进行中值替换和中值滤波，并对所述心率数据进行平均值替补和中值滤波。
41.s3:将所述心率变异性特征集与所述心率数据进行融合处理以获取待检测特征集，并根据预设的fca-relieff降维方法，对所述待检测特征集进行降维处理，获得降维特征集。
42.将心率变异性的72个特征与心率信号进行融合，一共73个特征；由于特征维数较高，采用预设的fca-relieff降维方法进行降维。具体分为两步：第一步特征相关性分析fca，计算各个特征之间的相关性，设置阈值删除。如果相关性大于阈值，则表明两个特征存在高度相关，即具有重复性，因此需要删除其中一个特征。选择待删除特征的具体方法是，对比删除哪个特征能够让模型效率提高更大。具体操作是，从原数据中移除其中一个特征并测试模型结果；再从原数据中移除另一个特征测试模型结果。以模型效率更高为目标决定最终删除哪个相关特征。去掉冗余特征，同时不会降低剩余特征表达信息的能力，阈值一般设置为0.85-0.95；第二步是relieff算法，是一种在relief基础上改进的算法，根据特征与所属类别之间的关联度大小为每个特征分配一个权重值，设置阈值进行筛选，relief仅限于二分类问题，而改进后的relieff适用于多分类问题，可以应用于多分类的压力模型特征选择。fca和relieff分析方法的阈值都可以设置阈值梯度进行探索，以得到最佳的阈值。
43.在一个实施例中，根据预设的fca-relieff降维方法，对所述待检测特征集进行降维处理，获得降维特征集，具体包括：计算所述待检测特征集中各个待检测特征之间的相关性，并根据所述相关性以及预设的冗余阈值，从所述待测特征集中删除冗余特征以获取有效特征集；根据预设的relieff算法以及预设的降维筛选阈值，对所述有效特征集进行降维筛选处理，获得降维特征集。
44.在一个实施例中，根据所述相关性以及预设的冗余阈值，从所述待测特征集中删除冗余特征以获取有效特征集，具体包括：判断所述相关性是否大于预设的冗余阈值；若是，则获取所述相关性对应的第一相关特征和第二相关特征，分别测试得到所述第一相关特征的第一模型影响因子和所述第二相关特征的第二模型影响因子，并判断所述第一模型影响因子和所述第二模型影响因子的大小关系；当所述第一模型影响因子大于所述第二模型影响因子时，将所述第二相关特征作为冗余特征，并从所述待测特征集中删除所述冗余
特征以获得有效特征集；当所述第一模型影响因子小于所述第二模型影响因子时，将所述第一相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集。
45.s4：根据预设的多层感知器模型，对所述降维特征集进行识别分类以获取检测结果。
46.多层感知器模型(mlp)能够描述一组输入变量到输出变量之间复杂的映射关系。将经过s6步骤降维后的特征作为模型的输入层，输入层的神经元个数与特征维度相同；隐藏层层数一般为多层，在理论上来说，只有一个隐藏层的神经网络只要包含足够多的神经元就可以逼近任意连续函数，有研究表明，mlp的隐藏层最好设置为1-2层，对于隐藏层的神经元个数可以设置梯度进行探索，找到最佳的神经元个数；输出层的神经元个数为输出变量的个数，如果压力二分类，则输出层神经元个数为1，代表属于正类的概率，如果压力三分类，则输出层神经元个数为3，代表属于某一类的概率。
47.本发明实施例集成了心率变异性的时域、频域和非线性特征以及fca-relieff特征降维和多层感知机模型mlp。心率变异性可以从心电图ppg信号和成像式光电容积描记技术ippg信号中提取，ippg技术可以实现非接触式的压力检测，这种检测方式更加简单便利，易于大规模使用；心率变异性的分析基于三个方面：时域分析、频域分析和非线性分析，一共能提取72维特征，这样才能有足够的信息来更加准确的预测压力；融合特征相关性分析fca和relieff算法进行特征降维，去掉冗余特征和与目标值相关性低的特征，可以提高压力识别的效率和准确度；多层感知机模型mlp通过对隐藏层的层数和神经元的个数进行梯度探索，得到最佳的mlp模型。
48.本发明实施例描述了一种心率变异性压力检测方法，通过对心电图信号过滤以获取第一检测信号，从第一检测信号中提取心率数据以及心跳间隔数据，根据心跳间隔数据对心率变异性进行时域、频域和非线性三方面分析以获取心率变异性特征集，使用fca-relieff对心率数据和心率变异性特征集融合得到的待检测特征集进行特征降维以获取降维特征集，并根据预设的多层感知器模型进行识别分类，该心率变异性压力检测方法提升了检测判断的准确性。
49.具体实施例二
50.除上述方法外，本发明实施例还公开了一种心率变异性压力检测装置。图2是本发明一实施例提供的一种心率变异性压力检测装置的结构示意图。
51.如图2所示，所述检测装置包括信号获取单元11、多维分析单元12、融合降维单元13以及分类检测单元14。
52.其中，信号获取单元11用于获取待检测对象的心电图信号，并对所述心电图信号进行过滤以获取第一检测信号。
53.在一个实施例中，所述信号获取单元11还用于：剔除所述心电图信号中的异常值以获取第一心电图信号；根据预设的fir带通滤波方法以及预设的带通频率范围，对所述第一心电图信号进行滤波处理，获得第一检测信号。
54.多维分析单元12用于从所述第一检测信号中提取心率数据和心跳间隔数据，并根据所述心跳间隔数据进行时域分析、频域分析以及非线性分析，获取心率变异性特征集。
55.在一个实施例中，所述多维分析单元12还用于：根据预设的hrv函数，对所述心跳
间隔数据进行总体可变性分析，获得时域特征集；根据预设的hrv函数，对所述心跳间隔数据进行特定频段分析，获得频域特征集；根据预设的hrv函数，对所述心跳间隔数据进行心血管系统调节作用分析，获得非线性特征集；根据所述时域特征集、频域特征集以及非线性特征集，获取心率变异性特征集。
56.融合降维单元13用于将所述心率变异性特征集与所述心率数据进行融合处理以获取待检测特征集，并根据预设的fca-relieff降维方法，对所述待检测特征集进行降维处理，获得降维特征集。
57.在一个实施例中，所述融合降维单元13还用于：计算所述待检测特征集中各个待检测特征之间的相关性，并根据所述相关性以及预设的冗余阈值，从所述待测特征集中删除冗余特征以获取有效特征集；根据预设的relieff算法以及预设的降维筛选阈值，对所述有效特征集进行降维筛选处理，获得降维特征集。
58.在一个实施例中，所述融合降维单元13还用于：判断所述相关性是否大于预设的冗余阈值；若是，则获取所述相关性对应的第一相关特征和第二相关特征，分别测试得到所述第一相关特征的第一模型影响因子和所述第二相关特征的第二模型影响因子，并判断所述第一模型影响因子和所述第二模型影响因子的大小关系；当所述第一模型影响因子大于所述第二模型影响因子时，将所述第二相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集；当所述第一模型影响因子小于所述第二模型影响因子时，将所述第一相关特征作为冗余特征，并从所述待测特征集中删除所述冗余特征以获得有效特征集。
59.分类检测单元14用于根据预设的多层感知器模型，对所述降维特征集进行识别分类以获取检测结果。
60.在一个实施例中，所述检测装置还包括去噪处理单元，所述去噪处理单元用于：对所述心跳间隔数据和所述心率数据进行去噪处理。
61.在一个实施例中，所述去噪处理单元还用于：对所述心跳间隔数据进行中值替换和中值滤波，并对所述心率数据进行平均值替补和中值滤波。
62.其中，所述检测装置集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。即，本发明另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的心率变异性压力检测方法。
63.其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
64.需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，单元之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
65.本发明实施例描述了一种心率变异性压力检测装置及计算机可读存储介质，通过对心电图信号过滤以获取第一检测信号，从第一检测信号中提取心率数据以及心跳间隔数据，根据心跳间隔数据对心率变异性进行时域、频域和非线性三方面分析以获取心率变异性特征集，使用fca-relieff对心率数据和心率变异性特征集融合得到的待检测特征集进行特征降维以获取降维特征集，并根据预设的多层感知器模型进行识别分类，该心率变异性压力检测装置及计算机可读存储介质提升了检测判断的准确性。
66.具体实施例三
67.除上述方法和装置外，本发明实施例还描述了一种心率变异性压力检测系统。
68.所述检测系统包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的心率变异性压力检测方法。
69.所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述装置的控制中心，利用各种接口和线路连接整个装置的各个部分。
70.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
71.本发明实施例描述了一种心率变异性压力检测系统，通过对心电图信号过滤以获取第一检测信号，从第一检测信号中提取心率数据以及心跳间隔数据，根据心跳间隔数据对心率变异性进行时域、频域和非线性三方面分析以获取心率变异性特征集，使用fca-relieff对心率数据和心率变异性特征集融合得到的待检测特征集进行特征降维以获取降维特征集，并根据预设的多层感知器模型进行识别分类，该心率变异性压力检测系统提升了检测判断的准确性。
72.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员
来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。