基于深度学习的人体精神压力识别算法研究.pdf

摘要

摘要

当今社会，精神压力已经成为对国民心理健康构成重大影响的因素之一。承

受过度的精神压力不仅可能导致人体各项功能的紊乱，还可能对社会安全构成潜

在威胁。因而，及时并准确地识别和预警精神压力显得尤为关键。随着深度学习技

术的发展，利用该技术分析生理信号以识别精神压力已成为该领域研究的新趋势。

但在精神压力识别的研究中，主要存在精神压力的多分类识别准确率不高、跨领

域识别迁移难、特定情境下的数据缺失、标签失真等问题。本研究旨在利用深度

学习技术探索精神压力识别的关键问题，主要研究和工作内容如下：

（1）本文设计并实现了基于时频域多层次特征融合的精神压力识别模型

（MTFDFF-NN），解决精神压力的多分类识别准确率不高的问题。该模型融合浅

层与深层特征，通过深度网络整合深度特征，利用统计和医学方法提取浅层特征，

并采用决策融合分类器算法优化最终的识别结果。在WESAD公开数据集上的实

验结果表明，本文模型在三分类和四分类精神压力识别任务上的准确率分别为

97.04%和95.92%，验证了该模型在多分类精神压力识别任务上的高效性。

（2）本文研究实现了基于自监督的精神压力识别算法，解决跨领域识别迁移

难问题。该算法使用自监督学习技术，生成伪标签、伪任务进行大规模预训练，接

着运用迁移学习方法，将预训练参数引入真实精神压力识别任务进行跨领域的精

神压力识别。本文算法通过聚焦生理信号数据本身的特性，从而显著提高模型在

不同个体和领域下的泛化能力，缓解了在不同数据集上识别性能差异大的问题。

（3）本文提出基于自监督的无源领域自适应精神压力识别模型（SFDASSL-

NN），解决特定情境下的精神压力识别受限的问题。该模型结合基于自适应对抗

网络的无源领域自适应推理和对比类别匹配，摆脱源数据依赖，缓解数据资源受

限、标签失真等问题。在四个公开数据集以及自采数据集上进行了实验，尤其在

数据噪声多、数据复杂的数据集MIT-BIH-STDB和MSSFT上进行模拟特定情境

实验，本文模型在现有最佳模型的基础上平均提升2.34%，为基于深度学习的精神

压力识别研究提供了新的思路和方法。

关键词：深度学习，精神压力识别，特征融合，自监督，无源领域自适应

I

ABSTRACT

ABSTRACT

Intoday’ssociety,mentalstresshasbecomeoneofthesignificantfactorsimpacting

nationalmentalhealth.Excessivementalstresscannotonlycausedisordersinvarious

bodilyfunctionsbutalsoposeapotentialthreattosocialsecurity.Therefore,itispar-

ticularlycrucialtoidentifyandwarnaboutmentalstresstimelyandaccurately.Withthe

developmentofdeeplearningtechnology,usingthistechnologytoanalyzephysiological

signalsforstressrecognitionhasbecomeanewtrendinthisfield.However,researchon

mentalstressrecognitionfacesseveralchallenges,includinglowaccuracyinmulti-class

stressrecognition,difficultyincross-domaintransfer,dataunavailabilityinspecificcon-

texts,andissueswithlabeldistortionthathinderrecognitionefforts.Thisthesi