CN108852380A

CN108852380A - 基于ecg信号的疲劳、情绪分析方法

Info

Publication number: CN108852380A
Application number: CN201810742288.8A
Authority: CN
Inventors: 成谢锋; 邵建华; 佘辰俊; 单煦
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University
Priority date: 2018-07-09
Filing date: 2018-07-09
Publication date: 2018-11-23

Abstract

本发明公开了一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA、K‑means聚类算法以及DS证据理论实现，具体包括步骤：采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R‑R间隔序列；对R‑R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；运用K‑means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析；本发明的基于ECG信号的疲劳、情绪分析方法可实现对疲劳、情绪的分析的精确分析。

Description

基于ECG信号的疲劳、情绪分析方法

技术领域

本发明属于心电数据分析技术领域，尤其涉及一种基于ECG信号的疲劳、情绪分析方法。

背景技术

心率变异性(Heart rate variability，HRV)是一种实时、可量化反映心脏交感神经和迷走神经系统活动及其平衡协调关系的指标。HRV与人体负荷存在一定的关系，在安静的情况下，迷走神经兴奋占优势，心率的变化主要受迷走神经调节，在运动、情绪紧张、压力增大等情况下，交感神经兴奋占优势，心率的变化主要受交感神经调节。大量研究表明，HRV降低可以作为对心肌梗死、慢性心力衰竭、不稳定型心绞痛、高血压及糖尿病等疾病的预测指标，而HRV提高对心血管患者的治疗以及药物评价等也有重要的参考价值；因此对HRV的研究分析也越来越重视，越来越普遍。

发明内容

本发明的主要目的在于提供了一种基于ECG信号的疲劳、情绪分析方法，用于建立人体心电生理数据与疲劳、情绪之间关系的全面、精确分析，具体技术方案如下：

一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA(principalcomponents analysis，主成分分析)、K-means聚类算法以及DS证据理论实现，具体包括步骤：

采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R-R间隔序列；

对R-R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；

对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；

运用K-means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析。

作为优选，所述时频域指标包括时域指标和频域指标，其中，所述时域指标包括平均心率、心率变异标准偏差、连续性差异的方根等；所述频域指标包括低频能量、高频能量值、极低频、低频、高频等。

作为优选，在对所述时频域指标运用DS证据理论进行区间划分的具体过程为：设定一指定大小的时间值，将所述ECG信号数据按照所述时间值平均分配；对当前段所述时间值内的分析结果与前一段所述时间值内的分析结果以指定比例分别做加权操作，由概率学判断规则得到最终稳定的结果。

作为优选，所述PCA包括步骤：首先将所述时频域指标构成一个数据集，然后求出所述数据集的协方差矩阵，并获取所述协方差矩阵的最大特征值，以及所述最大特征值对应的特征向量，最后找出对应特征向量的数据集方差最大的指定数量的方向，获取低维度矩阵。

作为优选，在使用所述K-means聚类算法做聚类操作前，还包括步骤将所述时频域指标数据存入一指标矩阵中。

作为优选，所述K-means聚类算法聚类的具体过程为：首先选取K个所述低维度矩阵的初始质心，随后将所述指标矩阵和K作为所述K-means聚类算法的输入，获取所述初始质心所在位置构成的质心矩阵，将计算所述指标矩阵与所述质心矩阵的距离，实现不同省力状态对应类别的划分。

本发明的基于ECG信号的疲劳、情绪分析方法，创造性的PCA和K-means聚类算法相结合与D-S证据理论应用于心电信号的数据分析中，首先对心电信号先经过噪声检测、弱信号检测以及滤波等预处理，然后提取R-R间隔序列，接着再对R-R间隔序列进行时频域的分析，获取用于数据训练的指标，再对多项时频域指标进行PCA，得到低维度矩阵以及相应的变换矩阵；最后用低维度矩阵进行K-means聚类，划分出不同生理状态相对应的类别，最终得出分析结果；与现有技术相比，本发明通过ECG信号数据可对人的情绪进行全面、精确的分析。

附图说明

图1为本发明所述基于ECG信号的疲劳、情绪分析方法的流程图示意；

图2为本发明中对多段数据融合的机制示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

结合图1和图2对本发明进行具体详细的描述，在本发明实施例中，提供了一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA、K-means聚类算法以及DS证据理论实现，具体包括步骤：S1、采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R-R间隔序列；S2、对R-R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；S3、对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；S4、运用K-means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析；其中，步骤S1、S2、S3和S4的具体描述如下：

首先，对ECG信号数据依次做噪声检测、弱信号检测和滤波处理，本发明取3秒钟间隔的ECG信号数据作为每次数据分段的样本ECG_3min，找出ECG_3min中幅度A<＝500的数据点数L1，其中，幅值A为ECG信号数据经过A/D转换后形成的值，并求出数据点数L1在每3min的ECG点数中所占的比例N1，其中，每3min中包括384个数据点，所以N1可以用式N1＝L1/384表示，若最后得到的N1值如果符合条件N1>0.96，则认为该段数据为噪声信号，应当剔除；由于每个人的ECG信号都是不同的，本发明通过选取ECG信号中的幅度A来直观体现，当ECG信号幅度A较弱时，R波将十分不明显，这也必然会导致RR序列提取效果的不佳；为此，本发明将幅度A<3500作为弱信号ECG_L，幅度A>3500的标记为强信号ECG_H，实现对不同强弱的ECG信号加以区分并分别处理；优选的，本发明以卡尔曼滤波对ECG信号做滤波处理，卡尔曼滤波内的滤波算法依据递推得到，在每个递推的循环中都包含了量测更替和被估算量的总时间交替；且滤波算法设计简单易行，规避了在频域内分离信号功率谱的不便；由于卡尔曼滤波对数据的处理过程是在时频域中采用状态空间法来完成的，因此无论心电信号的时频域特征有多复杂，都可以采用状态方程来表述，实现对ECG信号的直观描述。

具体的，在使用卡尔曼滤波对ECG信号数据做滤波处理的过程中，具体包括两个过程，第一步瞬态过程：一般是用于滤波器初始工作状态，这个时候要求滤波器有快速收敛的能力；因此初始P阵设置尽可能大些；这样通过比较大的P阵迭代出的滤波增益也比较大滤波器能够更快的响应输入信号的变化；第二步稳态过程：当P阵进入稳态之后会收敛到一个最小P阵，也就是最小的估计方差阵，这就是卡尔曼滤波最优的估计性能，对应此时的滤波增益也是最优的；这里与初始设置的P阵无关，只与模型QR(Q为对模型的信任度，R为对测量的信任度)有关，要使得滤波器工作在最优的状态，Q和R一定要建准确；且通过适当调整卡尔曼滤波器的Q和R参数，可以达到对心电数据的最佳滤波；本发明中，采用自相关函数，可以很方便地对心电信号地周期性进行检测，确定未知参数系统的频域响应。同时也能检测心电信号中的有用信号，并对噪声中的信号进行提取。

然后，假定经过卡尔曼滤波后的ECG信号x(n)中包含加性噪声u(n)，且可能包含了有用ECG信号s(n)，由此可用公式x(n)＝s(n)+u(n)表示x(n)；且当s(n)的先验知识已知或者s(n)是周期函数时，可以采用相关函数发来确定x(n)中是否包含s(n)。

本发明在对R-R间隔序列的提取过程中，包括对强信号ECG_H的提取和弱信号ECG_L的提取，其中，由于强信号ECG_H的间隔提取效果较好，本发明在此不进行详细描述，而对弱信号ECG_L的R-R间隔序列提取的具体步骤如下：

首先，计算ECG信号预处理后信号与其均值的差值，设预处理后信号为y_dataprc，均值为M_prc，计算结果用dis_prc表示，则可以由公式dis_prc＝y_dataprc-M_prc计算得到dis_prc；其中，如果是强信号ECG_H，找出dis_prc中的最大值，并记为Max_H；如果是弱信号ECG_L，先进行中值滤波的平滑处理，再找出平滑过后的最大值并记为Max_L；当输入一组幅度A<<3500的ECG信号时，这一类信号属于弱信号一组；假定弱心电信号只经过作差式处理后得到dis_prc1，弱心电信号经过作差以及中值滤波的平滑处理后得到dis_prc2。当有用信号的幅度较小的时候，比如这里心电信号幅度的幅度A在1000左右，满足条件幅度A<<3500时，采集时混入的噪声幅度也达到了600-800的范围；这个时候信号与噪声混合在一起，对心电信号的提取造成了极大的干扰。

然后，选定合适的阈值thresh，并找出dis_prc中大于thresh*Max的位置矩阵poss_reg；分别从左和从右计算位置矩阵poss_reg的差分矩阵RightDiff和LeftDiff，再求得两个差分矩阵中值为一的位置矩阵RightDiffLoc和LeftDiffLoc；随后以左位置矩阵中的值作为dis_prc的下标并取值Value 1，同时以右位置矩阵中的值作为dis_prc的下标并取值Value 2，并分别计算Value1到Value2之间的最大值MaxVal、最小值MinVal以及对应在dis_prc中的位置MaxLoc、MinLoc；由于位置矩阵RightDiffLoc的值不唯一，对应需要计算位置矩阵中每个值对应位置的MaxLoc_i，i＝1,2,...,len(LeftDiffLoc)，并经过下式计算出最大值对应位置的矩阵R_index[1,2,...,len(LeftDiff)]，可由公式R_index(i)＝MaxLoc(i)-1+LeftDiffLoc(i)

最后，对矩阵R_index作差分并计算与采样频率fs的比值，得到3秒内的R-R间隔序列矩阵，用式rr[0,1,...,6]表示。

优选的，本发明选取的时频域指标包括时域指标和频域指标，其中，时域指标取动周期，平均心率、心率变异标准偏差以及连续性差异的方根等，用以概括性的体现交感神经和迷走神经与心率变化特征的内在联系；频域指标取总频率功率TP，高频功率HF，低频功率LF，超低频功率VLF，低频功率与高频功率之比LF/HF，高频能量密度值HF(n.u.)以及低频能量密度值LF(n.u.)，通过时域指标和频域指标的结合，实现通过ECG信号数据对疲劳、情绪之间的关系进行分析。

然后，在对ECG信号数据作为早上检测、弱信号检测和滤波处理后，本发明的方法对提出的时频域指标依次进行PCA、K-means聚类算法处理，并在处理过程中基于DS证据理论实现，具体过程如下：

PCA是一种常用的数据分析方法，比如应用在机器学习和数据挖掘中，PCA主要通过求数据集的协方差矩阵最大的特征值对应的特征向量，由此找到数据方差最大的几个方向，对数据达到降维的效果，将一个n维的向量降低到d维，其中d<n；另外，PCA自身包含一参数，即贡献率(CRate)，通过对贡献率进行设定，可以使得通过PCA后降维的效果不一样。

K-menas聚类算法首先选择K个初始质心，其中K是用户指定的参数，即所期望的簇的个数；这样做的前提是我们已经知道数据集中包含多少个簇，为了在不清楚数据的具体分布情况下，有效的确定K值；本发明在使用K-means聚类算法中采用稳定性方法，首先对一个数据集进行2次重采样产生2个数据子集，再用相同的聚类算法对2个数据子集进行聚类，产生2个具有K个聚类的聚类结果，计算2个聚类结果的相似度的分布情况；如果2个聚类结果具有高的相似度说明K个聚类反映了稳定的聚类结构，并用其相似度来估计聚类个数；最后采用次方法试探多个K，找到合适的K值。

在本发明中，优选的，本发明选取常用的时频域指标存入指标矩阵，并记为X；将低维度的指标矩阵和K作为K-means聚类算法的输入，可得到相关参数：N*1的向量Idx，表示存储的是每个点的聚类标号；K*P的矩阵C，表示存储的是K个聚类质心位置；1*K的和向量sumD，表示存储的是类间所有点与该类质心点距离之和；N*K的矩阵D，表示存储的是每个点与所有质心的距离；把C记为质心矩阵并保存下来，计算降维后的指标矩阵与质心矩阵C的质心距离，与哪个质心距离最小就将数据划分给该类。

由于针对疲劳与情绪两种生理状态存在一定的相互关联性，实际很难区分开来；因此，本发明采用DS证据理论(Dempster-Shafer envidence theory)，将对不确定性信息的描述由“区间估计”代替“点估计”，再区分不知道和不确定方面以及精确反映证据收集方面显示出很大的灵活性；本发明通过对多种不确定的状态采用不同的基本概率分配，即不同的信任度，以达到实际区分的效果。

优选的，本发明得出一次分析结果所需的心电数据时间量为2分钟，当采集的心电数据不稳定时，显然本次2分钟数据量所得到的分析结果不具有代表性，也是不可靠的。以2分钟间得出一次分析结果为例，本发明设计每次将保留上一个2分钟最后的数据量以及对应的分析结果，本次输入的2分钟数据量以30秒一段为间隔，将2分钟数据量分为4段，每一段数据依次替换上一个2分钟数据的最后30秒数据，替换后的2分钟数据也会得到一个新的分析结果，即得到四个分析结果。连同上一次保留的分析结果，给五个分析结果以不同比例分别加权，经过K-means聚类算法内的概率学判断规则得出最终稳定的结果。

本发明通过将原本2分钟的数据量只能得到单一的分析结果，本发明通过分时和分段替换数据处理的方式，可在同样的2分钟内得到4次分析结果，经过多次分析结果的融合，不仅可以很好地避免输入数据不佳而影响到算法的识别率，而且也可以进一步提高本发明在不同场景下的兼容性和可靠性。

最后，将经过PCA处理和K-means聚类算法处理的R-R间隔序列矩阵rr进行划分，得到不同生理状态对应的类别，实现通过ECG信号数据对疲劳、情绪之间关系的全面、精确的分析。

以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims

1.基于ECG信号的疲劳、情绪分析方法，其特征在于，所述方法基于PCA、K-means聚类算法以及DS证据理论实现，具体包括步骤：

2.根据权利要求1所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，所述时频域指标包括时域指标和频域指标，其中，所述时域指标包括平均心率、心率变异标准偏差、连续性差异的方根等；所述频域指标包括低频能量、高频能量值、极低频、低频、高频等。

3.根据权利要求1所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，在对所述时频域指标运用DS证据理论进行区间划分的具体过程为：设定一指定大小的时间值，将所述ECG信号数据按照所述时间值平均分配；对当前段所述时间值内的分析结果与前一段所述时间值内的分析结果以指定比例分别做加权操作，由概率学判断规则得到最终稳定的结果。

4.根据权利要求1所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，所述PCA包括步骤：首先将所述时频域指标构成一个数据集，然后求出所述数据集的协方差矩阵，并获取所述协方差矩阵的最大特征值，以及所述最大特征值对应的特征向量，最后找出对应特征向量的数据集方差最大的指定数量的方向，获取低维度矩阵。

5.根据权利要求1所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，在使用所述K-means聚类算法做聚类操作前，还包括步骤将所述时频域指标数据存入一指标矩阵中。

6.根据权利要求5所述的基于ECG信号的疲劳、情绪分析方法，其特征在于，所述K-means聚类算法聚类的具体过程为：首先选取K个所述低维度矩阵的初始质心，随后将所述指标矩阵和K作为所述K-means聚类算法的输入，获取所述初始质心所在位置构成的质心矩阵，将计算所述指标矩阵与所述质心矩阵的距离，实现不同省力状态对应类别的划分。