基于Conv-XGBoost算法的光电容积描记技术(PPG)在心理压力检测中的应用研究

本研究针对传统心理压力检测方法成本高、侵入性强的问题，创新性地结合卷积神经网络(CNN)和极限梯度提升(XGBoost)算法，开发出Conv-XGBoost混合模型。通过分析光电容积描记(PPG)信号的时间-频率特征，模型实现了98.87%的训练准确率和93.28%的验证准确率，为职场压力监测提供了非侵入性解决方案。

　　

在当今快节奏的社会中，心理压力已成为影响人们身心健康的重要因素。世界卫生组织报告显示，印度每四位员工中就有一位面临工作相关压力，这种情况在全球范围内普遍存在。传统的压力检测方法主要依赖主观心理评估或侵入性生理监测，如心电图(ECG)和脑电图(EEG)，这些方法不仅成本高昂，而且实施过程繁琐，难以在日常工作环境中推广应用。

针对这一难题，研究人员将目光投向了光电容积描记(Photoplethysmography, PPG)技术。PPG是一种非侵入性的光学检测方法，通过测量皮肤微血管床中血容量变化来获取生理信号。与ECG相比，PPG信号更容易通过可穿戴设备获取，且不会给使用者带来不适。然而，PPG信号分析面临诸多挑战：信号噪声大、个体差异显著，且压力相关的生理特征难以捕捉。传统机器学习方法依赖人工提取特征，往往难以捕捉PPG信号中的复杂模式。

为了突破这些限制，研究人员开发了一种名为Conv-XGBoost的新型混合模型。该模型巧妙结合了卷积神经网络(CNN)的特征提取能力和极限梯度提升(eXtreme Gradient Boosting, XGBoost)的分类优势。CNN能够自动从PPG信号中提取高层次特征，而XGBoost则利用这些特征进行精确分类。研究采用了27名健康学生的PPG数据集，通过Stroop测试诱发压力状态，收集了54个样本（27个正常状态和27个压力状态）。

关键技术方法包括：1) 使用Savitzky-Golay滤波器进行信号降噪和异常值处理；2) 将PPG时间序列数据转换为二维频谱图以捕捉时间-频率特征；3) 构建四层CNN架构进行特征提取；4) 采用XGBoost进行最终分类。研究比较了多种机器学习模型和深度学习模型的性能。

3.1. Convolutional Neural Network (CNN)
研究人员设计了包含四个卷积层的CNN架构。第一层使用32个3×1的卷积核提取低层次特征，随后依次增加至64、128和256个卷积核以捕捉更复杂的模式。每层卷积后都进行批量归一化和ReLU激活，并采用最大池化和dropout防止过拟合。

3.2. Extreme gradient boosting (XGBoost)
XGBoost部分采用多分类softmax目标函数，通过梯度提升决策树对CNN提取的特征进行分类。模型设置了L2正则化参数，学习率为0.1，有效处理了类别不平衡问题。

1. Data acquisition and preprocessing
   研究使用Grove耳夹式心率传感器采集PPG信号。数据预处理包括：1) 去除NaN值；2) 使用中位数替换极端值；3) 应用Savitzky-Golay滤波器平滑信号；4) 计算功率谱密度(PSD)和短时傅里叶变换(STFT)生成频谱图。

2. Experimentation and discussions
   实验结果显示，Conv-XGBoost模型显著优于传统方法：训练准确率达98.87%，验证准确率93.28%，F1分数97.25%。相比之下，传统CNN模型验证准确率为82.63%，ResNet-50为84.12%，而XGBoost单独使用时仅为74.43%。模型对噪声和个体差异表现出良好的鲁棒性。

这项研究的创新之处在于：1) 首次将CNN与XGBoost结合用于PPG信号分析；2) 开发了适用于可穿戴设备的轻量级压力检测方案；3) 实现了职场环境下的实时压力监测。研究结果发表在《Intelligence-Based Medicine》，为心理健康监测提供了新的技术途径。未来工作可探索多模态生理信号融合，进一步提升模型的泛化能力。