基于机器学习的压力检测方法：利用稳健的心率变异性（HRV）特征及个体化的标准化处理

《IEEE Access》：Machine Learning-Based Stress Detection Using Robust HRV Features and Person-Specific Normalization

　　

本文介绍了一种基于人工智能（AI）的心电图（ECG）心理压力检测系统，该系统是护士数字辅助系统原型的一部分。该AI系统包括以下关键步骤：在初步预处理（包括ECG窗口划分和心跳检测）之后，从每个窗口的心跳中提取70个时间、频率和时间-频率域特征。所有这些特征都是心率变异性（HRV）的描述符，而HRV是公认的压力指标。这些特征主要通过复杂的神经网络（NN）间隔估计、NN间隔差异、呼吸率和自主神经系统（ANS）活动计算得出。该步骤的创新之处在于提高了呼吸率估计的噪声鲁棒性，并从心跳生成的积分脉冲频率调制模型中推导出ANS活动特征。此外，整个特征提取过程经过专门设计，以增强对异常情况（如心跳检测错误和异位心跳）的鲁棒性，因为这些异常情况可能会严重干扰HRV分析。所有特征都采用了一种基于短基线数据段的新型个性化方法进行归一化。这种轻量级的个性化处理不仅提高了分类性能，还避免了成本较高的个性化建模方法，并有效防止了归一化数据的泄露。最后，使用随机森林、梯度提升机或多层感知器等机器学习模型进行压力检测。通过对WESAD、SWELL-KW及其联合数据集进行贝叶斯优化和手动搜索，严格调整了所有步骤的超参数。在留一法交叉验证下的压力检测性能始终优于现有的最先进水平。