一种基于心电信号的气质类型分类方法

1.本发明涉涉及心理学领域和计算机领域，具体涉及一种基于心电信号的气质类型分类方法。


背景技术：

2.气质类型是对人的气质所进行的典型分类。以公元前5世纪古希腊医生希波克拉特的分类最为著名。他认为人体有四种液体，即血液、粘液、黄胆汁、黑胆汁。这四种液体在人体内的比例不同，形成了气质的四个类型，即多血质、胆汁质、粘液质、抑郁质。
3.结合巴甫洛夫的高级神经活动类型学说(高级神经活动有四种基本类型)，以及对心理活动的观测，这四种不同气质类型分别有以下特点：多血质，相当于高级神经活动强而平衡灵活型，表现为活泼、敏感、好动、反应迅速、喜欢与人交往、注意力容易转移、兴趣容易变换；胆汁质，相当于高级神经活动强而不平衡型，表现为直率、热情、精力旺盛、情绪易于冲动、心境变换剧烈；粘液质，相当于高级神经活动强而平衡不灵活型，表现为安静、稳重、反应缓慢、沉默寡言、情绪不易外露，注意稳定但又难于转移，善于忍耐；抑郁质，相当于高级神经活动弱型，表现为孤僻、行动迟缓、体验深刻、多愁善感、善于觉察别人不易觉察到的细小事物。
4.在现代信息化背景下，个性化教育是提高教育质量的有效途径之一。有效实施个性化教育的必要条件之一是每个学生必须“知己”且深入而精准，即了解自我。而高等教育普及化之后这恰恰是全社会的难题，学生自身和老师无法了解每个学生，从而无法做到个性化教育。
5.现在对人的气质类型的测评方式是通过问卷类测试来进行，通过设计合理的问卷，由测试者自己填写问卷，然后统计结果来评估测试者气质类型。但该测试方式存在以下缺点：(1) 测试的准确性主要由问卷的设计决定；(2)问卷由测试者自己填写，受测试者的主观影响大，可能由自己的想法，胡乱或刻意填写。故问卷类测试的真实性低、测试范围小、测试缺乏弹性的缺点。
6.由于上述原因，本发明人对气质类型做了深入研究，具体分析气质类型的影响因素，以期待设计出一种能够解决上述问题的快速准确检测识别气质类型，并据此进行分类的方法。


技术实现要素：

7.为了克服上述问题，本发明人进行了锐意研究，设计出一种基于心电信号的气质类型分类方法，该方法可以准确地评估被识别人的气质类型，帮助测试者根据自己的气质类型选择适合自己的生活方式以及社会活动、对自己有更全面的认识。该方法中利用可穿戴设备内置的传感器，采集特征数据及标签；将被识别人的rri序列输入拉盖尔自回归模型，得到交感神经指标sai和副交感神经指标pai，并通过比较其阙值判定类型向量；对所有特征进行标准化处理，建立特征向量集；再将特征向量输入到预先建立的随机森林模型，最
终输出气质类型，从而完成本发明。
8.具体来说，本发明的目的在于提供一种基于心电信号的气质类型分类方法，其特征在于，
9.该方法包括如下步骤：
10.步骤1,分别采集被识别人在连续四种状态下的心电信号，并将四组心电信号标记为s1，s2，s3，s4；
11.步骤2,对步骤1中获得的四组心电信号做滤波预处理，计算得到每组心电信号对应的心跳周期序列rrn＝{rr1,rr2,...rrn}，其中， rr1表示第1个心跳间隔时间，单位毫秒，rrn表示第n个心跳间隔时间；步骤3,将每组心跳周期序列依次输入到拉盖尔回归模型得到交感神经指标sai序列和负交感神经指标pai序列，进而得到sai与pai的比值序列，提取sai与pai的比值序列 x
sp
＝{x
sp1
,x
sp2
,...x
spm
}，共获得4组sai与pai的比值序列；其中， x
sp
表示sai与pai的比值序列，x
sp1
表示第1个sai-pai的比值序列，x
spm
表示第m个sai与pai的比值序列；
12.步骤4,求取心电信号s2对应的x
sp
的均值
13.求取心电信号s3对应的均值
14.步骤5,将步骤4中的与设定阈值t1，t2，t3做比较，
15.将步骤4中的与设定阈值t1，t2，t3做比较，
16.根据比较结果获得类型向量；
17.步骤6,从步骤3中获得的x
sp
中提取出时域动态特征，
18.提取步骤5中获得的类型向量的编码；
19.步骤7,基于步骤6获得的特征，对性别、年龄段进行one-hot 编码，通过标准化处理后获得特征向量集{e1,e2,e3,en}；
20.再将特征向量输入到随机森林多分类模型中，获得气质类型。
21.其中，在步骤1中，所述连续四种状态包括顺次相连的：
22.状态1：静坐10秒；
23.状态2：观看幽默视频10秒；
24.状态3：观看惊悚视频10秒；
25.状态4：静坐10秒。
26.其中，在步骤5中，在所述设定阈值中，t1《t2《t3；
27.优选地，所述t1取值为0.2；所述t2取值为0.4；所述t3取值为0.5。
28.其中，在步骤5中，类型向量的获得过程包括如下子步骤：
29.子步骤1，记录与设定阈值t1，t2，t3的比较结果，记录与设定阈值t1，t2，t3的比较结果；其中，小于t1为结果a，大于等于t1且小于t2为结果b，大于等于t2且小于t3为结果c，大于等于t3为结果d；
30.子步骤2，结合和的比较结果，并据此确定类型向量；
31.其中，当组合结果为ca或ad或da或db时，所述类型为1；
32.当组合结果为cd或cc或dc或dd，所述类型为2；
33.当组合结果为aa或ab或ba或bb，所述类型为3；
34.当组合结果为ac或cb或bc或bd，所述类型为4。
35.其中，在步骤6中，所述时域动态特征包括：
36.延迟时间t1、峰值时间t2、上升时间t3、调整时间t4、调整时间内的振荡次数c。
37.其中，在步骤7中，所述随机森林多分类模型通过下述子步骤获得：
38.子步骤a，通过量表自评的方式构建气质类型数据库，该数据库中包括的数据信息有x
sp
的时域动态特征和气质类型，
39.子步骤b；使用气质类型数据库冲刷随机森林多分类模型，其中以x
sp
的时域动态特征为输入，以气质类型为输出；
40.在所述冲刷随机森林多分类模型的过程中，当kappa系数达到0.6以上时冲刷停止。
41.本发明所具有的有益效果包括：
42.(1)根据本发明提供的基于心电信号的气质类型分类方法能更真实地体现测试者的气质类型，通过短时间观看惊悚和幽默视频的对立冲突的心电信号来分析评估气质类型，使得被识别人在短时间之内的身体反应很难用主观思维来压制改变，因此通过测试来评估测试者气质更真实可靠；
43.(2)根据本发明提供的基于心电信号的气质类型分类方法中，具体的评估工作可以交由计算机系统程序来执行，因此评估结果具有客观性，不会因评估者的水平和偏见造成测试者结果不准确，具有评估结果客观性、评估过程省时间省人力的优点；
44.(3)根据本发明提供的基于心电信号的气质类型分类方法，该方法适用于任何年龄段人士，对不同年龄段人士的气质类型都能有很好的反馈。
附图说明
45.图1示出根据本发明一种优选实施方式的基于心电信号的气质类型分类方法的整体逻辑图。
具体实施方式
46.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。
47.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。
48.根据本发明提供的，如图1中所示，基于心电信号的气质类型分类方法，该方法包括如下步骤：
49.步骤1,分别采集被识别人在连续四种状态下的心电信号，并将四组心电信号标记为s1，s2，s3，s4；该标记的目的在于识别区分，无特殊含义；
50.优选地，在步骤1中，所述连续四种状态包括顺次相连的：
51.状态1：静坐10秒；
52.状态2：观看幽默视频10秒；
53.状态3：观看惊悚视频10秒；
54.状态4：静坐10秒。
55.步骤2,对步骤1中获得的四组心电信号做滤波预处理，以便于降低或去除噪声，计算得到每组心电信号对应的心跳周期序列rrn＝{rr1,rr2,...rrn}，即得到四组所述心跳周期序列，其中，rr1表示第1个心跳间隔时间，单位毫秒，rrn表示第n个心跳间隔时间。
56.步骤3,将四组心跳周期序列依次输入到拉盖尔回归模型得到交感神经指标sai序列和负交感神经指标pai序列，进而得到sai与pai的比值序列，提取sai与pai的比值序列x
sp
＝{x
sp1
,x
sp2
,...x
spm
}，共获得4组sai与pai的比值序列，即四组心跳周期序列分别输入获得比值；其中，x
sp
表示sai与pai的比值序列，x
sp1
表示第1个sai与pai的比值序列，x
spm
表示第m个sai与pai的比值序列。本技术中，所述交感神经序列、副交感神经序列和比值序列都是矩阵。
57.优选地，所述拉盖尔回归模型选用gaetanov,lucac,philipsj,etal.measuresofsympatheticandparasympatheticautonomicoutflowfromheartbeatdynamics.[j].journalofappliedphysiology,2018,125(1):19-39中涉及的拉盖尔回归模型。优选地，所述拉盖尔回归模型中的拉盖尔正交函数表示为：
[0058][0059]
其中j表示阶数，α表示其指数下降率，n表示当前序号。
[0060]
所述比值序列通过下述过程获得：
[0061]
指将心电信号的r-r间期序列解构为不同阶数laguerre函数的加权集合，表示为：
[0062][0063]
其中θ
t
表示时间t的r-r间期估计值，[p0p1(j,t)]表示待估计参数，φj*r
n(t)
表示laguerre函数与t之前历史r-r间期序列的卷积响应，δ
sai
和δ
pai
表示交感与副交感神经对应的laguerre函数阶数，所求交感与副交感神经序列γ
sai
和γ
pai
可进一步表示为p1(j,t)的加权值，其中最后得到其比值序列x
sp
＝γ
sai
/γ
pai
。
[0064]
步骤4,求取心电信号s2对应的x
sp
的均值求取心电信号s3对应的均值
[0065]
步骤5,将步骤4中的与设定阈值t1，t2，t3做比较，将步骤4中的与设定阈值t1，t2，t3做比较，根据比较结果获得类型向量。
[0066]
优选地，在步骤5中，在所述设定阈值中，t1《t2《t3；
[0067]
优选地，所述t1取值为0.2；所述t2取值为0.4；所述t3取值为0.5。
[0068]
在步骤5中，类型向量的获得过程包括如下子步骤：
[0069]
子步骤1，记录与设定阈值t1，t2，t3的比较结果，记录与设定阈值t1，t2，t3的比较结果；其中，小于t1为结果a，大于等于t1且小于t2为结果b，大于等于t2且小于t3为结果c，大于等于t3为结果d；
[0070]
子步骤2，结合和的比较结果，并据此确定类型向量；
[0071]
其中，当组合结果为ca或ad或da或db时，所述类型为1；
[0072]
当组合结果为cd或cc或dc或dd，所述类型为2；
[0073]
当组合结果为aa或ab或ba或bb，所述类型为3；
[0074]
当组合结果为ac或cb或bc或bd，所述类型为4。
[0075]
本技术中上述类型向量能够反应被识别人的性格特点，对于预测气质类型有极大帮助，本技术人发现，将上述类型向量引入作为模型输入后，显著地提升了模型的判断准确性。
[0076]
步骤6,从步骤3中获得的x
sp
中提取出时域动态特征，具体来说，步骤3中共获得分别与s1，s2，s3，s4对应的四组sai与 pai的比值序列x
sp
，从每一组x
sp
中都提取出一组时域动态特征，即共获得四组时域动态特征；
[0077]
提取步骤5中获得的类型向量的编码；所述类型向量为1、2、 3、4中的一个。
[0078]
其中，优选地，在步骤6中，所述时域动态特征包括：
[0079]
延迟时间t1、峰值时间t2、上升时间t3、调整时间t4、调整时间内的振荡次数c。
[0080]
其中，延迟时间t1为响应曲线第一次达到设定高阈值的一半的时间；
[0081]
峰值时间t2为对应于最大超调量发生的时间；
[0082]
上升时间t3为第一次到达设定高阈值的时间；
[0083]
调整时间t4为回落到稳态值与设定差值δ内所需要的时间，所述δ设置为稳态值的5％；
[0084]
调整时间内的震荡次数c为调整时间段内超过的个数。
[0085]
步骤7,基于步骤6获得的特征，对性别、年龄段进行one-hot 编码，通过标准化处理后获得特征向量集{e1,e2,e3,en}；其中，所述标准化处理是指最大最小值标准化处理，其中，将被识别人按照年龄分为5组，分别为6-12岁组、13-20岁组、21-30岁组， 31-50岁组和50岁以上组。通过结合one-hot编码，能够进一步增加数据数量，以便于更为充分地冲刷模型。
[0086]
最后将特征向量输入到随机森林多分类模型中，获得气质类型，根据气质类型进行分类，同种气质类型的被识别人分配到同一组中，以便于因材施教。
[0087]
在一个优选的实施方式中，在步骤7中，所述随机森林多分类模型通过下述子步骤获得：
[0088]
子步骤a，通过量表自评的方式构建气质类型数据库，该数据库中包括的数据信息有x
sp
的时域动态特征和气质类型，其中，所述x
sp
的时域动态特征的获得方式可以与上述步骤1、步骤2、步骤3相同。
[0089]
子步骤b；使用气质类型数据库冲刷随机森林多分类模型，其中以x
sp
的时域动态特征为输入，以气质类型为输出；所述冲刷随机森林多分类模型的停止判断条件是kappa系数
达到0.6以上。kappa系数是基于混淆矩阵的计算得到的模型评价参数，其计算式为：
[0090]
实施例
[0091]
冲刷获得随机森林多分类模型：
[0092]
子步骤a，筛选200名受试者，进行量表自评，每名受试者需要填写记录其自身的气质类型，再通过下述过程获得每位受试者x
sp
的时域动态特征，从而构建气质类型数据库；
[0093]
其中，具体过程为：(1)、分别采集受试者在连续的、静坐 10秒、观看幽默视频10秒、观看惊悚视频10秒和静坐10秒四种状态下的心电信号，共获得4组心电信号；
[0094]
(2)、对(1)中获得的四组心电信号做滤波预处理，计算得到每组心电信号对应的心跳周期序列rrn＝{rr1,rr2,...rrn}；
[0095]
(3)、将每组心跳周期序列依次输入到拉盖尔回归模型得到交感神经指标sai序列和负交感神经指标pai序列，进而得到 sai与pai的比值序列x
sp
＝{x
sp1
,x
sp2
,...x
spm
}，
[0096]
从所述x
sp
中提取出时域动态特征，所述时域动态特征包括：延迟时间t1、峰值时间t2、上升时间t3、调整时间t4、调整时间内的振荡次数c。
[0097]
子步骤b，使用上述气质类型数据库冲刷随机森林多分类模型，其中以x
sp
的时域动态特征为输入，以气质类型为输出；从而获得经过冲刷的随机森林多分类模型。
[0098]
基于心电信号对任意选自上述200人中的一位被识别人的气质类型进行识别：
[0099]
步骤1：分别采集被识别人在连续的、静坐10秒、观看幽默视频10秒、观看惊悚视频10秒和静坐10秒四种状态下的心电信号，共获得4组心电信号；
[0100]
步骤2,对步骤1中获得的四组心电信号做滤波预处理，计算得到每组心电信号对应的心跳周期序列rrn＝{rr1,rr2,...rrn}；
[0101]
步骤3,将每组心跳周期序列依次输入到拉盖尔回归模型得到交感神经指标sai序列和负交感神经指标pai序列，进而得到sai与pai的比值序列x
sp
＝{x
sp1
,x
sp2
,...x
spm
}，
[0102]
步骤4,求取心电信号s2对应的x
sp
的均值为0.32，求取心电信号s3对应的均值为0.45；
[0103]
步骤5,将步骤4中的与设定阈值t1＝0.2，t2＝0.4， t3＝0.5做比较，比较结果为b；
[0104]
将步骤4中的与设定阈值t1＝0.2，t2＝0.4，t3＝0.5 做比较，比较结果为c；
[0105]
比较结果的组合为bc，从而可知类型向量为4。
[0106]
步骤6,从步骤3中获得的x
sp
中提取出时域动态特征，延迟时间t1为200毫秒、峰值时间t2为400毫秒、上升时间t3为210 毫秒、调整时间t4为500毫秒、调整时间内的振荡次数c为4；
[0107]
提取类型向量的编码为4，
[0108]
步骤7，对提取到的所有特征做标准化处理，据此构建特征向量集，t1,t2,t3,t4,c,类型向量；
[0109]
再将特征向量输入到随机森林多分类模型中，获得的气质类型为胆汁质。该被识别人的量表测评气质类型为胆汁质，可知本次识别结果准确。
[0110]
更换被识别人，重复20次上述基于心电信号对被识别人的气质类型进行识别的过程，其结果中与量表测评一致的次数为 18次；
[0111]
从而可知本技术提供的基于心电信号的气质类型识别方法结果准确，其准确率达到90％以上。
[0112]
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。