改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的心理壓力識(shí)別算法

尚 宇， 楊 妮

(西安工業(yè)大學(xué)電子信息工程學(xué)院， 西安 710021)

人類生活壓力的不斷增加使得心理壓力識(shí)別算法的研究逐漸被人們所重視，自21世紀(jì)初以來，采用生理參數(shù)識(shí)別心理壓力已成為了中外研究者關(guān)注的焦點(diǎn)。文獻(xiàn)[1]定量分析了人體在疲勞狀態(tài)下的壓力情況，以皮膚電反應(yīng)的特征作為研究對象，并對其進(jìn)行了統(tǒng)計(jì)及時(shí)頻域分析，提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的壓力識(shí)別方法，平均精度達(dá)到89.23%；文獻(xiàn)[2]利用心電信號，使用離散小波變換的方法，將心電信號分解至不同的頻帶，提取相應(yīng)的特征，使用k近鄰和支持向量機(jī)分類器進(jìn)行分類，達(dá)到86.75%的精度；文獻(xiàn)[3]對識(shí)別心理壓力的個(gè)體差異進(jìn)行了算法改進(jìn)和研究，通過對支持向量機(jī)的改進(jìn)來識(shí)別壓力，采用聚類樣本來改善支持向量機(jī)的損失函數(shù)。將聚類后的信息賦給損失函數(shù)，實(shí)現(xiàn)對心理壓力的識(shí)別，并證明了該算法可以有效地解決評估心理壓力時(shí)所產(chǎn)生的個(gè)體差異性；文獻(xiàn)[4]提出了一種基于晚期正電位(LPP)特征的腦電情緒識(shí)別方法，以圖片連續(xù)刺激被試者誘發(fā)情緒，采用SVM建模分類實(shí)現(xiàn)對情緒的識(shí)別。文獻(xiàn)[5]以賽車游戲誘發(fā)壓力，從6名受試者收集心電信號，并提取心率變異性(heart rate variability, HRV)的特征參數(shù)，證明了使用HRV識(shí)別心理壓力的有效性；目前對于心理壓力的識(shí)別更多關(guān)注的是壓力識(shí)別方法以及提高識(shí)別率，因此，針對不同心理壓力狀態(tài)，對心率變異性進(jìn)行特征提取，采用改進(jìn)的粒子群優(yōu)化BP(back propagation)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對心理壓力的識(shí)別。

1 心理壓力識(shí)別研究方法

以心電采集電路和NI myRIO嵌入式開發(fā)平臺(tái)作為心電采集設(shè)備，采集低壓、高壓狀態(tài)下的心電信號，并對采集到的心電信號進(jìn)行濾波、檢測，以獲取HRV，利用時(shí)域、頻域和非線性的分析方法進(jìn)行特征提取，采用帶有收縮因子的粒子群優(yōu)化(particle swarm optimization, PSO)BP神經(jīng)網(wǎng)絡(luò)對壓力進(jìn)行分類，建立壓力狀態(tài)下的心理壓力識(shí)別模型。其總體框圖如圖1所示。R波相鄰波峰之間的間隔為RR間期。

圖1 總體框圖Fig.1 Overall block diagram

1.1 數(shù)據(jù)采集與處理

本設(shè)計(jì)通過心算任務(wù)進(jìn)行壓力誘發(fā)，具體實(shí)施方案為：首先，讓測試者處于120 s的平靜狀態(tài)，然后，開始采用心算任務(wù)進(jìn)行誘發(fā)壓力，該任務(wù)是讓測試者在10 s內(nèi)正確心算出電腦上隨機(jī)出現(xiàn)的二十個(gè)四位數(shù)相減的題目，且重復(fù)10次心算，最后，在心算任務(wù)完成后，測試者進(jìn)行休息，恢復(fù)到平靜狀態(tài)。心算任務(wù)實(shí)驗(yàn)方案如表1所示。

本實(shí)驗(yàn)的被試者為西安工業(yè)大學(xué)的在校本科生及研究生(19～26歲)，且無任何心理上或生理上的疾病。采集了30名在校研究生及本科生的心電信號，共200組心電數(shù)據(jù)，去掉不穩(wěn)定的信號，有效的數(shù)據(jù)共150組，包括 80組高壓數(shù)據(jù)和70組低壓數(shù)據(jù)。取被實(shí)驗(yàn)者處于平靜階段的3 000個(gè)采樣點(diǎn)為低壓狀態(tài)，在壓力誘發(fā)過程中的3 000個(gè)采樣點(diǎn)作為高壓數(shù)據(jù)。低壓狀態(tài)和高壓狀態(tài)心電信號波形圖如圖2所示。

表1 心算任務(wù)實(shí)驗(yàn)方案Table 1 Experimental scheme of mental arithmetic task

圖2 低壓狀態(tài)和高壓狀態(tài)心電信號波形圖Fig.2 Low-voltage and high-voltage ECG waveforms

從圖2中可以看出，采集的低壓和高壓狀態(tài)下的心電信號含有干擾，即工頻干擾、基線漂移和肌電干擾[6]。為了從波形圖中更清楚地對比兩種壓力狀態(tài)下的RR間期情況，將進(jìn)行心電信號處理，從處理后的波形圖中計(jì)算RR間期，得到HRV信號并從HRV中提取與壓力相關(guān)的特征。因此，將采集到的含壓心電信號通過小波變換進(jìn)行濾波。選取Symlets小波對心電信號進(jìn)行8層小波分解，采用Wden函數(shù)和Zeros函數(shù)進(jìn)行濾波處理；選擇小波變換進(jìn)行檢測R波，得到HRV信號，提取與壓力相關(guān)的HRV特征值，選擇Mexican Hat小波基對心電信號進(jìn)行分解，分解層數(shù)為4層。濾波后信號和R波檢測信號波形圖如圖3所示。

圖3 濾波后信號和R波檢測信號波形圖Fig.3 Waveform of filtered signal and R-wave detection signal

1.2 特征提取

檢測出R波后計(jì)算RR間期，得到HRV，并對HRV進(jìn)行分析且提取特征參數(shù)。采用線性分析(時(shí)域分析和頻域分析)與非線性分析方法提取特征參數(shù)。

1.2.1 時(shí)域分析

(1)

式(1)中：N表示RR間期的個(gè)數(shù)；RRi為第i個(gè)RR間期。

SDNN表示總體標(biāo)準(zhǔn)差，作用于人體的自主神經(jīng)系統(tǒng)，用于反映人體的心理壓力情況，計(jì)算公式為

(2)

RMSSD表示RR間期的差值均方根，與迷走神經(jīng)相關(guān)，可以衡量心率大小以反映壓力狀態(tài)。計(jì)算公式為

(3)

式(3)中:RRi+1為第i+1個(gè)RR間期。

SDSD表示所有相鄰的RR間期差值的標(biāo)準(zhǔn)差，計(jì)算公式為

(4)

1.2.2 頻域分析

由于自回歸(auto regression, AR)模型不僅可以克服非參數(shù)估計(jì)的缺點(diǎn)，還能夠很好地反映峰值的平滑光譜曲線。故而，頻域分析采用AR模型分析方法[7]。

(5)

式(5)中：ak(k=1,2,…,p)為AR模型的參數(shù)。

通過z變換，可以得到系統(tǒng)的傳遞函數(shù)為

(6)

輸出序列的功率譜為

(7)

式(7)中：ω為角頻率；ak、σω為AR模型的參數(shù)；Px(ω)為功率譜；H(ejω)為頻率響應(yīng)函數(shù)。

1.2.3 非線性分析

根據(jù)大多數(shù)文獻(xiàn)研究的針對HRV的非線性分析方法可以看出，用于人類心理壓力識(shí)別的研究很少，基本都是利用非線性分析方法來研究病理學(xué)，因此借鑒以往的非線性分析方法，利用Poincare散點(diǎn)圖法對HRV進(jìn)行非線性特征提取，以識(shí)別壓力狀態(tài)。使用散點(diǎn)圖方法分析，可以獲得兩個(gè)主要參數(shù)SD1和SD2，其中SD1反映HRV中低頻分量和極低頻分量的變化，與交感神經(jīng)變化有關(guān)；SD2是HRV的快速變化，與迷走神經(jīng)活動(dòng)有關(guān)。

(8)

(9)

通過時(shí)域、頻域和非線性分析方法所提取的部分與壓力相關(guān)的特征數(shù)據(jù)如表2所示。

表2 不同壓力狀態(tài)下的特征數(shù)據(jù)Table 2 Characteristic data under different pressure conditions

1.3 HRV特征對比分析

由于提取的HRV特征與人體的自主神經(jīng)活動(dòng)有關(guān)，且反映了心理壓力的程度，因此，計(jì)算與壓力相關(guān)的特征參數(shù)的顯著，并進(jìn)行對比分析。經(jīng)分析發(fā)現(xiàn)，所提取的特征中，SDNN和HF在不同壓力程度下表現(xiàn)出的差異最為明顯，SDNN與HF隨壓力變化趨勢如圖4所示。

圖4 SDNN與HF隨壓力變化趨勢Fig.4 SDNN and HF trends with pressure

研究表明，SDNN、PNN50和NN50與交感神經(jīng)的張力有關(guān)，HF與心臟的迷走神經(jīng)活性有關(guān)，所以，對比從HRV中提取出的特征可反映出人在壓力狀態(tài)下影響人體的自主神經(jīng)活動(dòng)，從圖4可以看出，隨著壓力程度的升高，SDNN與HF兩個(gè)特征參數(shù)顯著發(fā)生了明顯變化，即可說明心臟的交感神經(jīng)和迷走神經(jīng)的活性也發(fā)生明顯變化，可以看出，當(dāng)壓力增大時(shí)交感神經(jīng)的功能受到了抑制，迷走神經(jīng)的功能則會(huì)與之相反。因此，該特征值可以有效檢測壓力，且能更好地應(yīng)用于壓力識(shí)別算法。

2 改進(jìn)PSO-BP的心理壓力識(shí)別算法

2.1 基本粒子群算法

由于送入BP神經(jīng)網(wǎng)絡(luò)模型的特征維度較高，不僅容易導(dǎo)致“維度災(zāi)難”，此外，當(dāng)維度過高使用BP分類時(shí)，BP網(wǎng)絡(luò)的模型建立將非常復(fù)雜。故此將利用改進(jìn)的PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，以識(shí)別心理壓力。

PSO算法是一種源自鳥類覓食的行為研究，用于解決優(yōu)化問題，它的基本原理是：若輸入特征數(shù)是D個(gè)，其種群的個(gè)體一共有m個(gè)，則第i個(gè)粒子的速度為Vi=(vi1,vi2,…,viD)T，位置表示為Xi=(xi1,xi2,…,xiD)T，此時(shí)，粒子的位置值就是需要解決的問題的一個(gè)解[8-9]。與此同時(shí)，首先建立適應(yīng)度函數(shù)模型，然后計(jì)算適應(yīng)度值，最后通過將每個(gè)粒子的適應(yīng)度值進(jìn)行比較得出最優(yōu)值。當(dāng)Pbest與Gbest的最優(yōu)解被搜索到之后，通過式(10)、式(11)再計(jì)算得到下一代的粒子，反復(fù)不斷搜索計(jì)算，直至得到一個(gè)最佳的解。

(10)

(11)

2.2 改進(jìn)的PSO算法

為避免基本粒子群優(yōu)化算法易陷入局部最優(yōu)，在優(yōu)化時(shí)會(huì)出現(xiàn)早熟，過早收斂等現(xiàn)象，最終導(dǎo)致誤差結(jié)果較大，因此，將對基本粒子群算法進(jìn)行改進(jìn)。其中，其余粒子所包含的經(jīng)驗(yàn)信息與其自身中經(jīng)驗(yàn)信息是被PSO算法里面的學(xué)習(xí)因子C1和C2所定性，C1與C2為粒子軌跡，它們可以顯現(xiàn)出粒子群中信息的互相交流。所以，一旦學(xué)習(xí)因子C1的值被設(shè)置到更高時(shí)，粒子會(huì)繼續(xù)停留在有限范圍內(nèi)，而且繼續(xù)搜索會(huì)更加困難；在學(xué)習(xí)因子C2被設(shè)置到更高時(shí)，將會(huì)把粒子更早的收斂為局部最小值[10-11]。針對這一問題，引入PSO模型，該模型帶有收縮因子，在收縮因子的作用下，不但會(huì)使速度的邊界限制消失，還能夠選取適當(dāng)?shù)膮?shù)來保證PSO算法的有界和收斂特性。速度公式與收縮因子公式如式(12)、式(13)所示。

(12)

(13)

式中：φ為收縮因子；C為學(xué)習(xí)因子。根據(jù)比較分析不同參數(shù)，本文種群數(shù)為80，最大迭代次數(shù)為200，學(xué)習(xí)因子C1=C2=2.5。

2.3 改進(jìn)PSO-BP算法

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練過程為：首先，連接輸入神經(jīng)元的權(quán)值，然后，對所有輸入信號做求和處理，再通過激活函數(shù)輸出并做閾值處理，最后，將輸出結(jié)果傳輸至隱層輸入。隱含層同樣遵循這一規(guī)則，首先，將信號傳輸至輸出層，然后，通過輸出層將信號輸出，最后，把輸出層的結(jié)果作為整個(gè)網(wǎng)絡(luò)最終的輸出結(jié)果。其網(wǎng)絡(luò)模型[12-13]如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型Fig.5 BP neural network model

對于神經(jīng)網(wǎng)絡(luò)，由于其權(quán)值和閾值對網(wǎng)絡(luò)訓(xùn)練有很大影響，難以準(zhǔn)確地獲取，因此，需要通過具有收縮因子的PSO模型實(shí)現(xiàn)對BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，在此基礎(chǔ)上，建立心理壓力程度的分類模型，即構(gòu)建了適應(yīng)度函數(shù)模型，若計(jì)算出的適應(yīng)度值越小，說明參數(shù)優(yōu)化效果好，其適應(yīng)度的計(jì)算方法如式(14)所示。

(14)

改進(jìn)PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)識(shí)別心理壓力的算法步驟如下。

(1)讀取150×20的特征數(shù)據(jù)，并對數(shù)據(jù)歸一化。

(2)構(gòu)建20-10-2結(jié)構(gòu)的改進(jìn)PSO-BP網(wǎng)絡(luò),對改進(jìn)的PSO粒子數(shù)、位置和速度等參數(shù)初始化。

(3)計(jì)算Pbest，選出最佳的Pbest作為Gbest。

(4)通過適應(yīng)度函數(shù)計(jì)算粒子的適應(yīng)值，直至達(dá)到最小。

(5)根據(jù)式(13)更新收縮因子。

(6)利用式(12)和式(11)計(jì)算改進(jìn)PSO的速度值與位置值，并計(jì)算更新Pbest。

(7)通過判斷迭代次數(shù)以獲得BP網(wǎng)絡(luò)的閾值、權(quán)值。若迭代次數(shù)達(dá)到最大值，停止迭代，否則跳轉(zhuǎn)至(3)。

(8)將改進(jìn)PSO優(yōu)化后的初始閾值、權(quán)值賦給BP網(wǎng)絡(luò)。

(9)計(jì)算心理壓力識(shí)別率。

低壓樣本數(shù)據(jù)抽取55組作為訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)、15組數(shù)據(jù)作為測試數(shù)據(jù)測試網(wǎng)絡(luò)，高壓樣本抽取65組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)、15組數(shù)據(jù)作為測試數(shù)據(jù)，測試網(wǎng)絡(luò)分類能力。通過改進(jìn)的粒子群算法優(yōu)化BP網(wǎng)絡(luò)的適應(yīng)度曲線如圖6所示。

圖6 改進(jìn)PSO優(yōu)化BP的適應(yīng)度曲線Fig.6 Fitness curve of improved PSO optimization BP

從適應(yīng)度曲線可以看出，該曲線是從迭代次數(shù)為60次的時(shí)候開始收斂，且收斂速度較快。表3為測試20次的改進(jìn)PSO-BP算法對心理壓力的識(shí)別率。

3 實(shí)驗(yàn)結(jié)果分析

在進(jìn)行仿真實(shí)驗(yàn)時(shí)，抽取120個(gè)樣本作為訓(xùn)練集，30個(gè)樣本作為測試集，即訓(xùn)練集和測試集大約為4∶1。將低壓樣本類別標(biāo)簽設(shè)置為1，高壓樣本類別標(biāo)簽設(shè)置為2，BP神經(jīng)網(wǎng)絡(luò)算法和改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)一次仿真實(shí)驗(yàn)時(shí)的心理壓力識(shí)別準(zhǔn)確率如圖7所示。

表3 改進(jìn)PSO-BP算法對心理壓力的識(shí)別率Table 3 Improved PSO-BP algorithm for the recognition rate of psychological stress

圖7 BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)測試集準(zhǔn)確率Fig.7 Accuracy of BP neural network and improved PSO-BP neural network test set

從圖7可以看出，改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)測試集準(zhǔn)確率為93.33%，BP神經(jīng)網(wǎng)絡(luò)測試集準(zhǔn)確率為86.67%，并且通過改進(jìn)的PSO模型優(yōu)化BP網(wǎng)絡(luò)模型的準(zhǔn)確率提高了6.66%。

圖8為測試20次的BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)對心理壓力的平均識(shí)別率。采用優(yōu)化后神經(jīng)網(wǎng)絡(luò)對HRV樣本信號的識(shí)別率比較高且比較穩(wěn)定，改進(jìn)的粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)算法對心理壓力的識(shí)別率在90%以上。

圖8 兩種算法識(shí)別率對比Fig.8 Comparison of recognition rates between two algorithms

從圖8中可以看出，BP神經(jīng)網(wǎng)絡(luò)對心理壓力的平均識(shí)別率為90.17%；改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)對壓力的平均識(shí)別率為94.83%；改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率平均提高了4.66%。

BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的PSO-BP算法在兩種壓力狀態(tài)下的平均識(shí)別率如表4所示。使用心電數(shù)據(jù)進(jìn)行壓力狀態(tài)識(shí)別是可行的。

表4 兩種算法對兩種壓力的識(shí)別率對比Table 4 Comparison of recognition rates between two algorithms for two kinds of pressure

4 結(jié)論

采用心算任務(wù)進(jìn)行壓力誘發(fā)，采集了30名在校學(xué)生低壓、高壓狀態(tài)下的心電信號，提取了與心理壓力相關(guān)的HRV特征值，并對其特征對比分析；建立了心理壓力程度的分類模型，利用BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對高壓、低壓的分類，由于BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)，因此，提出了一種改進(jìn)的粒子群優(yōu)化算法，通過引入帶收縮因子的PSO模型優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的PSO-BP算法有效提高了對心理壓力的識(shí)別率，且識(shí)別率為94.83%，比BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率平均提高了4.66%。該算法能有效識(shí)別心理壓力狀態(tài)，為心理壓力狀態(tài)的干預(yù)和心理健康等提供了手段。