论文部分内容阅读
生活在竞争激烈的社会,压力时刻伴随着我们,因此压力的自动、快速识别具有重要研究意义。基于生物信号的压力情绪识别方法不易伪装,较易检测出内在的、潜藏的情感,因而被广泛使用。其中,从心电信号(Electrocardiogram,ECG)中提取出的心率变异性(Heart rate variability,HRV)被证明可用于识别压力。HRV由一组参数组成,参数值作为特征被用于支撑识别系统,识别压力系统一般通过建立分类模型完成,而且以随机森林、逻辑回归、朴素贝叶斯等算法为多。但此类系统无法将不同压力状态和HRV特征之间的关系以量化的规则表达出来。为了解不同压力状态下每个HRV特征的近似量化表达,本文引入决策树方法,将特征以组合规则的方式表达出来,而规则中的每个特征也因此获得近似量化,研究利用CART算法生成二叉树,从而获得简单有效的规则,并且获得HRV参数范围。为克服规则冗余,采用基于错误率降低(Reduced Error Pruning,REP)的剪枝算法对规则优化,提取出易理解的规则。实验证明,经优化后规则识别压力的平均识别率达89.4%。经过对出错规则的分析,发现在参数范围值边界上发生错误的频率较高,即刚性边界值在进行压力识别时会缺乏包容性,进而导致规则的识别准确率不高,为加大参数值的包容性,本文提出一种将HRV参数值离散化为三部分的策略,该方法对每个HRV特征按照基于箱线图和正态分布两种方案分别将数据离散,并以此构建树、提取规则并使用REP算法优化,通过实验对比两种方案,基于箱线图策略要优于正态分布,平均识别率达到96.1%。