本發(fā)明涉及壓力與與情緒監(jiān)測，尤其涉及一種基于心電信號(hào)的壓力與情緒監(jiān)測方法及監(jiān)測系統(tǒng)。

背景技術(shù)：

1、壓力和情緒的管理對于人類的身心健康有著重要的影響。然而，傳統(tǒng)的壓力與情緒監(jiān)測方法大多依靠調(diào)查問卷的形式，缺乏便捷性和實(shí)時(shí)性?；谏韰?shù)的評估方法往往也需要使用專業(yè)設(shè)備和技術(shù)，不夠便捷和實(shí)用。近年來，越來越多的人開始使用智能手表、智能手環(huán)等可穿戴式設(shè)備來跟蹤自己的健康數(shù)據(jù)，但大部分可穿戴式設(shè)備只能監(jiān)測基本的生物參數(shù)，如心率、步數(shù)等，缺乏對于壓力和情緒的監(jiān)測。因此，對日常工作生活中的壓力與情緒進(jìn)行監(jiān)測成為了重點(diǎn)研究方向。

2、心電信號(hào)(eeg)是一種記錄心臟電活動(dòng)的生物電信號(hào)，它反映了心臟在心臟肌細(xì)胞電生理活動(dòng)期間所產(chǎn)生的微弱電流。心電信號(hào)在臨床醫(yī)學(xué)和健康監(jiān)測中扮演著重要角色，用于評估心臟健康和檢測心臟疾病。心電信號(hào)是周期性的電信號(hào)，其頻率通常以心率(即心臟在一分鐘內(nèi)跳動(dòng)的次數(shù))來表示，心率通常在50到100次/分鐘之間，根據(jù)年齡、性別和身體狀態(tài)可能有所差異。目前，現(xiàn)有基于心電信號(hào)的壓力與情緒監(jiān)測方法通常采用淺層機(jī)器學(xué)習(xí)或規(guī)則進(jìn)行監(jiān)測，其監(jiān)測精準(zhǔn)度通常較低，導(dǎo)致用戶認(rèn)可度低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在解決現(xiàn)有基于心電信號(hào)的壓力與情緒監(jiān)測方法通常采用淺層機(jī)器學(xué)習(xí)或規(guī)則進(jìn)行監(jiān)測，導(dǎo)致監(jiān)測精度較低的技術(shù)問題，而提出新的一種基于心電信號(hào)的壓力與情緒監(jiān)測方法及監(jiān)測系統(tǒng)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供的技術(shù)解決方案如下：

3、一種基于心電信號(hào)的壓力與情緒監(jiān)測方法，其特殊之處在于，包括以下步驟：

4、步驟1，采集多個(gè)用戶的原始心電信號(hào)，并濾除原始心電信號(hào)中的干擾信號(hào)，獲得預(yù)處理的心電信號(hào)；

5、步驟2，搭建混合神經(jīng)網(wǎng)絡(luò)模型；

6、所述混合神經(jīng)網(wǎng)絡(luò)模型包括按輸入輸出順序依次設(shè)置的input層、ceemdan層、featureextract層、bilstm層、layernorm層、attention層、fullconnection層以及softmax層；

7、所述input層用于接收預(yù)處理后的心電信號(hào)；所述ceemdan層用于對input層輸入的心電信號(hào)進(jìn)行ceemdan分解，得到多階imf分量和殘差項(xiàng)；所述featureextract層用于從多階imf分量中分別提取時(shí)域統(tǒng)計(jì)特征、頻域特征和非線性動(dòng)力學(xué)特征，以獲得三維特征矩陣；所述bilstm層包括前向lstm層和后向lstm層，用于通過前向lstm層和后向lstm層學(xué)習(xí)三維特征矩陣的時(shí)序依賴關(guān)系，獲得三維特征矩陣的隱藏狀態(tài)序列；所述layernorm層對三維特征矩陣的隱藏狀態(tài)序列進(jìn)行層歸一化；所述attention層用于通過注意力機(jī)制聚焦三維特征矩陣中的關(guān)鍵特征，獲得注意力向量；所述fullconnection層用于將注意力向量映射到情緒和壓力狀態(tài)的類別空間；所述softmax層用于對全連接層的輸出進(jìn)行softmax歸一化，得到情緒和壓力狀態(tài)的概率分布；

8、步驟3，將步驟1獲得的多個(gè)預(yù)處理的心電信號(hào)輸入搭建好的混合神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲得訓(xùn)練好的混合神經(jīng)網(wǎng)絡(luò)模型；

9、步驟4，采集當(dāng)前用戶的原始心電信號(hào)，濾除原始心電信號(hào)中的干擾信號(hào)后，將其輸入步驟3訓(xùn)練好的混合神經(jīng)網(wǎng)絡(luò)模型中，混合神經(jīng)網(wǎng)絡(luò)模型輸出情緒和壓力狀態(tài)的概率分布，實(shí)現(xiàn)用戶壓力與情緒的監(jiān)測。

10、進(jìn)一步地，步驟1中，濾除原始心電信號(hào)中的干擾信號(hào)具體為：

11、對采集的原始心電信號(hào)依次進(jìn)行低通濾波、下采樣以及小波分析，濾除原始心電信號(hào)中的干擾信號(hào)。

12、進(jìn)一步地，步驟2中，所述bilstm層采用tanh函數(shù)作為激活函數(shù)；

13、所述attention層采用softmax函數(shù)作為激活函數(shù)；

14、所述softmax層采用softmax函數(shù)作為激活函數(shù)。

15、本發(fā)明還提供了一種基于心電信號(hào)的壓力與情緒監(jiān)測系統(tǒng)，用于實(shí)現(xiàn)上述一種基于心電信號(hào)的壓力與情緒監(jiān)測方法，其特殊之處在于，包括信號(hào)采集設(shè)備、微處理器以及客戶端；

16、所述信號(hào)采集設(shè)備，用于實(shí)時(shí)采集用戶的原始心電信號(hào)；

17、所述微處理器中設(shè)置有預(yù)處理模塊和混合神經(jīng)網(wǎng)絡(luò)模型；

18、所述預(yù)處理模塊的輸入端連接信號(hào)采集設(shè)備的輸出端，用于濾除原始心電信號(hào)中的干擾信號(hào)；

19、所述混合神經(jīng)網(wǎng)絡(luò)模型包括按輸入輸出順序依次設(shè)置的input層、ceemdan層、featureextract層、bilstm層、layernorm層、attention層、fullconnection層以及softmax層；

20、所述input層的輸入端連接預(yù)處理模塊的輸出端，用于接收預(yù)處理后的心電信號(hào)；所述ceemdan層用于對input層輸入的心電信號(hào)進(jìn)行ceemdan分解，得到多個(gè)imf分量和殘差項(xiàng)；所述featureextract層用于從多個(gè)imf分量中分別提取時(shí)域統(tǒng)計(jì)特征、頻域特征和非線性動(dòng)力學(xué)特征，以獲得三維特征矩陣；所述bilstm層包括前向lstm層和后向lstm層，用于通過前向lstm層和后向lstm層學(xué)習(xí)三維特征矩陣的時(shí)序依賴關(guān)系，獲得三維特征矩陣的隱藏狀態(tài)序列；所述layernorm層用于對三維特征矩陣的隱藏狀態(tài)序列進(jìn)行層歸一化；所述attention層用于通過注意力機(jī)制聚焦三維特征矩陣中的關(guān)鍵特征，獲得注意力向量；所述fullconnection層用于將注意力向量映射到情緒和壓力狀態(tài)的類別空間；所述softmax層用于對全連接層的輸出進(jìn)行softmax歸一化，得到情緒和壓力狀態(tài)的概率分布；

21、所述客戶端與混合神經(jīng)網(wǎng)絡(luò)模型的softmax層之間通信連接，用于記錄數(shù)據(jù)，并通過客戶端對情緒和壓力狀態(tài)的概率分布進(jìn)行顯示。

22、進(jìn)一步地，所述信號(hào)采集設(shè)備包括心電電極和信號(hào)解析模塊；

23、所述心電電極用于實(shí)時(shí)采集用戶的心電信號(hào)；

24、所述信號(hào)解析模塊包括初級信號(hào)放大模塊、次級放大模塊、濾波電路模塊以及高精度采樣模塊；

25、所述初級信號(hào)放大模塊的輸入端連接心電電極的輸出端，用于將采集的心電信號(hào)進(jìn)行初級放大，并將電流信號(hào)轉(zhuǎn)換成輸入電壓信號(hào)；

26、所述次級放大模塊的輸入端連接初級信號(hào)放大模塊的輸出端，用于對輸入電壓信號(hào)進(jìn)行二級放大；

27、所述濾波電路模塊的輸入端連接次級放大模塊的輸出端，用于濾除二級放大后的輸入信號(hào)中的干擾信號(hào)；

28、所述高精度采樣模塊的輸入端連接濾波電路模塊的輸出端，用于對濾除干擾后的輸入電壓信號(hào)進(jìn)行三級放大并實(shí)現(xiàn)ad采樣，以提取原始心電信號(hào)，其輸出端連接預(yù)處理模塊的輸入端。

29、進(jìn)一步地，還包括數(shù)據(jù)平臺(tái)；

30、所述數(shù)據(jù)平臺(tái)與客戶端之間通信連接，用于將客戶端的數(shù)據(jù)傳輸給數(shù)據(jù)平臺(tái)進(jìn)行存儲(chǔ)和分析。

31、進(jìn)一步地，所述初級信號(hào)放大模塊的輸入阻抗大于10mω；

32、所述高精度采樣模塊的采樣頻率大于256hz，采樣位數(shù)大于32位。

33、進(jìn)一步地，所述bilstm層采用tanh函數(shù)作為激活函數(shù)；

34、所述attention層采用softmax函數(shù)作為激活函數(shù)；

35、所述softmax層采用softmax函數(shù)作為激活函數(shù)。

36、進(jìn)一步地，所述初級信號(hào)放大模塊、次級放大模塊、濾波電路模塊、高精度采樣模塊以及微處理器集成在一個(gè)芯片上。

37、本發(fā)明相比于現(xiàn)有技術(shù)的有益效果如下：

38、1、本發(fā)明提供的一種基于心電信號(hào)的壓力與情緒監(jiān)測方法，搭建的基于ceemdan-bilstm-attention的混合神經(jīng)網(wǎng)絡(luò)模型，與傳統(tǒng)的基于淺層機(jī)器學(xué)習(xí)或規(guī)則的情緒與壓力監(jiān)測方法相比，具有以下優(yōu)勢：

39、a、通過ceemdan層充分挖掘了心電信號(hào)的多尺度特征，提取了更全面和豐富的情緒與壓力特征，克服了單一尺度特征的局限性。

40、b、創(chuàng)新性地將bilstm層與ceemdan層結(jié)合，充分利用ceemdan層提取的多尺度特征，自動(dòng)學(xué)習(xí)特征矩陣的時(shí)序依賴關(guān)系，捕捉情緒與壓力狀態(tài)的動(dòng)態(tài)演變過程，構(gòu)建了更強(qiáng)大的特征表示和融合機(jī)制，有效提高了情緒與壓力的監(jiān)測性能，實(shí)現(xiàn)了更精準(zhǔn)的情緒與壓力狀態(tài)判別。

41、c、通過attention層引入注意力機(jī)制，通過學(xué)習(xí)不同特征之間的重要性權(quán)重，自適應(yīng)地聚焦與情緒和壓力狀態(tài)高度相關(guān)的關(guān)鍵特征，抑制冗余和噪聲特征的影響，增強(qiáng)了模型的解釋性和適應(yīng)性，進(jìn)一步提升了模型的情緒與壓力判別性能，有助于應(yīng)對不同個(gè)體和場景下的情緒與壓力變化。

42、d、構(gòu)建了一個(gè)端到端的混合神經(jīng)網(wǎng)絡(luò)模型，無需人工設(shè)計(jì)特征和決策規(guī)則，通過數(shù)據(jù)驅(qū)動(dòng)的方式自動(dòng)學(xué)習(xí)情緒與壓力狀態(tài)的判別模型，大大簡化了情緒與壓力監(jiān)測的流程，提高了模型的泛化能力和實(shí)用性。

43、2、本發(fā)明提供的一種基于心電信號(hào)的壓力與情緒監(jiān)測系統(tǒng)，集成度高、穿戴方便且成本低廉，可以在用戶的日常生活工作中進(jìn)行情緒和壓力程度的監(jiān)測，不會(huì)干擾用戶正常的工作生活。