DOI：10.19850/j.cnki.2096-4706.2021.09.024

摘  要：已有许多基于EEG信号构建的压力检测模型，这些模型通过刺激材料诱导信号的产生，过程烦琐且难以保证标签的准确度。对此，提出了一种基于ECG信号生成标签用于训练EEG模型的方法。首先通过实验获取ECG数据进行线性拟合;然后同时采集ECG和EEG信号，用ECG生成压力数据并进行离散化;最后使用支持向量机和离散化后的数据训练模型，得到基于EEG信号的压力分类模型。在二分类任务下达到了90.16%的精度，表明了生成标签和EEG模型的有效性。

关键词：ECG;EEG;支持向量机;压力测量

中图分类号：TN911.7       文献标识码：A 文章编号：2096-4706（2021）09-0093-04

Research on Stress Measurement Model Based on ECG and EEG Signals

LIN Ying

（School of Information Engineering，Guangzhou Panyu Polytechnic，Guangzhou  511483，China）

Abstract：There are many stress detection models based on EEG signals. These models induce signal generation by stimulating materials. The process is cumbersome and it is difficult to ensure the accuracy of the label. In this regard，a method of generating tags based on ECG signals for training EEG models is proposed. Firstly，obtain ECG data through experiments for linear fitting;then，collect ECG and EEG signals at the same time，use ECG to generate stress data and discretization;finally use support vector machines and discretized data to train the model to obtain stress classification based on EEG signals model. The accuracy of 90.16% is achieved under the two-class classification task，which shows the effectiveness of the generated label and EEG model.

Keywords：ECG;EEG;support vector machine;pressure measurement

0  引  言

现代生活充满了压力。焦虑、失眠、抑郁已经成为困扰很多现代人的问题。据世界卫生组织估计，目前中国约有2至3亿的人存在心理问题。过多的压力导致人们情绪不良，学习和工作下降，生活质量降低。从心理因素来看，压力可以分为内部和外部因素。在外部的温度、照明、空间和噪音等刺激下可导致生理压力，长期的外部压力会影响情绪和行为。内部因素产生的压力则需要通过睡眠、休息、增加营养和适当的运动来解决^[1]。虽然压力并不总是负面的，适当的压力可以让人学习和工作更加積极，有利于我们完成目标，但如果长期承受心理压力将对健康造成损害，还会导致免疫力的降低^[2]。因此，快速、准确地了解自身的压力对于保持身心健康有重要意义。

传统的评估方法依赖评估者的主观经验，并且受测者可能会试图隐藏自己的真实心理状态。利用生理信号来测试压力更为客观。此外，传统方法还有无法进行连续测量的缺点，不能够跟踪到个人一天中的压力变化状况。穿戴式设备正在快速发展，利用这些设备来实时地跟踪生理指标正在成为主流。人体的生理信号会随着压力的产生相应的变化，心率变异率与压力存在着高度的相关性，利用心电（Electro Catdio Gram，ECG）信号可以有效地测量压力的程度。为了得到准确的心电信号，心电设备通过都需要多个电极来采集信号，即使是采用单导联方式可穿戴产品也不是很方便。相比之下，脑电（electroencephalogram，EEG）信号更加容易采集，并且信号敏感，可以快速的反应出压力的变化。但是，利用脑电信号训练模型存在着标注数据困难的问题。情绪数据通常通过刺激材料诱导情绪，再根据材料的类型为收集到数据进行标注，过程比较烦琐，并且由于存在个体差异，对于同一个刺激材料的反应也有所不同。为此，我们提出了一种利用ECG自动生成压力标签用于EEG模型训练的方法，该方法可以方便地为EEG数据准备好标签。

1  相关研究概述

脑电波是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。脑电波的电压很小，需要高精度的仪器才能探测到。常用于脑电分析的频域特征有α、β、δ、θ和γ等。

α频率于8～13 Hz之间，大多发生在成人时期中，是节律性脑电波中最明显的波，通常出现在头的后部，在头两侧都会有，主导侧的振幅会比较高。β波频率于13～30 Hz之间，适量的β波帮助我们集中精力完成任务，有利于学习等认知行为，但是当β波过多的时候身体处于紧张的状态，容易引发焦虑和压力。γ波频率位于30～70 Hz之间，与情绪稳定、正面思考有关。出现该频段时人通常处于十分激动、亢奋的状态，或是受到了强烈的刺激。δ波频率范围0～4 Hz，与最深层次的放松和恢复，愈合、睡眠有关。太多的δ波与脑损伤、学习问题有关，太少则可能无法兴奋大脑。θ波频率位于4～8 Hz之间，太多的θ波与多动症、注意力不集中有关，太少则与焦虑、压力大有关。

已有一些基于ECG信号的压力测量研究。孔令琴等^[3]融合了心率变异性和人脸表情进行压力的检测，将HRV以及表情共同作为特征输入，利用支持向量机进行训练分类，实现压力状态与非压力状态的检测。于路^[4]通过放松、Stroop彩色单词测试任务、心算任务，制造不同的心理压力水平，然后计算HRV时域、频域指标与NASA-TLX得分的相关系数来区分“放松”和“有压力”两种状态。李永涛^[5]利用单模的生理信号计算RR间期，截取104个RR间期序列，提取较少心率变异性特征，实现了基于心率变异性的心理压力连续检测。

EEG信号反应更为迅速，有利于实时测量压力，相比心率设备使用起来也更加方便。因此，值得研究EEG信号在压力测量方面的应用。Sharma等^[6]对不同的分类器进行了详细的分析，发现SVM获得了最大的准确率。证明使用脑电图进行压力检测的结果可行性，适用于心理健康问题的临床干预和预防。Kalas^[7]等使用k-means聚类方法来衡量感知压力，将受试者分为不同类别并估计压力水平。所提出的方法可用于开发用于减轻人类压力的产品。

2  算法流程

本文首先采集ECG和EEG的数据，然后对数据进行预处理操作，包括去除异常值和归一化。然后进行特征选取。脑电波有很多特征，前文所述的α和β还可以进一步细分为低、中和高三个频段。本文不进行这种细分，我们选择α、β、θ和γ，4个特征用于EEG模型的训练。最后我们还进行了交叉验证，证明模型的有效性。算法流程如图1所示。

为了能够自动生成数据标签，我们先构建了基于ECG信号的压力模型。具体步骤为：

步骤一：数据采集。有多种方法可以诱导压力的产生，本文采用了主流的特里尔社会应激测试（Trier Social Stress Test，TSST）。在被试进入实验室后先坐下休息10分钟，然后佩戴ECG设备，准备采集数据。在观察到被试的心率变异性（Heart Rate Variability，HRV）指标平稳之后，开始进行压力的诱导并记录数据。诱导过程包括进行演讲和完成心算任务。实验过程保持严肃，要求被试尽快给出心算的结果，并在受测者回答错误时要求重新进行心算任务，以此诱导压力。在整个实验过程中，HRV数据被实时地存储到数据库中。

步骤二：数据预处理。重复数据对于本文模型的训练没有作用，因此，本文根据LF、HF和HR三个指标进行筛选，去除重复的数据。去除异常的HRV数据，包括零值和2倍标准差以外的数据，然后进行等距分箱，为后续的拟合准备好数据集。由于数据涉及许多被试，因此为每条数据进行了编号（数据表中的user域）。处理后的数据存储在数据库中，数据格式和部分数据如图2所示。

步骤三：拟合数据。HRV是基于ECG信号的一系列重要指标，包括时域和频域指标。利用步骤二得到的数据，采用曲线回归拟合数据。经过多次实验和调整，我们得到了以下压力模型：

其中，s为测量的SDNN，age为被试者的年龄，LF为ECG的低频信号（0.04～0.15 Hz），HF为高频信号（0.16～ 0.5 Hz），F为压力分数。

3  实验过程

在得到基于ECG的压力模型后，需要进行EEG数据的采集。EEG数据的采集过程与ECG类似，仍然使用TSST方法进行压力的诱导（不包括ECG实验中的被试），要求被试同时佩戴ECG和EEG设备，以便在ECG信号和EEG信号之间建立联系。此外，为了采集到参加实验人员的日常压力状态，我们还开发了一个能够实时记录ECG和EEG数据的APP，然后分发给各个被试人员，要求佩戴设备6小时以上。最后对所有的数据的进行汇总和处理，得到训练模型所需的数据集。ECG生成的压力数据经过离散化后作为EEG数据集的标签，再用支持向量机进行分类任务，将数据分为“有压力”和“无压力”两种状态。具体步骤为：

步骤一：进行TSST测试，同时采集ECG和EEG数据。

步骤二：使用上文构建的ECG模型，将采集到ECG信号输入式（5），直接计算得到压力分数并存储到数据库。在移动设备上，我们使用SQLite数据库存储数据。

步骤三：进行EEG数据预处理。EEG信号非常敏感，容易受到干扰。在进行频域变换时我们已经尽可能去除了伪迹、眼电等干扰，但仍然容易出现异常值。因此，我们对采集到的数据，除了进行常规的预处理操作，还限制数据的最大最小值为正负2倍标准差。

步骤四：为EEG数据准备标签。将由公式计算得到的分数进行离散化，数值小于等于50的标记为0，表示“无压力”，大于50的标记为1，表示“有压力”。由于是同时采集ECG和EEG数据，因此在对应的时间点上压力状态是相同的。

步骤五：特征选取。根据先验知识和实验，我们选取了α、β、θ和γ，4个特征用于模型的训练。

步骤六：使用准备好的EEG数据训练SVM模型，进行二分类任务。

步骤七：进行交叉验证，计算平均精度。

4  实验结果

本文使用分类精度来评估模型的有效性。由于数据集比较小，因此使用了10折交叉验证。最后，我們得到了90.16%的分类精度，证明了模型的有效性。实验结果显示，本文的ECG模型能够实时、准确地生成压力分数，并且可以有效地作为EEG数据的标签使用。较高的分类精度也展示了针对压力测量这一任务，采用单极导联的方式已经足够，这也是本文采集EEG数据的设备所使用的导联方式。实验还发现，对于δ，该特征对分类精度影响较小，因此在后续的实验中去除了这一特征，以提高泛化性能并减少运算。图3为采集到的压力数据用t-SNE算法可视化后的结果。

图3  t-SNE压力数据可视化

5  结  论

压力造成的心理健康问题已经十分常见。当今社会节奏加快，工作压力越来越大，面临的压力前所未有。利用ECG可以有效地检测压力，準确度高，但EEG信号反应更为迅速，且硬件设备相对更便宜。本文提出了一种基于ECG信号自动生成压力标签并用于EEG模型训练的方法。该方法能够方便、客观地生成压力分数，避免了以往的手工标记数据的烦琐过程，有利于大量地对EEG数据进行标记，提高EEG模型的训练效果。研究EEG在压力检测方面的应用在穿戴式设备逐渐普及的今天具有重要的意义。

本文模型在计算压力时已经考虑到年龄因素，并在ECG模型中进行了调整，但由于个体存在差异，未来还需要对此开展更多的研究。

参考文献：

[1] LIAO C Y，CHEN R C，TAI S K. Emotion stress detection using EEG signal and deep learning technologies [C]//2018 IEEE International Conference on Applied System Invention（ICASI）.Chiba：IEEE，2018：90-93.

[2] SEGERSTROM S C，MILLER G E. Psychological stress and the human immune system：a meta-analytic study of 30 years of inquiry [J].Psychological Bulletin，2004，130（4）：601-630.

[3] 孔令琴，陈飞，赵跃进，等.融合心率变异性与表情的非接触心理压力检测 [J].光学学报，2021，41（3）：68-77.

[4] 于路.基于心电指标的心理压力检测研究 [J].心理科学，2017，40（2）：277-282.

[5] 李永涛.基于心率变异性的心理压力连续检测 [D].重庆：西南大学，2019.

[6] SHARMA，R，KHYATI C. EEG signal analysis and detection of stress using classification techniques [J].Journal of Information and Optimization Sciences，2020，41（1）：229-238.

[7] KALAS M S，MOMIN B F. Stress detection and reduction using EEG signals [C]//International Conference on Electrical，Electronics，and Optimization Techniques （ICEEOT）.Chennai：IEEE，2016：471-475.

作者简介：林颖（1992—），男，汉族，广东揭阳人，专任教师，硕士研究生，研究方向：模式识别。

收稿日期：2021-03-20

课题项目：广东省教育厅课题（2019GKTS CX069）