DOI：10.19850/j.cnki.2096-4706.2021.09.024

摘? 要：已有許多基于EEG信號(hào)構(gòu)建的壓力檢測(cè)模型，這些模型通過刺激材料誘導(dǎo)信號(hào)的產(chǎn)生，過程煩瑣且難以保證標(biāo)簽的準(zhǔn)確度。對(duì)此，提出了一種基于ECG信號(hào)生成標(biāo)簽用于訓(xùn)練EEG模型的方法。首先通過實(shí)驗(yàn)獲取ECG數(shù)據(jù)進(jìn)行線性擬合;然后同時(shí)采集ECG和EEG信號(hào)，用ECG生成壓力數(shù)據(jù)并進(jìn)行離散化;最后使用支持向量機(jī)和離散化后的數(shù)據(jù)訓(xùn)練模型，得到基于EEG信號(hào)的壓力分類模型。在二分類任務(wù)下達(dá)到了90.16%的精度，表明了生成標(biāo)簽和EEG模型的有效性。

關(guān)鍵詞：ECG;EEG;支持向量機(jī);壓力測(cè)量

中圖分類號(hào)：TN911.7? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(jì)，目前中國(guó)約有2至3億的人存在心理問題。過多的壓力導(dǎo)致人們情緒不良，學(xué)習(xí)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(dǎo)致生理壓力，長(zhǎng)期的外部壓力會(huì)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(yíng)養(yǎng)和適當(dāng)?shù)倪\(yùn)動(dòng)來解決^[1]。雖然壓力并不總是負(fù)面的，適當(dāng)?shù)膲毫梢宰屓藢W(xué)習(xí)和工作更加積極，有利于我們完成目標(biāo)，但如果長(zhǎng)期承受心理壓力將對(duì)健康造成損害，還會(huì)導(dǎo)致免疫力的降低^[2]。因此，快速、準(zhǔn)確地了解自身的壓力對(duì)于保持身心健康有重要意義。

傳統(tǒng)的評(píng)估方法依賴評(píng)估者的主觀經(jīng)驗(yàn)，并且受測(cè)者可能會(huì)試圖隱藏自己的真實(shí)心理狀態(tài)。利用生理信號(hào)來測(cè)試壓力更為客觀。此外，傳統(tǒng)方法還有無(wú)法進(jìn)行連續(xù)測(cè)量的缺點(diǎn)，不能夠跟蹤到個(gè)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(shí)時(shí)地跟蹤生理指標(biāo)正在成為主流。人體的生理信號(hào)會(huì)隨著壓力的產(chǎn)生相應(yīng)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(hào)可以有效地測(cè)量壓力的程度。為了得到準(zhǔn)確的心電信號(hào)，心電設(shè)備通過都需要多個(gè)電極來采集信號(hào)，即使是采用單導(dǎo)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(hào)更加容易采集，并且信號(hào)敏感，可以快速的反應(yīng)出壓力的變化。但是，利用腦電信號(hào)訓(xùn)練模型存在著標(biāo)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(dǎo)情緒，再根據(jù)材料的類型為收集到數(shù)據(jù)進(jìn)行標(biāo)注，過程比較煩瑣，并且由于存在個(gè)體差異，對(duì)于同一個(gè)刺激材料的反應(yīng)也有所不同。為此，我們提出了一種利用ECG自動(dòng)生成壓力標(biāo)簽用于EEG模型訓(xùn)練的方法，該方法可以方便地為EEG數(shù)據(jù)準(zhǔn)備好標(biāo)簽。

1? 相關(guān)研究概述

腦電波是一種使用電生理指標(biāo)記錄大腦活動(dòng)的方法，大腦在活動(dòng)時(shí)，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(cè)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(shí)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(huì)有，主導(dǎo)側(cè)的振幅會(huì)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(wù)，有利于學(xué)習(xí)等認(rèn)知行為，但是當(dāng)β波過多的時(shí)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(shí)人通常處于十分激動(dòng)、亢奮的狀態(tài)，或是受到了強(qiáng)烈的刺激。δ波頻率范圍0～4 Hz，與最深層次的放松和恢復(fù)，愈合、睡眠有關(guān)。太多的δ波與腦損傷、學(xué)習(xí)問題有關(guān)，太少則可能無(wú)法興奮大腦。θ波頻率位于4～8 Hz之間，太多的θ波與多動(dòng)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(hào)的壓力測(cè)量研究?？琢钋俚?sup>[3]融合了心率變異性和人臉表情進(jìn)行壓力的檢測(cè)，將HRV以及表情共同作為特征輸入，利用支持向量機(jī)進(jìn)行訓(xùn)練分類，實(shí)現(xiàn)壓力狀態(tài)與非壓力狀態(tài)的檢測(cè)。于路^[4]通過放松、Stroop彩色單詞測(cè)試任務(wù)、心算任務(wù)，制造不同的心理壓力水平，然后計(jì)算HRV時(shí)域、頻域指標(biāo)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(hào)計(jì)算RR間期，截取104個(gè)RR間期序列，提取較少心率變異性特征，實(shí)現(xiàn)了基于心率變異性的心理壓力連續(xù)檢測(cè)。

EEG信號(hào)反應(yīng)更為迅速，有利于實(shí)時(shí)測(cè)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(hào)在壓力測(cè)量方面的應(yīng)用。Sharma等^[6]對(duì)不同的分類器進(jìn)行了詳細(xì)的分析，發(fā)現(xiàn)SVM獲得了最大的準(zhǔn)確率。證明使用腦電圖進(jìn)行壓力檢測(cè)的結(jié)果可行性，適用于心理健康問題的臨床干預(yù)和預(yù)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(jì)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(duì)數(shù)據(jù)進(jìn)行預(yù)處理操作，包括去除異常值和歸一化。然后進(jìn)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(jìn)一步細(xì)分為低、中和高三個(gè)頻段。本文不進(jìn)行這種細(xì)分，我們選擇α、β、θ和γ，4個(gè)特征用于EEG模型的訓(xùn)練。最后我們還進(jìn)行了交叉驗(yàn)證，證明模型的有效性。算法流程如圖1所示。

為了能夠自動(dòng)生成數(shù)據(jù)標(biāo)簽，我們先構(gòu)建了基于ECG信號(hào)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(dǎo)壓力的產(chǎn)生，本文采用了主流的特里爾社會(huì)應(yīng)激測(cè)試（Trier Social Stress Test，TSST）。在被試進(jìn)入實(shí)驗(yàn)室后先坐下休息10分鐘，然后佩戴ECG設(shè)備，準(zhǔn)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(biāo)平穩(wěn)之后，開始進(jìn)行壓力的誘導(dǎo)并記錄數(shù)據(jù)。誘導(dǎo)過程包括進(jìn)行演講和完成心算任務(wù)。實(shí)驗(yàn)過程保持嚴(yán)肅，要求被試盡快給出心算的結(jié)果，并在受測(cè)者回答錯(cuò)誤時(shí)要求重新進(jìn)行心算任務(wù)，以此誘導(dǎo)壓力。在整個(gè)實(shí)驗(yàn)過程中，HRV數(shù)據(jù)被實(shí)時(shí)地存儲(chǔ)到數(shù)據(jù)庫(kù)中。

步驟二：數(shù)據(jù)預(yù)處理。重復(fù)數(shù)據(jù)對(duì)于本文模型的訓(xùn)練沒有作用，因此，本文根據(jù)LF、HF和HR三個(gè)指標(biāo)進(jìn)行篩選，去除重復(fù)的數(shù)據(jù)。去除異常的HRV數(shù)據(jù)，包括零值和2倍標(biāo)準(zhǔn)差以外的數(shù)據(jù)，然后進(jìn)行等距分箱，為后續(xù)的擬合準(zhǔn)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(jìn)行了編號(hào)（數(shù)據(jù)表中的user域）。處理后的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)中，數(shù)據(jù)格式和部分?jǐn)?shù)據(jù)如圖2所示。

步驟三：擬合數(shù)據(jù)。HRV是基于ECG信號(hào)的一系列重要指標(biāo)，包括時(shí)域和頻域指標(biāo)。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(shí)驗(yàn)和調(diào)整，我們得到了以下壓力模型：

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

3? 實(shí)驗(yàn)過程

在得到基于ECG的壓力模型后，需要進(jìn)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(jìn)行壓力的誘導(dǎo)（不包括ECG實(shí)驗(yàn)中的被試），要求被試同時(shí)佩戴ECG和EEG設(shè)備，以便在ECG信號(hào)和EEG信號(hào)之間建立聯(lián)系。此外，為了采集到參加實(shí)驗(yàn)人員的日常壓力狀態(tài)，我們還開發(fā)了一個(gè)能夠?qū)崟r(shí)記錄ECG和EEG數(shù)據(jù)的APP，然后分發(fā)給各個(gè)被試人員，要求佩戴設(shè)備6小時(shí)以上。最后對(duì)所有的數(shù)據(jù)的進(jìn)行匯總和處理，得到訓(xùn)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(biāo)簽，再用支持向量機(jī)進(jìn)行分類任務(wù)，將數(shù)據(jù)分為“有壓力”和“無(wú)壓力”兩種狀態(tài)。具體步驟為：

步驟一：進(jìn)行TSST測(cè)試，同時(shí)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(hào)輸入式（5），直接計(jì)算得到壓力分?jǐn)?shù)并存儲(chǔ)到數(shù)據(jù)庫(kù)。在移動(dòng)設(shè)備上，我們使用SQLite數(shù)據(jù)庫(kù)存儲(chǔ)數(shù)據(jù)。

步驟三：進(jìn)行EEG數(shù)據(jù)預(yù)處理。EEG信號(hào)非常敏感，容易受到干擾。在進(jìn)行頻域變換時(shí)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(duì)采集到的數(shù)據(jù)，除了進(jìn)行常規(guī)的預(yù)處理操作，還限制數(shù)據(jù)的最大最小值為正負(fù)2倍標(biāo)準(zhǔn)差。

步驟四：為EEG數(shù)據(jù)準(zhǔn)備標(biāo)簽。將由公式計(jì)算得到的分?jǐn)?shù)進(jìn)行離散化，數(shù)值小于等于50的標(biāo)記為0，表示“無(wú)壓力”，大于50的標(biāo)記為1，表示“有壓力”。由于是同時(shí)采集ECG和EEG數(shù)據(jù)，因此在對(duì)應(yīng)的時(shí)間點(diǎn)上壓力狀態(tài)是相同的。

步驟五：特征選取。根據(jù)先驗(yàn)知識(shí)和實(shí)驗(yàn)，我們選取了α、β、θ和γ，4個(gè)特征用于模型的訓(xùn)練。

步驟六：使用準(zhǔn)備好的EEG數(shù)據(jù)訓(xùn)練SVM模型，進(jìn)行二分類任務(wù)。

步驟七：進(jìn)行交叉驗(yàn)證，計(jì)算平均精度。

4? 實(shí)驗(yàn)結(jié)果

本文使用分類精度來評(píng)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(yàn)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(shí)驗(yàn)結(jié)果顯示，本文的ECG模型能夠?qū)崟r(shí)、準(zhǔn)確地生成壓力分?jǐn)?shù)，并且可以有效地作為EEG數(shù)據(jù)的標(biāo)簽使用。較高的分類精度也展示了針對(duì)壓力測(cè)量這一任務(wù)，采用單極導(dǎo)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(dǎo)聯(lián)方式。實(shí)驗(yàn)還發(fā)現(xiàn)，對(duì)于δ，該特征對(duì)分類精度影響較小，因此在后續(xù)的實(shí)驗(yàn)中去除了這一特征，以提高泛化性能并減少運(yùn)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(dāng)今社會(huì)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(cè)壓力，準(zhǔn)確度高，但EEG信號(hào)反應(yīng)更為迅速，且硬件設(shè)備相對(duì)更便宜。本文提出了一種基于ECG信號(hào)自動(dòng)生成壓力標(biāo)簽并用于EEG模型訓(xùn)練的方法。該方法能夠方便、客觀地生成壓力分?jǐn)?shù)，避免了以往的手工標(biāo)記數(shù)據(jù)的煩瑣過程，有利于大量地對(duì)EEG數(shù)據(jù)進(jìn)行標(biāo)記，提高EEG模型的訓(xùn)練效果。研究EEG在壓力檢測(cè)方面的應(yīng)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(jì)算壓力時(shí)已經(jīng)考慮到年齡因素，并在ECG模型中進(jìn)行了調(diào)整，但由于個(gè)體存在差異，未來還需要對(duì)此開展更多的研究。

參考文獻(xiàn)：

[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(jìn)，等.融合心率變異性與表情的非接觸心理壓力檢測(cè) [J].光學(xué)學(xué)報(bào)，2021，41（3）：68-77.

[4] 于路.基于心電指標(biāo)的心理壓力檢測(cè)研究 [J].心理科學(xué)，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(cè) [D].重慶：西南大學(xué)，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(jiǎn)介：林穎（1992—），男，漢族，廣東揭陽(yáng)人，專任教師，碩士研究生，研究方向：模式識(shí)別。

收稿日期：2021-03-20

課題項(xiàng)目：廣東省教育廳課題（2019GKTS CX069）