本文探討了在心理壓力狀態下,人體生理系統的變化反應,為心理壓力評估研究提供了理論支持。針對目前用于心理壓力評估的兩種方法——調查問卷法和生理參數評估法各自的特點,綜述了兩種評估方法的主要研究內容和應用現狀,進而展望了心理壓力評估工作的未來發展趨勢。希望通過此項工作,為心理壓力評估研究提供支持與幫助。
本文基于多重分形去趨勢波動分析方法（MFDFA）實現了對受試者心理壓力狀態的評估。研究針對不同心理壓力狀態下，腦電信號多重分形去趨勢波動分析中最優分形階數確定問題，重點分析了多重分形去趨勢波動分析方法中的奇異指數、Hurst 指數等參數與階數的關系，進而確定最優分形階數，實現了基于腦電信號多重分形去趨勢波動分析的心理壓力狀態評估。試驗采集了 14 名在校學生有/無心理壓力狀態下的腦電信號，分別比較了奇異指數、奇異維數、Hurst 指數、質量指數與階數關系，確定了最優分形階數范圍為 [—5, 5]，實現了基于腦電信號 β 波多重分形去趨勢波動分析方法的心理壓力狀態評估。研究結果表明，心理壓力狀態下，腦電信號的 Hurst 指數和質量指數大于無壓力狀態下，腦電信號的相應參數，隨著階數的變大，Hurst 指數減小，趨近于定值，而質量指數增大，奇異值隨階數的變化幅度較明顯。本文還比較了有/無心理壓力狀態下，腦電信號的峰值和奇異譜寬度，結果表明，不同心理壓力狀態下腦電信號多重分形譜特性不同，心理壓力狀態下，腦電信號的奇異譜寬度明顯大于無壓力狀態下腦電信號的奇異譜寬度。本文研究結果說明，該方法可以有效地評估心理壓力狀態，為實現心理壓力狀態干預，提高心理健康等提供支持與幫助。
現有情感壓力評估方法主要針對有無壓力進行評估，或者雖然實現了簡單壓力分級，但未考慮前一狀態對當前壓力狀態的影響，因此評估效果不理想。針對這一問題，本文提出了一種基于隱馬爾科夫模型（HMM）的情感壓力分級模型。進一步地，在情感計算理論支持下，建立了情感壓力分級算法。該算法考慮了前一個壓力狀態對當前壓力的影響以及環境因素的影響，并建立了匹配過程，使用間隔放大并設定閾值的方法，根據數據的范圍按比例線性調節，經匹配后，對特征參數進行歸一化，作為模型的輸入得出情感壓力分級的結果。實驗結果表明，該方法考慮了外界環境因素與前一壓力狀態對當前壓力狀態的影響，能有效地對情感壓力進行分級，并提高情感壓力分級的準確率。
針對提高情感識別正確率這一國際開放問題，本文提出了一種基于小波包熵和自回歸模型相結合的腦電信號特征提取算法。自回歸過程能最大程度逼近腦電信號，用很少的自回歸參數提供豐富的譜信息。小波包熵反映腦電信號在各個頻帶中的譜能量分布情況。將二者結合，能夠更好地體現腦電信號的能量特征。本文基于核主成分分析方法，實現了腦電信號特征提取融合。課題組采用情感腦電國際標準數據集（DEAP），選取 6 類情感狀態以本文算法進行情感識別。結果顯示，本文算法情感識別正確率均在 90% 以上，最高情感識別正確率可達 99.33%。本文的研究結果表明，該算法能夠較好地提取腦電信號情感特征，是一種有效的情感特征提取算法。