一种压力识别方法及设备与流程

本申请涉及智能设备技术领域，特别涉及一种压力识别方法，还涉及一种压力识别装置、压力识别设备以及计算机可读存储介质。

背景技术：

心理压力是影响人体健康的重要因素，当心理压力超过个体本身心理压力承受能力时，会导致疾病高发，影响人体健康。在现实生活中，心理压力越来越成为影响人们身心健康和高质量生活的主要因素。要对心理压力进行有效的诊断和干预，就需要对心理压力进行量化测量，但是主观情绪和外人的经验并不能准确地评价一个人的心理压力程度，必须要通过人体的体征信号来进行辅助判断。另一方面，伴随近年来可穿戴技术的发展，智能手表，智能手环等一系列可穿戴设备的广泛普及，借助可穿戴设备采集个人的生理信息逐渐成为可能，利用技术手段自动检测心理压力具有可行性并广泛受到人们的关注。在教育、医疗、特殊领域中，可以客观方便的帮助医生和患者评估心理压力，达到有效辅助医生诊断和患者康复的目的。

评估心理压力的基础是准确地测量心理压力，目前用于心理压力测试的常用方法主要为生理测量法，其主要是应用生物电相关技术对人的健康状况开展评估，是当前国内外研究的热点。现有研究表明，人类体征信号中包含丰富的情感信息，同时具有客观性、真实性和能够实时监测的特点，体征信号和心理反应之间存在关联性，因此选择具有良好特征的体征信号来综合衡量心理压力具备可实现性和有效性。

hrv(heartratevariability，心率变异性)是指逐次心搏间期的微小差异，其产生于自主神经系统对心脏窦房结的调制，随着体内外环境的变化而时刻变化，使得心搏间期一般存在几十毫秒的差异和波动。目前，基于hrv的压力识别方法，主要是通过采集不同程度环境下的生理数据，例如采集放松、轻度压力、中度压力、严重压力环境下的心电信号等，计算大量的hrv特征，然后通过一些机器学习的方法，如支持向量机等来建立和训练压力识别模型，再通过该模型来进行压力的识别。然而，由于hrv特征的种类多种多样且数量巨大，基于大量的hrv特征实现压力识别模型的构建，不仅在模型构建过程中需要消耗大量的时间，基于该压力识别模型进行压力识别的效率也会大大降低。

因此，如何提供一种压力识别方法，以有效提高压力识别效率是本领域技术人员亟待解决的问题。

技术实现要素：

本申请的目的是提供一种压力识别方法，该压力识别方法基于与压力变化具有一定相关性的hrv特征实现了压力识别，极大的提高了压力识别效率；本申请的另一目的是提供一种压力识别装置、压力识别设备以及计算机可读存储介质，也具有上述有益效果。

为解决上述技术问题，本申请提供了一种压力识别方法，所述压力识别方法包括：

当接收到测试信号时，对所述测试信号进行特征提取，获得待测相关性hrv特征；

通过预设压力识别模型对所述待测相关性hrv特征进行压力值计算，获得目标压力值；

将所述目标压力值与压力程度分级规则进行比对，确定所述目标压力值对应的压力等级。

优选的，所述预设压力识别模型的构建过程包括：

对不同压力等级下的样本信号进行特征提取，获得多个hrv特征；

通过特征提取算法在所有所述hrv特征中提取相关性hrv特征；

根据所述相关性hrv特征进行模型构建，获得所述预设压力识别模型；

根据所述预设压力识别模型计算获得所述压力程度分级规则。

优选的，所述对不同压力等级下的样本信号进行特征提取，获得多个hrv特征，包括：

通过光电容积脉搏波描记法对所述不同压力等级下的样本信号进行特征提取，获得所述多个hrv特征。

优选的，所述对不同压力等级下的样本信号进行特征提取，获得多个hrv特征之后，还包括：

对各个所述hrv特征进行预处理，获得处理后的hrv特征。

优选的，所述通过特征提取算法在所有所述hrv特征中提取相关性hrv特征，具体包括：

对各个所述hrv特征进行标准化处理，获得标准hrv特征；

通过所述特征提取算法在所有所述标准hrv特征中提取所述相关性hrv特征。

优选的，所述通过所述特征提取算法在所有所述标准hrv特征中提取所述相关性hrv特征，包括：

通过所述t检验分析算法对各个相邻压力等级下相同类型的所述标准hrv特征进行处理，获得多个显著性因子；

选取所述显著性因子低于预设显著性因子的标准hrv特征作为所述相关性hrv特征。

优选的，所述根据所述相关性hrv特征进行模型构建，获得所述预设压力识别模型，包括：

根据所述显著性因子计算获得各个所述相关性hrv特征的权重系数；

根据所述权重系数对所述相关性hrv特征进行模型构建，获得所述预设压力识别模型。

优选的，所述根据所述预设压力识别模型计算获得压力程度分级规则，包括：

通过所述预设压力识别模型对各个所述相关性hrv特征进行压力值计算，获得各个所述相关性hrv特征的压力值；

将各个所述压力值按照由小到大的顺序进行排序；

对排序后的各个所述压力值进行均分处理，获得预定数量个压力分级阈值；

根据各个所述压力分级阈值构建所述压力程度分级规则。

优选的，所述压力识别方法还包括：

根据所述目标压力值和所述目标压力值对应的压力等级对所述压力程度分级规则进行修正，获得修正后压力程度分级规则。

为解决上述技术问题，本申请提供了一种压力识别装置，所述压力识别装置包括：

测试特征提取模块，用于当接收到测试信号时，对所述测试信号特征提取，获得待测相关性心率变异性hrv特征；

压力值计算模块，用于通过预设压力识别模型对所述待测相关性hrv特征进行压力值计算，获得目标压力值；

压力等级确定模块，用于将所述目标压力值与压力程度分级规则进行比对，确定所述目标压力值对应的压力等级。

为解决上述技术问题，本申请提供了一种压力识别设备，所述压力识别设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任意一种压力识别方法的步骤。

为解决上述技术问题，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种压力识别方法的步骤。

本申请所提供的一种压力识别方法，包括当接收到测试信号时，对所述测试信号特征提取，获得待测相关性hrv特征；通过预设压力识别模型对所述待测相关性hrv特征进行压力值计算，获得目标压力值；将所述目标压力值与压力程度分级规则进行比对，确定所述目标压力值对应的压力等级。

可见，本申请所提供的压力识别方法，在对获取到的测试信号进行压力识别时，先对该测试信号进行特征提取，以获得与人体压力变化具有较大相关性的hrv特征，即上述待测相关性hrv特征，进一步，再将该待测相关性hrv特征输入预设压力识别模型进行压力识别，相较于已有技术中将所有hrv特征全部输入压力识别模型进行压力识别，本申请所提供的压力识别方法极大的提高了对人体压力识别的效率。此外，由于上述预设压力识别模型是对提取的待测相关性hrv特征进行运算实现压力识别的，因此，可以想到的是，预设压力识别模型的构建过程同样也是基于样本相关性hrv特征进行构建获得的，而非通过所有的hrv特征实现模型构建，由此，大大缩短了模型构建时间。

本申请所提供的一种压力识别装置、设备以及计算机可读存储介质，均具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请所提供的一种压力识别方法的流程示意图；

图2为本申请所提供的一种预设压力识别模型构建方法的流程示意图；

图3为本申请所提供的一种压力程度分级规则获取方法的流程示意图；

图4为本申请所提供的一种压力识别模型的构建流程图；

图5为本申请所提供的一种压力识别模型的测试流程图；

图6为本申请所提供的一种压力识别模型的修正流程图；

图7为本申请所提供的一种压力识别装置的结构示意图；

图8为本申请所提供的一种压力识别设备的结构示意图。

具体实施方式

本申请的核心是提供一种压力识别方法，该压力识别方法基于与压力变化具有一定相关性的hrv特征实现了压力识别，极大的提高了压力识别效率；本申请的另一核心是提供一种压力识别装置、压力识别设备以及计算机可读存储介质，也具有上述有益效果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在已有的基于hrv的压力识别方法中，由于hrv特征的种类多种多样且数量巨大，基于大量的hrv特征实现压力识别模型的构建，不仅在模型构建过程中需要消耗大量的时间，基于该压力识别模型进行压力识别的效率也会大大降低。因此，为解决上述问题，本申请提供了一种压力识别方法，该压力识别方法基于与压力变化具有一定相关性的hrv特征实现了压力识别，极大的提高了压力识别效率。

请参考图1，图1为本申请所提供的一种压力识别方法的流程示意图，该压力识别方法可以包括：

s101：当接收到测试信号时，对测试信号进行特征提取，获得待测相关性hrv特征；

本步骤旨在实现在测试信号中提取获得待测相关性hrv特征。具体而言，在接收到测试信号后，无需从中提取所有的hrv特征，只需将上述待测相关性hrv特征提取出来即可。其中，该待测相关性hrv特征为与压力变化最相关的hrv特征，也即与压力相关性较强的hrv特征。由此，即可基于该待测相关性hrv特征实现后续压力识别。

另外，对于上述特征提取方法，可采用已有技术中的任意一种，能够实现待测相关性hrv特征的提取即可，本申请不做限定。

s102：通过预设压力识别模型对待测相关性hrv特征进行压力值计算，获得目标压力值；

具体的，本步骤旨在通过预先构建获得的压力识别模型，即上述预设压力识别模型对待测相关性hrv特征进行压力值计算，获得相应的压力值，即上述目标压力值。

其中，上述预设压力识别模型的构建可基于大量的样本数据实现，其具体构建方法可采用已有技术中的任意一种，本申请对此不做限定。但需要说明的是，由于本步骤中的预设压力识别模型是对s101中提取获得的待测相关性hrv特征进行压力识别，因此，用于实现模型构建的样本数据也为相关性hrv特征，由此，仅基于相关性hrv特征实现模型构建，极大的提高了模型构建效率。

s103：将目标压力值与压力程度分级规则进行比对，确定目标压力值对应的压力等级。

具体的，本步骤旨在将获得的目标压力值与压力程度分级规则进行比对，从而确定被测试者当前所处的压力等级。其中，该压力程度分级规则明确了压力等级的划分，其中定义了不同压力值阶段对应的压力等级。

本申请所提供的压力识别方法，在对获取到的测试信号进行压力识别时，先对该测试信号进行特征提取，以获得与人体压力变化具有较大相关性的hrv特征，即上述待测相关性hrv特征，进一步，再将该待测相关性hrv特征输入预设压力识别模型进行压力识别，相较于已有技术中将所有hrv特征全部输入压力识别模型进行压力识别，本申请所提供的压力识别方法极大的提高了对人体压力识别的效率。此外，由于上述预设压力识别模型是对提取的待测相关性hrv特征进行运算实现压力识别的，因此，可以想到的是，预设压力识别模型的构建过程同样也是基于样本相关性hrv特征进行构建获得的，而非通过所有的hrv特征实现模型构建，由此，大大缩短了模型构建时间。

在上述实施例的基础上，请参考图2，图2为本申请所提供的一种预设压力识别模型构建方法的流程示意图。作为一种优选实施例，该预设压力识别模型的构建过程可包括：

s201：对不同压力等级下的样本信号进行特征提取，获得多个hrv特征；

首先，需要采集样本信号进行模型训练，其中，该样本信号即为不同压力环境下的样本信号，如在放松、轻度压力、中度压力、严重压力等多种环境下的样本信号等，也即上述不同压力级别下的样本信号；进一步，即可对各样本信号进行特征提取，从而获得大量的hrv特征。

需要说明的是，本申请对于上述hrv特征的数量不做具体限定，但其数量越多，压力识别模型的识别准确度越高。

此外，对于上述样本信号的种类选择和hrv特征的提取方式，可采用已有技术中的任意一种方式，其具体实现方式均不影响本技术方案的实施，所获取的样本信号可实现对hrv特征的提取即可，进一步，根据样本信号的种类选择对应的获取方式以及hrv特征的提取方式即可。

优选的，上述对不同压力等级下的样本信号进行特征提取，获得多个hrv特征，可以包括通过光电容积脉搏波描记法对不同压力等级下的样本信号进行特征提取，获得多个hrv特征。

具体的，本申请提供了一种较为具体的样本信号的提取方法，即通过上述光电容积脉搏波描记法(photoplethysmography，ppg)实现。ppg是借光电手段在活体组织中检测血液容积变化的一种无创检测方法，容积脉搏血流中包含有血液流动等诸多心血管系统的重要生理信息，也包含有丰富的微循环生理病理信息，因此，可基于相应的ppg传感器实现对容积脉搏血流的获取，进一步，则可将该容积脉搏血流作为样本信号，从中提取获得上述hrv特征。

当然，上述样本信号的获取仅为本申请所提供的一种实施方式，还可基于心电信号(electrocardiogram，ecg)实现hrv特征的提取。具体而言，可通过相应的ecg传感器对心电信号进行采集，并将其作为样本信号，以从中提取获得hrv特征。心电信号是人体的重要体征信号，具有采集方便、生理信息丰富的特点，具有悠久的使用历史和丰富的诊断经验，能够有效折射出个体心脏收缩、血管扩张压力和血管弹性等诸多生理信息，意味着也能反映出个体心理压力的相关情况。从心电信号中获取和计算hrv特征，通过对hrv特征的分析能够对心理压力状态获得快速明确的了解，因此，通过对心电信号处理对心理压力进行测试和研究具有较高的应用价值。

作为一种优选实施例，上述对不同压力等级下的样本信号进行特征提取，获得多个hrv特征之后，还可以包括对各个hrv特征进行预处理，获得处理后的hrv特征。

具体的，由于直接采集到的样本信号可能会受到不同程度的干扰，从而对后期的数据计算产生影响，因此，为进一步保证所构建的压力识别模型的精确性，在提取获得各个hrv特征后，还可对其进行预处理，该预处理过程即为干扰滤除的过程，其干扰类型可包括基线漂移、工频干扰、运动干扰等，其常用的干扰滤除方法可包括滤波器滤波、经验模态分解法、小波变换等。对于其具体实现过程，根据实际情况进行差异性设定即可。进一步，即可基于处理后的hrv特征进行后续的数据分析和计算。

s202：通过特征提取算法在所有hrv特征中提取相关性hrv特征；

具体的，本步骤旨在基于特征提取算法实现对相关性hrv特征的提取，由此，即可根据这些相关性hrv特征进行后续压力识别模型的构建。其中，对于上述特征提取算法，可采用已有技术中任意一种可实现数据特征提取的算法，其具体实现方式并不影响本技术方案的实施。

作为一种优选实施例，上述通过特征提取算法在所有hrv特征中提取获得相关性hrv特征可具体包括对各个hrv特征进行标准化处理，获得标准hrv特征；通过特征提取算法在所有标准hrv特征中提取相关性hrv特征。

具体的，为了消除个体差异对分类结果带来的影响，在进行特征提取时，可先对各个hrv特征进行标准化处理，对于其标准化过程，可采用已有技术中的任意一种。例如，可采用消除基线信号特征法实现，首先，采集被试在无任务、放松状态下的样本作为基线信号，进一步，在后续的信号处理和特征处理阶段，用各不同压力等级下的hrv特征分别除以基线特征，即可得到真正由压力引起的样本信号中hrv特征数值的变化，以进一步保证压力识别模型的精准性以及后期压力识别的准确性。

进一步，由于在特征提取之前对hrv特征进行了标准化处理，因此，在特征提取过程中，即可在所有的标准hrv特征中提取获得相关性hrv特征。

优选的，上述通过特征提取算法在所有标准hrv特征中提取获得相关性hrv特征，可以包括通过t检验分析算法对各个相邻压力等级下相同类型的标准hrv特征进行处理，获得多个显著性因子；选取显著性因子低于预设显著性因子的标准hrv特征作为相关性hrv特征。

本申请提供了一种较为具体的特征提取方式，即基于t检验分析算法实现，该t检验分析算法可实现对两个不同全体之间显著性差异的统计。具体而言，在获得大量的hrv特征之后，即可对所有hrv特征的特征类型进行统计，hrv特征可分为时域特征、频域特征和非线性特征。其中，时域分析主要分为两种方式，即统计学分析法和几何图形分析法，统计学分析法主要是通过计算rr间期(波峰之间)的相关数理统计指标来评价hrv特征，包括rr间期的均值、标准差、方差等；几何图形分析是通过几何图形分析rr间期的分布来计算hrv特征的变化情况。频域特征主要在0-0.4hz，可包括三个频谱成分，即高频成分(hf，谱峰在0.25hz左右)，低频成分(lf，谱峰在0.1hz左右)以及极低频(vlf，谱峰0.003-0.04hz左右)。非线性特征可包括poincare散点图提取的特征(如向量角度指数和向量长度指数)以及lyaponov指数等。进一步，在完成特征类型统计后，即可对各个相邻压力等级下相同类型的hrv特征进行t检验分析。

例如，在进行样本信号采集时，采集了放松、轻度压力、中度压力、严重压力四种压力环境下的样本信号，并从中提取了均值、标准差、方差、几何图形、高频成分、低频成分、极低频成分、向量角度指数、向量长度指数以及lyaponov指数共十种类型的hrv特征，在进行t检验分析时，可对放松状态和轻度压力状态下的均值、轻度压力状态和中度压力状态下的均值、中度压力状态和严重压力状态下的均值分别进行t检验分析，由此，即可获得三个对应的显著性因子。进一步，按照上述方式即可实现对其他各个类型hrv特征的t检验分析，并获得各自对应的显著性因子。

其中，显著性因子体现了两个不同全体之间的显著性差异，其取值越小，说明该显著性因子对应的hrv特征与压力的变化越相关。因此，可选取显著性因子低于预设标准，即低于上述预设显著性因子的hrv特征作为相关性hrv特征，并基于该相关性hrv特征进行后续压力识别模型的构建。

基于上述举例，当采集到的样本信号分为四种压力等级时，其对应获得的显著性因子有3个，此时，可取三者的平均值与预设显著性因子进行比较，也可取最小值与预设显著性因子进行比较，还可以设置3个针对不同相邻压力等级的预设显著性因子分别进行比较，当其中两个或两个以上的显著性因子均低于其对应的预设显著性因子时，即可将其对应的hrv特征作为相关性hrv特征，还可以为其他任意一种实现方式，无论采用以上哪种方式，均不影响本技术方案的实施。

需要说明的是，对于上述预设显著性因子的具体取值，本申请不做限定，可由用户基于hrv特征的数量以及对压力识别模型精准度的要求进行自主设定，例如，可取值为0.05或0.01等。

s203：根据相关性hrv特征进行模型构建，获得预设压力识别模型；

具体的，在获得相关性hrv特征之后，即可对其进行压力识别模型的构建，对于其具体构建过程，可参照已有技术中对所有hrv特征进行压力识别模型的构建方式。在本申请中，只通过与压力相关性较强的部分hrv特征实现了对预设压力识别模型的构建，有效提高了模型构建效率以及后期的压力识别效率。由此，即完成了预设压力识别模型的构建，在后期进行压力识别时，基于该预设压力识别模型实现即可。

优选的，上述根据相关性hrv特征进行模型构建，获得预设压力识别模型可以包括根据显著性因子计算获得各个相关性hrv特征的权重系数；根据权重系数对相关性hrv特征进行模型构建，获得预设压力识别模型。

具体的，由于预设压力识别模型的构建是基于各类相关性hrv特征构建获得的，因此，需要对各类hrv特征的权重系数进行计算，权重系数体现了若干量数在总量中所具有的重要程度，其计算方式可基于s202中所获得的显著性因子实现。同样对于s202中的举例，可取相关性hrv特征的三个显著性因子对应均值的倒数作为该相关性hrv特征的权重系数，不同压力等级之间变化越大的相关性hrv特征，显著性因子越小，对应的权重系数越大。进一步，在获得各类相关性hrv特征的权重系数后，即可基于该权重系数对所有的相关性hrv特征进行一定程度的线性组合得到对应的预设压力识别模型。

s204：根据预设压力识别模型计算获得压力程度分级规则；

具体的，在获得预设压力识别模型之后，即可根据该预设压力识别模型计算获得对应的压力程度分级规则，由此，即完成了压力程度分级规则的获取，在后期进行压力识别时，即可基于该压力程度分级规则确定被测试者当前所处的压力等级。

请参考图3，图3为本申请所提供的一种压力程度分级规则获取方法的流程示意图，优选的，上述根据预设压力识别模型计算获得压力程度分级规则，可以包括：

s301：通过预设压力识别模型对各个相关性hrv特征进行压力值计算，获得各个相关性hrv特征的压力值；

s302：将各个压力值按照由小到大的顺序进行排序；

s303：对排序后的各个压力值进行均分处理，获得预定数量个压力分级阈值；

s304：根据各个压力分级阈值构建压力程度分级规则。

具体的，在基于预设压力识别模型计算压力程度分级规则时，可首先通过该预设压力识别模型对各个相关性hrv特征进行压力值计算，获得其对应的压力值；进一步，将各个压力值按照由小到大的顺序进行排序，并对排序后的各个压力值进行均分处理，此处，进行均分处理后的结果即对应于s201中的不同压力等级，例如，在进行样本信号采集时，采集的为放松、轻度压力、中度压力、严重压力四种压力环境下的样本信号，那么在对压力值进行均分处理时，可对所有排序后的压力值进行四等分，获得3个压力分级阈值，由此，即可根据这三个压力分级阈值构建获得压力程度分级规则。

需要说明的是，以上压力等级划分的举例仅为本申请所提供的一种优选实施方式，并不唯一，也即本申请对于上述预定数量的具体取值不做具体限定，也可对压力等级进行更细化的划分。此外，上述各个压力值的排列顺序也可按照由大到小的顺序进行排列，同样不影响本技术方案的实施。

还需要说明的是，以上s201至s204的步骤实现了压力识别模型的构建以及对应压力程度分级规则的获取，以上过程只需执行一次即可，在后续基于该压力识别模型和压力程度分级规则进行压力识别时，只需直接对其进行调用即可。

在实际应用中，基于以上压力识别方法，其测试信号与建模时的样本信号一致性越高，则准确率越高。然而，一般而言，真实的压力情况与实验中的压力程度分级并不相同，存在某些真实的压力数据根本就采集不到或者不准确，甚至数据量不够的问题，因此，模型构建中的样本信号是有限，甚至是不完整的，例如，在实验环境下采集的严重压力状态下的样本信号，基本上不会是该个体最大的压力，因为根本无法获知该个体的压力上限是多少，其采集到的样本信号也只是相对其他状态下的严重压力数据；同理，放松状态下采集的样本信号，也不会是该个体最放松状态下的样本信号，同样只是相对其他状态下的放松数据。因此，以上获得的预设压力识别模型并不足够反映真实情况下的压力水平。此外，由于每个人的压力水平都有所不同，使用同一个预设压力识别模型检测所有个体压力水平，忽略了个体之间压力水平的差异，准确率反而不高。

因此，为解决上述问题，在上述各个实施例的基础上，作为一种优选实施例，该压力识别方法还可以包括根据目标压力值及其对应的压力等级对压力程度分级规则进行修正，获得修正后压力程度分级规则。

具体的，为进一步保证基于压力识别模型进行压力识别所获得的识别结果的准确性，还可以对压力识别模型进行不断更新和修正，即对压力分级阈值进行更新，也即对压力程度分级规则进行更新。具体而言，在获得目标压力值后及其对应的压力等级后，即可基于二者对压力程度分级规则进行修正，以获得修正后压力程度分级规则。压力识别模型的自我更新，进一步保证了压力识别结果的准确性，同时，该种压力识别方式能够更加真实地反应出个人的压力水平，更加具有个性化。

进一步，以下提供了一种更为具体的模型自我修正的方法。

本实施例以划分四个不同压力等级为例，即上述压力分级阈值的数量为3，也即上述预定数量为3，上述根据目标压力值对压力程度分级规则进行修正，获得修正后压力程度分级规则的具体实现过程如下：

根据研究表明，与压力显著性相关的hrv特征，与压力之间呈线性或近似线性关系，即压力越大，hrv特征变化越大，而压力识别模型也与各hrv特征之间呈线性关系，因此，压力分级阈值之间同样呈线性关系。因此，当压力分级阈值的数量为3时，只需计算最小和最大的两个压力分级阈值即可，然后通过对最小压力分级阈值和最大压力分级阈值求平均来计算第二压力分级阈值，从而完成压力程度分级规则的修正。

一般情况下，对于以上四个不同压力等级的划分举例，在轻度压力和中度压力时并不会进入以上模型修正流程，只有当检测到个体状态为放松状态或严重压力状态时，才会基于对应的目标压力值对压力分级阈值进行更新和修正。

本申请实施例所提供的压力识别方法，在基于预设压力识别模型进行压力识别后，可进一步进行预设压力识别模型的自我修正，有效提高了压力识别模型的精准度，同时也提高了压力识别结果的准确性。

在以上各个实施例的基础上，本申请提供了一种更为具体的压力识别方法。

1、压力识别模型的构建过程：

请参考图4，图4为本申请所提供的一种预设压力识别模型的构建流程图。

首先，可通过相关实验方法采集四种不同压力程度的生理信号，即样本信号(如心电或脉搏波数据等)，其压力程度可包括放松状态、轻度压力、中度压力、严重压力；在获得多个个体的生理信号后，可通过ecg传感器或ppg传感器对hrv特征进行提取，在提取过程中，可将提取到的hrv特征通过放大电路进行不失真放大，并通过a/d转换电路将模拟信号转换为可供处理器计算的数字信号。其中，当传感器未集成有a/d转换电路时，可增加额外的a/d转换器实现上述数字信号的转换过程。

进一步，对提取获得的hrv特征进行预处理，以实现对干扰信号的滤除。

进一步，对预处理后的hrv特征进行分类计算以及标准化处理，并对各标准化后的hrv特征进行统计分析，获得各类hrv特征对应的显著性因子以及权重系数，并从中选择显著性因子低于预设显著性因子的hrv特征作为相关性hrv特征f1，f2，…，fm，并将其作为压力识别模型的输入特征。

进一步，对相关性hrv特征进行一定程度的线性组合即可得到对应的压力识别模型：

其中，wtotal＝wcoef1+wcoef2+…+wcoefm；wcoef1为相关性hrv特征f1对应的权重系数，wcoef2为相关性hrv特征f2对应的权重系数，wcoefm为相关性hrv特征fm对应的权重系数，sv表示压力值。

其中，若相关性hrv特征与压力呈现的是正相关(即压力越大，特征越大)，则系数的符号为正；若相关性hrv特征与压力呈现的是负相关(即压力越大，特征越小)，则系数的符号为负。

进一步，基于该压力识别模型对选取的所有相关性hrv特征进行压力值计算，获得对应的压力值，并将所有压力值进行排序，计算其中的三个四分位数作为压力分级阈值，即第一压力分级阈值th1，第二压力分级阈值th2以及第三压力分级阈值th3，由此，即可得到对应的压力程度分级规则：

轻松状态：sv＜th1；

轻度压力：th1≤sv<th2；

中度压力：th2≤sv<th3；

严重压力：th3≤sv；

由此，即完成了压力识别模型的构建以及压力程度分级规则的获取。

需要说明的是，以上压力识别模型的构建只进行一次，因此，其样本数据需要尽可能的准确，以及数据量需要尽可能的多，以保证压力识别模型的精准度。

2、基于压力识别模型的测试过程：

请参考图5，图5为本申请所提供的一种压力识别模型的测试流程图。

具体而言，压力识别模型的测试过程与构建过程有部分相似，如信号采集和预处理过程等，同时，压力识别模型已经建立，对于其对应不同模块的功能说明如下：

首先，由于在压力识别模型的构建阶段已经统计出了对压力相关性最强的相关性hrv特征，所以该测试过程只需计算这些相关性hrv特征即可，其他特征无需进行计算。进一步，在完成对相关性hrv特征的预处理后，即可通过压力识别模型对其进行压力值计算，获得对应的目标压力值，并将该目标压力值与压力程度分级规则进行比对，以识别确定对应个体当前所处的压力状态。

此外，压力识别模型的测试过程，不仅可包括实际应用中的压力识别，还可包括研发阶段对压力识别模型的验证过程，其区别在于研发阶段进行验证的数据是带标签数据，即已知数据类型的数据，可通过结果的反馈来对压力识别模型进行验证和优化。

3、压力识别模型的修正过程：

请参考图6，图6为本申请所提供的一种压力识别模型的修正流程图。

在压力识别实际应用中，当计算获得目标压力值sv＞th3时，则将该目标压力值添加至严重压力数据库db2，当新加入的数据量达到预定数量时，例如设定预定数量为100，则重新计算该严重压力数据库db2的下四分位数，即把db2中的所有数据由小到大排列并分成四等份，其处于25％位置上的数据，作为新的第三压力分级阈值th3。当db2中的数据超过最大容量时，则将新加入的数据替换最旧的数据，或随机替换其中的一个数据即可。

同理，当sv＜th1时，则将该目标压力值添加至放松状态数据库db1，当新加入的数据量达到预定数量时，同样以预定数量为100为例，则重新计算放松状态数据库db1的上四分位数，即把db1中的所有数据由小到大排列并分成四等份，其处在75％位置上的数据，作为新的第一压力分级阈值th1。当db1中的数据超过最大容量时，则将新加入的数据替换最旧的数据，或随机替换其中的一个数据。

需要说明的是，在以上压力分级阈值的更新过程中，使用db1中的上四分位数而非最大值作为第一压力分级阈值th1，使用db2中的下四分位数而非最小值作为第三压力分级阈值th3，主要是考虑到最值容易受到影响，易于变化，而压力分级阈值需要稳定地进行更新，且要存在一定已经变化的数据量才能进行更新，由此，方可保证压力识别模型的精准度以及稳定性。当然，该实现过程不限于使用四分位数，也可以使用八分位数等来进行替换。

进一步，对以上更新后的第一压力分级阈值th1和更新后的第三压力分级阈值th3求取均值，即可获得更新后的第二压力分级阈值th2，由此，即实现了压力程度分级规则的修正。

为解决上述问题，请参考图7，图7为本申请所提供的一种压力识别装置的结构示意图，该压力识别装置可包括：

测试特征提取模块1，用于当接收到测试信号时，对所述测试信号特征提取，获得待测相关性心率变异性hrv特征；

压力值计算模块2，用于通过预设压力识别模型对所述待测相关性hrv特征进行压力值计算，获得目标压力值；

压力等级确定模块3，用于将所述目标压力值与压力程度分级规则进行比对，确定所述目标压力值对应的压力等级。

作为一种优选实施例，该压力识别装置还可以包括模型构建模块，该模型构建模块可包括：

样本特征提取单元，用于对不同压力等级下的样本信号进行特征提取，获得多个hrv特征；

样本特征选择单元，用于通过特征提取算法在所有所述hrv特征中提取相关性hrv特征；

识别模型构建单元，用于根据所述相关性hrv特征进行模型构建，获得所述预设压力识别模型；

压力程度分级规则获取单元，用于根据所述预设压力识别模型计算获得所述压力程度分级规则。

作为一种优选实施例，上述样本特征提取单元可具体用于通过光电容积脉搏波描记法对不同压力等级下的样本信号进行特征提取，获得多个hrv特征。

作为一种优选实施例，上述模型构建模块还可以包括：

特征预处理单元，用于对各个hrv特征进行预处理，获得处理后的hrv特征。

作为一种优选实施例，上述样本特征选择单元可具体包括：

特征标准化子单元，用于对各个所述hrv特征进行标准化处理，获得标准hrv特征；

样本特征选择子单元，用于通过所述特征提取算法在所有所述标准hrv特征中提取所述相关性hrv特征。

作为一种优选实施例，上述样本特征选择子单元可具体用于通过t检验分析算法对各个相邻压力等级下相同类型的标准hrv特征进行处理，获得多个显著性因子；特征选取子模块，用于选取显著性因子低于预设显著性因子的标准hrv特征作为相关性hrv特征。

作为一种优选实施例，上述识别模型构建单元可具体用于根据显著性因子计算获得各个相关性hrv特征的权重系数；根据权重系数对相关性hrv特征进行模型构建，获得预设压力识别模型。

作为一种优选实施例，上述压力程度分级规则获取单元可具体用于通过预设压力识别模型对各个相关性hrv特征进行压力值计算，获得各个相关性hrv特征的压力值；将各个压力值按照由小到大的顺序进行排序；对排序后的各个压力值进行均分处理，获得预定数量个压力分级阈值；根据各个压力分级阈值构建压力程度分级规则。

作为一种优选实施例，该压力识别装置还可以包括：

压力程度分级规则修正模块，用于根据所述目标压力值和所述目标压力值对应的压力等级对所述压力程度分级规则进行修正，获得修正后压力程度分级规则。

对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。

为解决上述问题，请参考图8，图8为本申请所提供的一种压力识别设备的结构示意图，该压力识别设备可包括：

存储器11，用于存储计算机程序；

处理器12，用于执行计算机程序时可实现上述任意一种压力识别方法的步骤。

对于本申请提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。

为解决上述问题，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现上述任意一种压力识别方法的步骤。

该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的压力识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围要素。