[发明专利]一种基于心电信号的脑力负荷分类方法及系统

说明书

本发明涉及一种基于心电信号的脑力负荷分类方法及系统。该方法包括：获取待测人员的心电信号；对心电信号进行预处理；提取预处理后的心电信号的R‑R间期的时域特征；根据预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；根据预处理后的心电信号，利用样本熵算法提取非线性动力学特征；将预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定预处理后的心电信号的融合特征；根据融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果。本发明在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，进而达到快速且准确的效果。

技术领域

本发明涉及脑力负荷辨识领域，特别是涉及一种基于心电信号的脑力负荷分类方法及系统。

背景技术

目前国内外基于心电信号的脑力负荷分类的方法主要是心率变异性(Heart RateVariability，HRV)分析法，HRV指的是连续心动周期(R-R间期)的微小变化或连续瞬时心率的微小涨落，主要分为时域分析、频域分析和非线性分析。

现有的心电信号脑力负荷分类方法HRV代表了一种量化标测，即通过测量连续正常R-R间期变化的变异性来反映心率变化程度、规律，从而用以判断其对心血管活动的影响。HRV所有的指标都是基于R-R间期展开的，且HRV的频域分析低频(LF)需要至少1分钟，高频(HF)需要至少2分钟，低频/高频(LF/HF)则需要至少24小时才能保证结果的准确性。在HRV非线性分析中比较常用的方法是Poincare散点图(又称R-R间期散点图)，但其形状代表的意义等缺少权威的对比标准，故就目前而言，其所得结果尚待验证。

因此，针对现有技术所需信号时间长，在实际应用中难以实时响应，且脑力负荷分类精度较低的缺点，亟需一种新的脑力负荷分类方法或系统，在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，以达到快速且准确的效果。

发明内容

本发明的目的是提供一种基于心电信号的脑力负荷分类方法及系统，在提高脑力负荷分类精度的基础上，大大缩短了每次反馈所需采集心电信号的时间，进而达到快速且准确的效果。

为实现上述目的，本发明提供了如下方案：

一种基于心电信号的脑力负荷分类方法，包括：

获取待测人员的心电信号；所述心电信号的时长为12分钟；

对所述心电信号进行预处理；所述预处理包括R-R间期切分以及去噪；

提取预处理后的心电信号的R-R间期的时域特征；所述时域特征为R波峰值；

根据所述预处理后的心电信号，利用不同频率下的功率谱密度提取心电信号的频域特征；所述频域特征包括P波和T波的能量特征以及QRS波的能量特征；

根据所述预处理后的心电信号，利用样本熵算法提取非线性动力学特征；

将所述预处理后的心电信号的时域特征、频域特征以及非线性动力学特征进行融合，确定所述预处理后的心电信号的融合特征；

根据所述融合特征，采用支持向量机分类器进行脑力负荷分类，确定脑力负荷分类结果；所述支持向量机分类器以所述融合特征为输入，以所述脑力负荷分类结果为输出；所述脑力负荷分类结果包括低脑力负荷以及高脑力负荷；所述低脑力负荷小于脑力负荷阈值，所述高脑力负荷大于或等于所述脑力负荷阈值。

可选的，所述对所述心电信号进行预处理，具体包括：

利用自适应差分阈值法检测所述心电信号的R波位置；

根据所述R-R间期对所述心电信号进行切分；

利用R-R间期差值阈值范围对切分后的心电信号进行去噪。