[发明专利]基于ECG信号的疲劳、情绪分析方法

说明书

本发明公开了一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA、K‑means聚类算法以及DS证据理论实现，具体包括步骤：采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R‑R间隔序列；对R‑R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；运用K‑means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析；本发明的基于ECG信号的疲劳、情绪分析方法可实现对疲劳、情绪的分析的精确分析。

技术领域

本发明属于心电数据分析技术领域，尤其涉及一种基于ECG信号的疲劳、情绪分析方法。

背景技术

心率变异性(Heart rate variability，HRV)是一种实时、可量化反映心脏交感神经和迷走神经系统活动及其平衡协调关系的指标。HRV与人体负荷存在一定的关系，在安静的情况下，迷走神经兴奋占优势，心率的变化主要受迷走神经调节，在运动、情绪紧张、压力增大等情况下，交感神经兴奋占优势，心率的变化主要受交感神经调节。大量研究表明，HRV降低可以作为对心肌梗死、慢性心力衰竭、不稳定型心绞痛、高血压及糖尿病等疾病的预测指标，而HRV提高对心血管患者的治疗以及药物评价等也有重要的参考价值；因此对HRV的研究分析也越来越重视，越来越普遍。

发明内容

本发明的主要目的在于提供了一种基于ECG信号的疲劳、情绪分析方法，用于建立人体心电生理数据与疲劳、情绪之间关系的全面、精确分析，具体技术方案如下：

一种基于ECG信号的疲劳、情绪分析方法，所述方法基于PCA(principalcomponents analysis，主成分分析)、K-means聚类算法以及DS证据理论实现，具体包括步骤：

采集ECG信号数据，并对ECG信号数据做噪声检测、弱信号检测和滤波处理，提取ECG信号数据的R-R间隔序列；

对R-R间隔序列时频域进行分析，得到用于数据训练的时频域指标，并对获取的所述时频域指标运用DS证据理论进行区间划分；

对通过DS证据理论进行区间划分的所述时频域指标进行PCA，获取低维度矩阵以及相对应的变换矩阵；

运用K-means聚类算法对获取的低维度矩阵做聚类处理，划分出ECG信号数据中不同生理状态对应的类别，实现疲劳、情绪分析。

作为优选，所述时频域指标包括时域指标和频域指标，其中，所述时域指标包括平均心率、心率变异标准偏差、连续性差异的方根等；所述频域指标包括低频能量、高频能量值、极低频、低频、高频等。

作为优选，在对所述时频域指标运用DS证据理论进行区间划分的具体过程为：设定一指定大小的时间值，将所述ECG信号数据按照所述时间值平均分配；对当前段所述时间值内的分析结果与前一段所述时间值内的分析结果以指定比例分别做加权操作，由概率学判断规则得到最终稳定的结果。

作为优选，所述PCA包括步骤：首先将所述时频域指标构成一个数据集，然后求出所述数据集的协方差矩阵，并获取所述协方差矩阵的最大特征值，以及所述最大特征值对应的特征向量，最后找出对应特征向量的数据集方差最大的指定数量的方向，获取低维度矩阵。

作为优选，在使用所述K-means聚类算法做聚类操作前，还包括步骤将所述时频域指标数据存入一指标矩阵中。

作为优选，所述K-means聚类算法聚类的具体过程为：首先选取K个所述低维度矩阵的初始质心，随后将所述指标矩阵和K作为所述K-means聚类算法的输入，获取所述初始质心所在位置构成的质心矩阵，将计算所述指标矩阵与所述质心矩阵的距离，实现不同省力状态对应类别的划分。