现代社会的快节奏和激烈竞争使得每个人都要面对工作、学习和生活等方面的压力。不同程度的心理压力会对人产生一定的影响,若心理压力的程度过大或是长期累积,则会引起人体心理或生理上的疾病,所以,有效识别并准确评估心理压力是近年来研究的热点。目前,心理压力的评估主要是通过问卷调查的方式,但这种方法具有主观性且不够准确,而利用生理信号来识别心理压力状态更为客观、可靠。因此,本文提出利用心率变异性(Heart Rate Variability,HRV)来识别和评估人体的心理压力状态,并分析能够反映心脏自主神经活动的HRV指标,从而更有效的实现对心理压力的识别与评估。本文研究了基于HRV的心理压力识别算法,针对不同心理压力状态,通过心算任务设计心理压力诱发实验,以心电采集电路和NI myRIO嵌入式开发平台作为采集平台采集心电信号,并对信号进行存储、预处理、特征提取和分类识别。本设计构建了压力样本数則集,采用小波变换算法实现心电信号的滤波与检测,从而通过检测出的R波计算RR间期,以获取HRV信号,并提収可以衣征压力程度的 HRV特征参数,其中以统计学方法提取时域特征,自回归模型(Autoregression Model,AR)法提取频域特征以克服频谱混叠、分辨率低等缺点,庞加莱(Poincare)散点图法提取非:线性特征,提取特征共计20维,并在此基础上对特征进行对比分析。本文建立了心理压力程度的分类模型,并构建满足实验要求的BP网络模型和支持向量机(Support Vector Machine,SVM)分类器,由于送入分类器的特征空间的维度过高,使得分类器模型变得复杂,因此,提出了一种粒子群优化(Particle Swarm Optimization,PSO)算法结合分类器的心理压力识别算法,以克服因维度过高导致分类器性能退化的“维度灾难”;此外,为了有效提高对心理压力的识别率,提出一种改进的PSO优化算法,该算法引入带收缩因子的PSO模型,取消对速度的边界限制,通过选取合适的参数以确保PSO算法的收敛性,实现对BP神经网络和SVM的参数优化。将基本PSO算法和改进的PSO算法分别与两种分类器结合,得到PSO-SVM算法、PSO-BP算法、改进PSO-SVM算法和改进PSO-BP算法对心理压力的识别率。最终利用LabVIEW与MATLAB混合编程,设计出数据采集、数据存储、数据处理、特征提取、心理压力识别、压力识别等级显示等功能模块,实现心理压力评估系统。实验结果表明:PSO-SVM算法、PSO-BP算法、改进PSO-SVM算法和改进PSO-BP算法对心理压力的识别率为:82.50%、84.50%、90.17%、94.83%,改进的PSO优化分类器均比基本PSO算法优化分类器的识别率显著提高,说明改进的PSO算法在寻优方面具有较强的泛化能力。同时改进PSO-BP算法比改进PSO-SVM算法识别率平均提高了4.66%,说明改进的粒子群算法可以显著提高BP神经网络的分类准确率。因此,对心理压力识别算法的研究与评估系统的设计,为心理学中心理压力的评价和干预提供客观有效的依据和手段,具有一定的社会意义。