基于心率变异性与机器学习相结合的警觉度水平监测
摘要: 针对目前警觉性监测指标单一且不精确等问题，将心率变异性结合机器学习对警觉度水平进行监测。48名受试者连续完成5组精神运动警戒任务( PVT) ，同时进行心电测量。将PVT 任务的反应时分为5级，使用多分类支持向量机方法，对警觉性分级进行预测。在行为结果上，表现为 PVT 测试反应时相关指标的延长; 在生理指标上，反映为心率变异性高频指标( HF-HRV) 以及极低频指标( VLF-HRV) 的增加。VLF-HRV 与反应时的平均数以及反应时的中位数呈现显著的正相关，与反应时倒数的平均值呈现出显著的负相关。HF-HRV也与反应时的平均数以及反应时的中位数呈现显著的正相关。采用多分类支持向量机手段对受试者的警觉度进行预测，结果表明，单独使用 2 种心电指标对警觉度水平进行预测的平均准确率为77.81%，ROC 曲线下的平均面积为 0.87，平均灵敏度为 0.763，平均特异度为 0.792。研究表明：心率变异性是反映警觉度波动变化的敏感指标，可用于开展警觉度的预测。
关键词: 警觉度；心率变异性；机器学习；生理指标
基于心率变异性与机器学习相结合的警觉度水平监测.pdf
