一种基于CNN-XGBoost模型和EEGECG的身心健康状态评估方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法


[0001]本专利技术涉及身心健康状态评估
，具体为一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法。

技术介绍

[0002]脑电图(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，脑电信号处理可为某些脑疾病提供诊断依据和治疗手段，脑电信号已经有效地用于分析某些大脑机制，可用于识别情绪状态、压力、睡眠质量。在医学领域，脑电图信号已经被用来检测和分类不同的精神状况。心电图(ECG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术，心电图能真实的反映心脏的健康情况。而心脏是否健康也就反映出了我们的身体健康情况，心电图也可用于判断睡眠质量、分析情绪状态、判断心率是否异常等。
[0003]压力是心理压力源和心理压力反应共同构成的一种认知和行为体验过程，可分为正性压力和负性压力。正性压力是指对人类有益的压力，是适度的压力，可使人保持专注和警惕；负性压力是过度的压力，会引发一系列的问题，如：焦虑、抑郁、引发精神疾病、心血管疾病等。目前已有许多研究使用心电图或脑电图对压力进行检测。本专利技术使用心电图和脑电图进行分析，得到测试人员面对不同测试时的压力情况，本专利技术将卷积神经网络与XGBoost模型进行结合，对身体的健康状态进行判断。
[0004]卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络。CNN主要由输入层、卷积层、池化层和全连接层组成，随着CNN的发展在一些模型中可能包含例如密集模块、残差块、注意力机制等复杂结构。卷积层是构建CNN的核心，主要是对输入数据进行特征提取，内部包含多个卷积核。卷积层中通常包含激活函数以协助表达复杂特征；池化层的作用是逐渐降低数据体的空间尺寸，可减少网络中的参数数量，防止过拟合。全连接层的作用则是对提取的特征进行非线性组合以得到输出，其优点是减少特征位置对于分类结果的影响，提高整个网络的鲁棒性。
[0005]卷积神经网络是深度学习架构中应用最广泛的一个，它的设计思想本质上是在模仿生物体的视觉感知原理。CNN依据其在卷积结构中可以实现权值参数共享，以及可以将整个数据信息划分为局部信息来单独感知的结构特性广泛地应用于二维数据中。CNN的网络特性可以在提取特征时有效减少网络的参数数量，使计算变得高效，从而更容易增加网络深度。
[0006]XGBoost模型是一种boosting类型的集成方法，由一系列CART作为基分类器构成，CART主要由两步组成决策树生成和决策树剪枝。XGBoost模型是传统GBDT算法的改进，既可以用于分类模型也可以用于回归模型,相比于GBDT算法，XGBoost加入了正则化项用于控制模型的复杂度，加入缺失值处理，支持列抽样和自定义损失函数，对代价函数进行二阶泰勒展开，且提升了训练速度。
[0007]基于此，本专利技术提出一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法，将其应用到身心健康状态评估中，将人体的健康与压力联系起来。

技术实现思路

[0008]本专利技术的目的在于提供一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法，该方法包括以下步骤：
[0009]第一步：选取合适的测试人群，对测试人进行压力测试，并对脑电图和心电图进行记录，测试结束后测试人对测试过程进行问卷填写，获得测试人面对不同测试时的压力情况，并将数据分为健康和亚健康两种类别；
[0010]第二步：数据输入卷积神经网络中，对卷积神经网络模型进行训练，对输入数据进行特征提取作为XGBoost模型的输入；
[0011]卷积神经网络通常由输入层、卷积层、激活函数、池化层和全连接层组成，本专利技术使用残差网络，提高信息流通，并且也避免了由于网络过深所引起的梯度消失和退化问题；
[0012]在使用残差网络对数据进行处理前，需将EEG数据和ECG数据进行拼接操作，残差网络是由一系列残差块组成，使用x
xn
表示拼接后的特征，输入残差网络，经过卷积操作后获得残差块的输入x，使用y表示残差块的输出,残差块可表示为：
[0013]y＝x+F(x,W
l
)；
[0014]其中x为直接映射，F()为残差部分，当输入和输出特征图数量不一致时，此时需要使用1
×
1卷积进行升维或降维操作，此时残差块可表示为：
[0015]y＝h(x)+F(x,W
l
)；
[0016]其中h(x)＝Wx，W为1
×
1卷积操作；
[0017]第三步：构建XGBoost分类模型：将第二步获取的特征作为XGBoost分类模型的输入，对XGBoost分类模型进行训练；
[0018]XGBoost是一个树的集成模型，其基分类器为CART，CART主要由两步组成，第一步：决策树生成，基于训练数据集生成决策树，第二步：决策树剪枝，用验证集对已生成的树进行剪枝并选择最优子树，剪枝的标准为损失函数最小；与传统模型GBDT相比，XGBoost加入了正则化项用于控制模型的复杂度，加入缺失值处理、支持列抽样和自定义损失函数，对代价函数进行二阶泰勒展开，且训练速度快；
[0019]假设模型中有K棵树，XGBoost的预测模型可表示为：
[0020][0021]其中，f
k
(x)表示第k棵树，y
i
表示样本x
i
的预测结果；
[0022]模型的目标函数为：
[0023][0024]其中第一部分为损失函数，第二部分为正则化项，是每棵树的复杂度之和，在进行优化时XGBoost模型采用增量训练的方式进行，即每一次保留之前的模型不变，加入新的函数到模型中，即：
[0025][0026][0027][0028]…
[0029][0030]这时需要保证，加入的新函数可以使得目标函数的值下降；
[0031]此时目标函数可表示为：
[0032][0033]将目标函数做二阶泰勒展开可得到：
[0034][0035]其中
[0036]将函数f
t
(x)表示为f
t
(x)＝w
q(x)
,w∈R
T
,q:R
d
→
{1,2,
…
,T}，其中w表示叶子节点上的分数所组成的向量，q(x)表示每个数据映射到相应叶子节点的对应关系函数，T表示叶子节点的数量，正则化项可表示为：
[0037][0038]由于常数项不会对结果产生影响，因此目标函数可表示为：
[0039][0040]目标函数可进一步化简为一个一元二次方程：
[0041][0042]其中I
j
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法，其特征在于：该方法包括以下步骤：第一步，获取EEG数据和ECG数据：对测试人进行压力测试，并对脑电图和心电图进行记录，测试结束后进行问卷填写，获取测试人面对不同测试时的压力情况，将数据分为健康和亚健康两种类别；第二步，特征提取：构建卷积神经网络，将数据输入卷积神经网络中，对卷积神经网络模型进行训练，对输入数据进行特征提取作为XGBoost模型的输入；第三步，构建XGBoost分类模型：将第二步获取的特征作为XGBoost分类模型的输入，对XGBoost分类模型进行训练；第四步，获取身心健康状态评估结果：XGBoost分类模型对数据进行分类，得到身心健康状态预测结果。2.根据权利要求1所述的一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法，其特征在于：第二步采用残差网络，在使用残差网络对数据进行处理前，需将EEG数据和ECG数据进行拼接操作，残差网络是由一系列残差块组成，使用x
xn
表示拼接后的特征，输入残差网络，经过卷积操作后获得残差块的输入x，使用y表示残差块的输出,残差块可表示为：y＝x+F(x,W
l
)；其中x为直接映射，F()为残差部分，当输入和输出特征图数量不一致时，此时需要使用1
×
1卷积进行升维或降维操作，此时残差块可表示为：y＝h(x)+F(x,W
l
)；其中h(x)＝Wx，W为1
×
1卷积操作。3.根据权利要求1所述的一种基于CNN
‑
XGBoost模型和EEGECG的身心健康状态评估方法，其特征在于：XGBoost是一个树的集成模型，其基分类器为C...

【专利技术属性】
技术研发人员：王元全，杨俊丽，
申请(专利权)人：天津宇迪智能技术有限公司，
类型：发明
国别省市：