饒 治，李炳霖，隋雅茹，嵇曉強(qiáng) ，李明燁

（1. 長(zhǎng)春理工大學(xué) 生命科學(xué)技術(shù)學(xué)院, 吉林 長(zhǎng)春 130022；2. 皇家墨爾本理工大學(xué) 信息系統(tǒng)和商業(yè)分析系, 維多利亞州 卡爾頓 3001；3. 墨爾本大學(xué) 計(jì)算與信息系統(tǒng)學(xué)院, 墨爾本 3053）

1 引 言

精神壓力是危害人類健康的主要因素之一，長(zhǎng)期遭受精神壓力會(huì)嚴(yán)重影響人類的心血管系統(tǒng)、激素水平和情緒狀態(tài)[1-3]?？煽坑行У膲毫z測(cè)方法在心理健康干預(yù)和治療中發(fā)揮著非常重要的作用，可以幫助預(yù)防和控制高強(qiáng)度壓力引起的疾病[4]?，F(xiàn)有的精神壓力檢測(cè)多采用量表和談話等方法[5-6]，依賴醫(yī)生的主觀經(jīng)驗(yàn)，較難客觀地反映被測(cè)試者真實(shí)的精神壓力狀態(tài)。

心率變異性(Heart Rate Variability，HRV)是壓力評(píng)估領(lǐng)域中十分有價(jià)值的指標(biāo)。根據(jù)歐洲心臟病學(xué)會(huì)和美國(guó)心臟協(xié)會(huì)于1996年發(fā)布的HRV標(biāo)準(zhǔn)[7]，通過ECG (electrocardiogram)、PPG (photoplethysmography)計(jì)算HRV，可以通過分析交感神經(jīng)系統(tǒng)和副交感神經(jīng)系統(tǒng)來評(píng)估壓力[8-10]，在壓力接觸測(cè)量領(lǐng)域展示出良好的評(píng)估結(jié)果[11-13]。HRV結(jié)合其他生理信號(hào)用以評(píng)估精神壓力也被證明是一種有效的方法[14-15]。然而，上述基于HRV分析的檢測(cè)方法需要接觸測(cè)量，會(huì)刺激皮膚，尤其不適合敏感皮膚患者。此外，接觸性測(cè)量過程中需要專業(yè)人員(如醫(yī)生、護(hù)士、心理研究人員等)參與，還可能造成受試者情緒波動(dòng)，導(dǎo)致壓力檢測(cè)結(jié)果不準(zhǔn)確。

Verkruysse等人[16]通過光學(xué)傳感器發(fā)現(xiàn)人臉的微弱光線變化，可獲得脈搏波信號(hào)，即成像式光體積描記術(shù)(Image Photoplethysmography，iPPG)。該研究為實(shí)現(xiàn)視頻非接觸精神壓力檢測(cè)奠定了基礎(chǔ)。Kaur等人[17]在特殊光線下通過光譜相機(jī)采集面部皮膚反射信號(hào)，并進(jìn)行HRV時(shí)域頻域分析。Alghoul等人[18]通過攝像頭收集面部視頻并提取HRV參數(shù)。Wei等人[19]利用HRV非線性分析，通過皮膚血紅蛋白成像來判斷放松和壓力狀態(tài)?？椎热薣20]從視頻圖像中提取了HRV信息,并與人臉表情進(jìn)行融合，實(shí)現(xiàn)精神壓力二分類，其準(zhǔn)確率為81.4%。

通過分析和比較現(xiàn)有精神壓力檢測(cè)方法發(fā)現(xiàn)，相對(duì)于接觸測(cè)量方法，視頻非接觸測(cè)量方法進(jìn)行壓力檢測(cè)的準(zhǔn)確率偏低，不適用于實(shí)際場(chǎng)景應(yīng)用。針對(duì)該問題，本文通過對(duì)一種動(dòng)態(tài)ROI提取方法進(jìn)行改進(jìn)獲取到高質(zhì)量的iPPG信號(hào)，并提出了一種基于iPPG的非接觸精神壓力檢測(cè)方法，探討了iPPG在日常精神壓力檢測(cè)中的應(yīng)用。該方法只需一臺(tái)智能手機(jī)，并且對(duì)于光照條件和受試者運(yùn)動(dòng)方面約束較低，為視頻非接觸測(cè)量的實(shí)際應(yīng)用提供了可能。

本文首先從人臉視頻中充分挖掘出生物特征，并篩選出精神壓力測(cè)量特征，探討了HRV特征與日常精神壓力之間的關(guān)系；其次，利用機(jī)器學(xué)習(xí)建立了一個(gè)用于日常精神壓力檢測(cè)的三分類器，準(zhǔn)確度達(dá)到95.2%；最后，本文改進(jìn)了一種基于Face Mesh的動(dòng)態(tài)ROI提取方法，提高了iPPG信號(hào)質(zhì)量，使其更適用于復(fù)雜的實(shí)際場(chǎng)景。

2 基本原理

本方法實(shí)現(xiàn)過程如下：(1)通過手機(jī)攝像頭采集一段人臉視頻；(2)進(jìn)行人臉識(shí)別和感興趣區(qū)域提??；(3)獲得原始iPPG信號(hào)；(4)對(duì)信號(hào)進(jìn)行去噪和濾波處理；(5)設(shè)計(jì)壓力誘導(dǎo)實(shí)驗(yàn)，篩選與壓力狀態(tài)相關(guān)的HRV特征；(6)構(gòu)建機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)日常精神壓力的三分類檢測(cè)。

2.1 成像式光體積描記術(shù)(iPPG)原理

iPPG技術(shù)通過成像設(shè)備感知由血管內(nèi)血容量變化所引起的皮膚表面反射光的變化，來獲取生理信號(hào)，其生理學(xué)基礎(chǔ)與PPG相似。由于人體皮膚的光學(xué)性質(zhì)，一般認(rèn)為在可見光區(qū)域內(nèi)有兩種物質(zhì)對(duì)光的吸收起主導(dǎo)作用：血紅蛋白和黑色素，其中血紅蛋白是真皮中主要的光吸收劑[21]。環(huán)境光可以滲透過人體皮膚重新釋放，光在人體皮膚中會(huì)被面部血液中的血紅蛋白吸收，由此使得重新釋放的光與入射光相比將產(chǎn)生變化。這一變化難以被人眼發(fā)覺，但可以被光學(xué)傳感器捕捉，并會(huì)體現(xiàn)在像素上，如圖1(a)所示。心肌的收縮與舒張會(huì)改變血管內(nèi)血液的充盈程度，導(dǎo)致臉部區(qū)域血液流量發(fā)生改變，由此導(dǎo)致面部反射光的強(qiáng)度大小發(fā)生變化。因此，可以通過攝像頭采集面部視頻以捕捉像素大小的變化，從而提取到皮下血液隨心動(dòng)周期的變化信息。

圖1 iPPG基本原理圖Fig. 1 Schematic diagram of iPPG principle

人體皮膚對(duì)光的吸收是iPPG技術(shù)實(shí)現(xiàn)的基礎(chǔ)，其光學(xué)原理則是郎伯-比爾定律：當(dāng)波長(zhǎng)為 λ的單色光直射入某物質(zhì)溶液時(shí)，透射光強(qiáng)I與發(fā)射光強(qiáng)I0存在如下關(guān)系：

式中， ε(λ)是介質(zhì)在某特定波長(zhǎng)中的吸收系數(shù)，C為介質(zhì)濃度，L為光在介質(zhì)中的傳播距離。iPPG技術(shù)中光的吸收量與血紅蛋白含量成正比，隨著心臟的跳動(dòng)，血紅蛋白含量隨血液容積發(fā)生周期性改變，其反射光的強(qiáng)度也呈現(xiàn)周期性改變，如圖1(b)所示。通過光學(xué)傳感器捕捉到這種變化，并反映在圖像像素強(qiáng)度的變化中，再對(duì)像素點(diǎn)的原始曲線進(jìn)行濾波即可得到人體脈搏波信號(hào)。

2.2 iPPG信號(hào)提取

iPPG信號(hào)提取過程如圖2(a)所示。首先，采集時(shí)長(zhǎng)為3分鐘的人臉視頻，進(jìn)行人臉識(shí)別，提取面部感興趣區(qū)域，獲取由心臟搏動(dòng)引起的皮膚微弱顏色變化；接下來，采用快速獨(dú)立成分分析(FastICA)、小波變換和窄帶帶通濾波，實(shí)現(xiàn)iPPG信號(hào)的提取和去噪，獲得高信噪比的iPPG信號(hào)；最后對(duì)iPPG信號(hào)進(jìn)行心率變異性分析，提取時(shí)域、頻域、非線性參數(shù)特征。

圖2 iPPG信號(hào)處理結(jié)果。（a）iPPG信號(hào)提取流程；（b）動(dòng)態(tài)ROI提取過程；（c）不同ROI提取的iPPG信號(hào)；（d）R-R間期提取 Fig. 2 Result of iPPG signal processing. (a) iPPG signal extraction process; (b) dynamic ROI extraction process; (c) iPPG signal extracted by different ROI; (d) extraction process in R-R interval

2.2.1 圖像預(yù)處理

在視頻采集過程中實(shí)驗(yàn)對(duì)象會(huì)出現(xiàn)不同程度的運(yùn)動(dòng)，這會(huì)使iPPG提取的信號(hào)中存在運(yùn)動(dòng)偽影，影響信號(hào)質(zhì)量，本文引入并改進(jìn)了一種動(dòng)態(tài)ROI提取方法來解決運(yùn)動(dòng)偽影問題。

Li等人[23]引入了新的ROI提取框架，首先對(duì)視頻的第一幀進(jìn)行人臉識(shí)別，再?gòu)娜四樀?8個(gè)關(guān)鍵點(diǎn)中選取9個(gè)關(guān)鍵點(diǎn)來確定第一幀的ROI掩模。接下來，使用KLT (Kanade-Lucas-Tomasi)算法[24]跟蹤人臉矩形框的特征點(diǎn)[25]，得到前后兩幀圖像特征點(diǎn)的仿射變換矩陣，根據(jù)仿射變換矩陣就可以獲取下一幀圖像的9個(gè)關(guān)鍵點(diǎn)位置。最后，根據(jù)這9個(gè)關(guān)鍵點(diǎn)位置就可以確定下一幀的ROI掩模，從而實(shí)現(xiàn)動(dòng)態(tài)ROI的選取。

上述動(dòng)態(tài)ROI提取框架的關(guān)鍵步驟是對(duì)人臉關(guān)鍵點(diǎn)進(jìn)行實(shí)時(shí)檢測(cè)并跟蹤。本文采用一種輕量級(jí)的基于端對(duì)端的神經(jīng)網(wǎng)絡(luò)模型——Face Mesh[26]。該模型可以精準(zhǔn)檢測(cè)人臉的關(guān)鍵點(diǎn)，其能預(yù)測(cè)人臉468個(gè)3D關(guān)鍵點(diǎn)，并對(duì)眼睛和嘴唇區(qū)域添加了注意力機(jī)制，因此，可以更加精準(zhǔn)地檢測(cè)這部分區(qū)域的關(guān)鍵點(diǎn)，便于后續(xù)提取。Face Mesh采用機(jī)器學(xué)習(xí)推斷3D表面的幾何形狀，以適應(yīng)不同的拍攝距離，而且還集成了追蹤模塊，滿足從視頻幀流中實(shí)時(shí)獲取動(dòng)態(tài)ROI的需求。

本文的動(dòng)態(tài)ROI提取流程及結(jié)果如圖2(b)所示。可見在獲取人臉視頻后，對(duì)第一幀圖像采用Blazeface人臉檢測(cè)器進(jìn)行人臉檢測(cè)，同時(shí)該檢測(cè)器生成一個(gè)旋轉(zhuǎn)的矩形框用于人臉對(duì)齊[27]。將人臉矩形框輸入Face mesh關(guān)鍵點(diǎn)檢測(cè)器中，返回人臉468個(gè)關(guān)鍵點(diǎn)。接下來，根據(jù)目標(biāo)ROI需要，選取若干個(gè)合適的關(guān)鍵點(diǎn)用于繪制臉部皮膚區(qū)域的掩模。同時(shí)，F(xiàn)ace mesh追蹤模塊可以根據(jù)從第一幀圖像獲取的468個(gè)關(guān)鍵點(diǎn)來預(yù)測(cè)第二幀人臉矩形框，并將其輸入Face mesh關(guān)鍵點(diǎn)檢測(cè)器，從而實(shí)現(xiàn)第二幀的關(guān)鍵點(diǎn)檢測(cè)。按照上述提取方式提取后續(xù)幀的ROI，從而獲得人臉動(dòng)態(tài)ROI序列。

對(duì)上述ROI序列進(jìn)行顏色通道分離，并分別計(jì)算單個(gè)通道中所有ROI圖像的像素均值，從而繪制像素均值曲線，即原始的iPPG信號(hào)。一般而言，ROI面積越大，得到的iPPG信號(hào)越平穩(wěn)，考慮到臉頰和前額的皮膚相對(duì)光滑，血管分布比較密集，非剛性運(yùn)動(dòng)干擾較少，因此本文選擇圖2（b）中ROI_3作為提取iPPG信號(hào)的感興趣區(qū)域。

為了檢驗(yàn)動(dòng)態(tài)ROI提取方法的效果，將其與固定ROI提取方法進(jìn)行對(duì)比。一般而言，固定ROI提取方法首先檢測(cè)人臉，再通過幾何關(guān)系截取出一個(gè)固定的矩形人臉區(qū)域。本文選擇的固定ROI區(qū)域?yàn)閳D2（b）中的人臉矩形區(qū)域(ROI_1)，將其與動(dòng)態(tài)ROI提取到的整個(gè)面部區(qū)域(ROI_2)進(jìn)行對(duì)比。兩種ROI得到的iPPG信號(hào)如圖2（c）所示?？梢姡鄬?duì)于ROI_2，ROI_1得到的iPPG信號(hào)峰值不明顯，信號(hào)質(zhì)量較差，這是由于固定ROI提取方法會(huì)摻雜一些背景信息，而且被測(cè)對(duì)象的一些微小運(yùn)動(dòng)對(duì)iPPG信號(hào)的影響很大。

接下來，本文對(duì)基于圖2（b）中ROI_2和ROI_3（額頭和面頰合成的皮膚區(qū)域）提取的iPPG信號(hào)進(jìn)行分析，結(jié)果如圖2（c）所示?？梢?，采用ROI_3提取的iPPG信號(hào)波形較理想，能獲取到更好的生理信號(hào)特征。相較于ROI_2，ROI_3避開了眼睛、嘴巴，基本上去除了眨眼、微笑、說話等動(dòng)作帶來的非剛性運(yùn)動(dòng)的干擾。

2.2.2 iPPG信號(hào)處理

原始iPPG信號(hào)中通?；祀s著呼吸信號(hào)以及與心臟搏動(dòng)無關(guān)的其他生理信號(hào)。同時(shí)，在實(shí)驗(yàn)過程中會(huì)存在著采集設(shè)備自身的干擾、光照變化等帶來的噪聲。而且信號(hào)源和通道狀態(tài)未知，不能通過單一濾波器直接濾除噪聲信號(hào)[28]。

FastICA是在原始ICA基礎(chǔ)上建立的一種快速不動(dòng)點(diǎn)方法，并采用牛頓迭代法保證收斂，在迭代過程中無需人為設(shè)置參數(shù)，相比于ICA算法，其具有更快的收斂速度，且更加簡(jiǎn)單方便。FastICA算法流程如下：

（1）輸入白化矩陣X=(x1,x2,x3)，輸出的獨(dú)立成分為：Y=(y1,y2,y3)；

（2）設(shè)置需要估計(jì)的獨(dú)立分量個(gè)數(shù)n，當(dāng)前獨(dú)立分量的標(biāo)號(hào)為count，初始化count=0；

（3）初始化權(quán)值向量w0；

（4）對(duì)權(quán)值向量w進(jìn)行調(diào)整：

（a）帶入矩陣迭代公式（2），得到新的w′：

式中，g(·)表 示非線性函數(shù)，E(·)表示均值操作；

（b）帶入矩陣正交化公式（3），得到正交化后的w：

（5）歸一化處理：

（6）判斷是否收斂。若收斂，則提取一個(gè)獨(dú)立成分y=wTX，并執(zhí)行步驟（7）；若不收斂則返回步驟（4）；

（7）count+1，當(dāng)count＜n時(shí)，執(zhí)行步驟（3），否則算法結(jié)束。

本文首先使用FastICA算法從原始iPPG信號(hào)中的3個(gè)通道的信號(hào)中分離出獨(dú)立信號(hào)y1(t)、y2(t)、y3(t)。人類的血液更容易吸收綠光，因此綠色通道包含更多有效信息。本文計(jì)算了每個(gè)獨(dú)立分量和綠色通道的Pearson相關(guān)系數(shù)：

式中，n為 樣本數(shù)量，、代表樣本均值，σY、σG為樣本標(biāo)準(zhǔn)差。實(shí)驗(yàn)發(fā)現(xiàn)，第三個(gè)獨(dú)立分量與G通道的皮爾遜相關(guān)系數(shù)最高，其絕對(duì)值為0.93。因此，選擇這一獨(dú)立分量作為iPPG信號(hào)進(jìn)行后續(xù)的濾波處理。

通過FastICA獲得的獨(dú)立分量中依然包括高頻噪聲和基線漂移，針對(duì)這一問題，本文采用小波變換對(duì)信號(hào)進(jìn)行進(jìn)一步的濾波處理。小波基函數(shù)的選擇會(huì)影響信號(hào)處理結(jié)果，根據(jù)脈搏波信號(hào)的特點(diǎn)，選取了“db8”小波。手機(jī)攝像頭的采集頻率為30 Hz，根據(jù)采樣定理，從視頻中獲取的信號(hào)頻率為0～15 Hz。采用db8小波基進(jìn)行6層小波分解，得到的每一層信號(hào)頻帶范圍分別為CD1（7.5～15 Hz）、CA1（0～7.5 Hz）、CD2（3.75～7.5 Hz）、CA2（0～3.75 Hz）、CD3（1.875～3.75 Hz）、CA3（0～1.875 Hz）、CD4（0.937 5～1.875 Hz）、CA4（0～0.937 5 Hz）、CD5（0.468 75～0.937 5 Hz）、CA5（0～0.468 75 Hz）、CD6（0.234 375～0.468 75 Hz）、CA6

（0～0.234 375 Hz）。本文默認(rèn)正常人心率范圍為60～200 bmp，其對(duì)應(yīng)的頻率范圍是1～3.33 Hz。iPPG信號(hào)集中在第三、四層分解信號(hào)中，頻帶為0.937 5～3.75 Hz。本文將這兩層信號(hào)結(jié)果進(jìn)行疊加，作為去除基線漂移后包含心跳頻率范圍的小波重構(gòu)波形。為了進(jìn)一步消除噪聲，采用窄帶帶通濾波器，通頻帶設(shè)置為1～3.33 Hz。FastICA、小波變換和窄帶帶通濾波相結(jié)合可以有效消除一些光照變化、運(yùn)動(dòng)偽影、電子噪聲等無規(guī)律噪聲對(duì)信號(hào)產(chǎn)生的干擾，最終得到高信噪比的iPPG信號(hào)。

R-R間期是HRV分析的基礎(chǔ)，在240 Hz采樣頻率下對(duì)iPPG信號(hào)進(jìn)行三次樣條插值，再通過峰值檢測(cè)得到R-R間期，結(jié)果如圖2(d)所示。

2.3 基于HRV分析的精神壓力檢測(cè)

對(duì)處理后的iPPG信號(hào)進(jìn)行HRV分析，提取其時(shí)域、頻域、非線性特征共17個(gè)，如表1所示。接下來，為了篩選出能夠真正反映精神壓力的特征值，在實(shí)驗(yàn)室環(huán)境下采用心算任務(wù)進(jìn)行壓力應(yīng)激誘導(dǎo)[29-30]，探究放松與壓力狀態(tài)下特征的變化，共篩選出14個(gè)有效反映精神壓力狀態(tài)的HRV參數(shù)。 最后，本文設(shè)計(jì)了日常精神壓力采集實(shí)驗(yàn)，根據(jù)多級(jí)壓力數(shù)據(jù)與心理醫(yī)生評(píng)估結(jié)果構(gòu)建機(jī)器學(xué)習(xí)模型，將篩選出來的14個(gè)特征輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行訓(xùn)練。在比較了SVM(Support Vector Machine)、KNN(K Nearest Neighbors)、RF(Random Forest)等幾種機(jī)器學(xué)習(xí)模型后[31-33]，選擇隨機(jī)森林RF作為壓力識(shí)別模型。

表1 HRV特征Tab. 1 HRV characteristics

本文的隨機(jī)森林模型是基于CART (Classification and Regression Tree)決策樹搭建的，使用基尼系數(shù)代替信息增益比。將訓(xùn)練集設(shè)置為總樣本的70%，采用交叉驗(yàn)證網(wǎng)格搜索方法對(duì)模型參數(shù)進(jìn)行優(yōu)化，進(jìn)行一個(gè)K倍交叉實(shí)驗(yàn)(K=10)，依次選擇其中一個(gè)作為驗(yàn)證集，剩余的K-1用作交叉驗(yàn)證的訓(xùn)練集，最終構(gòu)建了精神壓力識(shí)別的三分類器。將壓力狀態(tài)分為低壓、中壓和高壓3種，分別標(biāo)記為0、1和2。

3 結(jié)果和討論

精神壓力檢測(cè)實(shí)驗(yàn)分為兩部分。第一部分是精神壓力誘導(dǎo)實(shí)驗(yàn)，目的是通過人為調(diào)整實(shí)驗(yàn)樣本的壓力狀態(tài)，并比較放松到壓力狀態(tài)下特征參數(shù)的變化趨勢(shì)，篩選出能夠有效評(píng)估精神壓力的HRV特征用于精神壓力檢測(cè)。第二部分是日常精神壓力檢測(cè)實(shí)驗(yàn)，選取在實(shí)際生活中處于壓力狀態(tài)的樣本，該樣本在一段時(shí)間內(nèi)會(huì)一直處于壓力狀態(tài)，對(duì)實(shí)驗(yàn)對(duì)象一段時(shí)間內(nèi)的長(zhǎng)期壓力狀態(tài)進(jìn)行評(píng)估。兩部分實(shí)驗(yàn)樣本相互獨(dú)立，互不重合，實(shí)驗(yàn)描述如表2所示。精神壓力檢測(cè)實(shí)驗(yàn)是在室內(nèi)下進(jìn)行的，光照條件較為穩(wěn)定。但為了進(jìn)一步降低光照對(duì)信號(hào)質(zhì)量的影響，在采集面部視頻過程中，盡量避免光照極端條件，如強(qiáng)光、曝曬、光照不足或光照劇烈變化等情況。

表2 實(shí)驗(yàn)描述Tab. 2 Description of the test

3.1 壓力誘導(dǎo)實(shí)驗(yàn)及結(jié)果

壓力誘導(dǎo)實(shí)驗(yàn)流程如圖3(a)所示。實(shí)驗(yàn)包括兩個(gè)階段的信號(hào)收集和一個(gè)階段的心理任務(wù)執(zhí)行。在第一次信號(hào)采集之前，設(shè)定了10分鐘的放松階段，確保受試者在實(shí)驗(yàn)開始時(shí)不會(huì)緊張或焦慮。第二次信號(hào)采集是在完成心算任務(wù)后，心算準(zhǔn)確性可用于判斷實(shí)驗(yàn)對(duì)象是否專注。

為了探索與心理應(yīng)激相關(guān)的特征，對(duì)壓力誘導(dǎo)前后獲得的17個(gè)HRV特征進(jìn)行分析。通過配對(duì)t檢驗(yàn)(95%置信區(qū)間)，篩選出兩個(gè)實(shí)驗(yàn)之間存在顯著差異的特征，用于后面的日常精神壓力檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明： std_hr、 SD2/SD1、Sampen三個(gè)特征的p值均大于0.05，不予采納。分析了從放松狀態(tài)到壓力狀態(tài)下其余14個(gè)特征參數(shù)的變化趨勢(shì)，壓力誘導(dǎo)實(shí)驗(yàn)前后特征值的變化如圖3(b)所示。結(jié)果顯示， HR顯著增加，

圖3 壓力誘導(dǎo)實(shí)驗(yàn)及結(jié)果。（a） 壓力誘導(dǎo)實(shí)驗(yàn)過程；（b） HRV特征參數(shù)變化箱形圖Fig. 3 Stress-induced test and result. (a) Stress induction test process; (b) box diagram of HRV characteristic parameter change

SDNN、PNN50、PNN20、R MSSD、SDSD、CVSD、CVnni顯 著下降，TP顯 著降低， LFnu顯著升高，HFnu 顯 著降低，L F/HF顯 著升高，S D1、S D2顯著降低，以上變化與心理學(xué)研究結(jié)論一致[17]。

3.2 日常精神壓力識(shí)別實(shí)驗(yàn)及結(jié)果

實(shí)驗(yàn)開始前，首先安排實(shí)驗(yàn)對(duì)象填寫心理醫(yī)生提供的心理評(píng)估量表，并采集3分鐘面部視頻。接下來，由心理醫(yī)生標(biāo)注出樣本的精神壓力結(jié)果：低、中、高壓狀態(tài)，將其作為樣本的壓力標(biāo)簽。日常精神壓力識(shí)別系統(tǒng)流程圖如圖4(a)所示，在獲取視頻后提取HRV特征，將由壓力誘導(dǎo)實(shí)驗(yàn)篩選出來的特征和心理醫(yī)生標(biāo)注的標(biāo)簽用于訓(xùn)練機(jī)器學(xué)習(xí)模型。

實(shí)驗(yàn)樣本共計(jì)67個(gè)，訓(xùn)練集與測(cè)試集以7：3進(jìn)行分割。為了比較初始模型性能，對(duì)單個(gè)機(jī)器學(xué)習(xí)分類模型進(jìn)行多次訓(xùn)練，然后取均值，避免單次訓(xùn)練的隨機(jī)性。本文比較了SVM、KNN、BP、RF分類器,且都采用十折交叉驗(yàn)證進(jìn)行訓(xùn)練，不同機(jī)器學(xué)習(xí)分類器在日常精神壓力檢測(cè)的準(zhǔn)確率結(jié)果如圖4（b）所示。其中，隨機(jī)森林模型表現(xiàn)最好。接下來，本文對(duì)隨機(jī)森林進(jìn)行了網(wǎng)格搜索操作，進(jìn)一步優(yōu)化參數(shù)。當(dāng)樹的最大深度為16，決策樹數(shù)量為41時(shí)，隨機(jī)森林模型性能最佳，日常精神壓力識(shí)別的準(zhǔn)確率達(dá)到了95.2%（RF+）。

圖4 日常精神壓力檢測(cè)系統(tǒng)。（a）日常精神壓力檢測(cè)系統(tǒng)的流程；（b）不同機(jī)器學(xué)習(xí)分類器在日常精神壓力檢測(cè)的準(zhǔn)確率對(duì)比；（c）基于隨機(jī)森林的日常精神壓力檢測(cè)模型圖；（d）基于隨機(jī)森林的日常精神壓力檢測(cè)的ROC曲線Fig. 4 Daily mental stress detection system. (a) Process of daily mental stress detection system; (b) accuracy comparison of daily mental stress detection by different machine learning classifiers; (c) a random forest-based model for detecting daily mental stress; (d) ROC curves for daily mental stress detection based on random forest

采用ROC曲線來反映模型對(duì)于日常精神壓力狀態(tài)的檢測(cè)性能。ROC曲線的橫坐標(biāo)與縱坐標(biāo)沒有相關(guān)性，ROC曲線越靠近（0，1）點(diǎn)，代表模型越好。AUC是ROC曲線與x軸圍成區(qū)域的面積，AUC的數(shù)值可以用來衡量分類器的好壞，AUC越高，代表分類效果越好。隨機(jī)森林參數(shù)優(yōu)化后的ROC曲線如圖4（d）（彩圖見期刊電子版）所示，結(jié)果表明該模型在日常精神壓力檢測(cè)方面表現(xiàn)優(yōu)秀。

本文對(duì)比了目前幾個(gè)精神壓力檢測(cè)相關(guān)的研究工作，結(jié)果如表3所示。Healey[13]使用接觸性傳感器獲取EKG、EMG、EDA、GSR生理信號(hào)，得到97.4%的識(shí)別準(zhǔn)確率，能有效檢測(cè)壓力水平。但是，在實(shí)際應(yīng)用中，接觸式傳感器有很大的局限性，會(huì)給被測(cè)對(duì)象帶來“白大褂”現(xiàn)象，檢測(cè)不方便，使用場(chǎng)景也有一定的限制。Kuar[17]使用LDA（Linear Discriminant Analysis）和LR（Logistic Regression）分類器實(shí)現(xiàn)了非接觸式的壓力三元分類檢測(cè)，但是需要特定的相機(jī)，應(yīng)用受限，而且該研究準(zhǔn)確率僅為75%，遠(yuǎn)低于本文方法的準(zhǔn)確率（95.2%）?？譡20]使用普通相機(jī)，融合了9個(gè)HRV特征和一個(gè)表情特征，僅實(shí)現(xiàn)了非接觸式壓力檢測(cè)的二分類，準(zhǔn)確率僅為81.4%，低于本文的三分類準(zhǔn)確率。

表3 壓力檢測(cè)相關(guān)工作的比較Tab. 3 Comparison of pressure detection-related work

相對(duì)于以上精神壓力檢測(cè)方法，本文提出的方法由于在提取iPPG信號(hào)環(huán)節(jié)進(jìn)行了一定的優(yōu)化，使得iPPG信號(hào)質(zhì)量大大提高。本文深度挖掘HRV特征，采用單模態(tài)方式實(shí)現(xiàn)了基于面部視頻的非接觸式日常精神壓力三分類，準(zhǔn)確率達(dá)到了95.2%。而且由于測(cè)量方法簡(jiǎn)單，易于操作，不會(huì)影響受試者的正常心理和精神狀態(tài)，更適用于復(fù)雜的實(shí)際場(chǎng)景且可推廣到更多分類，可廣泛用于心理健康領(lǐng)域的檢測(cè)。

4 結(jié) 論

成像式光體積描記術(shù)是一種無創(chuàng)傷、低成本、簡(jiǎn)單、非接觸的光學(xué)測(cè)量技術(shù)，可以用來測(cè)量日常生活中的精神壓力。本文通過手機(jī)攝像頭采集面部視頻并提取iPPG信號(hào)，再根據(jù)iPPG信號(hào)進(jìn)行HRV分析，而且設(shè)計(jì)壓力誘導(dǎo)實(shí)驗(yàn)用于特征篩選，構(gòu)建機(jī)器學(xué)習(xí)模型來檢測(cè)日常生活中的精神壓力。實(shí)驗(yàn)結(jié)果表明：本文的日常精神壓力檢測(cè)系統(tǒng)表現(xiàn)優(yōu)異，實(shí)現(xiàn)了高精度的日常精神壓力三分類檢測(cè)任務(wù)。

從學(xué)術(shù)角度來看，本研究從人類面部視頻中挖掘生物特征，并將這些特征與他們的精神壓力聯(lián)系起來；此外，本文利用機(jī)器學(xué)習(xí)建立一個(gè)用于日常精神壓力識(shí)別的三分類器，準(zhǔn)確率達(dá)到95.2%。從實(shí)際角度來看，這種方法不需要佩戴任何傳感器或收集生物樣本，只使用智能手機(jī)就能準(zhǔn)確檢測(cè)人類的日常精神壓力水平，顯示了其作為一種有效工具在心理學(xué)研究中的潛力；這種方法不需要長(zhǎng)期測(cè)量，適合臨床心理診斷和日常壓力監(jiān)測(cè)。

本文方法的主要局限性在于樣本量及其應(yīng)用范圍，未來將擴(kuò)增樣本數(shù)量，在更大的人群（包括心理疾病患者和以及其他高壓群體）中進(jìn)行實(shí)驗(yàn)。