運用關聯派翠網路於精神壓力輔助診斷指導老師：姜琇森研究生：劉良驥日期： 5/23

2

OUTLINE Introduction Related Work Experiment Processing Conclusion

3

Introduction(1/3) 環境變動劇烈，生活越趨緊張，精神壓力幾乎成為生活的一部分。

圖 1.壓力來源 (美國心理學會 , 2012)

金錢

工作

經濟

家庭關係

4

Introduction(2/3) 根據美國心理學會 (American Psychological Association)研究報告指出，長期的處在壓力過大的情況下：

1.生理 -心臟病 -高血壓 -癌症2.心理 -情緒不穩定 -精神躁鬱 -自殺

5

Introduction(3/3) 約 48%人因為太過忙碌或習慣某些程度的精神壓力，工作不斷超時，身心承受極大的壓力而不自知或不重視，漠視身體發出的警訊 (美國心理學會， 2012)。

本研究預期貢獻：1.對於生理訊號能有效擷取並提升壓力診斷的準確率。2.當使用者壓力過大時，適時的警告並提醒。3.根據不同的壓力程度推薦壓力紓解與建議。

6

Related Work 心電圖 (Electrocardiogram, ECG)，以連續曲線圖來記錄心臟的電壓，並提供了相關機能方面和心血管系統的寶貴資訊。

規律

7

Related Work 奇異值解析 (Singular Value Decomposition, SVD)，為矩陣分解法用於訊號處理、影像處理等領域，其能有效去除雜訊並保留重要特徵，穩定且快速，常用於去除訊號中雜訊 (Mauldin et al, 2010)。

巴特沃斯高通濾波 (Butterworth High Pass Filter, BHPF)來消除因外部因素 (例：皮膚電阻、儀器電流 )所產生的基線飄移現象，以獲取乾淨的生理訊號。

8

Related Work 特徵值選取：

MeanRR-平均值 SDNN-標準差

RMSSD-均方根植 NN50-差值 (>50)個數

pNN50-差值 (>50)比例 TP-總功率

HF-高頻功率 LF-低頻功率

VLF-極低頻功率 nLF-常規低頻功率

nHF-常規高頻功率

採用快速傅立葉轉換

9

Related Work 最小熵原理法 (MEPA)，用以求出所有生理參數在不同精神壓力下的資訊亂度 (Entropy)，以梯型與三角模糊切割建立隸屬函數。

根據不同精神壓力程度，賦予模糊語意值與隸屬程度。

-∞ +∞TER1 TER2 TER3 TER4PRISEC1 SEC2

10

Related Work 關聯派翠網路 (Associative Petri Net)

APN = (P,T,S,C,D,L,G,I,O,α,β,G,W)P = {pi, pk}, T = {tik}, S = {sik}, C = {cik}, D = {di, dk}, L = {iik}, G = {gik}I(tik) = {pi}, O(tik) = {pk}G(tik) = {cik} = [0,1], W(sik) = [0,1]α(pi) = [0,1], α(pk) = α(pi) * G(tik) β(pi) = di , β(pk) = dk

pi pk

dkdi

tik

cik

sik

11

Experiment Processing

ECG訊號擷取 去除雜訊 特徵值擷取

建立轉換函數精神壓力診斷

Physionet16受測者496Hz採樣頻率

奇異值解析 (SVD)巴特沃斯高通濾波

R峰偵測法 (So and Chen,1997)

最小熵原理法 (MEPA)關聯派翠網路 (APN)

12

Experiment Processing 特徵值擷取 -R峰檢測法，一階導數計算方法求得每個訊號點的斜率及降低 P波及 T波的影響。

以 250個斜率的最大值來做為基準初始值，並將初始值乘上學者建議的 0.7後得到偵測用的門檻值。

連續 2個斜率值超過門檻值時，再往後找尋最大值即為R峰。

13

Experiment Processing 精神壓力診斷 APN模型

High mental stressP6

P7

P8

P9

Vital signal

MeanRR P1

P2

P3

P4

P5

SDNN

RMSSD

NN50

PNN50

Low mental stress

Medium mental stress

14

Conclusion

15

Conclusion