一种基于心电信号的压力与情绪监测方法及监测系统

本发明涉及压力与与情绪监测，尤其涉及一种基于心电信号的压力与情绪监测方法及监测系统。

背景技术：

1、压力和情绪的管理对于人类的身心健康有着重要的影响。然而，传统的压力与情绪监测方法大多依靠调查问卷的形式，缺乏便捷性和实时性。基于生理参数的评估方法往往也需要使用专业设备和技术，不够便捷和实用。近年来，越来越多的人开始使用智能手表、智能手环等可穿戴式设备来跟踪自己的健康数据，但大部分可穿戴式设备只能监测基本的生物参数，如心率、步数等，缺乏对于压力和情绪的监测。因此，对日常工作生活中的压力与情绪进行监测成为了重点研究方向。

2、心电信号(eeg)是一种记录心脏电活动的生物电信号，它反映了心脏在心脏肌细胞电生理活动期间所产生的微弱电流。心电信号在临床医学和健康监测中扮演着重要角色，用于评估心脏健康和检测心脏疾病。心电信号是周期性的电信号，其频率通常以心率(即心脏在一分钟内跳动的次数)来表示，心率通常在50到100次/分钟之间，根据年龄、性别和身体状态可能有所差异。目前，现有基于心电信号的压力与情绪监测方法通常采用浅层机器学习或规则进行监测，其监测精准度通常较低，导致用户认可度低。

技术实现思路

1、本发明的目的在解决现有基于心电信号的压力与情绪监测方法通常采用浅层机器学习或规则进行监测，导致监测精度较低的技术问题，而提出新的一种基于心电信号的压力与情绪监测方法及监测系统。

2、为了实现上述目的，本发明提供的技术解决方案如下：

3、一种基于心电信号的压力与情绪监测方法，其特殊之处在于，包括以下步骤：

4、步骤1，采集多个用户的原始心电信号，并滤除原始心电信号中的干扰信号，获得预处理的心电信号；

5、步骤2，搭建混合神经网络模型；

6、所述混合神经网络模型包括按输入输出顺序依次设置的input层、ceemdan层、featureextract层、bilstm层、layernorm层、attention层、fullconnection层以及softmax层；

7、所述input层用于接收预处理后的心电信号；所述ceemdan层用于对input层输入的心电信号进行ceemdan分解，得到多阶imf分量和残差项；所述featureextract层用于从多阶imf分量中分别提取时域统计特征、频域特征和非线性动力学特征，以获得三维特征矩阵；所述bilstm层包括前向lstm层和后向lstm层，用于通过前向lstm层和后向lstm层学习三维特征矩阵的时序依赖关系，获得三维特征矩阵的隐藏状态序列；所述layernorm层对三维特征矩阵的隐藏状态序列进行层归一化；所述attention层用于通过注意力机制聚焦三维特征矩阵中的关键特征，获得注意力向量；所述fullconnection层用于将注意力向量映射到情绪和压力状态的类别空间；所述softmax层用于对全连接层的输出进行softmax归一化，得到情绪和压力状态的概率分布；

8、步骤3，将步骤1获得的多个预处理的心电信号输入搭建好的混合神经网络模型中进行训练，获得训练好的混合神经网络模型；

9、步骤4，采集当前用户的原始心电信号，滤除原始心电信号中的干扰信号后，将其输入步骤3训练好的混合神经网络模型中，混合神经网络模型输出情绪和压力状态的概率分布，实现用户压力与情绪的监测。

10、进一步地，步骤1中，滤除原始心电信号中的干扰信号具体为：

11、对采集的原始心电信号依次进行低通滤波、下采样以及小波分析，滤除原始心电信号中的干扰信号。

12、进一步地，步骤2中，所述bilstm层采用tanh函数作为激活函数；

13、所述attention层采用softmax函数作为激活函数；

14、所述softmax层采用softmax函数作为激活函数。

15、本发明还提供了一种基于心电信号的压力与情绪监测系统，用于实现上述一种基于心电信号的压力与情绪监测方法，其特殊之处在于，包括信号采集设备、微处理器以及客户端；

16、所述信号采集设备，用于实时采集用户的原始心电信号；

17、所述微处理器中设置有预处理模块和混合神经网络模型；

18、所述预处理模块的输入端连接信号采集设备的输出端，用于滤除原始心电信号中的干扰信号；

19、所述混合神经网络模型包括按输入输出顺序依次设置的input层、ceemdan层、featureextract层、bilstm层、layernorm层、attention层、fullconnection层以及softmax层；

20、所述input层的输入端连接预处理模块的输出端，用于接收预处理后的心电信号；所述ceemdan层用于对input层输入的心电信号进行ceemdan分解，得到多个imf分量和残差项；所述featureextract层用于从多个imf分量中分别提取时域统计特征、频域特征和非线性动力学特征，以获得三维特征矩阵；所述bilstm层包括前向lstm层和后向lstm层，用于通过前向lstm层和后向lstm层学习三维特征矩阵的时序依赖关系，获得三维特征矩阵的隐藏状态序列；所述layernorm层用于对三维特征矩阵的隐藏状态序列进行层归一化；所述attention层用于通过注意力机制聚焦三维特征矩阵中的关键特征，获得注意力向量；所述fullconnection层用于将注意力向量映射到情绪和压力状态的类别空间；所述softmax层用于对全连接层的输出进行softmax归一化，得到情绪和压力状态的概率分布；

21、所述客户端与混合神经网络模型的softmax层之间通信连接，用于记录数据，并通过客户端对情绪和压力状态的概率分布进行显示。

22、进一步地，所述信号采集设备包括心电电极和信号解析模块；

23、所述心电电极用于实时采集用户的心电信号；

24、所述信号解析模块包括初级信号放大模块、次级放大模块、滤波电路模块以及高精度采样模块；

25、所述初级信号放大模块的输入端连接心电电极的输出端，用于将采集的心电信号进行初级放大，并将电流信号转换成输入电压信号；

26、所述次级放大模块的输入端连接初级信号放大模块的输出端，用于对输入电压信号进行二级放大；

27、所述滤波电路模块的输入端连接次级放大模块的输出端，用于滤除二级放大后的输入信号中的干扰信号；

28、所述高精度采样模块的输入端连接滤波电路模块的输出端，用于对滤除干扰后的输入电压信号进行三级放大并实现ad采样，以提取原始心电信号，其输出端连接预处理模块的输入端。

29、进一步地，还包括数据平台；

30、所述数据平台与客户端之间通信连接，用于将客户端的数据传输给数据平台进行存储和分析。

31、进一步地，所述初级信号放大模块的输入阻抗大于10mω；

32、所述高精度采样模块的采样频率大于256hz，采样位数大于32位。

33、进一步地，所述bilstm层采用tanh函数作为激活函数；

34、所述attention层采用softmax函数作为激活函数；

35、所述softmax层采用softmax函数作为激活函数。

36、进一步地，所述初级信号放大模块、次级放大模块、滤波电路模块、高精度采样模块以及微处理器集成在一个芯片上。

37、本发明相比于现有技术的有益效果如下：

38、1、本发明提供的一种基于心电信号的压力与情绪监测方法，搭建的基于ceemdan-bilstm-attention的混合神经网络模型，与传统的基于浅层机器学习或规则的情绪与压力监测方法相比，具有以下优势：

39、a、通过ceemdan层充分挖掘了心电信号的多尺度特征，提取了更全面和丰富的情绪与压力特征，克服了单一尺度特征的局限性。

40、b、创新性地将bilstm层与ceemdan层结合，充分利用ceemdan层提取的多尺度特征，自动学习特征矩阵的时序依赖关系，捕捉情绪与压力状态的动态演变过程，构建了更强大的特征表示和融合机制，有效提高了情绪与压力的监测性能，实现了更精准的情绪与压力状态判别。

41、c、通过attention层引入注意力机制，通过学习不同特征之间的重要性权重，自适应地聚焦与情绪和压力状态高度相关的关键特征，抑制冗余和噪声特征的影响，增强了模型的解释性和适应性，进一步提升了模型的情绪与压力判别性能，有助于应对不同个体和场景下的情绪与压力变化。

42、d、构建了一个端到端的混合神经网络模型，无需人工设计特征和决策规则，通过数据驱动的方式自动学习情绪与压力状态的判别模型，大大简化了情绪与压力监测的流程，提高了模型的泛化能力和实用性。

43、2、本发明提供的一种基于心电信号的压力与情绪监测系统，集成度高、穿戴方便且成本低廉，可以在用户的日常生活工作中进行情绪和压力程度的监测，不会干扰用户正常的工作生活。