一种基于ECG信号的精神状态预测方法

一种基于ecg信号的精神状态预测方法
技术领域
1.本发明涉及精神状态预测技术领域，具体涉及的一种基于ecg信号的精神状态预测方法。


背景技术：

2.在时代迅速发展的背景下，各个领域的人们生活都关注着便利生活、身体健康、生命安全。精神状态识别一直以来都是各个领域重视的研究，在设计学、心理学、教育学、医学等多个领域都有非常广阔的发展前景。通过智能手环采集生理信号进行压力识别变得可行。在生活方面，可穿戴设备使人们可以随时随地拨打电话，进行拍照。在生命安全方面，它可以监控人们在开车时的疲劳度以及情绪，能够及时发出警告，减少交通事故。在身体健康方面，伴随着人口老龄化，繁忙的年轻人无法时刻关注家里老人的身体状况，可穿戴设备给老人提供了安全保证。智能手表检测到老人有任何的身体情况并及时反馈到智能手机上，许多年轻人也很重视自己的健康问题，通过佩戴智能手表来分析自己的精神压力，可以及时调整自己的状态。综上所述，通过智能手环采集人体心电信号并且利用心率变异性进行压力识别的研究势在必行。因为它不仅能很方便的应用于日常生活中，而且能够及时关注自身的精神状态，避免精神过度紧张导致的心理、生理疾病，对及时缓解社会压力，有效调整自身状态具有重要意义。
3.因此，设计一种利用更加方便、快速的方式进行相关生理信号的采集和精神状态评估的方法是本领域技术人员亟待解决的问题。


技术实现要素：

4.针对现有技术中的缺陷，本发明提供一种基于ecg信号的精神状态预测方法，包括以下步骤：
5.s1:利用可穿戴设备采集待测用户的脉搏信号指标，其中，所述脉搏信号指标是数据分析之后的心电信号，执行步骤s2；
6.s2:利用ai算法对心电信号进行心率变异性分析，得到心电信号的时域、频域、非线性特征，执行步骤s3；
7.s3:将所述特征进行特征选择，去除冗余特征，得到影响因子较大的特征，执行步骤s4；
8.s4：将所述经过筛选的心电信号特征输入提出的cnn-gru-atten 神经网络模型，得到分类结果，执行步骤s5；
9.s5：基于所述分类结果评估待测用户的精神状态，用户状态良好则分类结果数值偏小，即h放松指数高；若h放松指数越高，则待测用户的精神状态越好。
10.优选的，利用ai算法对脉搏数据进行分析，得到所述脉搏特征数据的方法为：根据脉搏数据计算rr间期，对预处理过后的rr间期分别进行时域分析、频域分析和非线性分析，得到包含时域特征、频域特征以及非线性特征的脉搏特征。
11.优选的，所述时域特征包括mean_rr、min_rr、max_rr、mean_hr、 sdhr、sdnn、pnni_50，所述频域特征包括pds、tp、vlf、lf、hf、 lfnorm、hfnorm、lf/hf，所述非线性特征包括s、sd1、sd2、sd1/sd2、 apen、sampen、dfa a1、dfa a2、vli、vai。
12.优选的，所述cnn-gru-atten神经网络模型的训练方法为：
13.s61:获取大量的用户脉搏数据；
14.s62:利用ai对大量的所述用户脉搏数据进行分析，得到大量的用户心电信号特征，根据用户不同生理状态对所述用户心电信号特征打标签，得到所述用户心电信号特征对应的标签，其中，所述用户心电信号特征对应的标签为脉搏特征的短时标准值；
15.s63:对心电信号特征进行特征筛选，通过ai算法找到时域、频域、非线性三维特征的相关性，去除相关性较低的特征。
16.s64：采用所述用户心电信号特征以及与所述用户心电信号特征对应的标签训练神经网络，得到训练完成的cnn-gru-atten神经网络模型。
17.优选的，初始用于训练所述cnn-gru-atten神经网络模型的大量的用户脉搏数据采用的是与待测用户年龄相仿用户的脉搏数据；当获取的用户脉搏数据达到设定值时，才能够用于cnn-gru-atten神经网络模型的训练。
18.本发明的有益效果体现在：一方面，在满足用户生理数据的采集需求的同时，还可利用ai算法进行大数据分析，进行心率变异性，从多方面监测人体的生理指标，产生更可靠的用户精神状态评估依据，另一方面，在评估用户精神状态的同时，还为人员的健康发展提供了有效的数据支持，可以根据自己的精神状态状况做出及时调整。
附图说明
19.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
20.图1为本发明一种基于ecg信号的精神状态预测方法的流程图；
21.图2为采集脉搏数据的流程图；
22.图3为脉搏信号处理流程图；
23.图4为cnn网络结构图；
24.图5为gru网络结构图；
25.图6为cnn-gru-atten网络详细设计；
具体实施方式
26.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
27.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
28.实施例1
29.一种基于ecg信号的精神状态预测方法，包括以下步骤：
30.s1:利用可穿戴设备采集待测用户的脉搏信号指标，其中，所述脉搏信号指标是数据分析之后的心电信号，执行步骤s2；
31.s2:利用ai算法对心电信号进行心率变异性分析，得到心电信号的时域、频域、非线性特征，执行步骤s3；
32.s3:将所述特征进行特征选择，去除冗余特征，得到影响因子较大的特征，执行步骤s4；
33.s4：将所述经过筛选的心电信号特征输入已训练完成的 cnn-gru-atten神经网络模型，得到分类结果，执行步骤s5；
34.s5：基于所述分类结果评估待测用户的精神状态，用户状态良好则分类结果数值偏小，即h放松指数高；若h放松指数越高，则待测用户的精神状态越好。其中h放松指数的公式为：h＝(-20)r+λ。
35.式中，h为h放松指数，r为三分类结果，λ为因子，在实验中设置为60-80之间，默认经验值为60，分类结果如下表1所示。
36.表1三分类结果
37.h放松指数r三分类结果60-80040-6010-402
38.当然，基于h放松指数不仅可以得到最终的精神状态，还可以得到此段时间的最大值和最小值以及实时值。
39.本发明实施例在满足用户心电数据的采集需求的同时，还可利用 ai算法进行大数据分析，进行心率变异性，从多方面监测人体的生理指标，产生更可靠的用户精神状态评估依据，能够实现用户精神状态的快速、精确评估。
40.值得说明的，利用ai算法对脉搏数据进行分析，得到所述心电特征数据的方法为：根据脉搏数据计算rr间期，对正常范围内的rr 间期分别进行时域分析、频域分析和非线性分析，得到包含时域特征、频域特征以及非线性特征的脉搏特征。
41.其中，rr间期的正常范围为600-1200，在范围600-1200以外的 rr间期数据是由于外界原因，例如剧烈摇晃、异常接触以及网络信号突然不稳定导致的，而不是由于人体自身的呼吸速率导致。因此，过滤异常值的范围选定在600到1200之间，在过滤异常值后才能够继续进行脉搏数据的分析。
42.值得说明的，所述时域特征包括mean_rr、min_rr、max_rr、 mean_hr、sdhr、sdnn、pnni_50，所述频域特征包括pds、tp、vlf、 lf、hf、lfnorm、hfnorm、lf/hf，所述非线性特征包括s、sd1、sd2、 sd1/sd2、apen、sampen、dfa a1、dfa a2、vli、vai。
43.具体的，利用ai算法对采集到的脉搏波数据进行分析，心率及心率变异性的时域、频域指标是在rr间期数据的基础上获取的，因此首先根据脉搏波数据进行信号处理，计算出rr间期，如图2所示，为脉搏数据的采集流程。接下来利用rr间期数据对心率变异性hrv 进行时域、频域以及非线性分析。如图3所示，为对脉搏信号进行处理的流程图。
44.(2)时域特征分析
45.对采集到的rr间期的时间序列信号,按时间顺序或心搏顺序排列的rr间期数值,
直接进行统计学或几何学分析，得到时域特征，所示时域特征包括但不限于mean_rr、sdnn、rmssd、pnn50，如下表2 所示：
46.表2：时域特征
[0047][0048]
sdnn指的是全部正常窦性心搏间期(nn)的平均值，单位为ms，计算公式如下：
[0049][0050]
rmssd是指全程相邻nn间期之差的均方根，单位为ms，计算公式如下：
[0051][0052]
sdsd是指全程相邻nn间期长度之差的标准差，单位为ms，计算公式如下：
[0053][0054]
pnni_50是指在全部nn间期的记录中，相邻的nn间期之差大于 50ms的个数与总的nn间期的个数的比，以百分比表示。其sdnn反映的是自主神经系统对心率调控的总评价，而rmssd和pnni_50反映的是迷走神经张力。
[0055]
(2)频域特征分析
[0056]
频域分析法：原理是将随机变化的rr间期或瞬时心率信号分解为多种不同能量的频域成份进行分析，可以同时评估心脏交感和迷走神经活动水平，如下表3所示。
[0057]
表3：频域特征分析
[0058]
[0059][0060]
(3)非线性分析
[0061]
非线性分析法：分为图形法与非线性参数计算法。如下表4所示。
[0062]
表4：非线性特征分析
[0063]
[0064][0065]
值得说明的，所提出的cnn-gru-atten神经网络模型的训练方法为：
[0066]
s61:获取大量的用户脉搏数据；
[0067]
s62:利用ai对大量的所述用户脉搏数据进行分析，得到大量的用户心电信号特征，根据用户不同生理状态对所述用户心电信号特征打标签，得到所述用户心电信号特征对应的标签，其中，所述用户心电信号特征对应的标签为脉搏特征的短时标准值；
[0068]
s63:对心电信号特征进行特征筛选，通过ai算法找到时域、频域、非线性三维特征的相关性，去除相关性较低的特征。
[0069]
s64：采用所述用户心电信号特征以及与所述用户心电信号特征对应的标签训练神经网络，得到训练完成的cnn-gru-atten神经网络模型。
[0070]
(1)如图4所示，卷积神经网络有三个主要的层，分别是卷积层、池化层和全连接层。在典型的cnn架构中，卷积层以层叠的方式连接在一起。首先是卷积层，然后是一个池化层，然后是一个或多个卷积层，然后是另一个池化层，最后是一个或多个全连接层。
[0071]
cnn可以看作一个特征提取器，通过卷积运算在低复杂度的基础上分层组合高复杂度特征，这比直接学习高复杂度特征更有效。此外，卷积神经网络可以通过局部感受野和权值共享来降低参数数目，避免过拟合。
[0072]
假设x＝[x1,x2,
…
,xn]∈rm×d为输入序列数据，d和n分别代表输入序列的维数和长度。卷积层可以看作是滤波器的集合。将原始数据与多个局部滤波器进行卷积生成局部特征图，卷积操作如下：
[0073][0074]
其中w∈rm×d代表滤波器，x
i:i+m-1
代表从时间步i起m长度的滑动窗口，和b分别代表激活函数和偏置。
[0075]
(2)如图5所示，为gru网络结构。gru是lstm网络的一种效果很好的变体，它较lstm网络的结构更加简单，而且效果也很好。 gru既然是lstm的变体，因此也是可以解决rnn网络中的长依赖问题。本研究考虑到压力识别算法的时空特性，添加gru层来体现压力变化的时间关联性。
[0076]
gru有两个门，即一个重置门(reset gate)和一个更新门 (update gate)。公式如下：
[0077]
更新门：
[0078]
z(t)＝σ(wzx(t)+uzh(t-1))(5)
[0079]
其中σ为逻辑sigmoid函数。x(t)为第t个时间步的输入向量，即输入序列x的第t个分量，它会经过一个线性变换(与权重矩阵wz相乘)。 h(t-1)保存的是前一个时间步t-1的信息，它同样也会经过一个线性变换。更新门将这两部分信息相加并投入到sigmoid激活函数中，将激活结果压缩到0到1之间。更新门可以计算前一时间步和当前时间步有多少信息是需要继续传递到未来的，因此可以减少梯度消失的风险。
[0080]
重置门：这个阶段将这个阶段的输入有选择性地进行“记忆”。重置门与更新门的
表达式是一样的，但是线性变换的参数不同。公式如下：
[0081]
r(t)＝σ(wrx(t)+urh(t-1))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0082]
当前记忆内容：
[0083]h′
(t)＝tanh(wx(t)+r(t)
⊙
uh(t-1))(7)
[0084]
其中wz，uz，wr，ur，w，u为权值矩阵，在训练中学习，在训练结束时确定。输入x(t)与上一时间步信息h(t-1)先经过一个线性变换，即分别右乘矩阵w和u。这里的h
′
(t)主要是包含了当前输入的x(t)数据。
[0085]
计算重置门r(t)与uh(t-1)的hadamard乘积，即r(t)与 uh(t-1)的对应元素乘积。因为前面计算的重置门是一个由0到1 组成的向量，它会衡量门控开启的大小。例如某个元素对应的门控值为0，那么它就代表这个元素的信息完全被遗忘掉。该hadamard乘积将确定所要保留与遗忘的以前信息。
[0086]
当前时间步的最终记忆：
[0087]
h(t)＝z(t)
⊙
h(t-1)+(1-z(t))
⊙h′
(t))
ꢀꢀꢀꢀꢀ
(8)
[0088]
在最后一步，网络需要计算h(t)，该向量将保留当前单元的信息并传递到下一个单元中。在这个过程中，我们需要使用更新门，它决定了当前记忆内容h
′
(t)和前一时间步h(t-1)中需要收集的信息是什么。z(t)为更新门的激活结果，它同样以门控的形式控制了信息的流入。z(t)与h(t-1)的hadamard乘积表示前一时间步保留到最终记忆的信息，该信息加上当前记忆保留至最终记忆的信息就等于最终门控循环单元输出的内容。
[0089]
(3)cnn-gru-atten网络设计
[0090]
在网络设计中，设计了8层神经网络，通过大量的实验表明， conv1d层单元数量设置为128效果最好，gru层单元数量设置为256 效果最好，attention层设置单元数量为256效果最好。优化器adam 相比于rmsprop替代随机梯度下降效果更为明显。激活函数采用 softmax进行多分类。
[0091]
其中，softmax的数学表达式如下：
[0092][0093]
其中x为输入，f(x)为输出。分子对每一个特征求指数，分母为求和。从计算公式可以看出，计算出的概率是[0,1]的范围内，且所有的概率和为1。
[0094]
模型的层数设计以及各个层参数如下表5所示，分别经过输入层 (输出形状为[none,6,1])、卷积层(输出形状为[none,4,128])、最大池化层(输出形状为[none,4,128])、卷积层(输出形状为
[0095]
[none,2,128])、gru层(输出形状为[none,256])、atten层(输出形状为[none,256])、multiply层(输出形状为[none,256])、 dense层(输出形状为[none,3]),其中none表示可变的批量大小。
[0096]
表5构建模型层数
[0097]
神经网络层输出大小参数数量input_1(inputlayer)(none,6,1)0conv1d_1(conv1d)(none,4,128)512
max_pooling1d_1(maxpooling1d)(none,4,128)0conv1d_2(conv1d)(none,2,128)49280gru_1(gru)(none,256)295680attention_vec(dense)(none,256)65792multiply_1(multiply)(none,256)0dense_1(dense)(none,3)771
[0098]
在实际训练时，对脉搏数据进行处理后得到rr间期，提取优选特征数据作为训练样本，选取训练样本的前80％作为训练集，后20％作为测试集。优化器选择为adam，损失函数为categoricalcrossentropy,批次大小选择为500，迭代次数为200，激活函数选取relu函数。
[0099]
实验表明，所提出的添加注意力机制的神经网络准确率达到 96％，可以较好的预测精神状态的识别与分类。
[0100]
值得说明的，初始用于训练提出的cnn-gru-atten神经网络模型的大量的用户脉搏数据采用的是与待测用户年龄相仿用户的脉搏数据；当获取的用户脉搏数据达到设定值时，才能够用于cnn-gru-atten 神经网络模型的训练。