一种心境状态监测方法、装置及存储介质

技术领域

本申请涉及心境状态监测技术领域，具体而言，涉及一种心境状态监测方法、装置及存储介质。

背景技术

心境良好对应的精神和身体两方面的协调平衡状态是健康状态下的心境，而心境不佳对应的精神和身体两方面的不平衡状态是亚健康状态的心境，所以心境状态与人的健康密切相关。另外，已有文献明确指出短暂时间的情绪会改变交感和副交感神经的活动规律，所以对人的心境状态的检测促进了对人的健康进行研究的应用价值。

目前，对于情绪状态的检测技术主要是针对短暂时间且激烈的情绪，比如：压力等级的二分类、三分类等研究结果，也有关于压力评分的技术，但是上述已有的研究和技术给出的压力等级和评分结果缺少经验效标来验证，导致压力等级和评分缺少横向可比性，而且也无法对全天候且弥散的心境状态进行检测，因此无法根据上述的压力等级和评分结果有效且完整地推断出人群的心境状态。

发明内容

本发明实施例的目的在于提供一种心境状态监测方法、装置及存储介质，通过用多种预设特征空间对从人全天候的多个时段的自主神经活动信号中提取的序列进行计算和比较，来实现能够准确地推断人群的心境状态。

第一方面，本申请实施例提供了一种心境状态监测方法，所述方法包括：

获取目标个体的自主神经活动信号；其中，所述自主神经活动信号包括多个分时段自主神经活动信号；

从所述多个分时段自主神经活动信号中分别提取目标序列，得到多个分时段的生理数据；

根据预设特征空间对所述多个分时段的生理数据进行计算和比较，以确定所述目标个体的心境状态；其中，所述预设特征空间包括：预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间。

上述心境状态监测方法，通过预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间对从目标个体的多个分时段的自主神经活动信号提取的目标序列进行计算和比较，来确定目标个体的心境状态。由于预设特征空间中的生理数据具有普遍适用性和横向可比性，以及对多个时段的生理数据进行分布联合检测，确保了能够心境状态检测结果的完整性，因此使得在对实时采集的个体的生理数据进行检测时，能够有效地且完整地检测出个体的心境状态。

可选地，所述获取目标个体的自主神经活动信号包括：

获取医用传感器采集的所述目标个体的生理信号；其中，所述生理信号包括自主神经活动信号和人体三维加速度信号；

对所述自主神经活动信号和人体三维加速度信号进行分割计算，得到多个分时段的人体三维加速度信号和自主神经活动信号；

判断所述多个分时的人体三维加速度信号是否大于预设人体三维加速度信号；

若是，则将所述多个分时段的人体三维加速度信号对应的所述自主神经活动信号确定为非目标个体的自主神经活动信号；

若否，则将所述多个分时段的人体三维加速度信号对应的所述自主神经活动信号确定为所述目标个体的自主神经活动信号。

上述心境状态监测方法，通过对医用传感器采集的目标个体的自主神经活动信号和人体三维加速度信号进行分割处理，得到多个分时段的人体三维加速度信号和自主神经活动信号，并通过预设人体三维加速度信号来区分多个分时段的身体活动(人体三维加速度信号)是否影响自主神经活动，将大于预设人体三维加速度信号的分时段的人体三维加速度信号和自主神经活动信号剔除掉，得到目标自主神经活动信号。由于大于预设人体三维加速度信号的分时段的人体三维加速度信号会对心境状态的检测造成干扰，通过将大于预设人体三维加速度信号的分时段的人体三维加速度信号进行剔除，使得能够进一步保证心境状态检测结果的有效性。

可选地，所述根据预设特征空间对所述多个分时段的生理数据进行计算和比较，以确定所述目标个体的心境状态，包括：

根据所述预设压力等级评定特征空间，对所述多个分时段的生理数据分别进行压力等级评定，得到压力等级评定后的所述多个分时段的生理数据，并根据预设压力评分方法对所述多个分时段的生理数据进行计算，得到所述多个分时段的生理数据的压力评分；

根据所述预设副交感神经强制调节状态检测特征空间，对所述多个分时段的生理数据进行副交感神经强制调节检测，得到所述多个分时段的生理数据的生理数据的副交感神经强制调节时间分布和频率；

根据所述预设心境状态评定特征空间，对所述多个分时段的生理数据的压力评分和副交感神经强制调节时间分布和频率进行分析和比较，以确定所述目标个体的心境状态。

上述心境状态监测方法，通过预设压力等级评定的特征空间对多个分时段的生理数据进行压力评分、预设副交感神经强制调节状态检测特征空间对多个分时段的生理数据进行副交感神经强制调节时间分布和频率检测、预设心境状态评定特征空间对多个分时段的生理数据压力评分和副交感神经强制调节时间和频率进行心境状态分析和比较，确定个体的心境状态。由于预设压力等级评定空间、预设副交感神经强制调节状态检测特征空间以及预设心境状态评定特征空间的生理数据样本的标定采用了多种有效的经验效标以及选择了能够揭示精神压力和副交感神经强制调节的关键特征的多种生理指标，确保了生理数据样的普遍适用性和横向可比性，其次，通过多个时段生理数据的压力评分和副交感神经强制调节联合进行心境状态的监测，确保了心境状态检测结果的完整性，所以使得在对实时采集的个体的生理数据进行检测时，能够有效地且完整地检测出个体的心境状态。

可选地，所述预设压力等级评定特征空间由以下方式构建：

根据预设压力等级经验效标，对预设生理数据进行压力等级标定，得到多个压力等级的预设生理数据；

根据目标序列节律的周期函数和两次目标序列节律的平均涨落函数，对所述多个压力等级的预设生理数据进行计算，得到所述多个压力等级的预设生理数据的计算结果，并根据所述计算结果构建所述预设压力等级评定特征空间。

上述心境状态监测方法，通过预设压力等级经验效标对预设生理数据进行压力等级标定，然后将压力等级标定后的预设生理数据用反映自主神经活动规律关键特征的目标序列节律的周期函数和两次目标序列节律的平均涨落函数来表示，从而得到预设生理数据在特征空间的规律分布，以作为预设压力等级评定特征空间。由于采用有效地预设压力等级经验效标来对预设生理数据进行压力等级标定，得到多个压力等级的预设生理数据，其次，根据目标序列节律的周期函数和两次目标序列节律的平均涨落函数来支撑多个压力等级的预设生理数据在预设压力等级评定空间的散点分布，确保了预设生理数据压力等级标定的有效性、普片适用性以及横向可比性，使得构建出的预设压力等级评定特征空间能够有效的对实时采集的生理数据进行压力等级评定。

可选地，其中，所述预设压力评分方法包括公式一：

所述根据所述预设压力等级评定特征空间，对所述多个分时段的生理数据分别进行压力等级评定，得到压力等级评定后的所述多个分时段的生理数据，并根据预设压力评分方法对所述多个分时段的生理数据进行计算，得到所述多个分时段的生理数据的压力评分，包括：

根据所述目标序列节律的周期函数和两次目标序列节律的平均涨落函数，对所述多个分时段的生理数据进行计算，得到所述多个分时段的生理数据的计算结果；

将所述多个分时段的生理数据的计算结果分别映射至所述预设压力等级评定特征空间，并将所述多个压力等级的预设生理数据的计算结果的类中心分别与所述计算结果进行距离计算，得到所述多个分时段的生理数据的计算结果分别与所述多个压力等级的预设生理数据的计算结果的类中心的距离；

从所述多个分时段的生理数据的计算结果分别与所述多个压力等级的预设生理数据的计算结果的类中心的距离中分别确定出多个最小距离，并将所述多个最小距离对应的预设生理数据的压力等级分别作为所述多个分时段的生理数据的压力等级；

根据所述公式一、所述多个分时段的生理数据、所述多个分时段的生理数据对应压力等级的预设生理数据的类中心、所述预设生理数据的类标准差和所述多个分时段的生理数据的压力等级，得到所述多个分时段的生理数据的压力评分。

上述心境状态监测方法，通过多个分时段的生理数据采用目标序列节律的周期函数和两次目标序列节律的平均涨落函数来表示在预设压力等级评定特征空间的散点分布，然后观察多个分时段的生理数据与多个压力等级的预设生理数据的远近程度，将与多个分时段的生理数据分别距离最近的预设生理数据的压力等级作为多个分时段的生理数据的压力等级，最后根据预设评分方法，对已评定压力等级的多个时段的生理数据进行评分，得到多个分时段的生理数据的压力评分。由于预设压力等级评定特征空间能够有效地对生理数据进行压力等级评定，使得在对已评定压力等级的生理数据进行压力评分时计算出的生压力评分也是有效的，从而为心境状态检测在压力评分方面提供了有效依据。

可选地，所述预设副交感神经强制调节状态检测特征空间由以下方式构建：

根据预设压力等级经验效标、预设疲劳理论模型、预设作息和饮食不规律效标，对预设生理数据进行标定，得到多个第一生理数据和第二生理数据；其中，所述第一生理数据标定为副交感神经强制调节；

根据预设变换尺度区间的小波基函数，对所述多个第一生理数据和第二生理数据分别进行连续小波变换，得到所述多个第一生理数据和第二生理数据与所述多个分时段的生理数据的几何形态逼近程度度量指标；

将所述多个第一生理数据和第二生理数据分别与相邻的所述第一生理数据和第二生理数据进行平均差计算，得到所述多个第一生理数据和第二生理数据的平均差；

获取所述多个第一生理数据和第二生理数据在预设频率下的功率值；

基于所述多个第一生理数据和第二生理数据的最大变换尺度、平均差和在所述预设频率下的功率值，得到所述多个第一生理数据和第二生理数据的计算结果；

根据所述多个第一生理数据和第二生理数据的计算结果构建所述副交感神经强制调节状态检测特征空间。

上述心境状态监测方法，通过预设压力等级经验效标和预设疲劳理论模型对预设生理数据进行评定，得到第一生理数据和第二生理数据，然后将第一生理数据和第二生理数据用反映自主神经活动规律的关键特征的预设变换尺度区间的小波逼近程度度量指标、目标序列变异的指标以及预设频率内的相对激活程度指标来表示，从而得到预设生理数据在特征空间的规律分布，以作为预设副交感神经强制调节状态检测特征空间。由于采用有效的预设压力等级经验效标、预设疲劳理论模型和其他预设的导致副交感神经强制调节的特殊事件来对预设生理数据进行标定，得到具有副交感神经强制调节和不具有副交感神经强制调节的生理数据，其次，根据预设变换尺度区间的小波逼近程度度量指标、目标序列变异的指标以及预设频率内的相对激活程度指标来支撑具有副交感神经强制调节和不具有副交感神经强制调节的生理数据在预设副交感神经强制调节状态检测特征空间的散点分布，确保了预设生理数据副交感神经强制调节检测的有效性、普遍适用性以及横向可比性，使得构建出的预设副交感神经强制调节状态检测特征空间能够有效地对实时采集的生理数据进行副交感神经强制调节检测。

可选地，所述根据所述预设副交感神经强制调节状态检测特征空间，对所述多个分时段的生理数据进行副交感神经强制调节检测，得到所述多个分时段的生理数据的副交感神经强制调节时间分布和频率，包括：

将所述多个分时段的生理数据进行小波变换，获得所述多个分时段生理数据的几何形态逼近程度度量指标；

将所述多个分时段的生理数据与相邻的所述分时段的生理数据进行平均差计算，得到所述多个分时段的生理数据的平均差；

获取所述多个分时段的生理数据在所述预设频率下的功率值；

基于所述多个分时段的几何形态逼近程度度量指标、平均差和在所述预设频率下的功率值，得到所述多个分时段的生理数据的计算结果；

将所述多个分时段的生理数据的计算结果分别映射至所述预设副交感神经强制调节状态检测特征空间，并将所述多个第一生理数据和第二生理数据的计算结果的类中心分别与所述计算结果进行距离计算，得到所述多个分时段的生理数据的计算结果分别与所述多个第一生理数据和第二生理数据的计算结果的类中心的距离；

从所述多个分时段的生理数据的计算结果与所述多个第一生理数据和第二生理数据的计算结果的类中心的距离中分别确定出多个最小距离；

若所述多个最小距离对应的所述预设生理数据为所述第一生理数据时，则将多个所述最小距离对应的所述多个分时段生理数据标记为副交感神经强制调节，并记录所述多个分时段的生理数据的副交感神经强制调节次数，以得到所述多个分时段的生理数据的强制调节频率。

上述心境状态监测方法，通过多个分时段的生理数据采用预设变换尺度区间的小波基函数、目标序列变异的指标以及预设频率内的相对激活程度指标来表示在预设副交感神经强制调节状态检测特征空间的散点分布，然后观察多个分时段的生理数据与具有副交感神经强制调节和不具有副交感神经强制调节的预设生理数据的远近程度，将与具有副交感神经强制调节距离最近的多个分时段的生理数据分别标记为副交感神经强制调节，然后记录副交感神经强制调节的次数，最后根据分时段的时长以及出现副交感神经强制调节的次数，确定多个分时段的生理数据的副交感神经的强制调节频率。由于预设副交感神经强制调节状态检测特征空间能够有效地对生理数据进行副交感神经强制调节进行检测，从而为心境状态检测在副交感神经强制调节频率方面提供了有效依据。

可选地，所述预设心境状态评定特征空间由以下方式构建：

根据预设自评表，对预设生理数据进行心境状态标定，得到已标定心境状态的预设生理数据；

计算所述已标定心境状态的预设生理数据的压力评分和副交感神经强制调节时间分布和频率，得到心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设副交感神经强制调节时间分布和频率；

根据心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设副交感神经强制调节时间分布和频率构建所述预设心境状态评定特征空间。

上述心境状态监测方法，通过预设自评表对预设生理数据进行心境状态标定，通过已确定心境状态的生理数据的压力评分和副交感神经强制调节检测，得到心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设副交感神经强制调节时间分布和频率，并根据上述压力评分和副交感神经强制调节时间分布和频率构建预设心境状态特征空间。由于采用预设自评表对预设生理数据进行心境状态标定，分析已标定心境状态的生理数据的压力评分和副交感神经强制调节并得到心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设强制调节频率，确保了预设生理数据的心境状态的各项指标的有效性，使得预设心境状态特征空间能够有效的对实时采集的生理数据进行心境状态检测。

可选地，所述根据所述预设的心境状态评定特征空间，对所述多个分时段的生理数据的压力评分和强制调节频率进行分析和比较，以确定所述目标个体的心境状态，包括：

根据所述目标个体的作息时间，对所述多个分时段的生理数据的压力评分进行分组，得到多个觉醒状态和睡眠状态的生理数据的压力评分；

根据预设压力等级经验效标和预设疲劳理论模型，对所述多个分时段的生理数据的副交感神经强制调节时间分布和频率进行分组，得到多个生理易疲劳时间和生理不易疲劳时间的副交感神经强制调节时间分布和频率；

从所述多个觉醒状态的生理数据的压力评分中确定出小于所述心境状态良好的预设压力评分的所述觉醒状态的生理数据的压力评分，得到第一觉醒状态的生理数据的压力评分；

从多个所述睡眠状态的生理数据的压力评分中确定出为压力评分为零的所述睡眠状态的生理数据的压力评分，得到第一睡眠状态的生理数据的压力评分；

若所述第一觉醒状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于所述心境状态良好的预设时长占比、所述第一睡眠状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于心境状态良好的预设时长占比以及所述多个生理易疲劳时间的强制调节频率小于心境状态良好的预设调节频率，则确定所述心境状态为良好。

上述心境状态监测方法，通过根据目标个体的作息时间以及预设压力等级经验效标和预设疲劳理论模型对多个分时段的生理数据的压力评分和副交感神经强制调节进行分组，得到觉醒状态和睡眠状态的生理数据的压力评分以及生理易疲状态和生理不易疲劳时间的生理数据的副交感神经强制调节频率，然后若觉醒状态的生理数据的压力评分小于心境良好的预设压力评分的占比时长高于心境良好的预设占比时长，以及睡眠状态下的压力评分为零的占比时长大于心境状态良好的预设占比时长，以及生理易疲劳状态的生理数据的副交感神经强制调节频率小于心境状态良好的预设强制调节频率，则确定个体的心境状态为良好。由于通过预设心境状态特征空间对觉醒状态和睡眠状态的生理数据的压力评分和生理不易疲劳时间的副交感神经强制调节频率进行判断，使得目标个体的心境状态为良好的检测结果具有有效性和完整性。

可选地，所述根据预设心境状态评定的特征空间，对所述多个分时段的生理数据的压力评分和强制调节频率进行分析和比较，以确定所述心境状态，包括：

从所述多个觉醒状态的生理数据的压力评分中确定出大于所述心境状态不佳的预设压力评分的所述觉醒状态的生理数据的压力评分，得到第二觉醒状态的生理数据的压力评分；

从多个所述睡眠状态的生理数据的压力评分中确定出大于所述心境状态不佳的预设压力评分的所述睡眠状态的生理数据的压力评分，得到第二睡眠状态的生理数据的压力评分；

若所述第二觉醒状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于所述心境状态不佳的预设时长占比、所述第二睡眠状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于心境状态不佳的预设时长占比以及所述多个生理不易疲劳时间的强制调节频率大于心境状态不佳的预设调节频率，则确定所述心境状态为不佳。

上述心境状态监测方法，当觉醒状态的生理数据的压力评分大于心境不佳的预设压力评分的占比时长大于心境不佳的预设占比时长，以及睡眠状态的生理数据的压力评分大于心境不佳的预设压力评分的占比时长大于心境不佳的预设占比时长，以及生理不易疲劳时间的生理数据的副交感神经强制调节频率大于心境状态不佳的预设强制调节频率，则确定个体的心境状态为不佳。由于通过预设心境状态特征空间对觉醒状态和睡眠状态的生理数据的压力评分和生理不易疲劳时间的副交感神经强制调节频率进行判断，使得目标个体的心境状态为不佳的检测结果具有有效性和完整性。

第二方面，本申请实施例还提供了一种心境状态监测装置，所述装置包括：

获取模块，用于获取目标个体的自主神经活动信号；其中，所述自主神经活动信号包括多个分时段自主神经活动信号；

提取模块，用于从所述多个分时段自主神经活动信号中分别提取目标序列，得到多个分时段的生理数据；

分析模块，用于根据预设特征空间对所述多个分时段的生理数据进行计算和比较，以确定所述目标个体的心境状态；其中，所述预设特征空间包括：预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设的心境状态评定特征空间。

上述实施例，提供的心境状态监测装置具有与上述第一方面，或第一方面的任意一种可选地实施方式所提供的一种心境状态监测方法相同的有益效果，此处不作赘述。

第三方面，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上面描述的方法。

上述实施例，提供的计算机可读存储池介质具有与上述第一方面，或第一方面的任意一种可选地实施方式所提供的一种心境状态监测方法相同的有益效果，此处不作赘述。

综上所述，本申请提供一种心境状态监测方法、装置及存储介质。该方法通过获取目标个体的自主神经活动信号；其中，自主神经活动信号包括多个分时段自主神经活动信号；从多个分时段自主神经活动信号中分别提取目标序列，得到多个分时段的生理数据；根据预设特征空间对多个分时段的生理数据进行计算和比较，以确定目标个体的心境状态；其中，预设特征空间包括：预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间，实现了能够对人群进行全天候的心境状态监测，从而能够有效且完整地推断人群的心境状态。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的电子设备的方框示意图；

图2为本申请实施例提供的心境状态监测方法的第一流程示意图；

图3为本申请实施例提供的心境状态监测方法的第二流程示意图；

图4为本申请实施例提供的人体三维加速度信号的波形示意图；

图5为本申请实施例提供的人体三维加速度信号引起自主神经活动的显著变化的波形示意图；

图6为本申请实施例提供的预设压力等级评定特征空间的示意图；

图7为本申请实施例提供的被试者在心境状态良好下全天候的压力评分、心率序列、副交感神经强制调节标记以及人体三维加速度信号的示意图；

图8为本申请实施例提供的被试者在心境状态不佳下全天候的压力评分、心率序列、副交感神经强制调节标记以及人体三维加速度信号的示意图；

图9为本申请实施例提供的心境状态监测装置的结构示意图。

具体实施方式

下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

在本申请实施例的描述中，技术术语“第一”、“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

为便于对本实施例进行理解，首先对执行本申请实施例所公开的心境状态监测方法的电子设备进行详细介绍。

如图1所示，是电子设备一个实施例的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。

其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。

上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。

上述的显示单元116在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。

本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述心境状态监测方法的实现过程。

本申请实施例提供的心境状态监测方法的原理：

从生物学的角度来看，自主神经系统主要分为交感和副交感神经系统，他们互相制约，维持着机体的调节功能的平衡，也即人群在遭遇特殊事件时(也即心境状态发生变化时)，人的交感与副交感神经会发生拮抗来维持机体平衡(也即副交感神经存在强制调节)，而副交感神经的强制调节体现在自主神经活动信号的变化规律上。

从心理学的角度来看，人在遭遇特殊事件时(也即心境状态发生变化时)，会表现为不同的生理反应、压力下的行为表现、压力反应的心理体验等等，所以还需精神压力进行等级标定，而处于不同等级的精神压力，相应的自主神经活动信号的变化规律也会存在不同。

综上所述，由于人群的心境状态与人群的精神压力的评分、持续时长以及发生时刻和副交感神经强制调节的频率以及发生时刻等多个方面来确定。因此，要想确定人群的心境状态，则需要明确人群的精神压力评分和副交感神经强制调节频率，而人群的副交感神经的强制调节频率以及精神压力等级与自主神经活动信号的变化规律相对应。

而本申请实施例提供的心境状态监测方法正是通过预先对人群进行精神压力等级标定和副交感神经强制调节状态标定，然后在找到人群的对应的自主神经活动信号的变化规律，也即明确了在不同精神压力等级下的自主神经活动信号的变化规律以及出现副交感神经强制调节下的自主神经活动信号的变化规律。因此，在后续实际应用过程中，只需要通过观察自主神经活动信号是否满足变化规律来确定精神压力等级以及是否出现副交感神经强制调节。

请参见图2示出的本申请实施例提供的心境状态监测方法的第一流程示意图。

步骤S100：获取目标个体的自主神经活动信号；其中，自主神经活动信号包括多个分时段自主神经活动信号；

目标个体是指待进行心境状态监测的人。

自主神经活动信号包括但不限于心电、脉搏波、心拍数、脉搏率和心率等等，本申请实施例在此不做限定。

需要说明的是，本申请实施例是对目标个体进行全天候心境状态监测，所以采集的是24小时的自主神经活动信号，而24小时又被分为多个时段，因此，目标个体的自主神经信号被分为多个分时段的自主神经活动信号。

步骤S200：从多个分时段自主神经活动信号中分别提取目标序列，得到多个分时段的生理数据；

多个分时段的生理数据是指多个分时段的目标序列的集合。

目标序列是指从自主神经活动信号中提取的节律时间序列，比如从心电中提取序列，得到的是心电节律时间序列；从心率中提取的序列是心率节律时间序列。

另外，由于不同的自主神经活动信号具有不同的显示状态，不同自主神经活动信号需要做相应的信号处理才能够从自主神经活动信号中提取到序列，本申请实施例对于不同的自主神经活动的信号处理的方式不做具体限定，具体根据选择的自主神经活动信号选择相应的信号处理方式。

步骤S300：根据预设特征空间对多个分时段的生理数据进行计算和比较，以确定目标个体的心境状态；其中，预设特征空间包括：预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间。

预设压力等级评定特征空间是用于对多个分时段的生理数据进行压力等级判定以及压力评分，以得到多个分时段的生理数据的压力评分。

预设副交感神经强制调节状态监测特征空间是用于对多个分时段的生理数据进行副交感神经强制调节频率的检测，以得到多个分时段的生理数据的副交感神经强制调节频率。

预设心境状态特征空间是用于对多个分时段的生理数据压力评分和副交感神经强制调节频率进行分析，以确定目标个体的心境状态。

具体的，在获取的目标个体的多个分时段的自主神经活动信号后，从多个分时段的自主神经活动信号后中提取目标序列，然后根据预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间对目标进行计算和比较，以确定目标个体的心境状态。

在本实施例中，通过预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间对从目标个体的多个分时段的自主神经活动信号提取的目标序列进行计算和比较，来确定目标个体的心境状态。由于预设特征空间中的生理数据具有普遍适用性和横向可比性，以及对多个时段的生理数据进行分布联合检测，确保了能够心境状态检测结果的完整性，因此使得在对实时采集的个体的生理数据进行检测时，能够有效地且完整地检测出个体的心境状态。

可选地，上述步骤S100具体可以包括：步骤S110-S150。

请参见图3示出的本申请实施例提供的心境状态监测方法的第二流程示意图。

步骤S110：获取医用传感器采集的目标个体的生理信号；其中，生理信号包括自主神经活动信号和人体三维加速度信号；

请参见图4示出的本申请实施例提供的人体三维加速度信号波形示意图。

请参见图5示出的本申请实施例提供的人体三维加速度信号引起自主神经活动的显著变化的波形示意图。

需要说明的是，由于人的人体三维加速度在超过预设人体三维加速度时，引起了自主神经活动信号的显著变化，而这显著的变化是异常的，而自主神经活动信号对应的是反映交感副交感神经之间拮抗，所以对在异常状态下的自主神经活动信号进行副交感神经强制调节，检测出的结果肯定是不准确的，而不准的副交感神经调节检测势必会干扰对心境状态监测的判断，所以当采集的分时段中的某一个时段的人体三维加速度信号超过了预设人体三维加速度，此时应该将该时段的目标自主神经活动信号丢弃，以保证心境状态监测的准确性。

可理解的是，医用传感器设置在待进行心境状态检测的人群上，医用传感器的载体可以是智能手表等可以承载的设备，本申请实施例对于医用传感器的载体在此不做限定，具体可以根据实际需求设置。

人体三维加速度信号是指人在X、Y、Z三个维度上的加速度，用于反映确定身体活动的情况。在人体三维加速度信号超过预设人体三维加速度时，表示引起了自主神经活动的显著变化，则说明此时采集的自主神经活动信号无法表征交感神经和副交感神经之间的拮抗状态。

在一实施例中，由于未经去趋势处理的人体三维加速度信号存在多个高频和低频，需要对人体三维加速度信号进行去趋势处理(去噪)，所以在采样率512Hz的前提下，采用6层小波分解的低频系数置零，然后再重构信号，得到高频涨落的人体三维加速度信号。

步骤S120：对自主神经活动信号和人体三维加速度信号进行分割计算，得到多个分时段的人体三维加速度信号和自主神经活动信号；

分割计算方法可以是预设滑动时间窗，还可以是其他能够实现对时间进行分段的方法，本申请实施例在此不做限定。

步骤S130：判断多个分时的人体三维加速度信号是否大于预设人体三维加速度信号；

步骤S140：若是，则将多个分时段的人体三维加速度信号对应的自主神经活动信号确定为非目标个体的自主神经活动信号；

步骤S150：若否，则将多个分时段的人体三维加速度信号对应的自主神经活动信号确定为目标个体的自主神经活动信号。

预设三维加速度信号是指三维加速度信号足以引起自主神经活动的显著变化的一个阈值，也即在超过预设三维加速度信号时，自主神经活动信号就会引起自主神经活动的显著变化。

非目标个体的自主神经活动信号是指不能够正常表征交感和副交感神经之间的拮抗状态的自主神经活动信号。反之，目标个体的自主神经活动信号是指能够正常表征交感和副交感神经之间的拮抗状态的自主神经活动信号。

具体的，通过获取医用传感器采集的人体三维加速度信号和自主神经活动信号，然后对人体三维加速度信号和自主神经活动信号进行分割处理，得到多个分时段的人体三维加速度信号和自主神经活动信号，最后使用三维加速度去趋势涨落信号的预设人体三维加速度信号，来区分身体活动是否明显影响自主神经活动，从而得到能够表征交感和副交感神经之间的拮抗状态的自主神经活动信号，也就完成了对自主神经活动预处理采集。

在本实施例中，上述心境状态监测方法，通过对医用传感器采集的目标个体的自主神经活动信号和人体三维加速度信号进行分割处理，得到多个分时段的人体三维加速度信号和自主神经活动信号，并通过预设人体三维加速度信号来区分多个分时段的身体活动(人体三维加速度信号)是否影响自主神经活动，将大于预设人体三维加速度信号的分时段的人体三维加速度信号和自主神经活动信号剔除掉，得到目标自主神经活动信号。由于大于预设人体三维加速度信号的分时段的人体三维加速度信号会对心境状态的检测造成干扰，通过将大于预设人体三维加速度信号的分时段的人体三维加速度信号进行剔除，使得能够进一步保证心境状态检测结果的有效性。

可选地，上述步骤S300具体可以包括：步骤S310-S330。

步骤S310：根据预设压力等级评定特征空间，对多个分时段的生理数据分别进行压力等级评定，得到压力等级评定后的多个分时段的生理数据，并根据预设压力评分方法对多个分时段的生理数据进行计算，得到多个分时段的生理数据的压力评分；

步骤S320：根据预设副交感神经强制调节状态检测特征空间，对多个分时段的生理数据进行副交感神经强制调节检测，得到多个分时段的生理数据的生理数据的副交感神经强制调节时间分布和频率；

步骤S330：根据预设心境状态评定特征空间，对多个分时段的生理数据的压力评分和副交感神经强制调节时间分布和频率进行分析和比较，以确定目标个体的心境状态。

在本实施例中，通过预设压力等级评定的特征空间对多个分时段的生理数据进行压力评分、预设副交感神经强制调节状态检测特征空间对多个分时段的生理数据进行副交感神经强制调节的调节时间分布和频率检测以及预设心境状态评定特征空间对多个分时段的生理数据压力评分和副交感神经强制调节时间分布和频率进行心境状态分析和比较，确定个体的心境状态。由于预设压力等级评定空间、预设副交感神经强制调节状态检测特征空间中以及预设心境状态评定特征空间的生理数据样本的标定采用了多种有效的经验效标以及选择了能够揭示精神压力和副交感神经强制调节的关键特征的多种生理指标，确保了生理数据样的普遍适用性和横向可比性，其次，通过对多个时段的生理数据的压力评分和副交感神经强制调节联合进行心境状态的监测，确保了能够心境状态检测结果的完整性，所以使得在对实时采集的个体的生理数据进行检测时，能够有效地且完整地检测出个体的心境状态。

可选地，预设压力等级评定特征空间由以下方式构建：

请参见图6示出的本申请实施例提供的预设压力等级评定特征空间的示意图

1)根据预设压力等级经验效标，对预设生理数据进行压力等级标定，得到多个压力等级的预设生理数据；

预设压力等级经验效标包括但不限于压力源先验知识、压力反应的心理体验、生理反应和行为表现，本申请实施例在此不做限定。

多个压力等级包括但不限于无压力、弱压力、中等压力和强压力四种压力等级，还可以是其他分类等级，本本申请实施例在此不做具体限定。

2)根据目标序列节律的周期函数和两次目标序列节律的平均涨落函数，对多个压力等级的预设生理数据进行计算，得到多个压力等级的预设生理数据的计算结果，并根据计算结果构建预设压力等级评定特征空间。

目标序列节律的周期函数是反映交感和副交感神经活动平衡状态度量指标。

两次目标序列节律的平均涨落函数是反映交感和副交感神经活动竞争度量指标。

以下进行具体举例说明：

例1：在硕士毕业论文答辩强压力源作用下(压力源先验知识)，被试自述压力等级为强压力(压力反应的心理体验)，被试心跳比平时明显变快(压力生理反应)，被试在行为上无法正确回答专家提问，甚至无法通过答辩(压力的行为表现)，则此类人群在毕业论文答辩情境中的生理数据标记为强压力。

例2：在午休小睡时，被试身体和精神皆处于放松状态(压力源先验知识)，自述无压力(心理体验)，心跳比小睡前明显变慢(生理反应)，从身体姿势和面部表情可见小睡状态下的放松(行为表现)，则此类人群在小睡情境中的生理数据标记为无压力。

对于其他真实生活情境中的压力标记方式也是结合上述压力源先验知识、压力反应心理体验、生理反应和行为表现来共同标定压力生理数据的等级标签。

具体地，通过多种压力等级经验效标，能够有效地将不同真实生活情境下的生理数据进行压力等级标定，另外，上述两种生理指标是反映副交感神经强制调节的关键特征，所以采用目标序列节律的周期函数和两次目标序列节律的平均涨落函数能够有效地反映不同压力等级的生理数据的自主神经活动信号的变化，而对于后续实际采集的生理数据来说，将采集的生理数据映射至预设压力等级评定空间后，可以直接根据自主神经活动信号来确定出采集的生理数据的压力等级，同时也确保了生理数据压力等级评定的有效性。

在本实施例中，通过预设压力等级经验效标对预设生理数据进行压力等级标定，然后将压力等级标定后的预设生理数据用反映自主神经活动规律的关键特征的目标序列节律的周期函数和两次目标序列节律的平均涨落函数来表示，从而得到预设生理数据在特征空间的规律分布，以作为预设压力等级评定特征空间。由于采用有效地预设压力等级经验效标来对预设生理数据进行压力等级标定，得到多个压力等级的预设生理数据，其次，根据目标序列节律的周期函数和两次目标序列节律的平均涨落函数来支撑多个压力等级的预设生理数据在预设压力等级评定空间的散点分布，确保了预设生理数据压力等级标定的有效性、普片适用性以及横向可比性，使得构建出的预设压力等级评定特征空间能够有效的对实时采集的生理数据进行压力等级评定。

可选地，其中，预设压力评分方法包括公式一：

需要说明的是，预设压力评分公式其实质是将经过预设压力等级经验效标的生理数据均等分映到[0-100]分的区间内，由于预设压力等级评定特征空间只包含四种压力等级的生理数据，所以每种压力等级的压力评分区间为：无压力：[0-25]，弱压力：[25-50]，中等压力[50-75]，强压力[75-100]，也就是说当生理数据存在5种压力等级时，对应的压力评分区间变为：无压力：[0-20]，弱压力：[20-40]，中等压力[40-60]，强压力[60-80]，超强压力[80-100]。因此，本申请实施例对于压力等级的划分在此不做具体限定，具体可以根据实际需求设置。

另外，公式一中的数值25，是由于本申请实施例采用的4种压力等级划分，然后将四种压力等级映射至[0-100]的区间内进行均等分，也即100/4＝25，如果当压力等级的划分为5种时，那么就是100/5＝20，以此类推。

另外，公式一中的j不是指无压力、弱压力、中等级压力和强压力4种等级，而是指对无压力、弱压力、中等级压力和强压力4中等级进行排序后的具体数值，j越大表示压力越强，由于无压力的压力评分区间为[0-25]是最小，那么无压力等级为0，弱压力的压力评分区间为[25-50]位于第二，那么弱压力等级为1，以此类推，中等压力等级为2，强压力等级为3。

在一实施例中，在构建预设压力等级评定特征空间时候，生理数据经过目标序列节律的周期函数和两次目标序列节律的平均涨落函数两种指标表示后，生理数据不在无压力散点分布或不在强压力散点分布内，导致在计算压力评分的时候可能会存在分值小于0或者大于100，此时应该选择取值为0或100，不应当小于0或大于100。

步骤S311：根据目标序列节律的周期函数和两次目标序列节律的平均涨落函数，对多个分时段的生理数据进行计算，得到多个分时段的生理数据的计算结果；

步骤S312：将多个分时段的生理数据的计算结果分别映射至预设压力等级评定特征空间，并将多个压力等级的预设生理数据的计算结果的类中心分别与计算结果进距离计算，得到多个分时段的生理数据的计算结果分别与多个压力等级的预设生理数据的计算结果的类中心的距离；

步骤S313：从多个分时段的生理数据的计算结果分别与多个压力等级的预设生理数据的计算结果的类中心的距离中分别确定出多个最小距离，并将多个最小距离对应的预设生理数据的压力等级分别作为多个分时段的生理数据的压力等级；

步骤S314：根据公式一、多个分时段的生理数据、多个分时段的生理数据对应压力等级的预设生理数据的类中心、预设生理数据的类内标准差和多个分时段的生理数据的压力等级，得到多个分时段的生理数据的压力评分。

可理解的是，预设压力等级评定特征空间中包括多个压力等级的生理数据，在将多个分时段的生理数据以目标序列节律的周期函数和两次目标序列节律的平均涨落函数来表示在预设压力等级评定特征空间的散点分布时，可以观察多个分时段的生理数据的散点分布与多个压力等级的生理数据的散点分布之间分布关系，然后将与分时段的生理数据最接近的压力等级的生理数据的压力等级作为分时段的生理数据的压力等级，最后根据公式一，对已确定压力等级的生理数据进行计算，得到生理数据的压力评分。

在本实施例中，通过多个分时段的生理数据采用目标序列节律的周期函数和两次目标序列节律的平均涨落函数来表示在预设压力等级评定特征空间的散点分布，然后观察多个分时段的生理数据与多个压力等级的预设生理数据的远近程度，将与多个分时段的生理数据分别距离最近的预设生理数据的压力等级作为多个分时段的生理数据的压力等级，最后根据预设评分方法，对已评定压力等级的多个时段的生理数据进行评分，得到多个分时段的生理数据的压力评分。由于预设压力等级评定特征空间能够有效地对生理数据进行压力等级评定，使得在对已评定压力等级的生理数据进行压力评分时计算出的生压力评分也是有效的，从而为心境状态检测在压力评分方面提供了有效依据。

可选地，预设副交感神经强制调节状态检测特征空间由以下方式构建：

需要说明说明的是，本申请实施例是采用三类型指标，其中第一类型是描述副交感神经强制调节的关键指标。另两类指标是用内脏节律时间序列分析自主神经活动规律的经典指标。当第一类型指标与另外两类指标一起形成高维特征空间时，特征间的信息互补较好地描述了副交感神经是否强制调节的两类数据样本在特征空间的分布规律。因此，本发明通过第一生理数据和第二生理数据在预设副交感神经强制调节状态监测特征空间的分布来检测是否出现副交感神经强制调节。

1)根据预设压力等级经验效标和预设疲劳理论模型、预设作息效标和饮食不规律效标，对预设生理数据进行标定，得到多个第一生理数据和第二生理数据；其中，第一生理数据标定为副交感神经强制调节；

第一生理数据是指生理不易疲劳时间内精神警觉度高，且精神和身体放松状态下包含自主神经活动信息的生理信号，被标定为副交感神经强制调节。

第二生理数据是指偏离平衡状态的特殊生活事件中，采集人强压力下、生理易疲劳时间内精神警觉度低等状态下的包含自主神经活动信息的生理信号。

生理不易疲劳时间是指正常夜晚睡眠后，以早上起床为计时开始时刻，此后的3小时，根据预设疲劳理论模型得到。

在一实施例中，利用疲劳等级来对生理数据疲劳等级划分(0-10级，0表示完全不疲惫，分数越高越疲劳，10表示筋疲力尽)，然后根据疲劳等级来判断精神警觉度的高低。

生理易疲劳时间是指夜晚正常睡眠起床后6小时后是生理易疲劳时间，根据预设疲劳理论模型得到。

强压力是根据压力源先验知识、心理体验、生理反应、行为表现四种经验效标来判断是否为强压力。

2)根据预设变换尺度区间的小波基函数，对多个第一生理数据和第二生理数据分别进行连续小波变换，得到多个第一生理数据和第二生理数据与多个分时段的生理数据的几何形态逼近程度度量指标；

预设变换尺度区间是指小波基函数的小波系数的数值范围，本申请实施例在此不做限定。

在一实施例中，采用反映副交感神经强制调节的关键指标：以特定小波基函数类型在预设变换尺度区间中进行伸缩，用于逼近多个第一生理数据和第二生理数据的几何形态，找到最能体现第一生理数据和第二生理数据的多个变换尺度，然后从多个最能逼近第一生理数据和第二生理数据的变换尺度中选取最大变换尺度，而选取最大变换尺度的原因是最大变换尺度能够表征副交感神经出现强制调节。

3)将多个第一生理数据和第二生理数据分别与相邻的第一生理数据和第二生理数据进行平均差计算，得到多个第一生理数据和第二生理数据的平均差；

在一实施例中，采用反映自主神经活动规律的第一类经典指标：取时间域内描述小尺度心率变异的指标Tn。下标n代表此类可选指标不止一种，比如相邻心率差值的均值等。这类指标用于揭示交感和副交感神经的相对博弈程度。指标取值大，代表交感和副交感神经的博弈较激烈，反之则代表其中一个自主神经分支的抑制。

4)获取多个第一生理数据和第二生理数据在预设频率下的功率值；

在一实施例中，采用反映自主神经活动规律的第一类经典指标：3.取频率域内描述副交感神经相对激活程度的指标Fn。下标n代表此类可选指标不止一种，比如心率序列在0.15Hz-0.4Hz的子频带总功率。

5)基于多个第一生理数据和第二生理数据的最大变换尺度、平均差和在预设频率下的功率值，得到多个第一生理数据和第二生理数据的计算结果；

6)根据多个第一生理数据和第二生理数据的计算结果构建副交感神经强制调节状态检测特征空间。

在本实施例中，通过预设压力等级经验效标和预设疲劳理论模型、预设作息效标和饮食不规律效标对预设生理数据进行评定，得到第一生理数据和第二生理数据，然后将第一生理数据和第二生理数据用反映自主感神经活动规律的关键特征的预设变换尺度区间的小波逼近程度度量指标、目标序列变异的指标以及预设频率内的相对激活程度指标来表示，从而得到预设生理数据在特征空间的规律分布，以作为预设副交感神经强制调节状态检测特征空间。由于采用有效的预设压力等级经验效标和预设疲劳理论模型和其他预设的导致副交感神经强制调节的特殊事件来对预设生理数据进行标定，得到具有副交感神经强制调节和不具有副交感神经强制调节的生理数据，其次，根据预设变换尺度区间的小波逼近程度度量指标、目标序列变异的指标以及预设频率内的相对激活程度指标来支撑具有副交感神经强制调节和不具有副交感神经强制调节的生理数据在预设副交感神经强制调节状态检测特征空间的散点分布，确保了预设生理数据副交感神经强制调节检测的有效性、普遍适用性以及横向可比性，使得构建出的预设副交感神经强制调节状态检测特征空间能够有效地对实时采集的生理数据进行副交感神经强制调节检测。

可选地，步骤S320具体可以包括：步骤S321-S327。

步骤S321：将所述多个分时段的生理数据进行小波变换，获得所述多个分时段生理数据的几何形态逼近程度度量指标；

步骤S322：将多个分时段的生理数据与相邻的分时段的生理数据进行平均差计算，得到多个分时段的生理数据的平均差；

步骤S323：获取多个分时段的生理数据在预设频率下的功率值；

步骤S324：基于多个分时段的生理数据的几何形态逼近程度度量指标、平均差和在预设频率下的功率值，得到多个分时段的生理数据的计算结果；

步骤S325：将多个分时段的生理数据的计算结果分别映射至预设副交感神经强制调节状态检测特征空间，并将多个第一生理数据和第二生理数据的计算结果的类中心分别与计算结果进行距离计算，得到多个分时段的生理数据的计算结果分别与多个第一生理数据和第二生理数据的计算结果的类中心的距离；

需要说明的是，多个分时段的生理数据是指多个分时段的自主神经活动信号的目标序列，而目标序列是一种波长，与第一生理数据和第二生理数据类似，所以直接与第一生理数据和第二生理数据的变换尺度进行比较即可，不需要进行任何计算。

可理解的是，由于第一生理数据是预先通过预设压力等级经验效标和预设疲劳模型确定出的出现了副交感神经的生理数据，所以在预设副交感神经强制调节状态检测特征空间中的第一生理数据满足上述三个指标，能够反映出现了副交感神经强制调节。因此，当分时段的生理数据的计算结果与第一生理数据的指标相似，则说明分时段的生理数据出现了副交感神经强制调节。

步骤S326：从多个分时段的生理数据的计算结果与多个第一生理数据和第二生理数据的计算结果的类中心的距离中分别确定出多个最小距离；

步骤S327：若多个最小距离对应的预设生理数据为第一生理数据时，则将多个最小距离对应的多个分时段生理数据标记为副交感神经强制调节，并记录多个分时段的生理数据的副交感神经强制调节次数，以得到多个分时段的生理数据的副交感神经强制调节时间分布和频率。

具体地，将多个分时段的生理数据、平均差和在预设频率下的功率映射至预设副交感神经强制调节状态检测特征空间，然后观察分时段的生理数据与第一生理数据散点分布和第二生理数据散点分布之间的关系，将靠近第一生理数据散点分布的分时段生理数据标记为副交感神经强制调节，最后记录副交感神经强制调节标记的次数，并根据调节次数来计算出在该分时段时间内的调节频率。

在本实施例中，通过多个分时段的生理数据采用预设变换尺度区间的小波基函数、目标序列变异的指标以及预设频率内的相对激活程度指标来表示在预设副交感神经强制调节状态检测特征空间的散点分布，然后观察多个分时段的生理数据与具有副交感神经强制调节和不具有副交感神经强制调节的预设生理数据的远近程度，将与具有副交感神经强制调节距离最近的多个分时段的生理数据分别标记为副交感神经强制调节，然后记录副交感神经强制调节的次数，最后根据分时段的时长以及出现副交感神经强制调节的次数，确定多个分时段的生理数据的副交感神经的强制调节频率。由于预设副交感神经强制调节状态检测特征空间能够有效地对生理数据进行副交感神经强制调节进行检测，从而为心境状态检测在副交感神经强制调节频率方面提供了有效依据。

可选地，预设心境状态评定特征空间由以下方式构建：

1)根据预设自评表，对预设生理数据进行心境状态标定，得到已标定心境状态的预设生理数据；

2)计算所述已标定心境状态的预设生理数据的压力评分和副交感神经强制调节时间分布和频率，得到心境状态良好和心境状态不佳的预设压力评分、预设副交感神经强制调节时间分布和频率；

预设自评表包括但不限于白天的疲劳分时段自评、夜晚睡眠时间和质量自评、焦虑自评、压力自评和抑郁自评等多种量表，对于能够对进行人群心境状态进行评分的量表都在本申请实施例的保护范围之内，本申请实施例在此不做具体限定。

以下对于自评表进行详细说明：比如被试者当天某个时间段内参与了毕业答辩，自我评价答辩前和答辩中很焦虑，压力很大，答辩结束后等待答辩结果的过程也有焦虑和压力，整天的觉醒时间内每小时报告一次疲劳等级；用焦虑自评量表SAS、抑郁自评量表SDS、生活事件量表LES、感知到的压力量表PSS等测过去1周甚至更长时间内的压力、焦虑和抑郁，被试自我报告头天和当天的入睡时间、起床时间、半夜有无觉醒、自我感觉睡眠质量等。

可理解的是，心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设强制调节频率是通过对心境状态良好和心境不佳的人群进行多种预设自评表测试，并结合预设压力等级评定特征空间和预设副交感神经强制调节状态检测特征空间，然后得到两类人群在全天候多个分时段的压力评分、时长占比以及发生时刻和副交感神经强制调节以及发生时刻的情况。

3)根据心境状态良好和心境状态不佳的预设压力评分、预设副交感神经强制调节时间分布和频率构建预设心境状态评定特征空间。

具体地，根据多个预设自评表采集人群的自评报告，分析多个分时段的疲劳等级和作息时间，然后结合预设压力等级评定特征空间和预设副交感神经强制调节状态检测特征空间检测出的多个分时段的压力评分以及副交感神经强制调节次数，最后得到在心境状态良好和心境状态不佳的情况下对应的压力评分、时长占比以及副交感神经强制调节频率。

在本实施例中，通过预设自评表对预设生理数据进行心境状态标定，通过已确定心境状态的生理数据的压力评分和副交感神经强制调节检测，得到心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设副交感神经强制调节时间分布和频率，并根据上述压力评分和副交感神经强制调节时间分布和频率构建预设心境状态特征空间。由于采用预设自评表对预设生理数据进行心境状态标定，分析已标定心境状态的生理数据的压力评分和副交感神经强制调节并得到心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设强制调节频率，确保了预设生理数据的心境状态的各项指标的有效性，使得预设心境状态特征空间能够有效的对实时采集的生理数据进行心境状态检测。

可选地，上述步骤S330具体可以包括：步骤:331-S335。

示例地，本申请实施例的心境状态的判断的指标：其精神压力高于50分的评分结果，其持续时长是心境不佳的灵敏指标，其发生时刻(是否发生在睡眠时刻)是心境不佳的灵敏且特异指标；本发明的副交感神经强制调节频次和时间分布是心境不佳的灵敏且特异指标。上述精神压力和副交感神经强制调节指标的结合，是心境不佳检测的关键技术指标。

步骤S331：根据目标个体的作息时间，对多个分时段的生理数据的压力评分进行分组，得到多个觉醒状态和睡眠状态的生理数据的压力评分；

目标个体的作息时间是指人群睡觉和未睡觉的时间，由于每个人的作息时间不一致，具体可根据实际需求来对分时段的生理数据进行分组。

步骤S332：根据预设压力等级经验效标和预设疲劳理论模型，对多个分时段的生理数据的副交感神经强制调节时间分布和频率进行分组，得到多个生理易疲劳时间和生理不易疲劳时间的副交感神经强制调节时间分布和频率；

步骤S333：从多个觉醒状态的生理数据的压力评分中确定出小于心境状态良好的预设压力评分的觉醒状态的生理数据的压力评分，得到第一觉醒状态的生理数据的压力评分；

步骤S334：从多个睡眠状态的生理数据的压力评分中确定出为压力评分为零的睡眠状态的生理数据的压力评分，得到第一睡眠状态的生理数据的压力评分；

步骤S335：若第一觉醒状态的生理数据的压力评分对应的时长与多个分时段的时长的占比大于心境状态良好的预设时长占比、第一睡眠状态的生理数据的压力评分对应的时长与多个分时段的时长的占比大于心境状态良好的预设时长占比以及多个生理易疲劳时间的强制调节频率小于心境状态良好的预设调节频率，则确定心境状态为良好。

具体地，若全天觉醒状态下分时段精神压力评分低于心境良好经验阈值的时长占比高于心境良好经验阈值，睡眠状态下分时段精神压力评分为零的时长占比高于心境良好经验阈值，觉醒状态下和睡眠状态下副交感神经强制调节的次数低于心境良好经验阈值，且多数分布于生理易疲劳时间内，则判断为心境状态良好。

以下进行举例说明：

请参见图7示出的本申请实施例提供的被试者在心境状态良好下全天候的压力评分、心率序列、副交感神经强制调节标记以及人体三维加速度信号的示意图。

如图7所示为被试在心境良好状态下的精神压力评分和副交感神经强制调节标记。该数据样本已通过多种经验效标确认心境良好状态：数据采集当天及前后一周内没有诱发心境不佳的压力源和行为诱因。用本发明的方法，通过生理信号处理检测该被试当天心境状态实施例如图7所示。从7的精神压力评分可见，被试全天绝大部分时间处于最低压力等级，评分绝大部分时间低于25分，在生理不易疲劳期内仅偶有副交感神经强制调节，在当天白天无小睡情况下，约18:00-21:00的生理易疲劳时间内出现由疲劳所致副交感神经强制调节。因此，从精神压力和副交感神经强制调节的频次和时间分布检测到的心境良好状态与真实心境良好标签相符。

在本实施例中，通过根据目标个体的作息时间以及预设压力等级经验效标和预设疲劳理论模型对多个分时段的生理数据的压力评分和副交感神经强制调节进行分组，得到觉醒状态和睡眠状态的生理数据的压力评分以及生理易疲状态和生理不易疲劳时间的生理数据的副交感神经强制调节频率，然后若觉醒状态的生理数据的压力评分小于心境良好的预设压力评分的占比时长高于心境良好的预设占比时长，以及睡眠状态下的压力评分为零的占比时长大于心境状态良好的预设占比时长，以及生理易疲劳状态的生理数据的副交感神经强制调节频率小于心境状态良好的预设强制调节频率，则确定个体的心境状态为良好。由于通过预设心境状态特征空间对觉醒状态和睡眠状态的生理数据的压力评分和生理不易疲劳时间的副交感神经强制调节频率进行判断，使得目标个体的心境状态为良好的检测结果具有有效性和完整性。

可选地，可选地，上述步骤S330具体还可以包括：步骤:331’-S333’。

步骤S331’：从多个觉醒状态的生理数据的压力评分中确定出大于心境状态不佳的预设压力评分的觉醒状态的生理数据的压力评分，得到第二觉醒状态的生理数据的压力评分；

步骤S332’：从多个睡眠状态的生理数据的压力评分中确定出大于心境状态不佳的预设压力评分的睡眠状态的生理数据的压力评分，得到第二睡眠状态的生理数据的压力评分；

步骤S333’：若第二觉醒状态的生理数据的压力评分对应的时长与多个分时段的时长的占比大于心境状态不佳的预设时长占比、第二睡眠状态的生理数据的压力评分对应的时长与多个分时段的时长的占比大于心境状态不佳的预设时长占比以及多个生理不易疲劳时间的强制调节频率大于心境状态不佳的预设调节频率，则确定心境状态为不佳。

具体地，若全天觉醒状态下分时段精神压力评分高于心境不佳经验阈值的时长占比高于心境不佳经验阈值，睡眠状态下分时段精神压力评分高于心境不佳经验阈值的时长占比高于心境不佳经验阈值，觉醒状态下和睡眠状态下副交感神经强制调节的次数高于心境不佳经验阈值，且不仅分布于生理易疲劳时间内，还较多地分布于生理不易疲劳时间内，则判断为心境状态不佳。

以下进行举例说明：

请参见图8示出的本申请实施例提供的被试者在心境状态不佳下全天候的压力评分、心率序列、副交感神经强制调节标记以及人体三维加速度信号的示意图。

如图8所示为一个因毕业答辩所致心境不佳的被试的全天精神压力评分和副交感神经强制调节标记。该数据样本已通过多种经验效标确认心境不佳状态和诱发该状态的原因：当天下午14:00-16:00被试参加了毕业答辩，答辩前对答辩结果未知的不安预期，答辩中面对专家陈述工作的不安，以及答辩后对事件的反刍式回忆和身心资源大量消耗，导致该被试整天处于不安的心境状态。采用本申请实施例的心境状态监测方法，通过生理信号处理检测该被试当天心境状态实施例如图8所示。从图8的精神压力评分可见，该被试在答辩之前一直追溯到早晨数据采集开始时刻(约8:50)，多数时间处于有压力状态(大于25分为有压力，大于50分为较强压力)，伴随了密集的副交感神经强制调节，揭示了易导致心境不佳的事件持续发生，且强制激活标记不仅密集出现在早晨觉醒后6小时后的生理易疲劳时间内，而且也出现在早晨觉醒后3小时内的不易生理疲劳时间内；在答辩之后，精神压力有所缓解，但多数时候仍处于弱压力状态(大于25分，小于50分)，且仍然伴随密集的副交感神经强制调节，揭示了易导致心境不佳的事件持续发生；当天晚上睡眠期间，该被试精神压力很少出现良好睡眠状态下的0分评分。因此，从精神压力和副交感神经强制调节的频次和时间分布所检测到的心境不佳与真实心境不佳标签相符，也即该心境状态被确定为不佳。

在一个实施例中，若全天觉醒状态下分时段的精神压力评分、时长占比和副交感神经强制调节频率处于上述两种判断指标之间的，则被确定为心境状态一般。

在本实施例中，当觉醒状态的生理数据的压力评分大于心境不佳的预设压力评分的占比时长大于心境不佳的预设占比时长，以及睡眠状态的生理数据的压力评分大于心境不佳的预设压力评分的占比时长大于心境不佳的预设占比时长，以及生理不易疲劳时间的生理数据的副交感神经强制调节频率大于心境状态不佳的预设强制调节频率，则确定个体的心境状态为不佳。由于通过预设心境状态特征空间对觉醒状态和睡眠状态的生理数据的压力评分和生理不易疲劳时间的副交感神经强制调节频率进行判断，使得目标个体的心境状态为不佳的检测结果具有有效性和完整性。

请参见图9示出的本申请实施例提供的心境状态监测装置的结构示意图。

本申请实施例提供了一种心境状态监测装置200，包括：

获取模块210，用于获取目标个体的自主神经活动信号；其中，所述自主神经活动信号包括多个分时段自主神经活动信号；

提取模块220，用于从所述多个分时段自主神经活动信号中分别提取目标序列，得到多个分时段的生理数据；

分析模块230，用于根据预设特征空间对所述多个分时段的生理数据进行计算和比较，以确定所述目标个体的心境状态；其中，所述预设特征空间包括：预设压力等级评定特征空间、预设副交感神经强制调节状态检测特征空间、以及和预设心境状态评定特征空间。

可选地，获取模块210还用于：获取医用传感器采集的所述目标个体的生理信号；其中，所述生理信号包括自主神经活动信号和人体三维加速度信号；对所述自主神经活动信号和人体三维加速度信号进行分割计算，得到多个分时段的人体三维加速度信号和自主神经活动信号；判断所述多个分时的人体三维加速度信号是否大于预设人体三维加速度信号；若是，则将所述多个分时段的人体三维加速度信号对应的所述自主神经活动信号确定为非目标个体的自主神经活动信号；若否，则将所述多个分时段的人体三维加速度信号对应的所述自主神经活动信号确定为所述目标个体的自主神经活动信号。

可选地，分析模块230还用于：根据所述预设压力等级评定特征空间，对所述多个分时段的生理数据分别进行压力等级评定，得到压力等级评定后的所述多个分时段的生理数据，并根据预设压力评分方法对所述多个分时段的生理数据进行计算，得到所述多个分时段的生理数据的压力评分；根据所述预设副交感神经强制调节状态检测特征空间，对所述多个分时段的生理数据进行副交感神经强制调节检测，得到所述多个分时段的生理数据的副交感神经强制调节时间分布和频率；根据所述预设心境状态评定特征空间，对所述多个分时段的生理数据的压力评分和副交感神经强制调节时间分布和频率进行分析和比较，以确定所述目标个体的心境状态。

可选地，分析模块230还用于：根据预设压力等级经验效标，对预设生理数据进行压力等级标定，得到多个压力等级的预设生理数据；根据目标序列节律的周期函数和两次目标序列节律的平均涨落函数，对所述多个压力等级的预设生理数据进行计算，得到所述多个压力等级的预设生理数据的计算结果，并根据所述计算结果构建所述预设压力等级评定特征空间。

可选地，分析模块230还用于：根据所述目标序列节律的周期函数和两次目标序列节律的平均涨落函数，对所述多个分时段的生理数据进行计算，得到所述多个分时段的生理数据的计算结果；将所述多个分时段的生理数据的计算结果分别映射至所述预设压力等级评定特征空间，并将所述多个压力等级的预设生理数据的计算结果的类中心分别与所述计算结果进行距离计算，得到所述多个分时段的生理数据的计算结果分别与所述多个压力等级的预设生理数据的计算结果的类中心的距离；从所述多个分时段的生理数据的计算结果分别与所述多个压力等级的预设生理数据的计算结果的类中心的距离中分别确定出多个最小距离，并将所述多个最小距离对应的预设生理数据的压力等级分别作为所述多个分时段的生理数据的压力等级；根据所述公式一、所述多个分时段的生理数据、所述多个分时段的生理数据对应压力等级的预设生理数据的类中心、所述预设生理数据的类标准差和所述多个分时段的生理数据的压力等级，得到所述多个分时段的生理数据的压力评分。

可选地，分析模块230还用于：根据预设压力等级经验效标和预设疲劳理论模型、预设作息效标和饮食不规律效标，对预设生理数据进行标定，得到多个第一生理数据和第二生理数据；其中，所述第一生理数据标定为副交感神经强制调节；根据预设变换尺度区间的小波基函数，对所述多个第一生理数据和第二生理数据分别进行连续小波变换，得到所述多个第一生理数据和第二生理数据与所述多个分时段的生理数据的几何形态逼近程度度量指标；将所述多个第一生理数据和第二生理数据分别与相邻的所述第一生理数据和第二生理数据进行平均差计算，得到所述多个第一生理数据和第二生理数据的平均差；获取所述多个第一生理数据和第二生理数据在预设频率下的功率值；基于所述多个第一生理数据和第二生理数据的最大变换尺度、平均差和在所述预设频率下的功率值，得到所述多个第一生理数据和第二生理数据的计算结果；根据所述多个第一生理数据和第二生理数据的计算结果构建所述副交感神经强制调节状态检测特征空间。

可选地，分析模块230还用于：将所述多个分时段的生理数据进行小波变换，获得所述多个分时段生理数据的几何形态逼近程度度量指标；将所述多个分时段的生理数据与相邻的所述分时段的生理数据进行平均差计算，得到所述多个分时段的生理数据的平均差；获取所述多个分时段的生理数据在所述预设频率下的功率值；基于所述多个分时段的生理数据的几何形态逼近程度度量指标、平均差和在所述预设频率下的功率值，得到所述多个分时段的生理数据的计算结果；将所述多个分时段的生理数据的计算结果分别映射至所述预设副交感神经强制调节状态检测特征空间，并将所述多个第一生理数据和第二生理数据的计算结果的类中心分别与所述计算结果进行距离计算，得到所述多个分时段的生理数据的计算结果分别与所述多个第一生理数据和第二生理数据的计算结果的类中心的距离；从所述多个分时段的生理数据的计算结果与所述多个第一生理数据和第二生理数据的计算结果的类中心的距离中分别确定出多个最小距离；若所述多个最小距离对应的所述预设生理数据为所述第一生理数据时，则将多个所述最小差值对应的所述多个分时段生理数据标记为副交感神经强制调节，并记录所述多个分时段的生理数据的副交感神经强制调节次数，以得到所述多个分时段的生理数据的副交感神经强制调节时间分布和频率。

可选地，分析模块230还用于：根据预设自评表，对预设生理数据进行心境状态标定，得到已标定心境状态的预设生理数据；计算所述已标定心境状态的预设生理数据的压力评分和副交感神经强制调节时间分布和频率，得到心境状态良好和心境状态不佳的预设压力评分、预设时长占比和预设强制调节频率；根据心境状态良好和心境状态不佳的预设压力评分、预设副交感神经强制调节时间分布和频率构建所述预设心境状态评定特征空间。

可选地，分析模块230还用于：根据所述目标个体的作息时间，对所述多个分时段的生理数据的压力评分进行分组，得到多个觉醒状态和睡眠状态的生理数据的压力评分；根据预设压力等级经验效标和预设疲劳理论模型，对所述多个分时段的生理数据的副交感神经强制调节时间分布和频率进行分组，得到多个生理易疲劳时间和生理不易疲劳时间的副交感神经强制调节时间分布和频率；从所述多个觉醒状态的生理数据的压力评分中确定出小于所述心境状态良好的预设压力评分的所述觉醒状态的生理数据的压力评分，得到第一觉醒状态的生理数据的压力评分；从多个所述睡眠状态的生理数据的压力评分中确定出为压力评分为零的所述睡眠状态的生理数据的压力评分，得到第一睡眠状态的生理数据的压力评分；若所述第一觉醒状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于所述心境状态良好的预设时长占比、所述第一睡眠状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于心境状态良好的预设时长占比以及所述多个生理易疲劳时间态的强制调节频率小于心境状态良好的预设调节频率，则确定所述心境状态为良好。

可选地，分析模块230还用于：从所述多个觉醒状态的生理数据的压力评分中确定出大于所述心境状态不佳的预设压力评分的所述觉醒状态的生理数据的压力评分，得到第二觉醒状态的生理数据的压力评分；从多个所述睡眠状态的生理数据的压力评分中确定出大于所述心境状态不佳的预设压力评分的所述睡眠状态的生理数据的压力评分，得到第二睡眠状态的生理数据的压力评分；若所述第二觉醒状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于所述心境状态不佳的预设时长占比、所述第二睡眠状态的生理数据的压力评分对应的时长与所述多个分时段的时长的占比大于心境状态不佳的预设时长占比以及所述多个生理不易疲劳时间的强制调节频率大于心境状态不佳的预设调节频率，则确定所述心境状态为不佳。

应理解的是，该装置与上述的心境状态监测方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。

本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上的方法。

其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。