在心理健康应用中,基于光电缩图的HRV分析和机器学习用于实时压力量化

科学领域:

• 生物医学工程 生物医学工程
• 生理监测 生理监测
• 机器学习应用 机器学习应用

背景情况:

• 长时间的压力会导致精神健康问题,如焦虑和抑郁.
• 现有的心率变化 (HRV) 分析往往缺乏动态应激反应评估.
• 非侵入性生理信号测量对于持续的健康监测至关重要.

研究的目的:

• 开发和验证一种可穿戴设备,使用光聚缩学 (PPG) 来进行非侵入性压力水平评估.
• 创建一个动态的压力评估模型,利用机器学习和HRV参数.
• 调查开发模型的压力预测与自我报告的心理状态之间的相关性.

主要方法:

• 采用光聚光显微镜 (PPG) 来进行生理信号的非侵入性测量和RR间隔的推导.
• 开发了一种机器学习模型来分析心率变化 (HRV) 参数以量化压力.
• 在认知任务 (Stroop测试) 中收集PPG和抑郁焦虑压力尺度-21-中国 (DASS-21-C) 数据,用于模型训练和验证.

主要成果:

• 光电心电图 (PPG) 衍生的RR间隔与心电图 (ECG) 信号有很高的相关性 (R-平方=0.9837).
• 机器学习压力模型与DASS-21-C压力评分有显著的相关性 (R平方=0.8457).
• 该模型有效地捕捉了HRV的个人压力变化和时间模式.

结论:

• 可穿戴的PPG技术可用于准确的HRV分析和压力监测.
• 开发的机器学习模型为压力量化提供了具有心理意义和动态的方法.
• 该设备具有临床应用和整合到日常健康管理系统的潜力.