CN117894491B - 一种用于评估精神活动的生理监测数据处理方法 - Google Patents

Abstract

本发明涉及精神活动监测技术领域，具体涉及一种用于评估精神活动的生理监测数据处理方法。首先获取待测用户的生理变化时序数据，利用经验模态分解算法对其进行分解，并筛选出目标分量信号。通过对目标分量信号的整体数据特征以及连续变化特征进行编码转化，得到编码数据提高处理效率。因为异常的精神活动通常数据波动会较为复杂，因此计算异常因子以识别数据波动和复杂性，并结合目标分量信号之间的数据值分布相关性，得到异常特征值。这一特征值基于个体自身生理变化时序数据，能更准确地反映个体的精神活动变化。最后，根据异常特征值评估待测用户的精神活动，得到精准且可信的监测结果。

Description

一种用于评估精神活动的生理监测数据处理方法

技术领域

本发明涉及精神活动监测技术领域，具体涉及一种用于评估精神活动的生理监测数据处理方法。

背景技术

在现代生活中，精神活动的评估对于许多领域都非常重要，例如临床医学、心理学、教育等。而精神活动的变化往往伴随着特定的生理变化，这些变化可以通过生理监测数据进行捕捉和分析。

现有技术中，通常直接设置阈值对生理监测数据进行异常与否的判断，而忽略了个体之间的差异，以及数据之间的联系和变化特征，从而在很大概率上导致误判，无法准确表征个体的精神状态，造成监测结果不准确。

发明内容

为了解决现有技术直接设置阈值对生理监测数据进行异常与否的判断，忽略个体差异以及数据之间的联系及变化特征，会在极大程度上造成误判，无法准确表征个体的精神状态，造成监测结果准确度不高的技术问题，本发明的目的在于提供一种用于评估精神活动的生理监测数据处理方法，所采用的技术方案具体如下：

获取预设采样时段内待测用户的生理变化时序数据；

基于时频分析方法对所述生理变化时序数据进行分解，获得所有分量信号；根据所有分量信号的频率特征筛选出目标分量信号；在任意一个目标分量信号中，根据数据分布的整体特征以及连续变化特征，对所有数据值进行编码转化，得到编码数据；

根据所有目标分量信号的数据值之间的差异情况、目标分量信号之间的排列顺序以及对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子；根据所有目标分量信号之间的数据值分布相关情况以及生理变化时序数据的异常因子，得到生理变化时序数据的异常特征值；

根据所述异常特征值对待测用户的精神活动进行评估，得到精神活动监测结果。

进一步地，所述在任意一个目标分量信号中，根据数据分布的整体特征以及连续变化特征，对所有数据值进行编码转化，得到编码数据，包括：

在任意一个目标分量信号中，计算所有数据值的均值，作为参考值；将大于参考值的数据值编码为1，将小于或等于参考值的数据值编码为0，得到目标分量信号的编码序列；

在所述编码序列中，从起始位置的编码值开始至倒数第三个编码值停止，依次将每个编码值作为待分析值，将待分析值与后续两个编码值组成二进制序列；

得到所有的二进制序列，将每个二进制序列映射为十进制数，得到所有十进制数组成的编码数据。

进一步地，所述根据所有目标分量信号的数据值之间的差异情况、目标分量信号之间的排列顺序以及对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子，包括：

对于任意一个目标分量信号，计算每个数据值与对应参考值之间的差异，作为每个数据值的差异因子，根据每个数据值的差异因子和所有数据值的方差，得到每个数据值的偏差因子，所述偏差因子和差异因子呈正相关，所述偏差因子和所有数据值的方差呈负相关；将所有数据值的偏差因子的均值作为目标分量信号的偏移程度值；

对于任意一个目标分量信号，在目标分量信号对应的编码数据中，将相同数值作为同类数值，根据每类数值的出现概率计算编码数据的信息熵，作为目标分量信号的混乱程度值，将预设常数与目标分量信号的序号值的差值作为调整因子，将所述混乱程度值与所述调整因子的比值进行归一化操作，得到目标分量信号的复杂程度值；其中，预设常数大于目标分量信号的总数；

将所有目标分量信号的偏移程度值与复杂程度值的和值进行归一化后的值，作为生理变化时序数据的异常因子。

进一步地，所述根据所有目标分量信号之间的数据值分布相关情况以及生理变化时序数据的异常因子，得到生理变化时序数据的异常特征值，包括：

在所有的目标分量信号中，将任意两个目标分量信号进行组合，得到所有不重复的信号组合；

对于任意一个信号组合，基于皮尔逊相关系数计算两个目标分量信号中所有数据值的相关系数，根据两个目标分量信号中数据值的分布以及两个目标分量信号对应的相关系数，得到信号组合中两个目标分量信号的异常参数，所述异常参数的取值为归一化后的数值；

将所有信号组合对应的异常参数的均值与生理变化时序数据的异常因子的乘积进行归一化后的值，作为生理变化时序数据的异常特征值。

进一步地，所述异常参数的公式模型为：

其中，表示第/>个信号组合中两个目标分量信号的异常参数；/>表示第/>个信号组合中两个目标分量信号之间的相关系数；/>表示第/>个信号组合中目标分量信号1中第/>个数据值；/>表示第/>个信号组合中目标分量信号1对应的参考值；/>表示第/>个信号组合中目标分量信号2中第/>个数据值；/>表示第/>个信号组合中目标分量信号2对应的参考值；表示数据值的总数；/>表示第/>个信号组合中目标分量信号1中所有数据值的方差；/>表示第/>个信号组合中目标分量信号2中所有数据值的方差；/>表示预设第一参数；表示归一化函数。

进一步地，所述基于时频分析方法对所述生理变化时序数据进行分解，获得所有分量信号，包括：

基于经验模态分解算法对所述生理变化时序数据进行分解，得到所有的分量信号。

进一步地，所述根据所述异常特征值对待测用户的精神活动进行评估，得到精神活动监测结果，包括：

当所述异常特征值大于或等于预设判断阈值时，需进行精神活动异常预警；

当所述异常特征值小于预设判断阈值时，无需进行精神活动异常预警。

进一步地，所述预设判断阈值设置为0.6。

进一步地，所述预设数量设置为所有分量信号总数的二分之一并向上取整。

本发明具有如下有益效果：

本发明首先获取待测用户的生理变化时序数据，由于生理变化时序数据通常包括多种频率成分以及复杂的非线性特征，为了深入分析数据的特征，可将其分解为多个分量信号，从而对分量信号进行分析。由于异常的精神活动往往会导致数据与正常数据具有频率上的差别，因此可以根据频率筛选出目标分量信号，有助于减少数据维度，增加数据分析的针对性。然后对于每个目标分量信号，可根据数据的整体特征以及连续变化特征对其进行编码转化，得到编码数据，在一定程度上减少数据冗余，提高数据处理效率。进一步地，因为异常的精神活动相较于正常情况下的精神活动，往往会导致数据产生波动以及变得更为复杂，而这种特征可以反映在目标分量信号中数据数值之间的差异以及编码数据的数值的分布混乱程度上，故基于此，计算得到生理变化时序数据的异常因子。接着，由于数据的异常会在不同的分量信号中表征出特定的模式或趋势，基于此特征，计算了目标分量信号之间的数值分布相关性，结合前述所得的异常因子，得到生理变化时序数据的异常特征值，此时的异常特征值是基于个体自身生理变化时序数据中的数据特征所计算出来的，故可以更加准确的表征个体在预设时段内的精神活动的变化，所以最后基于所得异常特征值对待测用户的精神活动进行评估，得到的精神活动监测结果也会更加准确，可信度更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种用于评估精神活动的生理监测数据处理方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于评估精神活动的生理监测数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于评估精神活动的生理监测数据处理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于评估精神活动的生理监测数据处理方法的方法流程图，该方法包括以下步骤：

步骤S1：获取预设采样时段内待测用户的生理变化时序数据。

在如今快节奏的生活中，精神活动的评估对于许多领域都非常重要，例如临床医学、心理学、教育学等等。精神活动包括紧张、惊恐、兴奋、激动、疲惫、低落等情绪变化，这些变化虽可根据个体面部表情变化所体现，但对于一些特殊情况，如个体主动抑制情绪表达，使其不在面部表征出来，仅依赖面部表情来评估精神活动就显得捉襟见肘；但是精神活动的变化往往会伴随着特定的生理变化，所以精神活动的变化可以通过生理监测数据，如心率、血压、脑电活动、肌电活动等生理变化数据进行捕捉和分析。

现有技术在对个体的生理变化数据进行分析时，通常设置预设阈值，当生理变化数据的数值超过阈值时，即认为精神活动出现异常；但是由于个体与个体之间存在差异，所以直接设置阈值进行精神活动异常与否的判断错误率较高，故本发明该实施例中，通过分析个体生理变化数据中数据之间的特征、关系实现对个体精神活动异常与否的自适应判断，有效提高了监测结果的准确度。

在本发明该实施例中，以待测用户的脑电波数据作为分析的生理变化时序数据为例，原因在于：大脑电波是大脑神经元活动的直接反应，与个体的认知、情感、意识等精神活动密切相关，且脑电波数据具有较高的时间分辨率和频率分辨率，能够捕捉到大脑活动的细微变化故分析脑电波数据可以更直接和准确的了解待测用户的精神活动状态。获取方法可以为：利用脑电图仪（EEG）或者便携式EEG获取预设采样时段内待测用户的生理变化时序数据，其中，横轴为时间轴，每个点对应一个采样时刻，纵轴的数据值通常表示脑电波的幅度或电压值。接着对所得生理变化时序数据进行预处理，也即进行滤波降噪等过程，提高数据的质量。

需要说明的是，预设采样时段设置为当前时刻之前的5分钟，具体采样时段可根据实施场景进行调整，在此不做限定；本发明实施例中精神活动的异常是相较于个体无情绪起伏时的状态而言的，因此惊恐、紧张、兴奋、激动等都可视为精神活动发生了异常。

至此，可以获取到待测用户的生理变化时序数据，用于后续的分析过程中。

步骤S2：基于时频分析方法对生理变化时序数据进行分解，获得所有分量信号；根据所有分量信号的频率特征筛选出目标分量信号；在任意一个目标分量信号中，根据数据分布的整体特征以及连续变化特征，对所有数据值进行编码转化，得到编码数据。

生理变化时序数据通常包含多种频率成分和复杂的非线性特征。通过时频分析，可以将这些复杂信号分解为多个分量信号，每个分量信号代表不同的频率成分或时间-频率变化模式。有助于深入理解和分析数据中的本质特征。

优选地，本发明一个实施例中，基于时频分析方法对所述生理变化时序数据进行分解，获得所有分量信号，包括：

经验模态分解算法可以根据数据的特性自适应的分解出合适的分量信号，有助于了解生理变化在不同尺度上的特性，所以利用经验模态分解算法对生理变化时序数据进行分解，从而得到所有的分量信号。

需要说明的是，经验模态分解算法为本领域技术人员熟知的技术手段，在此不做赘述；且所有分量信号中采样时刻一一对应，也即数据值的总数相同。

在获取到所有的分量信号之后，由于残余分量和噪声信息相较于有用信息而言，往往属于低频部分，所以根据频率筛选出包含更多有用信息的目标分量信号。

优选地，本发明一个实施例中，根据所有分量信号的频率特征筛选目标分量信号，包括：

基于前述分析，分量信号是由经验模态分解算法获得的，所以此时的分量信号是按照频率从高到低排列的，故将前预设数量个分量信号作为目标分量信号，并且，预设数量设置为分量信号总数的二分之一并向上取整。

在获取到高频分量信号，即目标分量信号之后，可以对其进行编码转化，用以去除细节特征，保留目标分量信号所携带的主要信息，从宏观上分析数据的整体特点，同时提高计算效率。

优选地，本发明一个实施例中，在任意一个目标分量信号中，根据数据分布的整体特征以及连续变化特征，对所有数据值进行编码转化，得到编码数据，包括：

对于任意一个目标分量信号，计算其中所有数据值的均值，作为参考值，参考值表征了目标分量信号中所有数据值的平均特征，然后将大于参考值的数据值编码为1，将小于或等于参考值的数据值编码为0，得到目标分量信号的编码序列，此时的编码序列有助于捕捉信号中的主要趋势和周期性结构，在一定程度上为后续反映精神活动的异常情况做准备。原因在于：正常的精神活动所产生的数据往往具有重复的周期性变化或平稳的波动特征，因此在编码序列中会表现为连续的0或连续的1，相比之下，异常的精神活动所产生的生理变化，表现在数值上则较为杂乱，通常不会呈现出前述的连续模式，往往表现为随机的0、1分布。

然后在编码序列中，从起始位置的编码值开始至倒数第三个编码值停止，依次将每个编码值作为待分析值，并将待分析值与后续两个编码值组成二进制序列，从而得到所有的二进制序列。最后将每个二进制序列映射为十进制数，得到所有十进制数组成的编码数据。此时编码数据中每个十进制数值的范围都为0-7，并且每个十进制数值都体现了编码序列中连续三个编码值之间的相互关系，也携带了目标分量信号中三个连续数据点的信息，因而可以表征目标分量信号中数据的变化趋势以及周期性结构，便于后续数据特征的提取。对编码数据的获取过程进行举例说明：假如编码序列为00111，编码值的序号值为1、2、3、4、5，在将连续的三个编码值组成二进制序列时，依次将序号值为1、2、3的编码值作为待分析值，那么就是序号值为1、2、3的编码值组成一个二进制序列，即001，序号值为2、3、4的编码值组成一个二进制序列，即011，序号值为3、4、5的编码值组成一个二进制序列，即111。

至此，通过编码转换，有效简化了信息数据，并在宏观上提取出了关键特征，突出显示目标分量信号中的周期性变化和异常波动模式，有助于后续对精神活动是否出现异常进行分析。

步骤S3：根据所有目标分量信号的数据值之间的差异情况、目标分量信号之间的排列顺序以及对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子；根据所有目标分量信号之间的数据值分布相关情况以及生理变化时序数据的异常因子，得到生理变化时序数据的异常特征值。

以本发明该实施例中脑电波数据为例，当待测用户的精神活动处于正常情况下时，脑电波数据通常表现出一种相对稳定的波动模式，数据值分布相对均匀，呈周期性；而当精神活动出现异常时，脑电波数据则会表现为波形的不规律、异常的数据波动等特征。

数据值的分布不规律、异常波动均可根据数据值之间的差异、分布混乱程度进行量化，因此，基于所有目标分量信号的数据值之间的差异情况以及目标分量信号对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子。

优选地，本发明一个实施例中，根据所有目标分量信号的数值之间的差异情况、目标分量信号之间的排列顺序以及对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子，包括：

对于任意一个目标分量信号，在步骤S2中已经计算出了每个目标分量信号中所有数据值的均值，且作为了参考值，并且参考值表征了目标分量信号中所有数据值的平均特征，所以计算每个数据值与参考值之间的差异，作为每个数据值的差异因子，再根据每个数据值的差异因子和所有数据值的方差，得到每个数据值的偏差因子，且偏差因子和差异因子呈正相关，偏差因子和所有数据值的方差呈负相关，其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。接着将所有数据值的偏差因子的均值作为目标分量信号的偏移程度值。偏移程度值的公式模型具体可以例如为：

其中，表示第/>个目标分量信号的偏移程度值；/>表示数据值的总数；/>表示第/>个目标分量信号中第/>个数据值；/>表示第/>个目标分量信号对应的参考值；/>表示第个目标分量信号中所有数据值的方差；/>表示预设第二参数。

在偏移程度值的公式模型中，对于任意一个目标分量信号而言，计算其中每个数据值与参考值之间的差异，得到差异因子，该值越大，说明数据值与所有数据值整体所表征出来的平均水平之间的偏移量越大，可在一定程度上表征出目标分量信号中数据波动情况；由于数据的方差可以表征数据的整体波动情况，故将所有数据值的方差与每个数据值计算出来的差异因子进行结合，将差异因子作为分子部分，所有数据值的方差作为分母部分，得到每个数据值所对应的偏差因子/>，此时偏差因子说明每个数据值的偏移量在整体波动情况中占比情况，偏差因子越大，该值越大，表征数据值的波动程度越大，接着将所有数据值的偏差因子综合起来，计算其均值，作为目标分量信号的偏移程度值。

在步骤S2中通过编码转化，简化了信息数据，突出显示目标分量信号中的周期性变化和异常波动模式，所以在此可对目标分量信号对应的编码数据中的数值进行混乱程度的分析，从而表征目标分量信号中的异常波动情况。对于任意一个目标分量信号，在目标分量信号对应的编码数据中，将相同数值作为同类数值，然后根据编码数据中每类数值的出现概率计算编码数据的信息熵，作为目标分量信号的混乱程度值，然后将预设常数与目标分量信号的序号值的差值作为调整因子，并将混乱程度值与调整因子的比值进行归一化后的值，作为目标分量信号的复杂程度值，其中，预设常数大于目标分量信号的总数。复杂程度值的公式模型为：

其中，表示第/>个目标分量信号的复杂程度值；/>表示第/>个目标分量信号对应的编码数据中数值的种类数；/>表示第/>类数值的出现概率；/>表示预设常数；/>表示第/>个目标分量信号的序号值；/>表示以2为底的对数函数；/>表示归一化函数。

在复杂程度值的公式模型中，分子部分的熵的值表征了数据的混乱程度，该值越大，说明其中数值的分布越混乱，可视为此时目标分量信号中的数据值出现了异常波动，导致其偏离了正常情况；然后由于在经验模态分解过程中，较大序号值的分量信号往往对应着较低频率的成分，其通常反映了信号的全局特征或长期趋势，且其虽相较于高频率的分量信号波动也更缓，但是其中也会蕴含有价值的信息，为了提高信息获取的全面性以及准确度，依据目标分量信号的序号值计算调整因子，此时，当目标分量信号的序号值越大时，调整因子的值越小，基于前述分析，目标分量信号的序号值越大，也就是其越属于较低频率，应该提高其所占权重，故将目标分量信号对应的调整因子作为分母部分，混乱程度值作为分子部分，构建复杂程度值的公式模型。

基于上述过程可以得到每个目标分量信号的偏移程度值和复杂程度值，然后将所有目标分量信号的偏移程度值与复杂程度值进行综合，得到累加值，并将该累加值进行归一化操作，得到生理变化时序数据的异常因子。异常因子的公式模型为：

其中，表示异常因子；/>表示第/>个目标分量信号的复杂程度值；/>表示第个目标分量信号的偏移程度值；/>表示目标分量信号的总数；/>表示归一化函数。

在异常因子的公式模型中，基于前述分析可知，目标分量信号的偏移程度值越大，说明其中数据值的波动程度越大，越可能出现了异常，同样的，目标分量信号的复杂程度值越大，说明其中数据值的分布越混乱，越可能出现了异常波动；所以将所有目标分量信号的偏移程度值以及复杂程度值进行累加，并将累加和进行归一化处理，得到异常因子，此时异常因子的值越大，说明待测用户的生理变化时序数据越可能出现了异常波动。

需要说明的是，预设常数的取值不唯一，且依据目标分量信号的总数进行变化，例如，若目标分量信号的总数为4，则预设常数的取值范围则为（4，+∞），但是为了避免数值过大，在本发明该实施例中，预设常数/>设置为目标分量信号的总数加一，具体数值可根据实施场景进行调整，在此不做限定；预设第二参数/>的作用为防止分母为0，在此可取值为0.001，具体数值可根据实施场景进行调整，在此不做限定。

至此，通过对生理时序变化数据分解得到的每个目标分量信号进行分析，得到了表征生理时序变化数据异常情况的异常因子，可用于后续的分析过程中。

当精神活动出现异常时，生理时序变化数据会发生变化，因此根据生理变化时序数据分解得到的分量信号之间也会具有较为一致的变化特征，也即分量信号之间会存在一定的相关关系，且分量信号之间相距越近，相关关系也会更加明显。基于此特征，通过分析分量信号之间的关系，可以更有效地识别出异常的精神活动所导致的数据变化情况。所以在此，分析了目标分量信号之间数据值的分布相关情况，并结合生理变化数据的异常因子，得到生理变化时序数据的异常特征值。

优选地，本发明一个实施例中，根据所有目标分量信号之间的数值分布相关情况以及生理变化时序数据的异常因子，得到生理变化时序数据的异常特征值，包括：

为了分析目标分量信号中之间的关系，可以在所有的目标分量信号中，将任意两个目标分量信号进行组合，从而得到所有不重复的信号组合，例如，目标分量信号总数为4个，分别记作1、2、3、4，那么所有不重复的信号组合即为（1，2）、（1，3）、（1，4）、（2，3）、（2，4）、（3，4）。

对于任意一个信号组合，利用皮尔逊相关系数计算两个目标分量信号中所有数据值的相关系数，然后根据两个目标分量信号中数据值的分布以及两个目标分量信号对应的相关系数，得到信号组合中两个目标分量信号的异常参数。异常参数的公式模型为：

其中，表示第/>个信号组合中两个目标分量信号的异常参数；/>表示第/>个信号组合中两个目标分量信号之间的相关系数；/>表示第/>个信号组合中目标分量信号1中第/>个数据值；/>表示第/>个信号组合中目标分量信号1对应的参考值；/>表示第/>个信号组合中目标分量信号2中第/>个数据值；/>表示第/>个信号组合中目标分量信号2对应的参考值；表示数据值的总数；/>表示第/>个信号组合中目标分量信号1中所有数据值的方差；/>表示第/>个信号组合中目标分量信号2中所有数据值的方差；/>表示预设第一参数；表示归一化函数。

在异常参数的公式模型中，对于任意一个信号组合，计算信号组合中每个目标分量信号中每个数据值与该目标分量信号的参考值之间的差异，得到和，当该差异值越大时，说明在每个目标分量信号中，相同采样时刻的数据值相较于数据整体的平均水平而言，偏离量越大，而将信号组合中，两个目标分量信号同采样时刻的数据值对应的该差异进行相乘，当/>的值越大时，在表征数据异常波动的同时，还可在一定程度上反映出两个目标分量信号之间的相关情况，然后将所有数据值对应的/>进行累加，得到/>，表征了在目标分量信号之间存在相关关系下的数据波动情况，该值越大，则越异常；并将该值作为分子部分，将信号组合中两个目标分量信号各自数据值的方差相乘作为分母部分，表征了两个目标分量信号整体的波动情况，得到/>，该值越大，说明目标分量信号之间在存在相关关系下的数据波动占整体波动的比例越大，就越可能出现异常。最后将信号组合中两个目标分量信号之间的相关系数/>作为调节参数，本发明该实施例中，仅分析分量信号之间的相关关系，不对正相关和负相关进行区分，因此，将相关系数加上绝对值，然后与/>相乘，当/>值越大时，说明两个目标分量信号之间的相关性越强，可视为在相关关系下分析异常波动所得到的/>的值更具可信度，将二者的乘积进行归一化操作，从而得到异常参数/>，且异常参数的值越大，说明信号组合中，两个目标分量信号的异常可能性越高。

基于上述方法可以获取到每一个信号组合中两个目标分量信号的异常参数，将所有信号组合对应的异常参数的均值与生理变化时序数据的异常因子的乘积进行归一化后的值，作为生理变化时序数据的异常特征值。异常特征值的公式模型为：

其中，表示异常特征值；/>表示异常因子；/>表示信号组合的总数；/>表示第个信号组合中两个目标分量信号的异常参数；/>表示归一化函数。

在异常特征值的公式模型中，基于上述分析过程可知，当异常因子的值越大时，说明生理变化时序数据越可能出现异常，同样的，当信号组合中两个目标分量信号的异常参数越大时，也说明数据越可能发生了异常，所以将所有信号组合对应的异常参数进行求均值后，将该均值/>与异常因子相乘并进行归一化处理，从而得到生理变化时序数据的异常特征值。

需要说明的是，皮尔逊相关系数的计算过程为本领域技术人员熟知的操作过程，在此不做赘述；预设第一参数的作用为防止分母为0，在此可取值为0.001，具体数值可根据实施场景进行调整，在此不做限定。

至此，通过分析待测用户的生理变化时序数据中数据之间的特征、关系实现对待测用户精神活动异常与否的自适应判断，得到了异常特征值，在后续过程中可基于异常特征值进行精神活动监测。

步骤S4：根据异常特征值对待测用户的精神活动进行评估，得到精神活动监测结果。

基于上述步骤可知，当待测用户的生理变化时序数据的异常特征值越大时，说明待测用户越可能发生了精神活动的变化，也即相较于正常平稳的精神活动而言，出现了异常变化，所以可根据异常特征值对个体的精神活动进行监测。

优选地，本发明一个实施例中，根据异常特征值对待测用户的精神活动进行评估，得到精神活动监测结果，包括：

当异常特征值大于或等于预设判断阈值时，说明此时待测用户的精神活动相较于正常平稳状态而言，出现了情绪波动，也即精神活动发生了变化，则需进行精神活动异常预警；反之当异常特征值小于预设判断阈值时，说明此时待测用户的精神活动处于正常的平稳状态，则无需进行精神活动异常预警，其中，预设判断阈值设置为0.6。

需要说明的是，在本发明其他实施例中，预设判断阈值也可设置为待测用户精神活动处于正常平稳状态时的生理变化时序数据中数据值的均值进行归一化后的数值。具体判断阈值的设置方法可根据实施场景进行调整，在此不做限定。

综上所述，本发明实施例首先获取待测用户的生理变化时序数据，由于生理变化时序数据通常包括多种频率成分以及复杂的非线性特征，为了深入分析数据的特征，可将其分解为多个分量信号，从而对分量信号进行分析。由于异常的精神活动往往会导致数据与正常数据具有频率上的差别，因此可以根据频率筛选出目标分量信号，有助于减少数据维度，增加数据分析的针对性。然后对于每个目标分量信号，可根据数据的整体特征以及连续变化特征对其进行编码转化，得到编码数据，在一定程度上减少数据冗余，提高数据处理效率。进一步地，因为异常的精神活动相较于正常情况下的精神活动，往往会导致数据产生波动以及变得更为复杂，而这种特征可以反映在目标分量信号中数据数值之间的差异以及编码数据的数值的分布混乱程度上，故基于此，计算得到生理变化时序数据的异常因子。接着，由于数据的异常会在不同的分量信号中表征出特定的模式或趋势，基于此特征，计算了目标分量信号之间的数值分布相关性，结合前述所得的异常因子，得到生理变化时序数据的异常特征值，此时的异常特征值是基于个体自身生理变化时序数据中蕴含的数据特征所计算出来的，故可以更加准确的表征个体在预设时段内的精神活动的变化，所以最后基于所得异常特征值对待测用户的精神活动进行评估，得到的精神活动监测结果也会更加准确，可信度更高。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (4)

1.一种用于评估精神活动的生理监测数据处理方法，其特征在于，所述方法包括：

获取预设采样时段内待测用户的生理变化时序数据；

基于时频分析方法对所述生理变化时序数据进行分解，获得所有分量信号；根据所有分量信号的频率特征筛选出目标分量信号；在任意一个目标分量信号中，根据数据分布的整体特征以及连续变化特征，对所有数据值进行编码转化，得到编码数据；

根据所有目标分量信号的数据值之间的差异情况、目标分量信号之间的排列顺序以及对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子；根据所有目标分量信号之间的数据值分布相关情况以及生理变化时序数据的异常因子，得到生理变化时序数据的异常特征值；

根据所述异常特征值对待测用户的精神活动进行评估，得到精神活动监测结果；

所述基于时频分析方法对所述生理变化时序数据进行分解，获得所有分量信号，包括：

基于经验模态分解算法对所述生理变化时序数据进行分解，得到所有的分量信号；

所述根据所有分量信号的频率特征筛选出目标分量信号，包括：

将前预设数量个分量信号作为目标分量信号；

所述在任意一个目标分量信号中，根据数据分布的整体特征以及连续变化特征，对所有数据值进行编码转化，得到编码数据，包括：

在任意一个目标分量信号中，计算所有数据值的均值，作为参考值；将大于参考值的数据值编码为1，将小于或等于参考值的数据值编码为0，得到目标分量信号的编码序列；

在所述编码序列中，从起始位置的编码值开始至倒数第三个编码值停止，依次将每个编码值作为待分析值，将待分析值与后续两个编码值组成二进制序列；

得到所有的二进制序列，将每个二进制序列映射为十进制数，得到所有十进制数组成的编码数据；

所述根据所有目标分量信号的数据值之间的差异情况、目标分量信号之间的排列顺序以及对应的编码数据中数值的分布混乱情况，得到生理变化时序数据的异常因子，包括：

对于任意一个目标分量信号，计算每个数据值与对应参考值之间的差异，作为每个数据值的差异因子，根据每个数据值的差异因子和所有数据值的方差，得到每个数据值的偏差因子，所述偏差因子和差异因子呈正相关，所述偏差因子和所有数据值的方差呈负相关；将所有数据值的偏差因子的均值作为目标分量信号的偏移程度值；偏移程度值的公式模型包括：

其中，表示第/>个目标分量信号的偏移程度值；/>表示数据值的总数；/>表示第/>个目标分量信号中第/>个数据值；/>表示第/>个目标分量信号对应的参考值；/>表示第/>个目标分量信号中所有数据值的方差；/>表示预设第二参数；/>表示第/>个目标分量信号中第/>个数据值的差异因子；/>表示第/>个目标分量信号中第/>个数据值的偏差因子；

对于任意一个目标分量信号，在目标分量信号对应的编码数据中，将相同数值作为同类数值，根据每类数值的出现概率计算编码数据的信息熵，作为目标分量信号的混乱程度值，将预设常数与目标分量信号的序号值的差值作为调整因子，将所述混乱程度值与所述调整因子的比值进行归一化操作，得到目标分量信号的复杂程度值；其中，预设常数大于目标分量信号的总数；复杂程度值的公式模型包括：

其中，表示第/>个目标分量信号的复杂程度值；/>表示第/>个目标分量信号对应的编码数据中数值的种类数；/>表示第/>类数值的出现概率；/>表示预设常数；/>表示第/>个目标分量信号的序号值；/>表示以2为底的对数函数；/>表示归一化函数；表示第/>个目标分量信号的调整因子；/>表示第/>个目标分量信号的混乱程度值；

将所有目标分量信号的偏移程度值与复杂程度值的和值进行归一化后的值，作为生理变化时序数据的异常因子；

所述根据所有目标分量信号之间的数据值分布相关情况以及生理变化时序数据的异常因子，得到生理变化时序数据的异常特征值，包括：

在所有的目标分量信号中，将任意两个目标分量信号进行组合，得到所有不重复的信号组合；

对于任意一个信号组合，基于皮尔逊相关系数计算两个目标分量信号中所有数据值的相关系数，根据两个目标分量信号中数据值的分布以及两个目标分量信号对应的相关系数，得到信号组合中两个目标分量信号的异常参数，所述异常参数的取值为归一化后的数值；

将所有信号组合对应的异常参数的均值与生理变化时序数据的异常因子的乘积进行归一化后的值，作为生理变化时序数据的异常特征值；

所述异常参数的公式模型为：

；其中，/>表示第/>个信号组合中两个目标分量信号的异常参数；/>表示第/>个信号组合中两个目标分量信号之间的相关系数；表示第/>个信号组合中目标分量信号1中第/>个数据值；/>表示第/>个信号组合中目标分量信号1对应的参考值；/>表示第/>个信号组合中目标分量信号2中第/>个数据值；/>表示第/>个信号组合中目标分量信号2对应的参考值；/>表示数据值的总数；/>表示第/>个信号组合中目标分量信号1中所有数据值的方差；/>表示第/>个信号组合中目标分量信号2中所有数据值的方差；/>表示预设第一参数；/>表示归一化函数。

2.根据权利要求1所述的一种用于评估精神活动的生理监测数据处理方法，其特征在于，所述根据所述异常特征值对待测用户的精神活动进行评估，得到精神活动监测结果，包括：

当所述异常特征值大于或等于预设判断阈值时，需进行精神活动异常预警；

当所述异常特征值小于预设判断阈值时，无需进行精神活动异常预警。

3.根据权利要求2所述的一种用于评估精神活动的生理监测数据处理方法，其特征在于，所述预设判断阈值设置为0.6。

4.根据权利要求1所述的一种用于评估精神活动的生理监测数据处理方法，其特征在于，所述预设数量设置为所有分量信号总数的二分之一并向上取整。