融合注意力机制的心率变异性压力检测方法及相关组件与流程

本发明涉及信息处理，尤其涉及融合注意力机制的心率变异性压力检测方法及相关组件。

背景技术：

1、压力是人们最常见的心理健康问题之一，严重干扰日常生活和工作，引起人们越来越多的关注。不仅如此，当人长期处于压力情况时，还会引发更严重的身体疾病，例如失眠、头痛、心血管疾病、抑郁症等，严重损害身体健康。因此，早期对压力进行检测和处理能够降低致病因素，对社会和个人都具有显著的意义。

2、现有的压力检测方法有基于调查问卷的压力检测、基于视觉的压力检测、基于语音的压力检测和基于生理信号的压力检测等方法。通过研究发现，使用生理信号或生理信号的组合进行压力预测具有更高的科学可靠性。常见的生理信号包括心电图、皮肤电活动和肌电图等。生理信号通常使用传感器收集，再利用机器学习算法进行分析。例如专利号为cn114139571a的发明专利公开了一种基于多模态生理信号的压力检测方法和系统，该方法使用了多模态生理信号，包括皮肤电活动信号、光电容积脉搏波信号和皮肤温度信号，该方法将生理信号预处理，之后传入压力检测迁移模型。模型使用特征提取器获取深度特征，将获取的深度特征与人工时频域特征进行结合，再使用压力分类器对用户的压力等级进行识别。

3、但现有技术的压力检测方法仍具有不足之处：

4、基于调查问卷的压力检测具有极大的主观性，被测者如果处于高度压力下，可能会导致问卷数据不准确。基于视觉的压力检测只针对体表特征，主要使用面部表情、体态这类浅表性的信息，相对人体内部的生理信号来说，准确度不足。基于音频的压力检测使用音频信号，一般指人类的语音文字信息，检测结果通用具有主观性和浅表性。

5、而上面已有专利cn114139571a中设计的多模态压力检测模型需要使用多模态的生理信号数据，因此被测者需要使用多种检测设备，或配套多种可穿戴设备，检测流程复杂，运动也极不便捷。此外，如果某个设备存在延迟或故障，多种生理信号的检测会难以同步，时间上的偏差会导致结果偏差或错误，最终导致准确性较差。

技术实现思路

1、本发明实施例提供了融合注意力机制的心率变异性压力检测方法、装置、设备及存储介质，旨在解决现有的压力检测方法存在的准确性差的问题。

2、第一方面，本发明提供一种融合注意力机制的心率变异性压力检测方法，其中，包括：

3、获取心电图信号，对所述心电图信号进行特征降维以及去除无效数据；

4、提取所述心电图信号的心率信息和rr间隔信息；

5、根据所述心率信息和rr间隔信息对所述心电图信号进行时域分析以及庞加莱图分析，分别得到时域特征和庞加莱特征；

6、将所述时域特征和庞加莱特征输入深度学习模型dnn进行特征提取，得到心率变异性局部特征；

7、利用自注意力模块对所述心率变异性局部特征进行增强，得到心率变异性融合特征；

8、对所述心率变异性融合特征进行全连接操作和激活操作，得到最终的压力数据。

9、第二方面，本发明还提供一种融合注意力机制的心率变异性压力检测装置，其中，包括：

10、预处理单元，用于获取心电图信号，对所述心电图信号进行特征降维以及去除无效数据；

11、提取单元，用于提取所述心电图信号的心率信息和rr间隔信息；

12、分析单元，用于根据所述心率信息和rr间隔信息对所述心电图信号进行时域分析以及庞加莱图分析，分别得到时域特征和庞加莱特征；

13、模型处理单元，用于将所述时域特征和庞加莱特征输入深度学习模型dnn进行特征提取，得到心率变异性局部特征；

14、增强单元，用于利用自注意力模块对所述心率变异性局部特征进行增强，得到心率变异性融合特征；

15、输出单元，用于对所述心率变异性融合特征进行全连接操作和激活操作，得到最终的压力数据。

16、第三方面，本发明还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的融合注意力机制的心率变异性压力检测方法。

17、第四方面，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上所述的融合注意力机制的心率变异性压力检测方法。

18、本发明实施例提供了融合注意力机制的心率变异性压力检测方法、装置、设备及存储介质，其中，方法包括：获取心电图信号，对所述心电图信号进行特征降维以及去除无效数据；提取所述心电图信号的心率信息和rr间隔信息；根据所述心率信息和rr间隔信息对所述心电图信号进行时域分析以及庞加莱图分析，分别得到时域特征和庞加莱特征；将所述时域特征和庞加莱特征输入深度学习模型dnn进行特征提取，得到心率变异性局部特征；利用自注意力模块对所述心率变异性局部特征进行增强，得到心率变异性融合特征；对所述心率变异性融合特征进行全连接操作和激活操作，得到最终的压力数据。本发明实施例对心电图信号进行特征降维，并进行时域和庞加莱图两方面分析，应用基于自注意力机制的深度学习模型，显著提高了压力检测的准确性。

技术特征：

1.一种融合注意力机制的心率变异性压力检测方法，其特征在于，包括：

2.根据权利要求1所述的融合注意力机制的心率变异性压力检测方法，其特征在于，所述利用自注意力模块对所述心率变异性局部特征进行增强，得到心率变异性融合特征，包括：

3.根据权利要求1所述的融合注意力机制的心率变异性压力检测方法，其特征在于，对所述心电图信号进行特征降维以及去除无效数据，包括：

4.根据权利要求1所述的融合注意力机制的心率变异性压力检测方法，其特征在于，所述提取所述心电图信号的心率信息和rr间隔信息，包括：

5.根据权利要求1所述的融合注意力机制的心率变异性压力检测方法，其特征在于，所述根据所述心率信息和rr间隔信息对所述心电图信号进行时域分析以及庞加莱图分析，分别得到时域特征和庞加莱特征，包括：

6.根据权利要求1所述的融合注意力机制的心率变异性压力检测方法，其特征在于，所述将所述时域特征和庞加莱特征输入深度学习模型dnn进行特征提取，得到心率变异性局部特征，包括：

7.根据权利要求1所述的融合注意力机制的心率变异性压力检测方法，其特征在于，所述心电图信号通过心电图数据或光电容积脉搏波描记信号获取。

8.一种融合注意力机制的心率变异性压力检测装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的融合注意力机制的心率变异性压力检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的融合注意力机制的心率变异性压力检测方法。

技术总结
本发明公开了融合注意力机制的心率变异性压力检测方法及相关组件，其中，方法包括：对心电图信号进行特征降维以及去除无效数据；提取心电图信号的心率信息和RR间隔信息；根据心率信息和RR间隔信息对心电图信号进行时域分析以及庞加莱图分析，分别得到时域特征和庞加莱特征；将时域特征和庞加莱特征输入深度学习模型DNN进行特征提取，得到心率变异性局部特征；利用自注意力模块对心率变异性局部特征进行增强，得到心率变异性融合特征；对心率变异性融合特征进行全连接操作和激活操作，得到最终的压力数据。本发明对心电图信号进行特征降维，并进行时域和庞加莱图两方面分析，应用基于自注意力机制的深度学习模型，显著提高了压力检测的准确性。

技术研发人员：吴哲,刘艳
受保护的技术使用者：佛山需要智能机器人有限公司
技术研发日：
技术公布日：2024/4/29