一种基于心电波形监督的压力识别方法

本发明涉及信号处理，具体为一种基于心电波形监督的压力识别方法。

背景技术：

1、压力是日常生活不可避免的一部分。适度的压力具有积极的激励作用，但长期过度的压力则能损害神经系统，从而引发精神类疾病和神经系统疾病。因此，检测压力状态是非常重要的。许多研究表明，通过心电图监测心跳变化和心率变异性可以用来监控心理压力水平。此外，心电信号中的关键信息主要包含在关键波形中，特别是p波、qrs复合波和t波，在心理压力较大时，t波电交替增加，且pr间期缩短。这些波形在表征压力状态的电活动中起着重要作用。

2、在基于心电信号的压力分类中，机器学习和深度学习的应用已经变得常见。然而，现有方法仅由单一分类损失监督，模型对输入信号的噪声较为敏感，导致其泛化性不佳。此外，已有的方法使用数据随机混合进行交叉验证，不能直接体现模型对不同个体的泛化性能。

3、本发明提出一种基于心电波形监督的压力识别方法，使用关键波来监督模型学习心电信号的基本模式，同时，使用prt编码作为补充信息，以增强模型的学习能力并提高关键波监督的效果。

技术实现思路

1、本发明提供了一种基于心电波形监督的压力识别方法，其特征在于，所述方法包括：

2、步骤1，将心电信号有重叠地裁剪成多个心电序列；

3、步骤2，将每个心电序列无重叠地分割为n个片段，并进行片段编码；

4、步骤3，将n个片段编码组成的编码序列输入到informer编码器中，利用注意力机制计算片段编码之间的长距离依赖和上下文信息，提取含有全局信息表示的特征向量；

5、步骤4，将特征向量分别输入到压力分类头和关键波分类头，以获取压力分类结果和关键波分类的结果。

6、具体地，在步骤1中，主要使用了公开数据集作为本发明的训练和测试数据集。首先将公开数据集重采样到特定的采样率f0，将数据集中的单通道心电信号进行标准化处理，即将心电信号数据分布调整到零均值和单位标准差，减小因设备差异和标准不统一对于分类准确性的影响。随后以t秒为窗口，以10个心拍作为滑动步距，重叠地将心电信号裁剪成多个心电序列，每个心电序列的开头为r波波峰，序列长度为f0t，其中f0为信号的采样频率。

7、具体地，在步骤2中，将每个心电序列无重叠地分割为n个片段，每个片段的长度为l，其中nl＝f0t。然后对片段进行编码，片段编码包括prt编码、位置编码和输入编码。prt编码是对片段内是否包含p波、r波和t波进行编码，[p,r,t]各个位置的值为0或者1，标志着对应的波峰不存在或存在，随后使用嵌入层，将prt编码映射到dmodel维特征空间上，编码后的向量用vk来表示。位置编码用于标记片段间的时序位置关系，通过将位置信息编码成一个固定长度为dmodel的向量来实现，具体方法是使用正弦和余弦函数的组合，位置编码后的向量用vp来表示。输入编码使用线性映射来实现，将心电信号片段映射到dmodel维特征空间上，输入编码后的向量用ve来表示。第i个片段编码vi为以上三种编码相加，即vi＝vk+vp+ve。对每个心电序列进行片段编码后可以得到n个dmodel维编码。

8、具体地，在步骤3中，将n个片段编码vi(i＝1,...,n)输入到informer编码器中，利用注意力机制计算片段编码之间的长距离依赖和上下文信息，提取含有全局信息表示的特征。informer是序列到序列生成的模型，在本发明中，主要使用informer的自注意力机制计算片段之间的长距离依赖和上下文信息，得到含有全局信息表示的特征，因此本发明只需要使用informer的编码器，而不使用解码器。本发明使用了三层informer。低层的特征向量可以反映心电序列的局部特征，深层的特征向量可以反映心电序列的抽象的全局特征。在两层informer之间存在着一个蒸馏机制，可以将序列长度减半，因此最后一层informer中特征长度为原长度的四分之一，得到特征大小为

9、具体地，在步骤4中，压力分类头由两个全连接层组成，第一个全连接层将步骤3得到的特征向量的维度从dmodel映射到2维。将第一个全连接层之后的特征拼接起来，可以得到维，再将其通过第二个全连接层得到压力的二分类结果。关键波分类头由一个全连接层组成，将步骤3的特征图从dmodel映射到l维，将通过全连接层之后的特征展平，即可得到关键波的分类结果。

10、本发明针对现有方法仅由单一分类损失指导模型和使用数据随机混合进行交叉验证的情况，以informer作为骨干网络，加入关键波监督，使得模型能够学习到心电信号的波形位置和模式，增强模型的泛化性和模式识别能力，使用prt编码赋予片段补充信息，提高关键波监督的有效性，从而提高了压力识别的准确性和泛化性。

技术特征：

1.一种基于心电波形监督的压力识别方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的基于心电波形监督的压力识别方法，其特征在于，在步骤1中，本发明使用了公开数据集作为本发明的训练和测试数据集。首先将公开数据集重采样到特定的采样频率f0，将数据集中的单通道心电信号进行标准化处理，即将心电信号数据分布调整到零均值和单位标准差，减小因设备差异和标准不统一对于分类准确性的影响。随后以t秒为窗口，以10个心拍作为滑动步距，重叠地将心电信号裁剪成多个心电序列，每个心电序列的开头为r波波峰，序列长度为f0t，其中f0为信号的采样频率。

3.如权利要求1所述的基于心电波形监督的压力识别方法，其特征在于，在步骤2中，将每个心电序列无重叠地分割为n个片段，每个片段的长度为l，其中nl＝f0t。然后对片段进行编码，片段编码包括prt编码、位置编码和输入编码。prt编码是对片段内是否包含p波、r波和t波进行编码，[p,r,t]各个位置的值为0或者1，标志着对应的波峰不存在或存在，随后使用嵌入层，将prt编码映射到dmodel维特征空间上，编码后的向量用vk来表示。位置编码用于标记片段间的时序位置关系，通过将位置信息编码成一个固定长度为dmodel的向量来实现，具体方法是使用正弦和余弦函数的组合，位置编码后的向量用vp来表示。输入编码使用线性映射来实现，将心电信号片段映射到dmodel维特征空间上，输入编码后的向量用ve来表示。第i个片段编码vi为以上三种编码相加，即vi＝vk+vp+ve。对每个心电序列进行片段编码后可以得到n个dmodel维编码。

4.如权利要求1所述的基于心电波形监督的压力识别方法，其特征在于，在步骤3中，将n个片段编码vi(i＝1,...,n)输入到informer编码器中，利用注意力机制计算片段编码之间的长距离依赖和上下文信息，提取含有全局信息表示的特征向量；informer是序列到序列生成的模型，在本发明中，主要使用informer的自注意力机制抽取整个序列的全局特征，得到可以反映序列特征和结构的特征向量。因此本发明只需要使用informer的编码器，而不使用解码器。本发明使用了三层informer。低层的特征向量反映了心电序列的局部特征，深层的特征向量则能反映心电序列的全局特征。在两层informer之间存在着一个蒸馏机制，可以将序列长度减半，因此最后一层informer中特征长度为原长度的四分之一，得到特征大小为

5.如权利要求1所述的基于心电波形监督的压力识别方法，其特征在于，在步骤4中，将特征向量分别输入到压力分类头和关键波分类头，以获取压力分类结果和关键波分类的结果；具体为，压力分类头由两个全连接层组成，第一个全连接层将步骤3得到的特征向量的维度从dmodel映射到2维。将第一个全连接层之后的特征拼接起来，可以得到维，再将其通过第二个全连接层得到压力的二分类结果。关键波分类头由一个全连接层组成，将步骤3的特征图从dmodel映射到l维，将通过全连接层之后的特征展平，即可得到关键波的分类结果。

6.如权利要求2所述的基于心电波形监督的压力识别方法，其特征在于，f0取值为256hz，t取值为30秒。

7.如权利要求3所述的基于心电波形监督的压力识别方法，其特征在于，n取值为256，l取值为30，dmodel取值为128。

8.如权利要求5所述的基于心电波形监督的压力识别方法，其特征在于，关键波分类头得到的结果展平后可以得到个关键波分类结果。原心电序列有nl点，在原序列中每四个点取一个作为关键波的真实结果，如果某点处于p波，qrs波群或者t波，则认为是关键波。在训练阶段，本发明采用留一验证的方法，即对于数据集中的数据，留一个人的数据作为验证集，其他作为训练集。相比于随机混合进行交叉验证的方法，这种验证方式能直接体现模型对不同个体的泛化性能。

技术总结本发明提供了一种基于心电波形监督的压力识别方法。所述方法包括：将心电信号有重叠地裁剪成多个心电序列；将心电序列无重叠地分割为N个片段，并进行片段编码；将N个片段编码输入到Informer编码器中，利用注意力机制计算片段编码之间的长距离依赖和上下文信息，提取含有全局信息表示的特征向量；将特征向量分别输入到压力分类头和关键波分类头，以获取压力分类结果和关键波分类结果；本发明能够利用好片段中的关键信息，并使用关键波形来监督模型充分学习到心电信号的模式和特征。本发明不仅能够准确得到压力识别的结果，还能够减小过拟合，提升模型泛化性。技术研发人员：赵志诚,孟竹,谢宝星受保护的技术使用者：北京邮电大学技术研发日：技术公布日：2024/8/20