[发明专利]精神压力监测方法

权利要求书

1.一种精神压力监测方法，其特征在于，包括：

获取被试对象的基线期、认知任务期以及恢复期的人体压力生理信号；所述基线期为所述被试对象未接收认知任务时的无压力感知的时间段；所述认知任务期为所述被试对象在进行认知任务时的处于压力感知的时间段；所述恢复期为所述被试对象在结束执行认知任务后从压力感知恢复到无压力感知的时间段；

分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值；所述被试对象的基线期、认知任务期及恢复期分别具有多个非相关特征值；

根据所述非相关特征值对分类器进行训练，得到准确率最高的最终模型；

通过所述最终模型对监测对象的人体压力生理信号进行识别，判断所述监测对象是否存在精神压力。

2.根据权利要求1所述的精神压力监测方法，其特征在于，所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值，包括：

根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值；

分别对所述基线期、认知任务期及恢复期的特征值进行数据处理，得到非相关特征值；所述数据处理的方法包括：求取平均值、最大值、最小值、斜率、平均幅值以及平均瞬时峰值速率。

3.根据权利要求1所述的精神压力监测方法，其特征在于，所述根据所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号确定所有特征值，包括：

抓取所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号中的所有尖峰，并确定每个尖峰对应的幅值；

根据所述每个尖峰对应的幅值确定所述被试对象的基线期、认知任务期及恢复期的所有特征值。

4.根据权利要求1所述的精神压力监测方法，其特征在于，所述根据所述非相关特征值对分类器进行训练，包括：

将所有的所述非相关特征值进行组合，得到一个或多个非相关特征值组；

通过所有所述非相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

5.根据权利要求4所述的精神压力监测方法，其特征在于，所述得到最终模型，包括：

对各个所述分类器通过不同的所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。

6.根据权利要求1所述的精神压力监测方法，其特征在于，在所述分别对所述被试对象的基线期、认知任务期及恢复期的人体压力生理信号进行计算并得到非相关特征值时，还包括：

将所述认知任务期及恢复期的人体压力生理信号进行归一化处理，计算并得到相关特征值。

7.根据权利要求6所述的精神压力监测方法，其特征在于，所述将所述认知任务期及恢复期的人体压力生理信号进行归一化处理，计算并得到相关特征值，包括：

得到所述基线期人体压力生理信号的平均值；

将所述认知任务期与所述恢复期的所有非相关特征值减去所述基线期人体压力生理信号的平均值，得到与每个所述非相关特征值对应的剩余特征值；

在所有所述剩余特征值中，得到所有数值为正数的所述剩余特征值；

将所述数值为正数的所述剩余特征值定义为相关特征值。

8.根据权利要求6所述的精神压力监测方法，其特征在于，所述根据所述非相关特征值对分类器进行训练时，还包括：

根据所述相关特征值对分类器进行训练。

9.根据权利要求8所述的精神压力监测方法，其特征在于，所述根据所述相关特征值对分类器进行训练，包括：

将所有的所述相关特征值进行组合，得到一个或多个相关特征值组；

通过所有所述相关特征值组分别对所述分类器进行训练，所述分类器包括：贝叶斯分析分类器、SVM分类器及线性回归分类器。

10.根据权利要求9所述的精神压力监测方法，其特征在于，所述得到最终模型，包括：

对各个分类器通过不同的所述相关特征值组及所述非相关特征值组进行训练得到的多个模型进行准确率校验，得到与每个所述模型对应的准确率数据；

确定准确率最高的所述准确率数据，将与所述准确率最高的准确率数据对应的模型作为所述最终模型。