一种认知负荷与心理压力的测量方法及终端与流程

本申请涉及计算机和生理心理学领域，尤其涉及一种认知负荷与心理压力的测量方法及终端。

背景技术：

在人机交互过程中，除了传统的交互方式，机器对人体生理心理状态的感知日趋重要。然而，如何通过传感器获取到人体的心理状态信息，尤其是认知负荷与心理压力状态，一直未被有效解决。

ppg(photoplethysmograph，全称血管容积脉搏波描记法)指利用光电手段将血管容积变化反映为电信号。通过ppg获取的血管容积变化波形称为ppg信号。人体毛细血管受人体植物神经控制，而植物神经又会随着人体认知负荷与心理压力水平不同处于不同的状态。因此，血管容积的变化中就包含着人体认知负荷与心理压力水平的信息。然而如何从ppg信号中提取出认知负荷与心理压力水平信息一直是业界的一项难题。

目前已有的手段通常利用皮肤电阻、心电等手段，在皮肤电阻和心电信号中提取出hrv，再根据hrv进行认知负荷与心理压力测量。这种方法步骤较为复杂，本质上是利用了频域的信息，但测量的准确性和实时性都有待提升。

技术实现要素：

本申请提供了一种人体ppg信号的认知负荷与心理压力测量方法，包括如下步骤：

获取被测量者的人体ppg信号；

根据ppg信号和认知负荷与心理压力的关联性分析结果，预测被测量者的认知负荷与心理压力水平。

如上所述的认知负荷与心理压力测量方法，其中，获取被测量者的ppg信号，包括通过接触式采集ppg信号的设备采集被测量者的ppg信号、或通过非接触式采集ppg信号的设备采集被测量者的ppg信号。

如上所述的认知负荷与心理压力测量方法，其中，所述方法还包括对被测量者的ppg信号进行预处理，具体包括滤波、平滑和归一化处理。

如上所述的认知负荷与心理压力测量方法，其中，所述方法还包括获取ppg信号和认知负荷与心理压力的关联性分析结果，具体包括如下子步骤：

获取大量原始ppg信号；

根据大量原始ppg信号，确定ppg信号和认知负荷与心理压力的关联性分析结果。

如上所述的认知负荷与心理压力测量方法，其中，根据大量原始ppg信号，确定ppg信号和认知负荷与心理压力的关联性分析结果，具体包括：获取大量原始ppg信号的波形形态，根据ppg波形形态确定ppg信号和认知负荷与心理压力的关联性分析结果；

或，使用深度学习算法对大量原始ppg信号进行学习训练，得到ppg信号和认知负荷与心理压力的关联性分析结果。

如上所述的认知负荷与心理压力测量方法，其中，根据ppg波形形态确定ppg信号和认知负荷与心理压力的关联性分析结果，具体包括利用统计学方法寻找ppg信号的波形形态和认知负荷与心理压力的拟合关系；或，利用机器学习算法训练出根据ppg波形的形态特征预测出认知负荷和心理压力的模型。

本申请还公开一种测量终端，包括采集模块和测量模块；所述采集模块通过与所述测量终端连接的ppg信号采集设备采集ppg信号；所述测量模块执行上述认知负荷与心理压力的测量方法。

如上所述的测量终端，其中，ppg信号采集设备包括接触式采集ppg信号的设备和非接触式采集ppg信号的设备。

如上所述的测量终端，其中，所述测量模块包括ppg信号预处理子模块，具体用于对ppg信号数据进行滤波、平滑和归一化处理。

如上所述的测量终端，其中，所述测量模块还包括ppg信号和认知负荷与心理压力的关联性分析子模块，具体包括ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，或ppg信号和认知负荷与心理压力的深度学习模型。

如上所述的测量终端，其中，所述测量模块还包括认知负荷与心理压力预测子模块，具体用于根据ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，预测被测量者的认知负荷与心理压力水平；或将被测试者的ppg信号输入ppg信号和认知负荷与心理压力的深度学习模型，得到被测量者的认知负荷与心理压力水平。

本申请实现的有益效果如下：相比于传统的认知负荷与心理压力测量方法，本申请的优势在于通过分析人体ppg信号和认知负荷与心理压力的关联性，通过采集被测试者的ppg信号来确定被测试者的认知负荷与心理压力水平，由此从用户的人体特征出发来进行预测，大大提高了测量结果的准确性和实时性。

附图说明

为了更清楚地说明本发明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发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本申请实施例一提供的ppg信号和认知负荷与心理压力的关联性分析结果的计算方法流程图；

图2是对原始ppg波形数据进行预处理的方法流程图；

图3是本申请实施例二提供的认知负荷与心理压力的测量方法流程图；

图4是对被测试者ppg波形数据进行预处理的方法流程图；

图5是本申请实施例三提供的测量终端示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更加准确和实时的测量机器对人体生理心理状态的感知，本申请提供一种基于ppg波形形态的认知负荷与心理压力的测量方法以及测量终端，包括实施例一中描述的如何计算得到形态学特征和认知负荷与心理压力的关联性算法、实施例二中描述的在实际测量过程中如何根据形态学特征和认知负荷与心理压力的关联性算法预测被测量者的认知负荷与心理压力水平，以及实施例三中描述的一种执行实施例一和实施例二方法的测量终端。

实施例一

如图1所示，本申请实施例一提供一种基于ppg信号的认知负荷与心理压力测量方法中ppg信号和认知负荷与心理压力的关联性分析结果的计算方法，具体包括如下步骤：

步骤110、获取大量原始ppg信号；

其中，获取原始ppg信号，具体包括通过接触式采集ppg信号的设备采集被测量者的ppg信号、或通过非接触式采集ppg信号的设备采集被测量者的ppg信号；其中，接触式采集ppg信号的设备包括但不限于可穿戴设备、触摸屏设备等；非接触式采集ppg信号的设备包括但不限于wifi设备、视频设备等。

本申请在进行认知负荷与心理压力测量之前，需要先对大量的原始ppg信息进行统计分析，对每个ppg信号进行预处理，确定形态学特征和认知负荷与心理压力的关联性算法；

对ppg波形数据进行预处理，包括滤波、平滑和归一化处理，具体包括如下子步骤，如图2所示：

步骤s210、对原始ppg信号进行滤波；

具体地，使用合适的滤波器对原始ppg信号进行滤波，例如，采用fir(finiteimpulseresponse)滤波器对原始ppg信号进行滤波处理。

步骤s220、对滤波后的ppg信号进行平滑处理；

可选地，根据实际ppg信号选择合适的平滑窗口大小和步长参数，对滤波后的波形进行平滑处理，去掉信号中的噪声部分；例如，平滑窗口大小为5，步长为1。

步骤s230、按照切割规则切割平滑后的ppg信号，得到单个心跳波形；

步骤s240、将切割后的单个心跳波形进行归一化操作，将波形归一化到同一范围内；

可选地，将切割后的单个心跳波形分别归一化到基线和归一化到mxn大小的范围内，m、n为正整数。

返回参见图1，步骤120、根据大量原始ppg信号，确定ppg信号和认知负荷与心理压力的关联性分析结果；

具体地，ppg信号和认知负荷与心理压力的关联性分析结果具体包括ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，或通过深度学习分析ppg信号和认知负荷与心理压力的关联性分析结果。

其中，获取ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，具体包括：1、利用统计学方法寻找ppg信号的波形形态和认知负荷与心理压力的拟合关系，包括线性关系或非线性关系等；2、利用机器学习算法训练出模型，该模型可以根据ppg波形的形态特征预测出认知负荷和心理压力；

可选地，本申请实施例中，对ppg信号进行波形形态分析，得到众多波形形态特征，然后从中挑选预设数量的波形形态特征，结合不同认知负荷与心理压力阶段的特征统计量，推测ppg波形形态和认知负荷与心理压力的关联性关系。

通过深度学习分析ppg信号和认知负荷与心理压力的关联性分析，具体包括使用神经网络深度学习算法利用大量ppg波形进行学习训练，得到ppg信号和认知负荷与心理压力的深度学习模型。

实施例二

通过实施例一中对大量原始ppg信号的分析，得到ppg信号和认知负荷与心理压力的关联性分析结果，将此关联性分析结果作为实施例二中的预定义方法，运用在实际测量中，预测被测量者的认知负荷与心理压力水平。

如图3所示，本申请实施例二提供一种基于ppg信号的认知负荷与心理压力测量方法中根据ppg信号和认知负荷与心理压力的关联性分析结果，预测被测量者的认知负荷与心理压力水平，具体包括如下步骤：

步骤310、获取被测量者的ppg信号；

具体地，通过接触式采集ppg信号的设备采集被测量者的ppg信号、或通过非接触式采集ppg信号的设备采集被测量者的ppg信号；其中，接触式采集ppg信号的设备包括但不限于可穿戴设备、触摸屏设备等；非接触式采集ppg信号的设备包括但不限于wifi设备、视频设备等。

本实施例中，在获取被测量者的ppg信号后，还包括对被测量者的ppg信号进行预处理，包括滤波、平滑和归一化处理，如图4所示，具体包括如下子步骤：

步骤410、对被测量者的ppg信号进行滤波；

步骤420、对滤波后的ppg信号数据进行平滑处理；

步骤430、切割平滑后的ppg信号数据得到单个心跳波形；

步骤440、将切割后的单个心跳波形进行归一化处理。

上述操作与实施例一中图2的具体操作相似，在此不再赘述。

步骤320、根据ppg信号和认知负荷与心理压力的关联性分析结果，由被测量者的ppg信号预测被测量者的认知负荷与心理压力水平；

其中，根据ppg信号和认知负荷与心理压力的关联性分析结果，预测被测量者的认知负荷与心理压力水平，具体包括从被测试者的ppg信号中提取出被测试者的ppg波形形态，根据ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，预测被测量者的认知负荷与心理压力水平；或将被测试者的ppg信号输入ppg信号和认知负荷与心理压力的深度学习模型，得到被测量者的认知负荷与心理压力水平。

进一步地，在本申请实施例中，由被测量者的ppg信号预测被测量者的认知负荷与心理压力水平，具体包括选取当前时刻之前的n个ppg波形生成预测结果，利用归一化算法将预测结果归一化至标准范围内，归一化后的结果作为当前时刻的实际认知负荷与心理压力测量值；其中n为正整数；

可选地，归一化至标准范围内可以为将测量结果归一化至0～1范围内，作为最终测量结果。

实施例三

本申请实施例三提供一种测量终端，如图5所示，包括采集模块510和测量模块520；

采集模块510通过与测量终端连接的ppg信号采集设备采集ppg信号；

具体的，ppg信号采集设备包括接触式采集ppg信号的设备和非接触式采集ppg信号的设备；其中，接触式采集ppg信号的设备为需要人体佩戴的设备，包括但不限于可穿戴设备(如手环、手表等)、指夹等；非接触式采集ppg信号的设备包括但不限于基于wifi通讯的设备、通过触摸屏采集人体ppg信号的设备、通过视频拍摄获取人脸特征点ppg信号的设备。

测量终端中测量模块520根据采集模块510采集的ppg信号进行测量；

其中，测量模块520具体包括ppg信号预处理子模块521、ppg信号和认知负荷与心理压力的关联性分析子模块522和认知负荷与心理压力预测子模块523；

ppg信号预处理子模块521，用于对ppg信号数据进行滤波、平滑和归一化处理

ppg信号和认知负荷与心理压力的关联性分析子模块522，具体包括ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，或ppg信号和认知负荷与心理压力的深度学习模型；

认知负荷与心理压力预测子模块523，具体用于根据ppg信号的波形形态和认知负荷与心理压力的关联性分析结果，预测被测量者的认知负荷与心理压力水平；或将被测试者的ppg信号输入ppg信号和认知负荷与心理压力的深度学习模型，得到被测量者的认知负荷与心理压力水平。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。