李 昕 李紅紅 李長吾(燕山大學(xué) 生物醫(yī)學(xué)工程研究所，秦皇島066004)

2(河北省測試計(jì)量技術(shù)及儀器重點(diǎn)實(shí)驗(yàn)室，秦皇島066004)

3(大連工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，大連116000)

引言

目前，壓力評估的研究主要集中在3 個(gè)方面:一是通過調(diào)查對某一行業(yè)、群體的心理壓力源進(jìn)行識別，并談?wù)撔睦韷毫Φ膽?yīng)對方式;二是研究心理壓力中具體的工作壓力、擇偶壓力、養(yǎng)老壓力、婚姻和家庭生活壓力等;三是在心理學(xué)、管理學(xué)等學(xué)科理論的基礎(chǔ)上，以心理壓力源的某一變量為研究對象，剖析該變量與其他變量的關(guān)系［1］。實(shí)時(shí)狀態(tài)下的壓力評估研究還不多見，如果能對高壓力人群的情緒及壓力狀態(tài)進(jìn)行及時(shí)準(zhǔn)確的評估與適度調(diào)節(jié)，他們的情感及生活狀態(tài)會給予社會一個(gè)良性的反饋;反之，可能引發(fā)各種心理、行為問題，輕則影響學(xué)習(xí)和生活，重則引發(fā)抑郁等嚴(yán)重心理疾病甚至發(fā)生惡性事件，給個(gè)人和社會帶來很多危害。

自然狀態(tài)下的壓力研究有助于分析人們的情緒化行為，同時(shí)能夠?qū)€(gè)體的壓力水平進(jìn)行一個(gè)較為客觀的評估?；谏韰?shù)來評估壓力，對于主體來說不適感最小，并且能夠準(zhǔn)確地反映情緒狀態(tài)，是目前公認(rèn)的較好的壓力評估方法。

Healey 等通過連續(xù)記錄通往波士頓市中心、在固定路段上行駛的汽車司機(jī)的心電、肌電、皮膚電傳導(dǎo)和呼吸信號4 種生理信號，基于線性判別分析，證明了生理參數(shù)對預(yù)測心理壓力具有很高的精確度［2］。Mokhayeri 等證明了壓力評估的必要性與可行性［3］。德國Augsburg 大學(xué)采用一款傳統(tǒng)的游戲“俄羅斯方塊”作為壓力源，采集了1 名被試者的呼吸信號和肌電信號，基于LDA 和Fisher 判別對結(jié)果進(jìn)行分析，平均識別率達(dá)80% 以上［4］。Gaggioli 等設(shè)計(jì)了一種用于評估壓力狀態(tài)的簡單無線裝置，基于自回歸建模、人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯模型的方法，通過分析心電信號及動作特征來實(shí)現(xiàn)自動、連續(xù)檢測，并自動識別日?；顒又械膲毫顟B(tài)［5］。

Hernandez 等以9 名話務(wù)中心工作人員作為實(shí)驗(yàn)對象，研究了自動識別壓力/非壓力反應(yīng)中的個(gè)體差異問題，即修改支持向量機(jī)中的損失函數(shù)參數(shù)，并從相似的皮膚電變化人群中抽取訓(xùn)練樣本。結(jié)果表明:同一人但在不同時(shí)間的情況下，訓(xùn)練和測試得到的正確率是78.3%;而對于支持向量機(jī)的修改方案，在不同參與者間進(jìn)行訓(xùn)練和測試得到的正確率是73.41%［6］。

腦電信號是一種產(chǎn)生機(jī)理復(fù)雜的非平穩(wěn)隨機(jī)信號，其數(shù)據(jù)的采集過程復(fù)雜且容易受外界環(huán)境以及其他生理信號的干擾，國內(nèi)外將腦電信號用于壓力識別的研究中與其他生理信號相比還不多見。

但是，同其他生理信號相比，腦電信號含有豐富的情感信息。充分挖掘腦電壓力的情感特征，將有助于更好地實(shí)現(xiàn)壓力情感的分析與評估。筆者以“切水果”游戲作為壓力源，采集了8 名被試者的92 組腦電信號;基于復(fù)雜度與熵理論相結(jié)合的方法，實(shí)現(xiàn)腦電信號的特征提取與融合;基于改進(jìn)的SVM 分類器，實(shí)現(xiàn)了基于腦電信號的情感壓力狀態(tài)評估。

2 基于復(fù)雜度、熵的腦電信號特征提取

腦電信號直接反映神經(jīng)元電話動，蘊(yùn)含豐富的情感信息，在理論研究和臨床應(yīng)用上都有著重要意義。如何有效地提取腦電特征參數(shù)，一直是研究的熱點(diǎn)。復(fù)雜度、近似熵、小波熵提供了一種客觀、定量地描述事物復(fù)雜程度的方法，可從不同的角度研究腦電信號的非線性動力學(xué)特征。本研究基于Kc復(fù)雜度、近似熵、小波熵理論，分析在壓力狀態(tài)下腦電信號的復(fù)雜程度與能量分布，并以此評估壓力情感狀態(tài)。

2.1 基于Kc 復(fù)雜度的腦電信號特征提取

Kc復(fù)雜度又稱算法復(fù)雜度或L-Z 復(fù)雜度，是最經(jīng)典的復(fù)雜度定義，應(yīng)用非常廣泛。Kc復(fù)雜度反映了時(shí)間序列的隨機(jī)程度，其值介于0 ～1 之間。如果時(shí)間序列是周期性的，那么Kc就會隨時(shí)間序列的增加而趨向于0;如果時(shí)間序列是隨機(jī)的，則Kc趨向于1。這表明，隨機(jī)信號序列最復(fù)雜，周期信號最簡單。算法流程［7］如圖1 所示，其中S 和Q 分別代表兩個(gè)字符串，SQ 表示把S、Q 兩個(gè)字符串拼接的總字符串。SQw 表示SQ 中最后一個(gè)字符刪去所得到的字符串。令V(SQw)表示SQw 所有不同子串的集合，C 為X 序列的復(fù)雜度計(jì)數(shù)。

初始化C =l，S = s1，Q = s2，此時(shí)SQw = s1，假定S = s1s2…sr，Q = sr+1，如果Q ∈V(SQw)則表示sr+1是s1s2…sr的一個(gè)子串，此時(shí)S 不變，將Q 更新為Q =sr+1sr+2，再判斷Q 是否屬于SQw。重復(fù)上述操作，直到Q ?V(SQw)。此時(shí)Q = sr+1sr+2…sr+i，C= C + 1，S 更新為s1s2…sr+1sr+2…sr+i，Q = sr+i-1。重復(fù)以上步驟，直到Q 到最后一位，s1，s2，…，sN分成了C 個(gè)子串。

Lempel 等指出［8］，幾乎所有屬于［0，1］區(qū)間的x 對應(yīng)的二進(jìn)制分解都會指向一個(gè)函數(shù)b(n) =n/lg(n)，所以是隨機(jī)序列的漸進(jìn)行為對C 進(jìn)行歸一化處理，c =/b(n)。此時(shí)c 稱為Kolmogorov 復(fù)雜度。

2.2 基于熵理論的腦電信號特征提取

2.2.1 近似熵

1991 年，Pincus 提出近似熵(approximate entropy，ApEn)理論［9］。近似熵是一種度量時(shí)間序列復(fù)雜性和統(tǒng)計(jì)量化的規(guī)則，是一種不需要進(jìn)行粗?；哪X電復(fù)雜性測度分析方法。該算法用一個(gè)非負(fù)數(shù)表示時(shí)間序列的復(fù)雜性，越復(fù)雜的時(shí)間序列對應(yīng)的近似熵越大［10-12］。該算法只需很短的時(shí)間序列(約1 000 個(gè)數(shù)據(jù)點(diǎn))，就足以估算出可靠的ApEn 值，并不企圖完全重構(gòu)吸引子，而是用一種有效的統(tǒng)計(jì)方式——邊緣概率密度的分布來區(qū)分各種過程，因此特別適用于生物電這類極其不穩(wěn)定信號的分析。

近似熵的具體算法［7］如下:設(shè)原始數(shù)據(jù)為u(1)，u(2)，…，u(n)，共n 點(diǎn)。對于u，按順序?qū)⑵浣M成一個(gè)m 維的向量集X(i)，即從第i 個(gè)點(diǎn)開始連續(xù)的m 個(gè)u 值，其中參數(shù)m 是比較序列的長度，即窗口長度，也叫嵌入維數(shù)。

1)計(jì)算向量X(i)與其余向量X(j)之間的距離d(X(i)，X(j))，并將其最大值定義為最大反應(yīng)成分距離，即

其中，i，j = 1，2，…，N - m + 1

2)定義一個(gè)閾值r(r ＞0)，對于每一個(gè)i≤N-m+l 值，記錄滿足條件d(X(i)，X(j))＜ r 的個(gè)數(shù)。這個(gè)值與總數(shù)N-m +l 的比值定義為

3)對每一個(gè)可能的i 值，計(jì)算Cmr 的對數(shù)，求這些對數(shù)的平均值，定義為φm(r)，即

該極限存在，且極值為1。因此，ApEn 表示向量集隨著m 增大產(chǎn)生新模式的概率，產(chǎn)生新模式的概率越大，ApEn 值就越大，時(shí)間序列的復(fù)雜度越大。實(shí)際上，N 不可能取無窮大，所以通常只能在N足夠大的時(shí)候，對ApEn 進(jìn)行估計(jì)，同時(shí)，ApEn 的值還依賴于m 和r。

根據(jù)經(jīng)驗(yàn)，Pincus 建議m 取2，r 取0.1 ～0.2 倍原始數(shù)據(jù)的標(biāo)準(zhǔn)差。從而只需用很短的時(shí)間序列(約1000 個(gè)數(shù)據(jù)點(diǎn))就可以估算出可靠的ApEn 值。

2.2.2 小波熵

根據(jù)小波變換的框架理論，當(dāng)小波基函數(shù)是一組正交基函數(shù)時(shí)，小波變換具有能量守恒的性質(zhì)，小波熵可以通過小波系數(shù)求得［13］。

離散時(shí)間信號f(t)，經(jīng)過J 層離散小波變換分解后，低頻近似分量系數(shù)為AJ，高頻細(xì)節(jié)系數(shù) 為Dj，其中j = 1，2，…，J。單一尺度下的小波能量為該尺度下小波系數(shù)的平方和，總的小波能量為

為了統(tǒng)一，將AJ表示為DJ+1則總能量為

相對小波能量為

小波變換具有良好的時(shí)頻局部化性能，根據(jù)Shannon 熵理論和相對小波能量的定義，小波熵(wavelet entropy ，WE)的定義為

式(10)反映了整個(gè)信號的不確定性和復(fù)雜程度［14］。

小波變換反映了信號在時(shí)頻域中能量的分布狀況，不同信號在時(shí)頻分布上的差異表現(xiàn)為不同子塊時(shí)頻區(qū)間能量分布的差異。小波熵理論是基于小波分析方法建立起類似信息熵的理論，能夠?qū)r(shí)頻域上能量分布特性進(jìn)行定量描述。

基于以上算法，提取融合Kc復(fù)雜度因子，近似熵、小波熵3 類情感特征參數(shù)，以遺傳算法改進(jìn)的支持向量機(jī)作為融合分類器，比較單一情感特征與融合情感特征的壓力情感狀態(tài)識別效果。

3 基于支持向量機(jī)的模式分類

支持向量機(jī)(SVM)由于較好地解決了小樣本、非線性及高維數(shù)、局部極小值點(diǎn)等實(shí)際問題，已逐漸成為解決模式分類問題的首選工具。本研究基于改進(jìn)支持向量機(jī)融合3 類不同域描述的情感特征參數(shù)，解決基于腦電信號的壓力情感狀態(tài)評價(jià)分類問題。

選用C-SVC 模型以及RBF 核函數(shù)，基于遺傳算法的參數(shù)尋優(yōu)與分類流程見圖2。首先選擇實(shí)值編碼策略，設(shè)置種群大小取20 代，最大進(jìn)化代數(shù)設(shè)定為100，交叉和變異概率分別設(shè)為0.4 和0.01。通過GA 尋找最優(yōu)懲罰系數(shù)c 和核參數(shù)g，設(shè)定參數(shù)并訓(xùn)練分類器。將預(yù)處理過的腦電信號基于小波變換提取β 波，然后將提取的Kc復(fù)雜度、小波熵、近似熵3 種特征融合，送入訓(xùn)練好的分類器中進(jìn)行分類評估。

圖2 小波包特征提取并由經(jīng)GA 優(yōu)化的SVM 分類的算法流程Fig．2 Flow chart of the SVM improved by GA classification with the wavelet packet-based feature extraction

4 實(shí)驗(yàn)與數(shù)據(jù)采集

心理研究表明，當(dāng)人在規(guī)定時(shí)間內(nèi)完成指定任務(wù)時(shí)會產(chǎn)生心理壓力，而人在情緒緊張或感到壓力時(shí)腦電的β 波明顯。本實(shí)驗(yàn)記錄被試者在玩“切水果”游戲時(shí)的腦電信號，研究其β 波的變化規(guī)律。

4.1 實(shí)驗(yàn)設(shè)備和數(shù)據(jù)采集

腦電信號采集通過Neuroscan 記錄系統(tǒng)(見圖3)完成。記錄電極使用的是該公司的Quick-cap32導(dǎo)電極帽，Ag-AgCl 杯狀電極。電極安放位置按照10 -20 國際電極系統(tǒng)放置法放置，電極的接觸阻抗均小于10 kΩ。信號采樣率為1 000 Hz，信號通過0～30 Hz 的低通濾波。

圖3 Neuroscan 記錄系統(tǒng)Fig．3 Neuroscan Recording System

腦電數(shù)據(jù)的采集來自8 例受試者(4 例男性，4例女性)。受試者均為燕山大學(xué)的在讀研究生，年齡23 ～25 歲，右利手。受試者的腦電采集來自兩種狀態(tài)，睜眼休息和游戲。實(shí)驗(yàn)在一個(gè)隔音、隔光的屏蔽室內(nèi)進(jìn)行，受試者坐在一個(gè)舒適的靠椅上進(jìn)行腦電紀(jì)錄。在記錄腦電時(shí)，關(guān)閉屏蔽室內(nèi)的燈光，保持周圍安靜。

4.2 實(shí)驗(yàn)流程

在實(shí)驗(yàn)前，先讓被試者休息幾分鐘，讓其放松平靜下來，生理特征達(dá)到平常狀態(tài)。主動與被試者溝通，讓他們了解測試流程，緩解緊張和好奇的情緒。

在實(shí)驗(yàn)過程中，首先讓受試者靜息5 min(過程中注意閉上眼睛，不能左右轉(zhuǎn)動眼珠，不能睜眼，不能睡覺，不能思考問題，周圍要保持安靜)，然后睜眼靜息2 min 后開始切水果游戲，游戲持續(xù)60 s，記錄下這個(gè)過程中的眼動和腦電數(shù)據(jù)。要求每名受試者實(shí)驗(yàn)時(shí)重復(fù)上述過程3 次。

在記錄前，實(shí)驗(yàn)人員告知受試者睜眼還是閉眼靜息，待腦電波平穩(wěn)后開始記錄腦電，在每種狀態(tài)下記錄約2 min 的腦電信號，保存信號以進(jìn)行下一步的分析。采集過程中的原始數(shù)據(jù)記錄見圖4。

5 腦電信號預(yù)處理

5.1 腦電信號的特征選擇

腦電信號是一種產(chǎn)生機(jī)理相當(dāng)復(fù)雜的非平穩(wěn)隨機(jī)信號，主要由各種節(jié)律性電活動組成，根據(jù)一般腦電節(jié)律的頻率分段標(biāo)準(zhǔn)［7］，將腦電信號分為α波、β 波、θ 波、σ 波4 種基本節(jié)律。α 波主要是在閉眼時(shí)較為明顯，在睜眼時(shí)會減弱或消失，而實(shí)驗(yàn)設(shè)計(jì)是游戲?qū)嶒?yàn)，整個(gè)實(shí)驗(yàn)過程被試都是睜眼狀態(tài)，因此α 波不作為分析的主要信息。θ 波和σ 波主要是正常兒童和嬰兒的主要腦電活動，而本次的實(shí)驗(yàn)對像為23 ～25 歲的在讀研究生，因此也不作為實(shí)驗(yàn)的分析節(jié)律。β 波由于不受睜眼和閉眼的影響，且在大腦皮層興奮狀態(tài)時(shí)表現(xiàn)明顯，因此本次實(shí)驗(yàn)主要是提取腦電信號中的β 波來用于壓力評估與分析。

圖4 原始數(shù)據(jù)采集Fig．4 Raw data acquisition

5.2 基于小波包變換的β 波提取

所用的數(shù)據(jù)是實(shí)驗(yàn)室自采的數(shù)據(jù)，共有8 個(gè)被試者的92 組原始數(shù)據(jù)，其中44 個(gè)靜息樣本，48 個(gè)游戲樣本。

首先將采集的. cnt 格式腦電數(shù)據(jù)用Neuroscan自帶的分析軟件進(jìn)行去除眼動的處理。使用Matlab中eeglab 工具箱對其進(jìn)行重采樣(重采樣頻率為128 Hz)，基于ICA 方法對數(shù)據(jù)進(jìn)行去噪處理。截取9 s 不同狀態(tài)下的平穩(wěn)腦電信號，共1 152個(gè)數(shù)據(jù)點(diǎn)，使數(shù)據(jù)長度一致，以便下一步分析。

圖5 腦電圖。(a)原始腦電;(b)經(jīng)小波包重構(gòu)的β 波Fig．5 EEG． (a)The original EEG;(b)The extracted β wave based on the wavelet packet．

如圖5 所示，(a)為采集的原始腦電信號，(b)為采用daubechies 小波對腦電信號進(jìn)行6 層分解，并將β 波所包含的分解節(jié)點(diǎn)進(jìn)行重構(gòu)。

6 結(jié)果

以FC3 電極為例，依據(jù)上述3 種特征提取方法，提取不同的特征向量并組合，送入SVM 分類器，所得結(jié)果為:最大分類正確率為94.12%，平均分類正確率為82.06%。

圖6 所示為分類器尋優(yōu)時(shí)的適應(yīng)度曲線，偏上的實(shí)點(diǎn)線是最佳適應(yīng)度曲線，偏下的圓圈線是過程中的平均適應(yīng)度曲線。此次尋優(yōu)所得最優(yōu)的懲罰參數(shù)c =2.18，核參數(shù)g =0.88，尋優(yōu)時(shí)運(yùn)用n 倍交叉驗(yàn)證時(shí)所得分類正確率為78.34%。

訓(xùn)練集與測試集樣本以50∶42 的比例訓(xùn)練分類器，每組樣本測試循環(huán)20 次，實(shí)驗(yàn)結(jié)果見表1。由于在額區(qū)、顳區(qū)、中央?yún)^(qū)的β 活動最為明顯。為了選取最能體現(xiàn)實(shí)驗(yàn)結(jié)果的電極，選取上述3 區(qū)中的8 個(gè)電極(C3，C4，F(xiàn)3，F(xiàn)4，F(xiàn)C3，F(xiàn)C4，F(xiàn)P1，F(xiàn)P2)進(jìn)行數(shù)據(jù)處理及分析，將平均分類準(zhǔn)確率最高的3 種特征融合的結(jié)果進(jìn)行對比，如表2 所示。

圖6 GA 參數(shù)尋優(yōu)方法尋優(yōu)時(shí)的適應(yīng)度曲線Fig． 6 The fitness curve using GA when searching c and g．

表1 不同特征提取方法的分類結(jié)果比較Tab．1 Comparison of the classification results of the different feature extraction methods

表2 不同電極3 種特征融合的分類結(jié)果比較Tab．2 Comparison of the classification results of the different electrodes for three features fusion

7 討論

采用3 種算法的不同組合方式，比較SVM 分類結(jié)果。由表1 可知，在對腦電信號進(jìn)行特征提取并單獨(dú)使用一種算法時(shí)，小波熵的分類識別率最大為88.24%，平均識別率最大為81.03%。在兩兩組合的特征選擇中，最高的是近似熵和小波熵組合的識別率，為94.12%，平均識別率最大值為81.18%;融合3 類特征中，最大識別率為94.12%，平均識別率82.06%。

在3 種算法(Kc復(fù)雜度、小波熵、近似熵)中，小波熵平均識別率高于 Kc復(fù)雜度平均識別率8.82%，這與腦電信號的特征提取算法的特性有關(guān)。β 波在大腦皮層興奮狀態(tài)時(shí)表現(xiàn)明顯，Kc復(fù)雜度這種過分的粗?；赡芨淖兞诵盘柕膭恿W(xué)特性，所以識別率不是很高;小波熵理論是基于小波分析方法而建立的類似信息熵的理論，能夠?qū)r(shí)頻域上的能量分布特性進(jìn)行定量描述，在游戲和靜息兩種狀態(tài)下，腦電信號的復(fù)雜度前者高于后者，識別率相對較高。近似熵是對時(shí)間序列的復(fù)雜度進(jìn)行的分析，其變換幅度要好于復(fù)雜度，需要的數(shù)據(jù)長度短于復(fù)雜度，但運(yùn)算速度要比Kc復(fù)雜度慢。綜上所述，三者結(jié)合應(yīng)為比較理想的特征組合。實(shí)驗(yàn)結(jié)果也說明，融合3 類情感特征參數(shù)，測試識別率較高。

由表2 可知，奇數(shù)電極比對應(yīng)偶數(shù)電極的分類準(zhǔn)確率高，也就是腦的左半球相對右半球來說，對壓力的感受比較敏感;相對其他電極，F(xiàn)C3、C3 電極的分類準(zhǔn)確率較高。

人的左腦與右腦形狀相同，功能卻大不一樣。人的左腦側(cè)重于理性思維，善于推理，邏輯性強(qiáng)，而右腦側(cè)重于感性思維，善于創(chuàng)新，跳躍性強(qiáng)。

筆者所研究對象為β 波，其頻率為13.28 ～30.47 Hz。在額、顳、中央?yún)^(qū)活動最為明顯。在睜眼視物、情緒緊張、焦慮不安、驚疑恐懼或服用安定等藥物時(shí)，β 波活動急劇增多。同時(shí)，β 波的活動也與人的某些心理品質(zhì)有關(guān)。β 節(jié)律優(yōu)勢的人常表現(xiàn)為精神緊張、情緒不穩(wěn)，善于獨(dú)立地執(zhí)行任務(wù);長于抽象思維，喜歡依靠“推理"解決問題，還表現(xiàn)出持久力差、易于疲勞的特點(diǎn)。所以當(dāng)面對壓力時(shí)，β 波表現(xiàn)明顯。

由于功能不同，左右腦在面對壓力時(shí)產(chǎn)生的β波不應(yīng)相同，即左右腦對壓力的感受程度不同，表2的結(jié)果驗(yàn)證了左腦比右腦對壓力感受更為敏感的結(jié)論。

FC3、C3 電極在中央?yún)^(qū)，屬于左半球，分類準(zhǔn)確率較高符合上述推理。而理論上額區(qū)的FP1、F3 應(yīng)高于其他電極，但可能是電極在額區(qū)貼的不夠服帖，所以效果不如FC3、C3。

8 結(jié)論

本研究以腦電數(shù)據(jù)為對象，采用Kc 復(fù)雜度、小波熵、近似熵算法，提取腦電數(shù)據(jù)壓力情感特征，基于改進(jìn)支持向量機(jī)融合壓力情感特征，實(shí)現(xiàn)壓力情感狀態(tài)的自動評估。

實(shí)驗(yàn)結(jié)果表明，基于此特征提取融合算法，壓力情感狀態(tài)最高識別率為94.12%，平均識別率為82.06%?；谠撎卣魈崛∷惴ǎ瑢?shí)現(xiàn)壓力人群情感狀態(tài)評估是可行的。

同時(shí)，比較了不同腦區(qū)對于壓力情感的敏感程度。結(jié)果表明，腦的左半球相對右半球來說，對壓力的感受敏感;相對其他電極，F(xiàn)C3、C3 電極的分類準(zhǔn)確率較高。

希望通過此項(xiàng)工作，幫助人們有針對性地采取相應(yīng)措施來緩解壓力，恢復(fù)身心健康。

［1］ Milette K，Roseman M，Thombs BD. Transparency of outcome reporting and trial registration of randomized controlled trials in top psychosomatic and behavioral health journals:A systematic review Original Research Article［J］. Journal of Psychosomatic Research，2011，70 (3):205 -217.

［2］ Healey JA， Picard RW. Detecting stress during real-world driving tasks using physiological sensors ［J］. IEEE Intelligent Transportation Systems Society，2005，6(2):156 -166.

［3］ Mokhayeri F，Akbarzadeh TMR. Mental stress detection based on soft computing techniques［C］// IEEE International Conference on Bioinformatics and Biomedicine. Atlanta:IEEE，2011:430 -433.

［4］ Wagner J. Augsburg Biosignal Toolbox (AuBT)User Guide［OL］. http://emotion-research. net，2012 - 10 - 8/2012 - 12-5.

［5］ Gaggioli AG，Pioggia G，Tartarisco G，et al. A system for automatic detection of momentary stress in naturalistic settings［C］// Wiederhold BK，Riva G ，eds. Studies in Health Technology ＆ Informatics. Biussels:IOS Press，2012:182 -186.

［6］ Hernandez J， Morris RR， Picard RW. Call center stress recognition with person-specific models ［C］ // Mello SD，Graesser A，eds. Affective Computing and Intelligent Interaction，Berlin:Springer-Verlag，2011，125 -134.

［7］ 劉秉正，彭建華. 非線性動力學(xué)［M］. 北京，高等教育出版社2004.

［8］ LempelA，Ziv J.On the complexity of Finite sequence［J］. IEEE TransInf Thcory，1976，IT22:75 -81.

［9］ Pincus SM. Approximate entropy as a measure of system complexity［J］. Proceedings of the National Academy of Science.1991，88(6):2297 -2301.

［10］ Bruhn J，Hoeift A，Ropcke H，et al． Approximate entropy as an electroencephalographic measure of anesthetic drug effect during desflurane anesthesia［J］. Anesthesiology，2000，92(3):715 -726.

［11］ 華光，任維，劉鋼，等. 近似熵及其在心率變異分析中的應(yīng)用［J］.航天醫(yī)學(xué)與醫(yī)學(xué)工程，2000，13(6):417 -421.

［12］ Ocak H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy［J］. Export Systems with Applications，2009，36(2):2027 -2036.

［13］ 李建勛，柯熙政，丁德強(qiáng). 一種基于小波熵的時(shí)間尺度算法［J］.天文學(xué)報(bào)，2007，48(1):84 -92.

［14］ Rosso OA，Blanco S，Yordanova J，et al． Wavelet entropy:a new tool for analysis of short duration brain electrical signals［J］. Neurosci Meth，2001，105(1):65 -75.