【技术实现步骤摘要】
本专利技术涉及心理压力识别，尤其涉及一种心理压力机器学习组合模型分类方法、装置、设备及介质。
技术介绍
1、为了能够让个人能够及时了解自身是否处于心理压力的高压状态，现有技术提出了一些机器学习心理压力分类方法，但是这些方案仍存有不足的地方，具体分析如下：
2、(1)单一深度学习神经网络结合光电容积描记(ppg)数据片段。该方法适用于可穿戴设备如智能手表设备的移动压力检测，利用深度学习神经网络，直接使用ppg片段进行压力检测。该方法的本质是将ppg记录的所有和数据一次性输入神经网络中，使神经网络自行处理相关的数据内容，寻找数据之间的关联并做出分类。该方法的缺点在于，尽管神经网络具有强大的自动特征提取能力，然而其强大的特征提取能力使其不仅会提取相关信息，同时会提取大量的非相关信息，其中的非相关信息就很容易使其在训练的过程中产生偏差，使其不能够正确地理解数据关系，且方法的可解释性差。
3、(2)从ppg数据中提取hrv时域参数进行分类。该方法虽然以实验筛选出了相关性较大的hrv时域参数，但是忽略了hrv频域参数在心理压力分类过程中的作用。尽管hrv的基础参数较少，然而通过一定的数学变换或数据间一定的数学比较，可以产生众多不同的参数。该方法仅做了基础参数的提取，并未进一步以数学的方式对hrv各参数进行变换和处理，因此不能够合理地对频域参数做出提取，仅对时域参数进行提取。通过文献研究发现，经一定数学处理的频域指标在基于hrv的心理压力的分类任务有着极为关键的作用，压力与否与部分频域参数有着较大的相关性。因此在心理压
4、(3)单一机器学习模型基于hrv参数的压力分类方法。该方法对心电信号进行了相应的处理，并提取了相关的hrv参数作为实际机器学习模型训练过程中的特征。该方法的本质是使用一种机器学习作为分类模型，直接提取部分hrv参数即对心理压力状态做出分类。然而，单一的机器学习方法往往都会有一定的方法局限性，其分类性能中的泛化能力较弱，且不能够充分发挥计算机的算力资源，可能造成计算机算力资源的浪费。
技术实现思路
1、为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种基于hrv的心理压力机器学习组合模型分类方法、装置、设备及介质。
2、本专利技术所采用的第一技术方案是：
3、一种心理压力机器学习组合模型分类方法，包括以下步骤：
4、获取原始ecg数据，根据原始ecg数据获取hrv数据；
5、构建多个不同的分类模型，采用获得的hrv数据对每个分类模型进行训练；
6、将训练后的多个分类模型构成组合模型，并通过投票机制获取最终的分类结果；
7、其中，在训练分类模型的过程中，采取并行计算的方式，将hrv数据和多个分类模型分发给多个计算单元，以让每一个计算单元独立地训练一个分类模型。
8、进一步地，所述hrv数据包括8种关键特征：心跳间隔的平均值mean_rr、心率间期的标准差sdrr、心率间隔序列中相邻心跳间期的差值的均方根rmssd、心率间隔序列中相邻心跳间期差值大于50ms的百分比pnn50、庞加莱散点图椭圆短轴标准差sd1、庞加莱散点图椭圆长轴标准差sd2、极低频功率vlf以及低频功率和高频功率的比值lf_hf。
9、进一步地，所述获取原始ecg数据，根据原始ecg数据获取hrv数据，包括：
10、获取原始ecg数据，根据原始ecg数据从每个受试者的心电信号中提取出5分钟的心跳间隔，针对该5分钟的心跳间隔中的每个峰值计算特征，获得hrv数据。
11、进一步地，所述多个分类模型包括：极致梯度提升决策树xgboost、k-最近邻算法knn、随机森林rf、支持向量机svm、梯度提升决策树gbdt五种机器学习模型，以及多层感知机mlp、者卷积神经网络cnn两种深度学习模型。
12、进一步地，所述采用获得的hrv数据对每个分类模型进行训练，包括：
13、使用网格搜索的方式，分别对各个分类模型进行参数调优或结构优化，以训练获得机器学习或深度学习模型。
14、进一步地，所述将训练后的多个分类模型构成组合模型，并通过投票机制获取最终的分类结果，包括：
15、在组合模型中，为每一个分类模型分配权重；当不同的分类模型在相同的分类任务下预测结果不同时，组合模型根据不同分类模型的预测结果，按照分类模型的权重在不同类别的计数器中进行累加操作，通过使用比较器对不同类别计数器的值进行比较，最终选取累加器中计数结果较大的类别作为输出。
16、进一步地，所述训练分类模型的过程包括：
17、针对每一个模型，在多处理器计算机中，使用多处理器计算机中的某一处理器进行训练，以实现算法并行训练，并在后续的组合模型更新中，能够方便地添加或删除单一分类模型。
18、本专利技术所采用的第二技术方案是：
19、一种心理压力机器学习组合模型分类装置，包括：
20、数据采集模块，用于获取原始ecg数据，根据原始ecg数据获取hrv数据；
21、模型训练模块，用于构建多个不同的分类模型，采用获得的hrv数据对每个分类模型进行训练；
22、模型组合模块，用于将训练后的多个分类模型构成组合模型，并通过投票机制获取最终的分类结果；
23、其中，在训练分类模型的过程中，采取并行计算的方式，将hrv数据和多个分类模型分发给多个计算单元，以让每一个计算单元独立地训练一个分类模型。
24、本专利技术所采用的第三技术方案是：
25、一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如上所述的一种心理压力机器学习组合模型分类方法。
26、本专利技术所采用的第四技术方案是：
27、一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的一种心理压力机器学习组合模型分类方法。
28、本专利技术所采用的第五技术方案是：
29、一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。
30、本专利技术的有益效果是：本专利技术采用了多种机器学习方法模型进行组合；在算法模型的使用上，不仅采用了特征自动提取能力较强的深度学习方法，同时采用了机器学习方法，增加了模型整体的可解释性；在特征提取方案上，除了部分hrv基础参数以外，还采本文档来自技高网...
【技术保护点】
1.一种心理压力机器学习组合模型分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述HRV数据包括8种关键特征：心跳间隔的平均值MEAN_RR、心率间期的标准差SDRR、心率间隔序列中相邻心跳间期的差值的均方根RMSSD、心率间隔序列中相邻心跳间期差值大于50ms的百分比pNN50、庞加莱散点图椭圆短轴标准差SD1、庞加莱散点图椭圆长轴标准差SD2、极低频功率VLF以及低频功率和高频功率的比值LF_HF。
3.根据权利要求2所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述获取原始ECG数据，根据原始ECG数据获取HRV数据，包括：
4.根据权利要求1所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述多个分类模型包括：极致梯度提升决策树XGBoost、K-最近邻算法KNN、随机森林RF、支持向量机SVM、梯度提升决策树GBDT五种机器学习模型，以及多层感知机MLP、者卷积神经网络CNN两种深度学习模型。
5.根据权利要求4所述的一种心理压力机器学习组
6.根据权利要求1所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述将训练后的多个分类模型构成组合模型，并通过投票机制获取最终的分类结果，包括：
7.根据权利要求1所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述训练分类模型的过程包括：
8.一种心理压力机器学习组合模型分类装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的方法。
...【技术特征摘要】
1.一种心理压力机器学习组合模型分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述hrv数据包括8种关键特征：心跳间隔的平均值mean_rr、心率间期的标准差sdrr、心率间隔序列中相邻心跳间期的差值的均方根rmssd、心率间隔序列中相邻心跳间期差值大于50ms的百分比pnn50、庞加莱散点图椭圆短轴标准差sd1、庞加莱散点图椭圆长轴标准差sd2、极低频功率vlf以及低频功率和高频功率的比值lf_hf。
3.根据权利要求2所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述获取原始ecg数据，根据原始ecg数据获取hrv数据，包括：
4.根据权利要求1所述的一种心理压力机器学习组合模型分类方法，其特征在于，所述多个分类模型包括：极致梯度提升决策树xgboost、k-最近邻算法knn、随机森林rf、支持向量机svm、梯度提升决策树gbdt五种机器学习模型，以及多层感知机mlp、者卷积神经网络cnn两种深度学习模型。
5.根据权利...
【专利技术属性】
技术研发人员：孙宁涛，朱天元，陈广舜，黄梦婷，梁艳春，林刚，李大琳，
申请(专利权)人：珠海科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。