基于心電和腦電信號的壓力測量模型研究

DOI：10.19850/j.cnki.2096-4706.2021.09.024

摘? 要：已有許多基于EEG信號構(gòu)建的壓力檢測模型，這些模型通過刺激材料誘導信號的產(chǎn)生，過程煩瑣且難以保證標簽的準確度。對此，提出了一種基于ECG信號生成標簽用于訓練EEG模型的方法。首先通過實驗獲取ECG數(shù)據(jù)進行線性擬合;然后同時采集ECG和EEG信號，用ECG生成壓力數(shù)據(jù)并進行離散化;最后使用支持向量機和離散化后的數(shù)據(jù)訓練模型，得到基于EEG信號的壓力分類模型。在二分類任務下達到了90.16%的精度，表明了生成標簽和EEG模型的有效性。

關(guān)鍵詞：ECG;EEG;支持向量機;壓力測量

中圖分類號：TN911.7? ? ? ?文獻標識碼：A 文章編號：2096-4706（2021）09-0093-04

Research on Stress Measurement Model Based on ECG and EEG Signals

LIN Ying

（School of Information Engineering，Guangzhou Panyu Polytechnic，Guangzhou? 511483，China）

Abstract：There are many stress detection models based on EEG signals. These models induce signal generation by stimulating materials. The process is cumbersome and it is difficult to ensure the accuracy of the label. In this regard，a method of generating tags based on ECG signals for training EEG models is proposed. Firstly，obtain ECG data through experiments for linear fitting;then，collect ECG and EEG signals at the same time，use ECG to generate stress data and discretization;finally use support vector machines and discretized data to train the model to obtain stress classification based on EEG signals model. The accuracy of 90.16% is achieved under the two-class classification task，which shows the effectiveness of the generated label and EEG model.

Keywords：ECG;EEG;support vector machine;pressure measurement

0? 引? 言

現(xiàn)代生活充滿了壓力。焦慮、失眠、抑郁已經(jīng)成為困擾很多現(xiàn)代人的問題。據(jù)世界衛(wèi)生組織估計，目前中國約有2至3億的人存在心理問題。過多的壓力導致人們情緒不良，學習和工作下降，生活質(zhì)量降低。從心理因素來看，壓力可以分為內(nèi)部和外部因素。在外部的溫度、照明、空間和噪音等刺激下可導致生理壓力，長期的外部壓力會影響情緒和行為。內(nèi)部因素產(chǎn)生的壓力則需要通過睡眠、休息、增加營養(yǎng)和適當?shù)倪\動來解決^[1]。雖然壓力并不總是負面的，適當?shù)膲毫梢宰屓藢W習和工作更加積極，有利于我們完成目標，但如果長期承受心理壓力將對健康造成損害，還會導致免疫力的降低^[2]。因此，快速、準確地了解自身的壓力對于保持身心健康有重要意義。

傳統(tǒng)的評估方法依賴評估者的主觀經(jīng)驗，并且受測者可能會試圖隱藏自己的真實心理狀態(tài)。利用生理信號來測試壓力更為客觀。此外，傳統(tǒng)方法還有無法進行連續(xù)測量的缺點，不能夠跟蹤到個人一天中的壓力變化狀況。穿戴式設(shè)備正在快速發(fā)展，利用這些設(shè)備來實時地跟蹤生理指標正在成為主流。人體的生理信號會隨著壓力的產(chǎn)生相應的變化，心率變異率與壓力存在著高度的相關(guān)性，利用心電（Electro Catdio Gram，ECG）信號可以有效地測量壓力的程度。為了得到準確的心電信號，心電設(shè)備通過都需要多個電極來采集信號，即使是采用單導聯(lián)方式可穿戴產(chǎn)品也不是很方便。相比之下，腦電（electroencephalogram，EEG）信號更加容易采集，并且信號敏感，可以快速的反應出壓力的變化。但是，利用腦電信號訓練模型存在著標注數(shù)據(jù)困難的問題。情緒數(shù)據(jù)通常通過刺激材料誘導情緒，再根據(jù)材料的類型為收集到數(shù)據(jù)進行標注，過程比較煩瑣，并且由于存在個體差異，對于同一個刺激材料的反應也有所不同。為此，我們提出了一種利用ECG自動生成壓力標簽用于EEG模型訓練的方法，該方法可以方便地為EEG數(shù)據(jù)準備好標簽。

1? 相關(guān)研究概述

腦電波是一種使用電生理指標記錄大腦活動的方法，大腦在活動時，大量神經(jīng)元同步發(fā)生的突觸后電位經(jīng)總和后形成的。腦電波的電壓很小，需要高精度的儀器才能探測到。常用于腦電分析的頻域特征有α、β、δ、θ和γ等。

α頻率于8～13 Hz之間，大多發(fā)生在成人時期中，是節(jié)律性腦電波中最明顯的波，通常出現(xiàn)在頭的后部，在頭兩側(cè)都會有，主導側(cè)的振幅會比較高。β波頻率于13～30 Hz之間，適量的β波幫助我們集中精力完成任務，有利于學習等認知行為，但是當β波過多的時候身體處于緊張的狀態(tài)，容易引發(fā)焦慮和壓力。γ波頻率位于30～70 Hz之間，與情緒穩(wěn)定、正面思考有關(guān)。出現(xiàn)該頻段時人通常處于十分激動、亢奮的狀態(tài)，或是受到了強烈的刺激。δ波頻率范圍0～4 Hz，與最深層次的放松和恢復，愈合、睡眠有關(guān)。太多的δ波與腦損傷、學習問題有關(guān)，太少則可能無法興奮大腦。θ波頻率位于4～8 Hz之間，太多的θ波與多動癥、注意力不集中有關(guān)，太少則與焦慮、壓力大有關(guān)。

已有一些基于ECG信號的壓力測量研究?？琢钋俚?sup>[3]融合了心率變異性和人臉表情進行壓力的檢測，將HRV以及表情共同作為特征輸入，利用支持向量機進行訓練分類，實現(xiàn)壓力狀態(tài)與非壓力狀態(tài)的檢測。于路^[4]通過放松、Stroop彩色單詞測試任務、心算任務，制造不同的心理壓力水平，然后計算HRV時域、頻域指標與NASA-TLX得分的相關(guān)系數(shù)來區(qū)分“放松”和“有壓力”兩種狀態(tài)。李永濤^[5]利用單模的生理信號計算RR間期，截取104個RR間期序列，提取較少心率變異性特征，實現(xiàn)了基于心率變異性的心理壓力連續(xù)檢測。

EEG信號反應更為迅速，有利于實時測量壓力，相比心率設(shè)備使用起來也更加方便。因此，值得研究EEG信號在壓力測量方面的應用。Sharma等^[6]對不同的分類器進行了詳細的分析，發(fā)現(xiàn)SVM獲得了最大的準確率。證明使用腦電圖進行壓力檢測的結(jié)果可行性，適用于心理健康問題的臨床干預和預防。Kalas^[7]等使用k-means聚類方法來衡量感知壓力，將受試者分為不同類別并估計壓力水平。所提出的方法可用于開發(fā)用于減輕人類壓力的產(chǎn)品。

2? 算法流程

本文首先采集ECG和EEG的數(shù)據(jù)，然后對數(shù)據(jù)進行預處理操作，包括去除異常值和歸一化。然后進行特征選取。腦電波有很多特征，前文所述的α和β還可以進一步細分為低、中和高三個頻段。本文不進行這種細分，我們選擇α、β、θ和γ，4個特征用于EEG模型的訓練。最后我們還進行了交叉驗證，證明模型的有效性。算法流程如圖1所示。

為了能夠自動生成數(shù)據(jù)標簽，我們先構(gòu)建了基于ECG信號的壓力模型。具體步驟為：

步驟一：數(shù)據(jù)采集。有多種方法可以誘導壓力的產(chǎn)生，本文采用了主流的特里爾社會應激測試（Trier Social Stress Test，TSST）。在被試進入實驗室后先坐下休息10分鐘，然后佩戴ECG設(shè)備，準備采集數(shù)據(jù)。在觀察到被試的心率變異性（Heart Rate Variability，HRV）指標平穩(wěn)之后，開始進行壓力的誘導并記錄數(shù)據(jù)。誘導過程包括進行演講和完成心算任務。實驗過程保持嚴肅，要求被試盡快給出心算的結(jié)果，并在受測者回答錯誤時要求重新進行心算任務，以此誘導壓力。在整個實驗過程中，HRV數(shù)據(jù)被實時地存儲到數(shù)據(jù)庫中。

步驟二：數(shù)據(jù)預處理。重復數(shù)據(jù)對于本文模型的訓練沒有作用，因此，本文根據(jù)LF、HF和HR三個指標進行篩選，去除重復的數(shù)據(jù)。去除異常的HRV數(shù)據(jù)，包括零值和2倍標準差以外的數(shù)據(jù)，然后進行等距分箱，為后續(xù)的擬合準備好數(shù)據(jù)集。由于數(shù)據(jù)涉及許多被試，因此為每條數(shù)據(jù)進行了編號（數(shù)據(jù)表中的user域）。處理后的數(shù)據(jù)存儲在數(shù)據(jù)庫中，數(shù)據(jù)格式和部分數(shù)據(jù)如圖2所示。

步驟三：擬合數(shù)據(jù)。HRV是基于ECG信號的一系列重要指標，包括時域和頻域指標。利用步驟二得到的數(shù)據(jù)，采用曲線回歸擬合數(shù)據(jù)。經(jīng)過多次實驗和調(diào)整，我們得到了以下壓力模型：

其中，s為測量的SDNN，age為被試者的年齡，LF為ECG的低頻信號（0.04～0.15 Hz），HF為高頻信號（0.16～ 0.5 Hz），F(xiàn)為壓力分數(shù)。

3? 實驗過程

在得到基于ECG的壓力模型后，需要進行EEG數(shù)據(jù)的采集。EEG數(shù)據(jù)的采集過程與ECG類似，仍然使用TSST方法進行壓力的誘導（不包括ECG實驗中的被試），要求被試同時佩戴ECG和EEG設(shè)備，以便在ECG信號和EEG信號之間建立聯(lián)系。此外，為了采集到參加實驗人員的日常壓力狀態(tài)，我們還開發(fā)了一個能夠?qū)崟r記錄ECG和EEG數(shù)據(jù)的APP，然后分發(fā)給各個被試人員，要求佩戴設(shè)備6小時以上。最后對所有的數(shù)據(jù)的進行匯總和處理，得到訓練模型所需的數(shù)據(jù)集。ECG生成的壓力數(shù)據(jù)經(jīng)過離散化后作為EEG數(shù)據(jù)集的標簽，再用支持向量機進行分類任務，將數(shù)據(jù)分為“有壓力”和“無壓力”兩種狀態(tài)。具體步驟為：

步驟一：進行TSST測試，同時采集ECG和EEG數(shù)據(jù)。

步驟二：使用上文構(gòu)建的ECG模型，將采集到ECG信號輸入式（5），直接計算得到壓力分數(shù)并存儲到數(shù)據(jù)庫。在移動設(shè)備上，我們使用SQLite數(shù)據(jù)庫存儲數(shù)據(jù)。

步驟三：進行EEG數(shù)據(jù)預處理。EEG信號非常敏感，容易受到干擾。在進行頻域變換時我們已經(jīng)盡可能去除了偽跡、眼電等干擾，但仍然容易出現(xiàn)異常值。因此，我們對采集到的數(shù)據(jù)，除了進行常規(guī)的預處理操作，還限制數(shù)據(jù)的最大最小值為正負2倍標準差。

步驟四：為EEG數(shù)據(jù)準備標簽。將由公式計算得到的分數(shù)進行離散化，數(shù)值小于等于50的標記為0，表示“無壓力”，大于50的標記為1，表示“有壓力”。由于是同時采集ECG和EEG數(shù)據(jù)，因此在對應的時間點上壓力狀態(tài)是相同的。

步驟五：特征選取。根據(jù)先驗知識和實驗，我們選取了α、β、θ和γ，4個特征用于模型的訓練。

步驟六：使用準備好的EEG數(shù)據(jù)訓練SVM模型，進行二分類任務。

步驟七：進行交叉驗證，計算平均精度。

4? 實驗結(jié)果

本文使用分類精度來評估模型的有效性。由于數(shù)據(jù)集比較小，因此使用了10折交叉驗證。最后，我們得到了90.16%的分類精度，證明了模型的有效性。實驗結(jié)果顯示，本文的ECG模型能夠?qū)崟r、準確地生成壓力分數(shù)，并且可以有效地作為EEG數(shù)據(jù)的標簽使用。較高的分類精度也展示了針對壓力測量這一任務，采用單極導聯(lián)的方式已經(jīng)足夠，這也是本文采集EEG數(shù)據(jù)的設(shè)備所使用的導聯(lián)方式。實驗還發(fā)現(xiàn)，對于δ，該特征對分類精度影響較小，因此在后續(xù)的實驗中去除了這一特征，以提高泛化性能并減少運算。圖3為采集到的壓力數(shù)據(jù)用t-SNE算法可視化后的結(jié)果。

圖3? t-SNE壓力數(shù)據(jù)可視化

5? 結(jié)? 論

壓力造成的心理健康問題已經(jīng)十分常見。當今社會節(jié)奏加快，工作壓力越來越大，面臨的壓力前所未有。利用ECG可以有效地檢測壓力，準確度高，但EEG信號反應更為迅速，且硬件設(shè)備相對更便宜。本文提出了一種基于ECG信號自動生成壓力標簽并用于EEG模型訓練的方法。該方法能夠方便、客觀地生成壓力分數(shù)，避免了以往的手工標記數(shù)據(jù)的煩瑣過程，有利于大量地對EEG數(shù)據(jù)進行標記，提高EEG模型的訓練效果。研究EEG在壓力檢測方面的應用在穿戴式設(shè)備逐漸普及的今天具有重要的意義。

本文模型在計算壓力時已經(jīng)考慮到年齡因素，并在ECG模型中進行了調(diào)整，但由于個體存在差異，未來還需要對此開展更多的研究。

參考文獻：

[1] LIAO C Y，CHEN R C，TAI S K. Emotion stress detection using EEG signal and deep learning technologies [C]//2018 IEEE International Conference on Applied System Invention（ICASI）.Chiba：IEEE，2018：90-93.

[2] SEGERSTROM S C，MILLER G E. Psychological stress and the human immune system：a meta-analytic study of 30 years of inquiry [J].Psychological Bulletin，2004，130（4）：601-630.

[3] 孔令琴，陳飛，趙躍進，等.融合心率變異性與表情的非接觸心理壓力檢測 [J].光學學報，2021，41（3）：68-77.

[4] 于路.基于心電指標的心理壓力檢測研究 [J].心理科學，2017，40（2）：277-282.

[5] 李永濤.基于心率變異性的心理壓力連續(xù)檢測 [D].重慶：西南大學，2019.

[6] SHARMA，R，KHYATI C. EEG signal analysis and detection of stress using classification techniques [J].Journal of Information and Optimization Sciences，2020，41（1）：229-238.

[7] KALAS M S，MOMIN B F. Stress detection and reduction using EEG signals [C]//International Conference on Electrical，Electronics，and Optimization Techniques （ICEEOT）.Chennai：IEEE，2016：471-475.

作者簡介：林穎（1992—），男，漢族，廣東揭陽人，專任教師，碩士研究生，研究方向：模式識別。

收稿日期：2021-03-20

課題項目：廣東省教育廳課題（2019GKTS CX069）