一种基于融合注意力机制的心理压力监测方法技术

本发明专利技术公开了一种基于融合注意力机制的心理压力监测方法，包括以下步骤：采集原始心电信号；利用心理压力监测模型中的带有注意力机制的卷积神经网络提取原始心电信号的局部特征；利用心理压力监测模型中的带有注意力机制的循环神经网络进一步提取原始心电信号在时间序列上的特征；根据得到的特征判断是否存在心率异常并输出结果。本发明专利技术通过卷积神经网络和循环神经网络提取特征，可以实现关注特征集合中的有效成分，忽略其中的无效成分，提高模型性能，进而提升识别的准确性。进而提升识别的准确性。进而提升识别的准确性。

【技术实现步骤摘要】
一种基于融合注意力机制的心理压力监测方法


[0001]本专利技术涉及生理信号检测领域，特别涉及一种基于融合注意力机制的心理压力监测方法。

技术介绍

[0002]心跳活动的变化与心理压力状态的改变都由交感神经与副交感神经的抗拮作用决定，具有同源性，因而理论上可以通过表征心脏活动的ECG信号来对心理压力进行实时推测。
[0003]现有技术中，如授权公告号CN109528218B的专利技术公开了一种基于心率与社交媒体微博的心理压力检测方法，通过对心率与社交媒体微博的心理压力检测，首先，从心电信号(ECG)中获取心率异常区间；并根据一个泊松概率模型从微博中检测识别异常发博(压力/兴奋)区间。然后，将每个心率异常区间与时间同步且高度匹配的异常发博区间相对应。基于匹配结果，判断出心率异常区间是压力区间还是兴奋区间，以及导致异常区间的压力源事件或积极事件。
[0004]但是现有的基于深度学习的方法在ECG信号上自动提取特征的过程中，往往对所有提取到的特征进行相同的处理，这样的处理方法无法关注特征集合中的有效成分，忽略其中的无效成分，因而模型的性能受到限制。

技术实现思路

[0005]针对现有技术在ECG信号的提取过程中无法关注特征集合中的有效成分导致模型性能被限制的问题，本专利技术提供了一种基于融合注意力机制的心理压力监测方法，采用的模型同时包含卷积神经网络和循环神经网络，卷积神经网络输出的特征包含通道层面和空间层面，能够在这两个维度上对特征进行处理以帮助网络关注有效特征，循环神经网络能够在时间维度上帮助模型关注有效特征。可以提升模型性能。
[0006]以下是本专利技术的技术方案。
[0007]一种基于融合注意力机制的心理压力监测方法，包括以下步骤：采集原始心电信号；利用心理压力监测模型中的带有注意力机制的卷积神经网络提取原始心电信号的局部特征；利用心理压力监测模型中的带有注意力机制的循环神经网络进一步提取原始心电信号在时间序列上的特征；根据得到的特征判断是否存在心率异常并输出结果。
[0008]本专利技术通过卷积神经网络和循环神经网络提取特征，可以实现关注特征集合中的有效成分，忽略其中的无效成分，提高模型性能，进而提升识别的准确性。
[0009]作为优选，所述心理压力监测模型中，卷积神经网络注意力机制的构建过程包括：构建卷积神经网络通道注意力机制和卷积神经网络空间注意力机制。
[0010]作为优选，构建所述卷积神经网络通道注意力机制，包括：
对数据在空间维度上进行压缩和扁平化处理；采用平均池化和最大值池化从两种角度提取特征，然后通过多层感知机来产生通道特征M
c
；用该多层感知机分别对和进行处理，然后将处理后的结果进行元素求和，最终通过激活函数得到通道注意力图谱。
[0011]作为优选，所述多层感知机的隐含层神经元的数量被数量公式限制。
[0012]作为优选，构建所述卷积神经网络空间注意力机制，包括：利用通道注意力图谱对数据进行处理后，采用平均池化以及最大值池化降采样数据，然后将其进行拼接，最后经过采用7*7的卷积网络的卷积操作得到二维的空间注意力图谱。
[0013]作为优选，所述心理压力监测模型中，循环神经网络注意力机制的构建过程包括：所述循环神经网络包括输入层、BiLSTM层、注意力层和输出层；每输入一条心电信号到输入层，利用BiLSTM从前向和反向提取心电信号的特征；注意力层由一个权值向量组成，将BiLSTM的生成特征与注意力层的权值向量相乘，实现将心电信号上对应每个时间点的词级特征整合为句级特征。
[0014]本专利技术的实质性效果包括：先分别构建融合注意力机制的卷积神经网络和循环神经网络，最终将这两种网络融合以获得融合有注意力机制的心理压力监测模型，可以提升模型性能；卷积神经网络输出的特征包含通道层面和空间层面，能够在这两个维度上对特征进行处理以帮助网络关注有效特征，循环神经网络能够在时间维度上帮助模型关注有效特征。
附图说明
[0015]图1是本专利技术实施例的流程图；图2是本专利技术实施例的通道注意力机制示意图；图3是本专利技术实施例的空间注意力机制示意图；图4是本专利技术实施例的循环神经网络示意图。
具体实施方式
[0016]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合实施例，对本技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。
[0017]应当理解，在本专利技术的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本专利技术实施例的实施过程构成任何限定。
[0018]应当理解，在本专利技术中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0019]应当理解，在本专利技术中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关
联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
[0020]下面以具体的实施例对本专利技术的技术方案进行详细说明。实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0021]实施例：一种基于融合注意力机制的心理压力监测方法，包括如图1所示的以下步骤：采集原始心电信号；利用心理压力监测模型中的带有注意力机制的卷积神经网络提取原始心电信号的局部特征；利用心理压力监测模型中的带有注意力机制的循环神经网络进一步提取原始心电信号在时间序列上的特征；根据得到的特征判断是否存在心率异常并输出结果。
[0022]本实施例通过卷积神经网络和循环神经网络提取特征，可以实现关注特征集合中的有效成分，忽略其中的无效成分，提高模型性能，进而提升识别的准确性。
[0023]本实施例中，心理压力监测模型中，卷积神经网络注意力机制的构建过程包括：构建卷积神经网络通道注意力机制和卷积神经网络空间注意力机制。
[0024]如图2所示，本实施例中，构建卷积神经网络通道注意力机制，包括：对数据在空间维度上进行压缩和扁平化处理。可以采用平均池化和最大值池化方法从两种角度提取特征，和然后通过多层感知机来产生通道特征M
c
。该多层感知机可以只含有一层隐含层。为了避免过拟合，隐含层神经元的数量可以被限制为R
C/r*1*1
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合注意力机制的心理压力监测方法，其特征在于，包括以下步骤：采集原始心电信号；利用心理压力监测模型中的带有注意力机制的卷积神经网络提取原始心电信号的局部特征；利用心理压力监测模型中的带有注意力机制的循环神经网络进一步提取原始心电信号在时间序列上的特征；根据得到的特征判断是否存在心率异常并输出结果。2.根据权利要求1所述的一种基于融合注意力机制的心理压力监测方法，其特征在于，所述心理压力监测模型中，卷积神经网络注意力机制的构建过程包括：构建卷积神经网络通道注意力机制和卷积神经网络空间注意力机制。3.根据权利要求2所述的一种基于融合注意力机制的心理压力监测方法，其特征在于，构建所述卷积神经网络通道注意力机制，包括：对数据在空间维度上进行压缩和扁平化处理；采用平均池化和最大值池化从两种角度提取特征，然后通过多层感知机来产生通道特征M
o
；用该多层感知机分别对和进行处理，然后将处理后的结果进行元素求和，最终通过激...

【专利技术属性】
技术研发人员：杜方翀，张颖，伏杭江，赵泽，蒋小霞，候林妍，
申请(专利权)人：中国人民解放军总医院第八医学中心，
类型：发明
国别省市：