基于多通道卷積注意力機(jī)制的精神狀態(tài)識別方法

摘 要：為了獲取老年人的精神狀態(tài)從而更全面地了解老年人的身體狀況，提出了基于多通道卷積注意力機(jī)制的精神狀態(tài)識別方法。首先，對多種生理信號進(jìn)行數(shù)據(jù)預(yù)處理，將不同采樣頻率的傳感器數(shù)據(jù)進(jìn)行重采樣操作，保證數(shù)據(jù)長度一致。其次，根據(jù)輸入信號的結(jié)構(gòu)特征以及信號的長度設(shè)計對應(yīng)卷積模塊，使用4個不同大小的一維卷積核同時對信號進(jìn)行特征提取，以增強(qiáng)模型的特征提取能力。再次，將卷積結(jié)果進(jìn)行拼接，對拼接結(jié)果進(jìn)行最大池化操作增加模型的感受野，在提取局部特征信號的同時實現(xiàn)信號間的長距離特征表達(dá)。最后，實驗結(jié)果表明，總體分類準(zhǔn)確率為99.75%，所提方法優(yōu)于對比方法。

關(guān)鍵詞：精神狀態(tài)識別；卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；健康監(jiān)測

中圖分類號：TP18

文獻(xiàn)標(biāo)志碼：A

預(yù)計到2050年，65歲及以上的人口將占世界人口的17%［1］。家庭護(hù)理人員的嚴(yán)重短缺，導(dǎo)致對老年人的精神狀態(tài)監(jiān)測不足［2］，這也同時加劇了人口老齡化的壓力。老年人的精神狀態(tài)影響生活的各個方面，如決策、感知、解決問題、創(chuàng)造力、創(chuàng)新和積極的社會交流［3］。目前，情緒預(yù)測和識別在人機(jī)界面、自動駕駛、教育和醫(yī)療保健等領(lǐng)域發(fā)揮著至關(guān)重要的作用。情緒狀態(tài)的分析可以用來區(qū)分神經(jīng)發(fā)育障礙，如自閉癥［4］等， 因此確定、監(jiān)測和記錄人類的神經(jīng)狀態(tài)（如身體壓力、認(rèn)知壓力、情緒壓力和放松）［5］對于評估老年人身心健康、改善老年人生活質(zhì)量具有重要意義。

相比于傳統(tǒng)的結(jié)合睜眼、言語和運動反應(yīng)來確定人的神經(jīng)系統(tǒng)狀態(tài)［6］，使用腦電EEG信號更加簡單、快速、有效［7］。腦電圖（electroencephalogram，EEG）通過表面或植入電極，以無創(chuàng)的方式收集腦電圖信號，進(jìn)行神經(jīng)活動的監(jiān)測和狀態(tài)評估。但是，腦電信號的信噪比較低，使用腦電圖儀需要腦電圖記錄儀等設(shè)備進(jìn)行分析，難以應(yīng)用于日常生活中。隨著可監(jiān)測、外圍生理信號的可穿戴技術(shù)的迅速發(fā)展，便攜的可穿戴醫(yī)療設(shè)備能夠簡單、連續(xù)對用戶生理數(shù)據(jù)進(jìn)行采集［8］，同時可以利用生物傳感器采集的外圍信號的多個數(shù)據(jù)參數(shù)作為EEG信號的替代品確定神經(jīng)狀態(tài)［9］。腕式設(shè)備便于使用與攜帶，是日常生活的健康監(jiān)測主要方式。智能手表可以檢測心率（heart rate，HR）、皮膚溫度（Temp）、血氧（SpO2）、皮膚電（electrodermal activity，EDA）和手腕加速度等。通過從處理和分析的信號中提取出異常信息，理解和評估個人的神經(jīng)狀態(tài)［10］。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的廣泛研究與應(yīng)用，許多學(xué)者都開始對傳感器采集的信號進(jìn)行分析識別。在腦電信號情緒識別方面，文獻(xiàn)［11］提出了濾波器組長短時記憶網(wǎng)絡(luò)（filter-bank long shortterm memory networks，F(xiàn)BLSTM），以微分熵特征作為輸入對EEG信號進(jìn)行分類，所提出的算法模型在情緒的效價度、喚醒度、效價-喚醒平面分類上均獲得了較高的準(zhǔn)確率。然而受試者只能在固定場所進(jìn)行測試，并不適合智能家庭環(huán)境下的人的情緒識別。在外周生理信號疾病分類方面，文獻(xiàn)［12］通過戴在手腕上的設(shè)備監(jiān)測心率、皮膚溫度和手腕運動等信號。對這些信號運用機(jī)器學(xué)習(xí)的算法，從而準(zhǔn)確區(qū)分個體的4種應(yīng)激狀態(tài)，實現(xiàn)對癲癇疾病的分類，其準(zhǔn)確率達(dá)到了90%，但并沒有對正常人的情緒進(jìn)行識別與分析。

利用腦電信號對情緒進(jìn)行識別的正確率較高，但是存在不方便攜帶，無法實時監(jiān)測等問題。本文基于可穿戴設(shè)備獲取的外周生理信號，研究基于多通道卷積注意力機(jī)制的精神狀態(tài)識別方法，對精神狀態(tài)進(jìn)行分類，以實現(xiàn)智能家居環(huán)境下獨居在家的老年人精神狀態(tài)監(jiān)測。

1 數(shù)據(jù)預(yù)處理

1.1 實驗數(shù)據(jù)集

Non-EEG數(shù)據(jù)集［13］是由達(dá)拉斯德克薩斯大學(xué)生活質(zhì)量技術(shù)實驗室使用非侵入性腕戴式生物傳感器收集的非腦電圖生理信號，包括皮膚電活動、溫度、三軸加速計（xa， ya， za）、心率和動脈血氧水平，用于推斷受試者的身體壓力、認(rèn)知壓力、情緒壓力和放松等神經(jīng)狀態(tài)。

該數(shù)據(jù)集由20個受試者的7個階段組成，包含每個受試者的兩條記錄：一條包含三軸加速度計、溫度和皮膚電信號，另一條包含 SpO2和心率信號。這些信號是參與者進(jìn)行4項不同的活動所采集到的生理參數(shù)，包括通過行走/慢跑、讀取用不同顏色的墨水書寫的顏色名稱并辨別墨水的顏色、觀看恐怖電影中的5分鐘剪輯來分別表達(dá)身體壓力、認(rèn)知壓力、情緒壓力。其中，皮膚電活動、溫度、加速計的采樣率為8 Hz，心率和動脈血氧水平傳感器的采樣率為1 Hz。

由于受試者進(jìn)行皮膚電活動、溫度、加速計采集與心率和動脈血氧水平的采樣率不一樣，其中皮膚電活動、溫度、三軸加速計采集的樣本數(shù)量為18 500，而心率和動脈血氧水平的樣本數(shù)量為2 312，樣本數(shù)量不平衡。所以需要對心率與動脈血氧水平數(shù)據(jù)進(jìn)行重采樣，使之與其他類型信號數(shù)量相匹配，并進(jìn)行合并。

1.2 巴特沃斯（Butterworth）濾波

為消除噪聲對特征提取帶來的干擾，在提取皮膚電信號特征時需先對皮膚電信號進(jìn)行濾波處理。巴特沃斯低通濾波器能夠使在通頻帶以內(nèi)的頻率響應(yīng)曲線符合最大限度平坦，而在阻頻率帶內(nèi)則緩慢降至零，能在保留成分和濾除成分之間平滑過渡，對于保持增益的平坦特性尤為關(guān)鍵［14］，特別適合低頻信號的處理。因此，選用巴特沃斯濾波器對皮膚電信號進(jìn)行濾波處理，其計算方式見式（1）。

|H（jΩ）|=11+（ΩΩc）2n（1）

式（1）中，n表示巴特沃斯低通濾波器的階數(shù)，Ω表示其頻域中心，Ωc表示頻域中心到頻域平面的距離。其幅頻曲線由通帶、阻帶和過渡帶3部分組成，其中對于通帶有

1－δp≤|H（jΩ）|≤1+δp，|Ω|≤Ωp（2）

對于阻帶有

|H（jΩ）|≤δs，Ωs≤|Ω|≤∞（3）

其中， Ωp為通帶邊緣頻率，Ωs為阻帶邊緣頻率；δp為通帶與阻帶內(nèi)濾波器幅值的偏差，δs為通帶與理想濾波器幅值的偏差，濾波器的性能指標(biāo)為

αp=－20 log10（1－δp） dB（4）

αs=－20 log10（1－δs） dB（5）

其中，αp為通帶最大波紋，αs為阻帶最小衰減。

將20位受試者的EDA數(shù)據(jù)進(jìn)行提取后，用巴特沃斯低通濾波器對其進(jìn)行濾波。圖1為4種不同狀態(tài)下的濾波結(jié)果對比圖，可以看出經(jīng)過濾波操作后信息曲線更加平緩連續(xù)。

2 基于多通道卷積注意力機(jī)制的精神狀態(tài)識別算法

卷積神經(jīng)網(wǎng)絡(luò)能有效提取輸入信號的局部特征［15］，但往往會忽略掉信號之間的長距離特征元素。增加池化層［16］一定程度上緩解了全局特征的問題，但池化過度可能導(dǎo)致原有特征丟失。

Transformer可學(xué)習(xí)信號之間的長距離依賴關(guān)系以解決RNN（recurrent neural network，循環(huán)神經(jīng)網(wǎng)絡(luò)）和LSTM（long short-term memory，長短期記憶網(wǎng)絡(luò)）不能并行訓(xùn)練的限制［13］。Transformer的自注意力機(jī)制和多層感知機(jī)結(jié)構(gòu)實現(xiàn)了復(fù)雜的空間變換和長距離特征依賴，從而實現(xiàn)了輸入信號的全局特征表達(dá)。然而Transformer結(jié)構(gòu)容易忽略信號的局部特征細(xì)節(jié)，降低局部特征和信號之間的可分辨性。

為了提取局部特征信號的同時實現(xiàn)信號間的長距離特征表達(dá)，本研究提出一種基于多通道卷積注意力機(jī)制的Transformer網(wǎng)絡(luò)結(jié)構(gòu)（a multi-channel convolution attention of Transformer，MCT），將基于CNN（convolution neural network，卷積神經(jīng)網(wǎng)絡(luò)）的局部特征與Transformer的全局表達(dá)相結(jié)合，以增強(qiáng)模型的特征提取能力。其模型結(jié)構(gòu)如圖2所示，其算法流程見算法1。

MCT由信號向量表示層、信號序列編碼層、多通道卷積注意力計算層、信號類別判定Softmax層共4大部分所組成。其中，模型主題由卷積注意力部分和Transformer中的encoder部分組成，這兩個部分構(gòu)成了局部卷積塊、注意力模塊和MLP（multi-layer perceptron，多層感知機(jī)）單元的組合。其中多通道卷積注意力結(jié)構(gòu)（multi-channel convolution attention，MCA）使用4個不同大小的一維卷積核同時對信號進(jìn)行特征提取，并將卷積結(jié)果進(jìn)行拼接，最后對拼接結(jié)果進(jìn)行最大池化操作增加模型的感受野。

信號向量表示層將No-EEG信號進(jìn)行數(shù)據(jù)預(yù)處理后轉(zhuǎn)化成訓(xùn)練向量，并將處理過后的數(shù)據(jù)送到信號序列編碼層。

信號序列編碼層對處理過的No-EEG信號段進(jìn)行可學(xué)習(xí)的位置編碼的嵌入以表達(dá)信號的序列特征，并將序列的信息集成到矩陣運算中。

多通道卷積注意力計算層首先對編碼過的信

算法1：基于多通道卷積注意力機(jī)制的精神狀態(tài)識別算法輸入：未經(jīng)處理的No-EEG外周信號S={s1，s2，…，si，…，sn}輸出：心電信號的分類結(jié)果：

Cclass={CCognitiveStress，CEmotionalStress，CPhysicalStress，CRelax1，CRelax2，CRelax3，CRelax4}

1

對外周信號Sinit進(jìn)行預(yù)處理得到外周信號Spre={s1，s2，…，si，…，sn}2

將外周信號Spre中的每一個si進(jìn)行向量化表示得到訓(xùn)練數(shù)據(jù)xi={xL1，xL2，…，xLj，…，xLk}3

設(shè)置xi的Bbatchsize，并初始化其他模型參數(shù)4

for each in range（0，XNo-EEG/Bbatchsize）5

for e in range（0， Bbatchsize）6

xtrain=concat（［Cclass_emb，xLj］）

7

Xtrain=xtrain+Ppos_emb8

for j in range（0，G）為模型層數(shù)9

對卷積核進(jìn)行權(quán)重初始化10

對輸入數(shù)據(jù)Xtrain進(jìn)行多通道卷積運算：

O1=covld1（Xtrain）

O2=covld2（Xtrain）

O3=covld3（Xtrain）

O4=covld4（Xtrain）11

對卷積結(jié)果進(jìn)行拼接得到：

Cconcat=［ O1，O2，O3，O4］12

Mmaxpool=Maxpool1D（Xtrain）→最大池化處理13

Xtrain=Normalize（MMaxpool+ Xtrain）14

Mout=MLP（Xtrain） →使輸出維度保持一致

15

Xtrain=Normalize（Mout+ Xtrain） →歸一化處理

16

end for

17

P=softmax（Xtrain）

18

class.append（Max（PL））

19

end for

20

return class

號進(jìn)行不同大小卷積核的卷積，從而捕獲信號全局上下文信息，建立信號之間遠(yuǎn)距離的特征關(guān)聯(lián)，將各卷積核的輸出拼接在一起并對其進(jìn)行最大池化操作，以獲得更好的全局一致性。其次將經(jīng)過卷積后的數(shù)據(jù)與原數(shù)據(jù)相加，利用殘差結(jié)構(gòu)增加特征多樣性。再次對輸出進(jìn)行歸一化處理以保證數(shù)據(jù)的一致性，用多層感知機(jī)對輸出數(shù)據(jù)進(jìn)行處理，使其與輸入數(shù)據(jù)的維度一致。然后在進(jìn)行新一輪殘差相加后進(jìn)行歸一化處理，并開始新一輪的訓(xùn)練。最后數(shù)據(jù)將輸入到信號類別判定Softmax層，將計算后的信號數(shù)據(jù)進(jìn)行類別概率計算，并輸出所屬類別。

3 實驗與結(jié)果分析

3.1 實驗方案

為測試所提方法對于精神狀態(tài)識別的效果，使用準(zhǔn)確性、特異性和敏感性對模型性能進(jìn)行評價。準(zhǔn)確率（Acc）為被正確分類的心電類型所占的比例；特異性（Spe）為所有負(fù)例中被正確分類的比例，衡量了模型對負(fù)樣本的識別能力；靈敏度（Sen）為所有正例中被正確分類的比例，衡量了模型對正例樣本的識別能力。具體計算方式為

AAcc=TTP+TTNTTP+TTN+TFP+TFN（6）

SSp=TTNTTN+TFP（7）

SSe=TTPTTP+TFN（8）

其中，TTP顯示真正分類的陽性樣本，TFN給出錯誤分類的陰性樣本，TTN為正確分類的陰性樣本，TFT為錯誤分類的陽性樣本。

實驗平臺為Lenovo 7000P，其CPU為AMD-5800H，顯卡為Geforce 3070，內(nèi)存大小為32G，操作系統(tǒng)為Windows10。所提MCT使用Tensorflow框架實現(xiàn)。為了查看本文所提方法的性能，采用Non-EEG數(shù)據(jù)集［17］作為測試數(shù)據(jù)集，將調(diào)整后的Non-EEG數(shù)據(jù)集數(shù)據(jù)按7∶3的比例分為訓(xùn)練集和測試集。實驗參數(shù)設(shè)置如表1所示。

多通道卷積注意力模塊中，使用了4個大小不同卷積層、1個最大池化層。同信號數(shù)據(jù)進(jìn)入多通道卷積注意力模塊時，4個卷積層分別對數(shù)據(jù)進(jìn)行卷積之后激活，最終將結(jié)果進(jìn)行拼接并進(jìn)行最大池化以提升感受野。多通道卷積注意力模塊的詳細(xì)參數(shù)如表2所示。

3.2 對比模型結(jié)果分析

在對預(yù)處理數(shù)據(jù)進(jìn)行特征提取之后，分別使用K最近鄰、GradientBoosting、GaussianNB、Adaboost這4種機(jī)器學(xué)習(xí)算法對數(shù)據(jù)進(jìn)行特征提取，形成特征數(shù)據(jù)集并進(jìn)行訓(xùn)練分類、測試，準(zhǔn)確率和損失值如圖3所示。

從圖3中可以看出，AdaBoost算法識別率為21.34%，相對較低，而梯度提升算法識別率為64.29%，相對較高。

圖4為4種算法的混淆矩陣。觀察圖4可知，在識別準(zhǔn)確率高的機(jī)器學(xué)習(xí)模型如隨機(jī)森林中，對于不同的精神狀態(tài)下的識別可以做到準(zhǔn)確區(qū)分。各個算法對于初始的放松狀態(tài)下的識別準(zhǔn)確率最高，在不同精神狀態(tài)下的之后的Relax2、Relax3、Relax4的放松時間段內(nèi)識別效果較差。

3.3 MCT模型結(jié)果分析

MCT能夠?qū)ι硇盘枖?shù)據(jù)進(jìn)行端到端的識別，因此在對受試者的生理信號進(jìn)行預(yù)處理后，在原有的信息以及測試時間的基礎(chǔ)上添加受試者的身高、年齡、性別、體重等個人信息。將數(shù)據(jù)按照7∶3的比例分成訓(xùn)練集以及測試集。使用訓(xùn)練數(shù)據(jù)對基于多通道卷積注意力機(jī)制的精神狀態(tài)識別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用測試集對網(wǎng)絡(luò)模型進(jìn)行測試。其準(zhǔn)確率和損失值如圖5所示。

觀察圖5可知，在Epoch到達(dá)40之后，算法的Accuracy和Loss開始收斂，Accuracy提升到99.75%以上，Loss下降到趨近0，表明基于多通道卷積注意力機(jī)制的精神狀態(tài)識別算法能對多模態(tài)傳感器數(shù)據(jù)的人體精神狀態(tài)具有較強(qiáng)的識別能力?；诙嗤ǖ谰矸e注意力機(jī)制的精神狀態(tài)識別算法的混淆矩陣如圖6所示。

觀察圖6可知，基于多通道卷積注意力機(jī)制的精神狀態(tài)識別模型能有效識別不同場景下的精神狀態(tài)，模型對于受試者正常情況下的放松狀態(tài)的識別效率最高；在經(jīng)歷不同壓力狀態(tài)后轉(zhuǎn)變的其他類型的放松情況，如Relax2、Relax3、Relax4，存在部分錯誤，其原因可能是受試者精神狀態(tài)轉(zhuǎn)變存在過渡，在狀態(tài)轉(zhuǎn)變的臨界點前后對受試者精神狀態(tài)的定義并不準(zhǔn)確。

3.4 MCT與其他模型的比較分析

圖7為傳統(tǒng)的基于特征提取的機(jī)器學(xué)習(xí)算法和基于多通道卷積注意力機(jī)制的精神狀態(tài)識別模型在相同條件下的精神狀態(tài)識別準(zhǔn)確率和損失值。

觀察圖7可知，MCT算法的識別準(zhǔn)確率為99.75%，高于對比算法，Loss值為0.01，低于對比算法。表3為各個算法的評價指標(biāo)統(tǒng)計結(jié)果。

4 結(jié)論

本文提出了一種用于精神狀態(tài)分類識別的多通道卷積注意力機(jī)制網(wǎng)絡(luò)模型。輸入的信號為5種不同的生理信號值，此方法能夠提取多生理信號數(shù)據(jù)的局部相關(guān)特征和信號間的長距離特征，并最終實現(xiàn)精神狀態(tài)的7分類。相比比較算法，MCT擁有更高的分類準(zhǔn)確性，其MCA模塊使用不同大小的卷積核對數(shù)據(jù)進(jìn)行同時提取，增強(qiáng)了特征的提取能力。

在未來工作中，根據(jù)老年人不同的生活方式，針對性地采集更多精神狀態(tài)數(shù)據(jù)對模型進(jìn)行優(yōu)化，以克服個體差異帶來的影響等方面值得進(jìn)一步研究，建立更加精確的精神狀態(tài)分類模型，從而達(dá)到對老年人的精神狀態(tài)更細(xì)化的分類。

參考文獻(xiàn)：

[1]WAN H， GOODKIND D， KOWAL P R. An aging world： 2015［R/OL］. （2016-8-13）［2022-6-6］. https：//www.census.gov/content/dam/Census/library/publications/2016/demo/p95-16-1.pdf.

［2］ TRUTH A U. No health without a workforce［J］. World Health Organisation （WHO） Report， 2013： 1-104.

［3］ FENG H H， GOLSHAN H M， MAHOOR M H. A wavelet-based approach to emotion classification using EDA signals［J］. Expert Systems with Applications， 2018， 112： 77-86.

［4］ SARABADANI S， SCHUDLO L C， SAMADANI A A， et al. Physiological detection of affective states in children with autism spectrum disorder［J］. IEEE Transactions on Affective Computing， 2020， 11（4）： 588-600.

［5］ YEN J K， BOURKE R S， NELSON L R， et al. Numerical grading of clinical neurological status after serious head injury［J］. Journal of Neurology Neurosurgery amp; Psychiatry， 1979， 41（12）： 1125-1130.

［6］ DAWES E， LLOYD H， DURHAM L. Monitoring and recording patients’ neurological observations.［J］. Nursing Standard， 2007， 22（10）： 40-45.

［7］ BAGHERZADEH S， MAGHOOLI K， FARHADI J， et al. Emotion recognition from physiological signals using parallel stacked autoencoders［J］. Neurophysiology， 2018， 50（6）： 428-435.

［8］ PANTELOPOULOS A， BOURBAKIS N G. A survey on wearable sensor-based systems for health monitoring and prognosis［J］. IEEE Transactions on Systems， Man， and Cybernetics， Part C （Applications and Reviews）， 2009， 40（1）： 1-12.

［9］ KOREN J P， HERTA J， FüRBASS F， et al. Automated long-term EEG review： fast and precise analysis in critical care patients［J］. Frontiers in neurology， 2018， 9： 454-463.

［10］KELES H O， BARBOUR R L， AGHAJANI H， et al. Multimodality mapping approach for evolving functional brain connectivity patterns： a fNIRS-EEG study［C］//Biomedical Optics. Washington D.C.： Optical Society of America， 2014.

［11］汪佳衡，王躍明，姚林. 基于濾波器組長短時記憶網(wǎng)絡(luò)的腦電信號情緒識別［J］. 生物醫(yī)學(xué)工程學(xué)雜志， 2021， 38（3）： 447-454.

［12］COGAN D， POUYAN M B， NOURANI M， et al. A wrist-worn biosensor system for assessment of neurological status［C］//2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2014： 5748-5751.

［13］蔡坤寶. 數(shù)字信號處理［M］. 北京： 電子工業(yè)出版社， 2007.

［14］WANG J D， SUN K， CHENG T H， et al. Deep high-resolution representation learning for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 43（10）： 3349-3364.

［15］HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. San Juan， PR： IEEE， 2018： 7132-7141.

［16］VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Advances in Neural Information Processing Systems 30 （NIPS 2017）. Morehouse Ln： Curran Associates， Inc.， 2017.

［17］BIRJANDTALAB J， COGAN D， POUYAN M B， et al. A non-EEG biosignals dataset for assessment and visualization of neurological status［C］//2016 IEEE International Workshop on Signal Processing Systems （SiPS）. Dallas： IEEE， 2016： 110-114.

（責(zé)任編輯：曾 晶）

Mental State Recognition Based on Multi-channel

Convolutional Attention Mechanism

WANG Yue， YANG Guanci*

（Key Laboratory of Advanced Manufacturing Technology of Ministry of Education， Guizhou University， Guiyang 550025， China）

Abstract：

In order to obtain the mental state of the elderly and have a more comprehensive understanding of their physical conditions， a mental state recognition algorithm based on multi-channel convolutional attention mechanism is proposed. Firstly， a variety of physiological signals are preprocessed， and the sensor data with different sampling frequencies are resampled to ensure the consistency of data length. Then the convolution module is designed according to the length and structure characteristics of the input signals， and at the same time signals characteristics are extracted using four one-dimensional convolution kernels of different sizes in order to enhance the feature extraction of this model. Next the convolution results are joint together for maximum pooling operation to increase the receptive field of the model， and in addition to extracting local feature signals， long-distance feature expression between signals is also realized. These experimental results on data sets show that this model is better than other methods， with an overall classification accuracy being 99.75%.

Key words：

mental state recognition； convolutional neural network； attentional mechanism； health monitoring

收稿日期：2022-06-06

基金項目：國家自然科學(xué)基金資助項目（62163007）；貴州省科技計劃資助項目（黔科合平臺人才[2020]6007，黔科合支撐[2021]一般439）

作者簡介：王 越（1996—），男，在讀碩士，研究方向：自主智能系統(tǒng)，E-mail：gs.ywang19@gzu.edu.cn.

通訊作者：楊觀賜，E-mail：gcyang@gzu.edu.cn.