在诸多情绪中,压力是日常生活中较为常见的一种。心理学研究表明,在多种情绪中,长期的压力能够影响人的心理乃至生理健康,甚至可能引发抑郁。因此,研究实时准确的压力识别算法是极为必要的。由于实验设计困难、公开数据集较少等原因,基于生理信号的压力识别的相关研究较少。同时,现有的研究中存在以下几个问题:特征工程较为单一,对于生理信号的时间性和波形特性利用不足;识别算法多为传统的浅层机器学习算法,数学形式较为简单,难以有效提取信号信息;受限于个体生理特征的差异,模型泛化能力不强。因此,本文基于血液容积脉冲信号,围绕对压力状态的识别问题进行了以下相关研究:1.针对BVP信号的压力识别算法。本文除提取了常见的统计特征外,利用非线性动力学和小波变换的相关知识,构建了包含时域、频域及波形特性的特征工程。在新的特征工程基础之上,本文利用生理信号的时间相关性,建立了具有时频域特性的二维特征图。为了充分利用二维特征图的时频特性,本文引入了2D卷积神经网络,同时组合时域和频域特征,将信号中包含的时频信息提炼为神经网络中的多层特征并进行拼接,有效地提升了模型的识别能力。在公开数据集WESAD和基于Stroop实验范式变式的自建数据集上的实验结果均表明,卷积神经网络能够同时利用信号的时频域特性,提高了识别准确率。其中,基于WESAD的实验在三分类和二分类问题下分别达到了73.92%和86.72%的准确率。2.消除个体差异的对抗网络结构。分析表明,脉搏信号中包含个体独有的信息。因此,为了提高模型的泛化能力,需要令网络学习到个体无关的特征。本文参照对抗学习的思想,对卷积神经网络进行了改进,加入了对抗个体差异的模块。在WESAD和SCUT数据集上的结果证明,对抗网络有效地混淆了身份差异,实现了80.11%的三分类准确率,并有效降低了模型在每个个体上识别准确率的标准差。本文所提出的算法和实验,为压力识别的研究提供了思路。此外,本文对消除个体生理信号差异的研究分析,也为设计具有泛化能力的压力识别模型提供了借鉴意义。