一种激惹情绪的自适应识别预警方法

1.本发明涉涉及心理学领域和计算机领域，具体涉及一种激惹情绪的自适应识别预警方法。


背景技术：

2.激惹情绪是一种反应过度的状态，包括烦恼、急躁或愤怒。可见于疲劳、慢性疼痛，或作为情感异常的临床特征，发生于老年性、脑外伤、癫痫和情感性精神障碍。个体在激惹情绪状态下，易导致冲动行为的发生，甚至会导致诱导心脏病，冠心病，高血压等突发疾病的的发作，基于此，如果能够及时识别确认个体是否处于激惹情绪中，能够有助于判断个体的健康状况，并做出及时的处置措施，然而目前并没有成熟的技术方案来帮助判断个体是否处于激惹情绪。
3.由于上述原因，本发明人对激惹情绪做了深入研究，具体分析激惹情绪的形成原因、影响因素，以期待设计出一种能够解决上述问题的激惹情绪的自适应识别预警方法。


技术实现要素：

4.为了克服上述问题，本发明人进行了锐意研究，设计出一种激惹情绪的自适应识别预警方法，该方法中，首先采集表征激惹情绪的生理参数，如心动周期序列、呼吸频率、体温、血压、睡眠和运动数据，以及情绪标签，包括正常、轻度激惹和重度激惹，构建决策树公共模型进行分类，进一步从训练好的模型中提取用于分类的公共产生式规则集模型。其次，根据具体使用者的具体生理参数来逐步调整优化产生式规则集中规则的阈值，从而获得针对该使用者的准确的个性化定制模型。在此基础上，即可通过将获得的使用者情绪数据输入到个性化定制模型来判断使用者的情绪状态，当判断使用者处于激惹状态时，发出预警信息，从而完成本发明。
5.具体来说，本发明的目的在于提供一种激惹情绪的自适应识别预警方法，该方法包括如下步骤：
6.步骤1,构建决策树公共模型，向其中输入判别特征进行训练，从训练好的决策树公共模型中提取产生式规则集公共模型；
7.步骤2，基于具体使用者，对所述产生式规则集公共模型做适应性调优测试获得使用者的个性化定制模型；
8.步骤3，通过将获得的使用者情绪数据输入到个性化定制模型来判断使用者的情绪状态。
9.其中，在步骤1中，获得所述判别特征的过程包括如下子步骤：
10.子步骤1，采集数据集，所述数据集包括被采集者在采集时间段内的心动周期序列、呼吸频率、体温、血压，还包括被采集者的睡眠数据和运动数据；优选地，所述采集时间段为2～10 分钟；
11.子步骤2，将时间窗内心动周期序列输入到拉盖尔回归模型获取交感神经指标序
列(sai序列)s
sai
和副交感神经指标序列 (pai序列)s
pai
，进而得到该时间窗内交感神指标序列均值和标准差σ(s
sai
)；副交感神经指标序列的均值和标准差σ(s
pai
)；
12.子步骤3：计算子步骤2中sai与pai序列均值的比值和标准差的加权和e
sp
＝λ1σ(s
sai
) λ2σ(s
pai
)，将w
sp
作为唤醒值，e
sp
作为情绪能量值；
13.子步骤4，对所述呼吸频率、体温、血压、睡眠数据和运动数据做数据预处理，并将预处理后的数据与唤醒值、情绪能量值连接组合得到判别特征集；
14.其中，在步骤1中，获得所述判别特征后继续执行如下子步骤：
15.子步骤5，将判别特征集输入决策树公共模型，选择cart 分类树算法进行决策树学习，遍历决策树从根节点到叶节点的每一条路径，生成if-then产生式规则集公共模型 r＝{r1,r2,...,rn}；if-then产生式规则集公共模型中的规则ri表示为其中f
ij
表示规则ri的第j个需要同时满足的判别式，t
ij
表示对应的阈值，表示预测的标签。
16.其中，在子步骤1中，所述睡眠数据包括最近一次睡觉至采集开始的时间间隔和最近一次睡觉的生理特征，所述生理特征包括：深睡比例、浅睡比例、快速眼动比例、清醒次数、开始睡觉的时段分类；
17.所述运动数据包括采集开始前的24小时内的运动步数和运动步频。
18.其中，在所述子步骤1中，每一组数据集都对应有一个情绪标签，该情绪标签中记载有被采集者在采集时间段内的情绪状况，所述情绪状况包括正常、轻度激惹和重度激；
19.优选地，子步骤1中采集多组数据集，至少包括100组情绪标签为正常的数据集，至少包括100组情绪标签为轻度激惹的数据集，至少包括100组情绪标签为重度激惹的数据集。
20.其中，在子步骤4中，所述预处理包括，去除采集到的数据中每一类标签对应数据的离群点，处理方法为，从预先设置的群体样本中提取各个特征的均值和标准差，再把每个特征都做z 分数标准化处理。
21.其中，在步骤2中，将步骤1中获得的产生式规则集公共模型部署于可穿戴设备中，通过所述可穿戴设备探测使用者的心动周期序列、呼吸频率、体温、血压、睡眠数据和运动数据；
22.子步骤a，在使用者使用所述可穿戴设备时，根据可穿戴设备采集到的数据生成判别特征集，将判别特征集与产生式规则集公共模型进行匹配，使用匹配到的ri预测使用者的激惹情绪标签使用者对情绪标签的预测结果进行评估，获得预测情绪标签的准确度、当时自评的情绪标签lr以及可信度c；
23.子步骤b，当使用者反馈情绪标签预测结果不准确时，搜索对应时间的判别特征集与产生式规则集公共模型匹配到的规则 ri，根据预测与自评标签，按照可信度微调ri中if部分的判别阈值t
ij
，表示为：
24.25.其中，t
ij新
表示更新后的阈值，t
ij旧
表示更新前的阈值；和分别表示ri中第j条规则的实际判别阈值和预测的判别阈值。
26.其中，在步骤3中，所述使用者情绪数据包括心动周期序列、呼吸频率、体温、血压、睡眠数据和运动数据，经过数据预处理后得到判别特征集；将判别特征集与个性化定制模型的r中所有规则进行匹配得到规则ri，通过ri预测当前的情绪标签并反馈给使用者。
27.本发明所具有的有益效果包括：
28.(1)根据本发明提供的激惹情绪的自适应识别预警方法，该方法采集表征激惹情绪的生理参数，构建决策树公共模型，同时将决策树公共模型被部署于可穿戴设备，第一次使用时，根据具体使用者的具体生理参数及情绪状态来逐步调整优化产生式规则集中规则的阈值，从而获得针对该使用者的准确的个性化定制模型。该方法在实际操作过程中简单有效，能够快速准确地判断使用者，尤其是老年使用者的情绪状况，当发现处于激惹情绪状况时，及时发出预警信息。
附图说明
29.图1示出根据本发明一种优选实施方式的激惹情绪的自适应识别预警方法的整体逻辑图。
具体实施方式
30.下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
31.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
32.根据本发明提供的，如图1中所示，一种激惹情绪的自适应识别预警方法，该方法包括如下步骤：
33.步骤1,构建决策树公共模型，向其中输入判别特征进行训练，从训练好的决策树公共模型中提取产生式规则集公共模型；
34.步骤2，基于具体使用者，对所述产生式规则集公共模型做适应性调优测试获得使用者的个性化定制模型；
35.步骤3，通过将获得的使用者情绪数据输入到个性化定制模型来判断使用者的情绪状态，当发现使用者处于激惹情绪状况时，及时发出预警信息，其中，可以通过发出提示音或者指示灯来发出预警信息，以便于家人或者医护人员及时调整生活节奏或者诊疗方案，也能够提醒使用者自身注意情绪变化，尽快平复情绪，降低疾病发作的可能性。
36.其中，所述决策树公共模型选用cart分类决策树(de’ath g,fabricius k e.classification and regression trees: a powerful yet simple technique for ecological data analysis[j].ecology,2000,81(11):3178-3192.)；
[0037]
在一个优选的实施方式中，在步骤1中，获得所述判别特征的过程包括如下子步骤：
[0038]
子步骤1，采集数据集，所述数据集包括被采集者在采集时间段内的心动周期序列、呼吸频率、体温、血压，还包括被采集者的睡眠数据和运动数据；优选地，所述采集时间段为2～10 分钟；
[0039]
优选地，获取的数据是2-10分钟内呼吸频率、体温、血压等数据的平均值，是具体的数值，如平均呼吸频率15次/分钟、体温36.5度、高压120、低压80等；
[0040]
子步骤2：将时间窗内心动周期序列输入到拉盖尔回归模型获取交感神经指标序列(sai序列)s
sai
和副交感神经指标序列 (pai序列)s
pai
，进而得到该时间窗内交感神指标序列均值和标准差σ(s
sai
)，副交感神经指标序列的均值和标准差σ(s
pai
)；
[0041]
所述拉盖尔回归模型选用(gaetano v,luca c,philip s j,et al.measures of sympathetic and parasympathetic autonomic outflow from heartbeat dynamics.[j].journal ofapplied physiology,2018,125(1):19-39.)中的模型。
[0042]
子步骤3：计算子步骤2中sai与pai序列均值的比值和标准差的加权和e
sp
＝λ1σ(s
sai
) λ2σ(s
pai
)，将w
sp
作为唤醒值，e
sp
作为情绪能量值；
[0043]
子步骤4，对所述呼吸频率、体温、血压、睡眠数据和运动数据做数据预处理，并将预处理后的数据与唤醒值、情绪能量值连接组合得到判别特征集。所述判别特征集即为判别特征的集合。
[0044]
在步骤1中，获得所述判别特征后继续执行如下子步骤：
[0045]
子步骤5，将判别特征集输入决策树公共模型，选择cart 分类树算法进行决策树学习，遍历决策树从根节点到叶节点的每一条路径，生成if-then产生式规则集公共模型 r＝{r1,r2,...,rn}。
[0046]
优选地，i为1-n中的任意一个数；所述if-then产生式规则集公共模型中的规则ri表示为其中f
ij
表示规则ri的第j个需要同时满足的判别式，t
ij
表示对应的阈值，表示预测的标签。
[0047]
优选地，在子步骤1中，所述睡眠数据包括最近一次睡觉至采集开始的时间间隔，以小时为单位，还包括最近一次睡觉的生理特征，所述生理特征包括：深睡比例、浅睡比例、快速眼动比例、清醒次数、开始睡觉的时段分类；所述时段分类分为1 点至6点，7点至12点，13至18点，19点至24点等四个分类。
[0048]
所述运动数据包括采集开始前的24小时内的运动步数和运动步频，步频的单位是步/秒。
[0049]
在一个优选的实施方式中，在所述子步骤1中，每一组数据集都对应有一个情绪标签，该情绪标签中记载有被采集者在采集时间段内的情绪状况，所述情绪状况包括正常、轻度激惹和重度激惹；其中，情绪状况通过问卷调查获得，在采集过程中，所述轻度激惹和重度激惹可通过对被采集者进行外部刺激产生；本技术中激惹程度标签的采集使用刘惠军,高红梅.状态
ꢀ‑
特质愤怒表达量表修订版在大学生中的信效度[j].中国心理卫生杂志,2012,26(1):7.中的状态怒量表获取，将每个项目的得分加和得到原始得分，小于等于30分为正常，30到45为轻度激惹，45以上为重度激惹。
[0050]
优选地，子步骤1中采集多组数据集，至少包括100组情绪标签为正常的数据集，至
少包括100组情绪标签为轻度激惹的数据集，至少包括100组情绪标签为重度激惹的数据集。即在所述子步骤1中至少采集300组数据集。本技术中的轻度激惹和重度激惹情绪标签都由被采集自行选择填写。
[0051]
在一个优选的实施方式中，在子步骤4中，所述预处理包括针对采集到的数据，去除每一类标签对应数据的离群点，处理方法为，从预先设置的群体样本中提取各个特征的均值和标准差，再把每个特征都做z分数标准化处理。如果某个特征超出2.5 倍标准差，则删除这组数据。
[0052]
在一个优选的实施方式中，在步骤2中，将步骤1中获得的决策树公共模型部署于可穿戴设备中，通过所述可穿戴设备探测使用者的心动周期序列、呼吸频率、体温、血压、睡眠数据和运动数据，优选地，所述可穿戴设备包括心电信号提取模块、体温测量模块、血压测量模块、睡眠监测模块以及运动监测模块。
[0053]
优选地，在步骤2中，所述适应性调优测试包括如下子步骤：
[0054]
子步骤a，在使用者使用所述可穿戴设备时，根据可穿戴设备采集到的数据生成判别特征集，将判别特征集与产生式规则集公共模型进行匹配，使用匹配到的ri预测使用者的激惹情绪标签使用者可随时对情绪标签的预测结果进行评估，给出某时间预测情绪标签的准确度、当时自评的情绪标签lr以及可信度c；
[0055]
子步骤b，当使用者反馈情绪标签预测结果不准确时，搜索对应时间的判别特征集与产生式规则集公共模型匹配到的规则 ri，根据预测与自评标签，按照可信度微调ri中if部分的判别阈值t
ij
，表示为
[0056]
其中，t
ij新
表示更新后的阈值，t
ij旧
表示更新前的阈值；和分别表示ri中第j条规则的实际判别阈值和预测的判别阈值。
[0057]
在一个优选的实施方式中，在步骤3中，所述使用者情绪数据包括心动周期序列，呼吸频率、体温、血压、睡眠数据和运动数据，均通过可穿戴设备采集，经过数据预处理后得到判别特征集。将判别特征集与个性化定制模型的r中所有规则进行匹配得到规则ri，通过ri预测当前的情绪标签并反馈给使用者。该步骤可实时执行，按照预定义的周期持续预测并给出情绪状态信息，从而持续优化调整所述个性化定制模型。
[0058]
实施例
[0059]
步骤1，构建决策树公共模型，向其中输入判别特征：
[0060]
子步骤1,采集300组数据集；每组数据集都包括被采集者在采集时间段内的心动周期序列、呼吸频率、体温、血压，还包括被采集者的睡眠数据和运动数据；所述采集时间段为2～10 分钟。每完成一组数据集的采集后，在标签中记录采集时间段内被采集者的情绪状况，所述情绪状况包括正常、轻度激惹和重度激惹，每种情绪状况对应的数据集都是100个。
[0061]
所述睡眠数据包括最近一次睡觉至采集开始的时间间隔和最近一次睡觉的生理特征，所述生理特征包括：深睡比例、浅睡比例、快速眼动比例、清醒次数、开始睡觉的时段分类；所述运动数据包括采集开始前的24小时内的运动步数和运动步频。
[0062]
子步骤2，将数据集中时间窗内心动周期序列输入到拉盖尔回归模型获取交感神经指标序列(sai序列)s
sai
和副交感神经指标序列(pai序列)s
pai
，进而得到该时间窗内交感神指标序列均值和标准差σ(s
sai
)，副交感神经指标序列的均值和标准差σ(s
pai
)；
[0063]
子步骤3，获得子步骤2中sai与pai序列均值的比值作为唤醒值，再获得标准差的加权和 e
sp
＝λ1σ(s
sai
) λ2σ(s
pai
)作为情绪能量值；
[0064]
子步骤4，对所述呼吸频率、体温、血压、睡眠数据和运动数据做数据预处理，即去除采集到的数据中每一类标签对应数据的离群点，并将预处理后的数据与唤醒值、情绪能量值连接组合得到判别特征集；
[0065]
步骤2，将步骤1得到的公共模型随机森林部署于可穿戴设备中，共准备50套可穿戴设备，并选择年龄为60-70岁的使用者 50名，每位使用者佩戴一套所述可穿戴设备，佩戴成功后，所述可穿戴设备即开始探测获得使用者的心动周期序列、呼吸频率、体温、血压、睡眠和运动数据，并据此获得个性化定制模型；
[0066]
其中，获得个性化定制模型的过程包括如下步骤：
[0067]
子步骤a，在使用者使用所述可穿戴设备时，根据可穿戴设备采集到的数据生成判别特征集，将判别特征集与产生式规则集公共模型进行匹配，使用匹配到的ri预测使用者的激惹情绪标签使用者对情绪标签的预测结果进行评估，获得预测情绪标签的准确度、当时自评的情绪标签lr以及可信度c；
[0068]
子步骤b，当使用者反馈情绪标签预测结果不准确时，搜索对应时间的判别特征集与产生式规则集公共模型匹配到的规则 ri，根据预测与自评标签，按照可信度微调ri中if部分的判别阈值t
ij
，表示为：
[0069][0070]
其中，t
ij新
表示更新后的阈值，t
ij旧
表示更新前的阈值；和分别表示ri中第j条规则的实际判别阈值和预测的判别阈值。
[0071]
步骤3，通过将获得的使用者情绪数据输入到个性化定制模型来判断使用者的情绪状态；
[0072]
步骤4，统计50名使用者的情绪状态，并将统计结果与50 名使用者真实状况做比较，已知50名使用者中10名处于重度激惹状态，10名为轻度激惹状态，30名为正常状态；
[0073]
步骤5，预测正确情绪状态的总数占总使用者人数的比例为 0.8；精确率均值为0.78，即正确预测为轻度激惹的占全部预测为轻度激惹的比例和正确预测为重度激惹的占全部预测为重度激惹的比例的平均值，召回率均值为0.76，即正确预测为轻度激惹的占全部实际为轻度激惹的比例和正确预测为重度激惹的占全部实际为重度激惹的比例的平均值。
[0074]
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。