針對個體差異的心理壓力評估

李 昕 張云鵬 李紅紅 陳澤濤 應(yīng)立娟 吳水才

1(燕山大學 生物醫(yī)學工程研究所，秦皇島 066004)2(河北省測試計量技術(shù)及儀器重點實驗室，秦皇島 066004)3(北京工業(yè)大學 生命科學與生物工程學院, 北京 100124)

針對個體差異的心理壓力評估

李 昕1，2,3*張云鵬1，2李紅紅1，2陳澤濤1，2應(yīng)立娟1，2吳水才3

1(燕山大學 生物醫(yī)學工程研究所，秦皇島 066004)2(河北省測試計量技術(shù)及儀器重點實驗室，秦皇島 066004)3(北京工業(yè)大學 生命科學與生物工程學院, 北京 100124)

慢性心理壓力會帶來一系列的病理、生理風險，直接影響健康。有效地評估心理壓力，一直是心理壓力研究中的熱點問題。在心理壓力評估過程中，個體差異是影響評估效果的關(guān)鍵。本研究針對評估心理壓力/非壓力反應(yīng)中個體差異問題，以表面肌電信號作為評估參數(shù)，以高校即將畢業(yè)的學生人群為對象，提出了一種改進的支持向量機心理壓力評估算法。算法通過對樣本聚類，并將聚類信息賦予支持向量機的損失函數(shù)，實現(xiàn)訓練樣本的篩選，針對篩選后出現(xiàn)兩類樣本不平衡問題，為損失函數(shù)賦予權(quán)重來降低分類器的預測傾向性，減少訓練模型的誤差，補償不平衡樣本數(shù)據(jù)所造成的影響。心理壓力評估分類正確率由改進前的70.34%，提高到79.31%，算法運行時間由改進前的2026.5 s減少到541.3 s。結(jié)果表明，該算法可以有效地解決個體差異對于心理壓力評估效果的影響，同時降低了分類器的計算復雜度，為心理壓力評估中個體差異研究提供一種可行的方案。

肌電；心理壓力評估；個體差異；支持向量機；權(quán)重

引言

心理壓力又稱“心理應(yīng)激”，是一個人在覺察或認識到自己正面對至關(guān)重要而又難以應(yīng)對的問題時，產(chǎn)生的一種通過心理和生理反應(yīng)表現(xiàn)出來的心身緊張狀態(tài)[1]。適當程度的心理壓力會產(chǎn)生正能量，但心理壓力一旦過大或成為慢性壓力，會產(chǎn)生很多負面影響，造成一系列生理疾病及心理問題。

心理學領(lǐng)域用于心理壓力評估的方法有晤談法、心理測驗法和問卷調(diào)查法[2]。盡管這些方法在一定程度上能夠反映出個體的心理壓力狀態(tài)，但是往往需要參與者的顯著響應(yīng)和積極配合。如果心理壓力評估可以在不需要自我評估的條件下進行，其用途將更為廣泛，并且有利于心理壓力與健康的研究。

生理參數(shù)在某種程度上可以反應(yīng)人的心理壓力狀態(tài)，同時，基于生理參數(shù)評估心理壓力，主體的不適感最小，并能夠準確反映其情緒狀態(tài)，是目前公認的較好的心理壓力評估方法[3]。美國麻省理工的Picard教授通過持續(xù)記錄通往波士頓市中心固定路段上行駛的汽車司機的心電圖、肌電圖、皮膚電導和呼吸信號，有效地評估了司機在不同路況下駕駛過程中的心理壓力變化情況，證明了生理信號對于評估心理壓力的可行性[4-5]。德國Augsburg大學采用 “俄羅斯方塊”游戲作為心理壓力源，采集了一名被試的129組呼吸信號和肌電信號。通過LDA和Fisher判別對結(jié)果進行了分析，平均識別率達80%以上[6]。Gennaro Tartarisco等設(shè)計了一種用于評估心理壓力的簡單無線裝置，可以使人們自動而持久的檢測日常活動中的心理壓力，通過分析心電信號及主體動作特征來自動識別心理壓力[7]。

Hernandez等以話務(wù)中心工作人員作為實驗對象，研究了解決自動識別心理壓力/非壓力反應(yīng)中個體差異問題的兩種方法，一種是修改支持向量機中損失函數(shù)參數(shù)，另一種是從相似的皮膚電變化人群中抽取訓練樣本。結(jié)果表明：對于同一人的多天數(shù)據(jù)，訓練和測試得到的正確率是78.3%；而在不同參與者間得到的正確率是73.41%[8]。

心理壓力作為一種心理狀態(tài)，與交感神經(jīng)系統(tǒng)和副交感神經(jīng)系統(tǒng)之間存在著特定的關(guān)系，表面肌電信號能夠反映神經(jīng)系統(tǒng)的功能狀態(tài)，從而體現(xiàn)心理壓力的變化。本研究針對心理壓力個體差異問題，選擇了四種不同的心理壓力源對被試進行刺激，分別采集了16名被試的144組肌電信號，以改進支持向量機作為心理壓力評估模型，通過篩選訓練樣本，并基于篩選結(jié)果對支持向量機的損失函數(shù)賦予權(quán)重，從而有效地解決了評估過程中的個體差異問題。

1 實驗設(shè)計

1.1被試

大學四年級與研究生三年級的16名(8男8女)在校學生，身體健康，右利手。分別采集每名被試在平靜狀態(tài)與心理壓力源刺激下的肌電信號。

1.2調(diào)查問卷

數(shù)據(jù)采集前被試需填寫一份調(diào)查問卷，對其近期的心理狀態(tài)進行評估。數(shù)據(jù)采集結(jié)束后，被試需填寫另一份調(diào)查問卷，用于對其被試后的心理狀態(tài)評估。調(diào)查結(jié)果作為實驗數(shù)據(jù)的輔助分析，以便于實驗數(shù)據(jù)的篩選。

1.3數(shù)據(jù)采集

采用Biopac公司的多導生理記錄儀MP150記錄被試的表面肌電信號，數(shù)據(jù)采集過程中，主試負責標記素材的開始和結(jié)束點，為數(shù)據(jù)篩選截取提供依據(jù)。實驗采用三個貼片式電極，兩個測量電極置于面部表情肌，另一個作為參考電極，置于左手手腕。心理壓力誘發(fā)實驗持續(xù)4 d。

第1天：研究表明，辦公室低量噪聲如冷氣暖氣送風聲、電腦聲、周圍同事的低聲說話聲都會對工作人員產(chǎn)生情緒壓力[9-10]。為了達到較好的刺激效果，根據(jù)英國索爾福德大學教授特雷弗考克斯對令人不安的聲音的調(diào)查結(jié)果，選擇了排名前十的不安聲音中的5種[11]作為心理壓力刺激實驗環(huán)境，在噪聲背景下使被試者在一定時間內(nèi)記住一組較長的數(shù)字。數(shù)字以幻燈片播放的形式逐個顯示，共播放三遍，且每次播放的速度逐漸加快，使被試產(chǎn)生心理壓力。刺激方式如表1所示。

表1 數(shù)字識記實驗流程Tab.1 The experimental processe of number memorization

第2天：隨著大學生數(shù)量的急劇增加，因就業(yè)而面臨的心理壓力越來越大。針對這一實際情況，以大學生就業(yè)前景分析的視頻作為刺激源，激發(fā)受試者潛在心理壓力。流程如表2所示。

第3天：給出一組難度較高的英文單詞，給參與者3 min時間記憶，并在剩余一分鐘時播放秒表倒計時的聲音，使被試者產(chǎn)生緊迫感。于此同時，選取具有消極意義的詞匯，以此形成一定的心理暗示，使參與者處于負性情緒中，產(chǎn)生心理壓力[12]。流程如表3所示。

表2 視頻刺激實驗流程

表3 單詞識記實驗流程

第4天：借鑒德國Augsburg大學的心理壓力刺激方式，采用“俄羅斯方塊”游戲作為心理壓力源，實驗過程中逐漸加快方塊的下落速度從而提高游戲難度。游戲開始前被試者有5 min的平靜時間，將方塊下落速度最快時作為被試處于心理壓力狀態(tài)下的數(shù)據(jù)。隨后使被試休息5 min，再進行第二輪游戲，激發(fā)被試的壓力狀態(tài)。

1.4數(shù)據(jù)預處理

截取肌電信號在心理壓力源刺激前時長20 s(共20 000個采樣點)的數(shù)據(jù)段為無壓力數(shù)據(jù)，取被試在心理壓力源刺激過程中的數(shù)據(jù)(20000采樣點)作為心理壓力數(shù)據(jù)。經(jīng)篩選去掉不穩(wěn)定信號及受外界干擾較大信號，得到有效數(shù)據(jù)144組，包括72組心理壓力數(shù)據(jù)和72組無壓力數(shù)據(jù)。平靜狀態(tài)和存在心理壓力時的肌電信號如圖1。

圖1 不同狀態(tài)下的肌電信號。(a)平靜狀態(tài)；(b)心理壓力狀態(tài)Fig.1 Electromyographic signal in different states.(a) Calm state;(b) Psychological stress state

如圖1所示，被試處于心理壓力狀態(tài)下的肌電信號幅值明顯高于平靜狀態(tài)，波形與平靜時略有不同。從所采集信號的整體趨勢上來看，被試在接受心理壓力刺激時信號的波動較為明顯，時常出現(xiàn)較大的起伏，不同于平靜狀態(tài)下的總體平穩(wěn)趨勢。

應(yīng)用db9小波對含噪sEMG進行3層小波分解，并對細節(jié)系數(shù)選用minimaxi閾值法消噪。通過計算得出消噪后肌電信號的不同統(tǒng)計值，并將這些統(tǒng)計值作為肌電信號的特征值。提取肌電信號特征如表4所示。

部分統(tǒng)計特征計算如式(1)～式(6)。

(1)

(2)

(3)

(4)

(5)

(6)

式中，E表示肌電信號數(shù)據(jù)，N表示數(shù)據(jù)長度。

2 針對個體差異的改進支持向量機心理壓力評估算法

2.1改進支持向量機

支持向量機(SVM)是Vapnik等提出的關(guān)于統(tǒng)計學習理論的實現(xiàn)方法[13]，在很大程度上解決了過學習、非線性及維數(shù)災(zāi)難等模式識別中存在的問題，是目前針對小樣本估計和預測學習的最佳方法。

初步分析表明，不同參與者對同一心理壓力刺激源的感知程度不盡相同，與此同時，同一名參與者對于不同的心理壓力刺激源也會做出不同的反應(yīng)。經(jīng)驗證，即使將全部數(shù)據(jù)先進行適當?shù)臍w一化也很難解決樣本間的差異問題。在對某一參與者的心理壓力狀態(tài)進行評估時，如果將所有樣本信息都加入訓練集中進行訓練，反而會造成一定的干擾，影響分類器性能。且在數(shù)據(jù)量較大時，過多的訓練樣本導致計算復雜度增加，影響分類的正確率。因此，對訓練樣本進行有針對性的選擇是十分必要的。

表4 肌電信號特征

在對訓練樣本進行篩選后很容易出現(xiàn)正負兩類樣本數(shù)不平衡的現(xiàn)象，這正是個體差異對于訓練樣本的影響所致。針對這種情況，采用為正負樣本分別賦予不同的分類權(quán)重，通過將樣本信息加入損失函數(shù)中的方法可削弱這種不平衡性。

2.2面向個體差異的改進算法

算法流程如圖2所示。

由于聚類結(jié)果中正負兩類樣本分布的不平衡，導致了在對訓練樣本按照前面提到的算法進行選擇時，在訓練集中出現(xiàn)了正負樣本數(shù)目的不平衡性。而當數(shù)據(jù)不平衡時，比如正類的數(shù)量遠少于負類的數(shù)量，就會導致正類的誤差之和小于負類的誤差之和，這就相當于對負類施加了比較大的錯誤懲罰，從而導致分割平面向正類方向移動。

圖2 SVM算法改進流程圖Fig.2 The flow chart of improved SVM algorithm

為了處理數(shù)據(jù)不平衡問題，第1種改進方法將所有正類的權(quán)重設(shè)為δ+，所有負類的權(quán)重設(shè)為δ-。通過修改損失函數(shù)中的分類權(quán)重來修正訓練樣本的不平衡性，改進后的SVM的損失函數(shù)為

(7)

針對分類權(quán)重的改進做了兩種不同嘗試，第1種為使δ+/δ-=P-/P+，此時分類器將測試樣本預測為正負兩類的概率相等。

第2種改進方法——對權(quán)重的尋優(yōu)。通常為了平衡正類和負類的誤差，最好使正類和負類的誤差之和相等[14]，即:

(8)

式中的εi是不確定的，所以很難求出δ+和δ-的精確關(guān)系。但是可以通過假定正類和負類誤差的數(shù)學期望值相同來得到一個近似關(guān)系:

(9)

2.3結(jié)果

改進前與改進后的SVM分類結(jié)果如圖3所示。如實驗結(jié)果圖所示，對支持向量機所做的兩種改進，整體上提高了分類正確率，進行分類時與普通c、g尋優(yōu)SVM以及基于用遺傳算法c、g尋優(yōu)的SVM[15]相比具有更好的性能。

不同算法實現(xiàn)心理壓力評估結(jié)果比較如表5所示。普通c、g尋優(yōu)的SVM評估算法訓練時間較長，評估正確率僅為70.34%；基于遺傳算法尋優(yōu)的SVM評估算法，訓練集的正確率最高，達到98.27%，但是測試集的正確率卻是最低的，只有68.28%，說明出現(xiàn)了“過學習”問題，同時，算法復雜度較高，耗用了大量的時間與內(nèi)存開銷；面向個體差異的改進算法(篩選訓練樣本且權(quán)重尋優(yōu)的SVM算法)測試集評估正確率達到79.31%，并且大大降低了計算復雜度，當樣本數(shù)目較大時，這一優(yōu)勢將體現(xiàn)得更為顯著。

表5 不同算法實現(xiàn)心理壓力評估結(jié)果比較

3 討論

在心理壓力的實驗室研究中，國際上認可的方法是在規(guī)定的時間內(nèi)，使被試完成特定的認知任務(wù)，從而使被試產(chǎn)生心理壓力，達到誘發(fā)心理壓力的目的。人體處于心理壓力狀態(tài)下時，交感神經(jīng)與副交感神經(jīng)系統(tǒng)會發(fā)生反應(yīng)，引起軀體的生理變化，包括心電、肌電等的變化。

考慮到采用不變的刺激源可能使參與者產(chǎn)生適應(yīng)性，導致其對心理壓力刺激響應(yīng)的減弱，達不到激發(fā)潛在心理壓力的效果。因而在連續(xù)的四天中每天分別采用不同的心理壓力刺激源，實驗結(jié)果表明，該實驗方案在一定程度上能夠激發(fā)被試的心理壓力，并通過表面肌電信號的變化表現(xiàn)出來。

對消噪后的肌電信號提取了28個統(tǒng)計特征，從樣本特征的總體趨勢來看，心理壓力數(shù)據(jù)具有均方根較大、幅值較高等共同特點，但是由于個體差異的存在，特征樣本間差異明顯，本研究正是針對這一個體差異問題，優(yōu)化SVM分類器實現(xiàn)心理壓力評估。

本研究著重比較了針對個體差異的改進算法與傳統(tǒng)SVM分類算法的在心理壓力評估方面的分類正確率與運行時間。實驗結(jié)果表明，基于遺傳算法尋優(yōu)的SVM，訓練集的正確率最高，測試集的正確率卻是最低的，表明此時分類器出現(xiàn)了“過學習”問題。從分類時間來看，遺傳算法尋優(yōu)的SVM顯然耗用了大量的時間與內(nèi)存開銷，普通c、g尋優(yōu)的SVM訓練時間較長。改進算法則大大降低了計算復雜度，尤其是樣本數(shù)目較大時，這一優(yōu)勢將體現(xiàn)得更為顯著。

對比分析表明，改進算法對訓練樣本的篩選達到了減弱個體差異的目的，同時也降低了分類器訓練階段的計算復雜度，減少了訓練時間。而針對由此引起的正負樣本數(shù)目不平衡性，將分類權(quán)重加入SVM的損失函數(shù)中，降低所訓練分類器的預測傾向性，減少訓練模型的誤差，補償不平衡樣本數(shù)據(jù)所造成的影響，提高了分類器的整體分類準確率。

同時，實驗比較了截取不同長度數(shù)據(jù)樣本的評估效果。截取反應(yīng)明顯的樣本長度為10 s時，心理壓力與非壓力狀態(tài)下數(shù)據(jù)的差異性會更加明顯。

除了心理壓力因素之外，表面肌電信號還會受到其它因素的影響，如身體姿態(tài)等，本文對數(shù)據(jù)所做的預處理工作并不能完全消除這些影響，因此下一步的工作將深入研究如何減小與壓力無關(guān)因素的干擾，同時，對于肌電信號的不同特征所表達的不同生理狀況的機理進行深入探討。

4 結(jié)論

本研究針對心理壓力評估問題，以表面肌電信號為參數(shù)，提出了一種面向個體差異的心理壓力評估改進算法。該算法針對自動評估心理壓力/非壓力反應(yīng)中個體差異問題，以部分樣本聚類信息體現(xiàn)個體差異，并將聚類結(jié)果賦予支持向量機的損失函數(shù)，以此削弱個體差異對評估效果的影響，進而改進分類評估質(zhì)量。

實驗結(jié)果表明，改進前的支持向量機(SVM)實現(xiàn)心理壓力評估分類正確率為68.28%，改進后優(yōu)化算法分類正確率達到79.31%，在一定程度上減小了個體差異對評估效果的影響，提高了面向個體差異的心理壓力評估的分類正確率。改進算法通過對訓練樣本篩選，減少了心理壓力評估時間，分類時間由改進前的2 026.5 s，提高到改進后的541.3 s。

基于該算法實現(xiàn)心理壓力情感狀態(tài)評估是可行的，并且有效地解決了個體差異對心理壓力評估的影響。

[1] 梁寶勇.精神壓力、應(yīng)對與健康:應(yīng)激與應(yīng)對的臨床心理學研究 [M]. 北京:教育科學出版社, 2006: 10-12.

[2] 馬立驥. 心理評估技術(shù)在社區(qū)心理咨詢中的應(yīng)用 [J]. 中國全科醫(yī)學, 2007,10(11): 873-875.

[3] Nandita S, Tom G. Objective measures, sensors and computational techniques for stress recognition and classification: a survey [J]. Computer Methods and Programs in Biomedicine, 2012,108(3): 1287-1301.

[4] Raul F, Rosalind WP. Modeling drivers’ speech under stress [J]. Speech Communication, 2003,40(1-2): 145-159.

[5] Jennifer AH, Rosalind WP. Detecting stress during real-world driving tasks using physiological sensors [R]. HPL-2004-229, 2004.

[6] Johannes W. Augsburg Biosignal Toolbox [DB/CP]. http://www.informatik,uni-augsburg.de/de/lehrstuehle/hcm/projects/tools/aubt/, 2013-02-15/2013-03-05.

[7] Gennaro T, Giovanni B, Daniele C,etal. Personal health system architecture for stress monitoring and support to clinical decisions [J]. Computer Communications, 2012,35(11): 1296-1305.

[8] Javier H, Rob RM, Rosalind WP. Call center stress recognition with person-specific models [C]. //Sidney D, Arthur G, eds. Affective Computing and Intelligent Interaction. Berlin: Springer-Verlag, 2011: 125-134.

[9] Cheng Shixiang, Mo Qihong, He Hansong. Effects of office noise on staff health [J]. Journal of Environment and Health, 2000,17(3): 154-155.

[10] Helena J, Staffan H, Niklas H. Open-plan office noise: cognitive performance and restoration [J]. Journal of Environmental Psychology, 2011,31(4): 373-382.

[11] Trevor C. The most terrible sounds of top 10 [DB/OL], http://www.sound101.com/, 2012-12-23/2013-03-05.

[12] Annie H, Ase MH, Eva GM,etal. Exposure to negative acts at work, psychological stress reactions and physiological stress response [J]. Journal of Psychosomatic Research, 2012,73(1): 47-52.

[13] Vapnik VN. The nature of statistical learning theory second edition [M]. NewYork: Spinger Verlag, 2000: 132-136.

[14] 吳洪興, 彭宇, 彭喜元. 適用于不平衡樣本數(shù)據(jù)處理的支持向量機方法 [J]. 電子學報, 2006,34(S1): 2395-2397.

[15] Li Xin, Wang Yueru. Research on classification method of combining support vector machine and genetic algorithm for motor imagery EEG [J]. Journal of Computational Information System, 2011,37(12): 4351-4358.

PsychologicalStressEvaluationFocusonIndividualDifference

LI Xin1，2*ZHANG Yun-Peng1，2LI Hong-Hong1，2CHEN Ze-Tao1，2YING Li-Juan1，2Wu Shui-Cai3

1(InstituteofBiomedicalEngineering,YanshanUniversity,Qinhuangdao066004，China)2(MeasurementTechnologyandInstrumentationKeyLabofHebeiProvince，Qinhuangdao066004，China)3(TheCollegeofLifeScienceandBio-Engineering,BeijingUniversityofTechnologyBeijing,100124，China)

Chronic mental pressure will affect one’s health directly by bring a series of pathology and physiology risks. Effective methods of evaluating psychological pressure can detect and assess real-time stress states, warning people to pay a close attention to their health. This paper is focused on the problem of individual difference in the stress evaluation process. An improved support vector machine (SVM) evaluation algorithm in automated valuation of stress/non-stress reaction was proposed based on the measurement of surface myoelectrogram signal. The algorithm clustered the samples and gave the clustering information to the loss function of SVM to achieve training samples’ screening. With the imbalance problem of the two kinds of samples after screening, the weight were given to the loss function to reduce classifier’s prediction tendentiousness, which decreases the error of training sample and makes up for the influence made by the unbalanced samples. The improved algorithm increased the classification accuracy from 70.34% to 79.31%, while algorithm running time was decreased from 2026.5 s to 541.3 s. Experimental results show that the algorithm can effectively avoid the influence resulting from the individual difference on stress appraisal effect. Meanwhile the algorithm reduces the computational complexity.

myoelectrogram(EMG); psychological stress evaluation; individual difference; support vector machine (SVM); weight

10.3969/j.issn.0258-8021.2014.01.007

2013-03-13， 錄用日期：2013-08-21

河北省優(yōu)秀專家出國資助項目; 河北省教育廳重點項目(ZD2010115)

R318

A

0258-8021(2014)01-0045-06

*通信作者。E-mail: yddylixin@ysu.edu.cn