一种基于呼气VOCs的人员心理压力分级评价方法

本发明属于气体检测，尤其涉及一种呼气vocs心理压力评价技术。

背景技术：

1、人体呼出气中挥发性有机物(vocs)种类和水平的变化与人体健康存在关系，如庚酮、戊酮等被证明与多种呼吸系统慢性病有显著关联，干扰素γ(ifn-γ)与炎症促发相关，且其浓度会反应心理应激水平的高低。由此可见，vocs可以作为呼气检测的标志物。大量的证据表明，呼气vocs信号分子与人体生理状态存在关联，呼气vocs有望解码精准诊断疾病和健康。

2、vocs指纹特征提供了对人体内部发生的多种生化过程的非侵入性、安全和直接的观察。vocs来自于全身各个器官的新陈代谢，可作为评估身体健康和疾病的生物标志物。呼气检测的相关研究经过50年的发展，呼气vocs与疾病的相关性变得越来越清晰且明确，oxford academic的《human breathomics database》收录了来自至少2000篇研究文献，确定了近60种疾病和呼气中vocs疾病信号分子的关联，这些相关性涉及数十万临床样本的支持。

3、现有技术中，cn202010053285.0公布了一种基于心电信号与肌电信号融合的心理压力评测方法,该方法提取心电生理参数和肌电生理参数的识别特征；利用压力识别模型进行分类识别,完成心理压力评级；cn202211173892.6公布了一种基于皮电信号的心理压力状态评估方法及系统，该方法从多个方位捕捉皮电信号的改变,并通过多域特征的联合分析,对心理压力状态予以更为准确的评估；cn202210889339.6公布了一种基于自适应算法的心理测试评估方法，该方法通过对脑电、心电、脉搏和皮电生理参数特征进行提取与分析,将单一生理参数心理压力评估结合其他三个生理参数心理压力评估,实现基于多生理参数的融合分类，完成心理状态评估。cn202111641148.x公布了一种基于卷积和循环神经网络运动员心理压力评估方法及系统，该方法通过运动员的心跳变化建立心理压力数据集，利用卷积神经网络和循环神经网络提取心电信号特征，构建并训练心理压力监测模型,预测运动员心理压力等级结果。

4、综上，现有技术大多为基于心电、皮电、肌电或脑电等生理参数特征进行心理压力状态评估，尚且没有成熟的基于呼气vocs的心理压力分级评价技术出现。呼气vocs信息对心理压力的影响十分重要。尽管目前已有一些研究心理压力与呼吸信号之间的关联性，但此类研究着眼于研究心理压力与呼吸频率、幅度的关联，并未利用呼出气vocs指纹特征数据量化心理压力，且现有研究主观性过强，理论基础较为简单，无法验证其准确性。因此，本专利提出一种基于呼气vocs的人员心理压力分级评价方法。

技术实现思路

1、1.所要解决的技术问题：

2、提出一种基于呼气vocs的人员心理压力分级评价方法。

3、2.技术方案：

4、为了解决以上问题，本发明提供了一种基于呼气vocs的人员心理压力分级评价方法，其特征在于：包括以下步骤：

5、步骤一：构建呼出气vocs原始样本数据集。

6、步骤二：基于格拉姆角场对原始样本数据集中的呼气vocs样本数据进行图像化处理。

7、步骤三：建立心理压力评价算法模型框架。

8、步骤四：训练心理压力评价算法模型，得到训练好的模型框架。

9、步骤五：读取测试数据集，输入到步骤四中训练好的模型框架进行分类，计算得到输出类别，并计算心理压力评估指标。

10、进一步地，所述步骤一具体包括以下步骤：

11、步骤1.1：针对相同受试者的不同心理状态，通过应激实验诱导心理压力，利用电子鼻硬件平台采集不同心理压力状态下的呼出气vocs原始样本数据，构建原始样本数据集x，原始样本数据集x如下式所示；

12、

13、其中xk表示第k个呼气vocs样本数据，表示第k个呼气vocs样本数据中第v个通道传感器的响应数据，m为样本总数，k∈m，v∈[1，12]。

14、步骤1.2：采集完呼出气vocs样本数据，受试者填写状态焦虑问卷(stai-y1)，根据stai-y1问卷得分，划分心理压力类别标签，心理压力类别标签根据stai-y1问卷得分具体划分为轻度压力20-40分，中度压力40-60分，高度压力60-80分。

15、进一步地，在步骤1.1中，所述应激实验为节奏听觉序列加法测试，pasat测试的实施流程包括在密闭安静环境中播放数字序列录音，要求受试者逐个报告所听到的数字并将其与前一个数字相加，并立即报出答案，回答错误会有极为刺耳的警报，其中数字呈现间隔4.5秒，每隔2分钟减少0.5秒，测试持续10分钟，同时每10次试验，无论答案的正确性如何，都会响起刺耳警报。

16、进一步地，步骤1.1中，所述电子鼻硬件采集平台为安徽六维传感科技有限公司研发制作，用于采集人体vocs特征数据，其中电子鼻硬件平台的采样周期为500s，采样频率为10hz。

17、进一步地，所述步骤二的具体包括以下步骤：

18、步骤2.1：定义电子鼻硬件平台采集到的第k个呼气vocs样本数据中第v个通道传感器的响应数据为将响应数据规范化至[-1,1]的范围区间，具体公式如式(1)所示：

19、

20、其中，n为时间点总数，i为第i个时间点，i∈[1，n]，xi代表第i个采样点响应数据的响应值；max以及min表示一组响应数据中最大和最小的响应值；表示规范化处理的响应值。

21、步骤2.2：将规范化处理后的响应数据转换到极坐标系下，其中分别用极坐标系下的半径、角度表示响应数据的时间以及数值，具体计算公式如式(2)所示：

22、

23、其中，为第i个数据点经过重构后的角度值；ti为第i个数据点对应的时间戳；ri表示第i个数据点重构后的半径，通过极坐标的形式，数据大小及时间关系都得到了保存，且自变量与因变量是一一对应的符合数学上的双射关系。

24、步骤2.3：对不同点间作角度和来表征不同数据点的时间相关性，如式(3)所示，其中，表示不同数据点的角度值，

25、

26、其中，将gasf的数值映射为伪彩色图像，得到一张有关原始呼出气vocs数据的单通道伪彩色图像，实现一维时间序列信号到二维图像的变换。

27、步骤2.4：重复步骤2.1至步骤2.3，分别生成第k个呼气vocs样本数据中12个通道传感器响应的gasf图像，将12张gasf图像从上至下分为四行，从左至右分为三列，按照通道数从小到大，依次从左上角排列到右下角，拼接为一张完整的样本图像。

28、步骤2.5：对原始样本数据集x＝[x1，...，xk，...，xm]中的每一个样本进行步骤2.1至步骤2.4的处理操作，得到图像化样本数据集z；

29、步骤2.6：从图像化样本数据集z中随机抽取60％呼气vocs样本数据设置为训练数据集，20％设置为验证数据集和20％设置为测试数据集，训练数据集、验证数据集和测试数据集中的数据不重复。

30、进一步地，所述步骤三具体包括以下步骤：

31、步骤3.1：搭建基于增强注意力机制的心理压力评价深度算法模型框架，所述评价算法模型框架的结构顺序，依次为输入层，卷积层，增强注意力模块，池化层和输出层，输入层负责对基于格拉姆角场转换后的输入图像进行预处理；卷积层用于提取输入特征图中的局部特征，并通过卷积操作将这些特征映射到下一层；增强注意力模块通过通过引入通道注意力和空间注意力机制；增强卷积神经网络对重要特征的关注，提升特征表示能力；池化层通过对特征图进行下采样，减少了特征图尺寸和参数数量；输出层通过改进的softmax分类器激活函数计算，将池化层输出的多维特征图展平为一维特征向量，进行特征融合与整合；捕捉输入特征的非线性关系，输出最终的心理压力分级评价类别。

32、步骤3.2：在输入层，首先对输入的样本图像进行数据增强；其次采用随机几何变换形式扩充数据集，包括随机水平翻转和随机裁剪操作，并在图像上随机添加高斯噪声；最后对图像进行归一化处理，归一化的作用是将输入数据的数值范围缩放到较小的区间，使模型训练收敛平稳，归一化选用min-max归一化操作，归一化公式如式(4)所示：

33、

34、其中，norm表示归一化后的像素值，xi表示原始图像像素点值，min(x)、max(x)分别表示原始图像像素的最小值和最大值。

35、步骤3.3：在卷积层中，分别对输入层处理后的样本图像采用3×3的sobel算子卷积核提取特征，并加入非线性的relu激活函数，relu激活函数如式(5)所示：

36、relu(x)＝max(0，x)               (5)，

37、sobel算子卷积核的计算过程可通过式(6)表示：

38、

39、其中，g为sobel算子卷积求得的梯度图像，即为原始样本图像的每个像素点梯度大小；gx为原始样本图像的每一个像素的横向梯度近似值；gy为原始样本图像的每一个像素的纵向梯度近似值；normgaf为归一化处理后的图像矩阵。

40、步骤3.4：增强注意力模块中，采用注意力模块，包括通道注意力模块和空间注意力模块，注意力模块由通道注意力模块和空间注意力模块串联而成，在通道注意力模块中，输入该模块的特征图gi的大小为h×w×c，首先利用全局最大池化，全局平均池化操作压缩输入特征的空间尺寸，聚合空间信息获取表征全局信息的特征，得到尺寸两个1×1×c的特征图ga和gm，接着将获得的两个通道特征图送入共享的多层感知机(mlp)，两个输入共享多层感知机的权重w0及w1，为了调控参数的数量将第一层的神经元数量设置为c/n，其中n为衰减率，即将原通道特征数缩减至c/n，接着在最后一层设置神经元数量为c，将压缩后的通道数进行还原操作并得到两个网络输出的尺寸为1×1×c的特征图ga1、gm1，接着将两者逐个求和得到特征向量并利用sigmoid函数进行激活操作得到通道注意力特征图，具体公式如式(7)所示，

41、

42、其中，δ表示sigmoid激活函数；g表示输入的特征图；mlp为多层感知机；w0∈rc/n×c,w1∈rc×c/n。

43、空间注意力模块是对通道注意力机制获取信息的补充，在空间注意力模块中首先对输入原始特征图按照通道方向进行最大池化、平均池化操作压缩输入特征的通道数，得到尺寸都是h×w×1的ma以及mm的两个特征图，随后，将获得的两个特征图沿通道轴方向拼接得到一个特征图尺寸为h×w×2然后采用特定大小的卷积核对其进行计算得到空间注意力图mam，最后通过sigmoid函数对mam进行标准化操作得到最终的空间特征权重图ms(g)，具体如式(8)所示，

44、

45、其中，σ表示sigmoid激活函数；f7×7表示卷积核大小为7×7的卷积操作。

46、将通道注意力模块和空间注意力模块串联得到注意力模块，具体公式如式(9)所示，

47、

48、其中，g′是最终得到的输出特征；g是原始输入特征，mc代表通道注意力单元，ms表示空间注意力单元。

49、步骤3.5：池化层中，选择最大池化处理，池化窗口内的最大值将被选择作为输出特征图中对应位置的值，最大池化有助于保留输入特征图中的主要特征,同时抑制次要特征，具体流程包括：将输入特征图划分为多个不重叠的池化窗口，在每个池化窗口内执行最大池化操作，将每个池化窗口的操作结果作为输出特征图中对应位置的值，根据池化窗口的大小、步长和填充策略,调整输出特征图的空间维度，最大池化操作如式(10)所示，

50、

51、其中表示输出特征图在位置(i,j)处的值；表示输入特征图在池化窗口内的值；max表示所选择的最大池化操作。

52、步骤3.6：经过卷积、池化以及增强注意力模块处理后的特征图像样本输入到softmax分类器中，经过分类器将原始输出值转换成可以解释为概率的值，最终输出为不同类别的结果，softmax分类器分类过程包括明确变量和集合，加权组合样本特征与softmax函数预测分类，softmax函数如式(11)所示，

53、

54、其中，softmax(zk)为每个样本属于各分类的预测概率；z表示对样本x的特征进行线性加权组合后得到的输出，z＝(z1，z2，...，zk)；zk表示对样本的特征进行权值向量为wk的线性变换后得到的标量值；k表示总类别，k＝3。

55、softmax分类器中明确变量和集合的具体步骤如下，假设样本集含有n个样本,令样本集为x，则x＝{x1，x2，x3...，xn}；任意一个样本含有m个特征，令任意一个样本为x，则x＝(x1，x2，x3，...，xm)，则第i个样本的第j个特征表示为样本集共分为k类，记分类集为c，则c＝{c1，c2，...，ck}；样本集对应的label集为y，每一个样本对应一个y，则y＝{y1，y2，y3，...，yn}，其中，yi的值为0～k-1中的一个整数，标签类别共有3个分类，若样本xi属于第2类，则：yi＝(0，1，0)。

56、softmax分类器中加权组合样本特征的具体步骤如下，假设任意一个样本x＝(x1，x2，x3，...，xm)，xi表示该样本的第i个特征，对样本x的特征进行加权组合，如式(12)所示，

57、

58、其中，z表示对样本x的特征进行线性加权组合后得到的输出，z＝(z1，z2，...，zk)；zk表示对样本的特征进行权值向量为wk的线性变换后得到的标量值；wk表示第k个权值向量，维度与x一致；k表示总类别，k＝3。

59、进一步地，所述步骤四具体包括以下步骤：

60、步骤4.1：建立心理压力评价算法模型框架，设置训练参数，训练参数包括各个层级的权重与偏置。

61、步骤4.2：从训练数据集中随机不重复地输入一定数量的图像样本，使用评价算法模型框架计算得到分类结果，并使用验证数据集计算损失函数值，输入参数包括输入图像通道数、图像尺寸。

62、损失函数采用交叉熵损失函数，交叉熵损失函数通过信息量度量评估分类模型，具体如下式(13)所示，

63、

64、其中，表示单个训练样本label预测值，y表示单个训练样本label真实值，y＝(y1，...，yk)；yk表示单个训练样本属于第k类的真实值，取值0或1；ak表示单个训练样本属于第k类的预测值，为一个概率值。

65、步骤4.3：根据损失函数值，使用设置的优化算法更新参数，优化算法更新的参数包括各个层级的权重与偏置，所述优化算法采用梯度下降算法，梯度下降算法通过损失函数下降最快的方向更新参数，直到接近最优解为止，梯度下降算法首先初始化模型未知参数w＝(w1，..，wk)，其中每一个wk为向量，维度与样本x相同，k的值与类别数相同；最后重复进行式(14)直到收敛，

66、

67、其中，α为超参数学习率；j表示代价函数，是定义在整个训练集上的所有样本误差的平均，也就是损失函数的平均。

68、所述权重与偏置为梯度下降法更新优化，更新的权重与偏置如式(15)所示，

69、

70、其中，wk和bk表示单样本的权重与偏置。

71、步骤4.4：重复上述步骤4.2与步骤4.3，每次从训练数据集中随机不重复地读取一定数量的图像，计算预测结果与损失函数值，优化模型参数，直到训练数据集中的全部图像都完成一次以上训练为止。

72、进一步地，在所述步骤五中：所述评估指标包括准确率，精确率和召回率，准确率为所有预测正确的观测值占总观测值的比例；精确率为所有预测为正例的观测值中真正的正例所占的比例；召回率为所有实际为正例的观测值中被正确预测为正例的比例，准确率，精确率和召回率具体公式如式(16)所示，

73、

74、其中，accuracy为准确率；precision为精确率；recall为召回率；tp表示真实类别为positive，模型预测的类别也为positive；fp表示预测为positive，但真实类别为negative，真实类别和预测类别不一致；fn表示预测为negative，但真实类别为positive，真实类别和预测类别不一致；tn表示真实类别为negative，模型预测的类别也为negative。

75、3.有益效果：

76、本发明提供了一种基于呼气vocs的人员心理压力分级评价方法。该方法使用格拉姆角场，对呼出气vocs样本数据进行图像化处理，结合cbam注意力模块，充分提取局部与全局信息，实现在线、在位的心理压力分级评价。本发明提供的方法与传统基于生理参数的心理压力分类方法相比，利用了呼出气vocs信息，将呼出气vocs样本时序数据转化为二维图像化数据，提高特征提取能力，充分将深度学习和计算机视觉的优势利用在心理压力分级评价上，从而实现高精度、高效的心理压力分级评价。