[发明专利]一种基于深度学习的脉搏信号压力识别方法

权利要求书

1.一种基于深度学习的脉搏信号压力识别方法，其特征在于，包括：

S1,通过佩戴在用户手腕上的可穿戴设备获取脉搏信号；

S2,对脉搏信号的原始数据进行经验模态分解，去除基线漂移，得到无基线漂移的波形信号；

S3,建立特征工程，通过特征提取模块从无基线漂移的波形信号中提取统计特征、脉搏波形特征、非线性特征和小波变换特征；

S4,设置滑动时间窗，按照数据的时间顺序依次平移，并提取时间窗内数据的特征向量，最后将所有特征向量按时间维度拼接为二维特征图；

S5,使用卷积神经网络，将二维特征图输入卷积神经网络，识别用户的压力情绪；

S6,使用损失函数对卷积神经网络进行反复训练和优化，构建完整的实时压力识别模型。

2.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：所述步骤S1中，通过可穿戴设备采集手腕处动脉透光度的变化波形，进而提取脉搏信号。

3.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S2中，对原始数据通过经验模态分解，提取出脉搏信号的所有本征模函数并求和，从而去除带有包络性质的基线漂移。

4.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S3中，

提取所述统计特征，包括：对S2中形成的波形信号，计算主波峰间隔作为心搏间隔IBI，并计算IBI的平均值与标准差；对IBI计算一阶差分序列，并提取一阶差分序列的标准差和均值加入到特征工程中；

提取所述脉搏波形特征，包括：求出S2中形成的波形信号的副波波峰点，并计算相邻的主副波峰点插值序列，将序列的均值加入到特征工程中；

提取所述非线性特征，包括：基于S2中得到的波形信号，计算2阶近似熵并加入特征工程；

提取所述小波变换特征，包括：对S2中形成的波形信号进行基波函数为“db1”的9层小波分解，并将每层小波系数平方和占全部系数平方和之比加入特征工程。

5.根据权利要求4所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：所述小波分解的公式为：

式中，WT_f(α，τ)为分解结果，a为变换尺度,τ为时域偏移，t为时间，为基波分解函数，f(t)为S2步骤中形成的波形信号。

6.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S4中，对长度为T秒的数据段，设置长度为W秒的时间窗，以s秒为步进值遍历数据段，其中，0sWT，且T小于数据总长度，并对每个时间窗内的数据提取所述的统计特征、脉搏波形特征、非线性特征和小波变换特征，最后拼接为二维特征图，特征图的大小为(T-W)/S×15。

7.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S5中，包括：

S51、通过步进值为2的10个二维卷积核对大小为10×15的特征图进行二维卷积，卷积核大小为2×15，经过卷积后的特征图大小为5×1，数量为10张；

S52、对10张卷积后的特征图进行拼接，拼接后大小为5×10，并输入大小为1×10的卷积核进行卷积，本层共有10个卷积核；

S53、对10张卷积后的特征图进行拼接，拼接后大小为5×10，输入大小为3*10的卷积核进行卷积，本层共有10个卷积核；

S54、将S51、S52、S53获取的所有特征图展开为一维向量，分别进行批标准化处理，并把处理后的向量输入全连接层进行降维，降维后的数据被输入Softmax分类函数进行分类。

8.根据权利要求1所述的一种基于深度学习的脉搏信号压力识别方法，其特征在于：步骤S6中所述训练的具体训练过程为：对公开的WESAD数据集进行处理，得到带有压力情绪标签的特征图，投入模型反复训练，直至获得最好的分类表现；在此基础上，基于中国标准视频素材库和心理学标准范式建立符规范的实验场景，采集适龄中国居民的脉搏数据并标注，同样将数据投入模型训练。