1.一种用于描述压力的HRV特征范围估计方法，其特征在于：包括以下步骤：

步骤1、利用节奏大师游戏诱发受试者产生压力，同时采集受试者的心电信号，并根据游戏的难度级别、游戏中的参数、面部表情和问卷调查结果综合评定此次受试者的压力状态标签；

步骤2、从采集的心电信号中提取HRV时域及频域特征，构建特征集；

步骤3、根据改进的C4.5决策树算法，将步骤2得到的特征集构建出多颗树，并根据参数控制策略选取出合适的多颗树模型；

步骤4、将选择出来的多棵树合并成一棵新树，并从中提取各HRV特征的取值范围。

2.根据权利要求1所述的一种用于描述压力的HRV特征范围估计方法，其特征在于：所述步骤2的HRV时域特征包括SDNN、RMSSD、NN50、PNN50；频域特征包括LF、HF、LF/HF、VAI。

3.根据权利要求1或2所述的一种用于描述压力的HRV特征范围估计方法，其特征在于：

所述步骤3包括以下具体步骤：

(1)设HRV特征与压力标签表示的数据集为

D＝{(x1,y1),(x2,y2),…,(xi,yi),…,(xN,yN)}

其中，N为样本条数， 为HRV的特征向量，n为每条样本所含

特征的个数，yi∈γ＝{c1,c2,...,cm}为HRV特征代表的类别，在此，取m＝2，则c1＝0代表放松状态，c2＝1代表高压力状态，假设数据集D的特征集为A＝{A1,A2,A3,...,An}；

(2)对特征集A中的每个特征，将数据集D在该特征上的取值进行排序，寻找每个特征对应的高阈值和低阈值：对特征集A中的每一个特征Ai，i＝1,2,...,n，将数据集D在该特征上的取值升序排列，从最小值对应的类别依次找到第一个和最小值类别不同的样本，将此样本的该特征值作为划分的一个低阈值li，i＝1,2,...n，因此，对于特征Ai，小于低阈值的样本一定属于同一类，同时记录下数据集D中该特征值小于此低阈值样本数l_samplei，i＝1,2,...,n；同理，将数据集D在该特征上的取值降序排列，从最大值对应的类别依次找到第一个和最大值类别不同的样本，将此样本的该特征值作为划分的一个高阈值hi，i＝1,2,...,n；因此，对于特征Ai，大于高阈值的样本一定属于同一类；同时记录下数据集D中该特征值大于此高阈值样本数h_samplei，i＝1,2,...,n；若一个特征的低阈值li大于其高阈值hi，则将(li+hi)/2作为该特征的唯一阈值；

(3)利用高低阈值分割数据集，依次寻找信息增益比最大的特征，构建决策树：

对特征集A中的每一个特征Ai，i＝1,2,...,n，按照其对应的低阈值li和高阈值hi将数据集分割为三个非空子集，对于只有唯一阈值的特征，将数据集分割为两个非空子集，并计算其对数据集D的信息增益比，选择信息增益比最大的特征Ag，g∈(1,n)作为根结点，之后在选择内部节点时，依次计算剩余特征的高低阈值划分的子集对数据集D的信息增益比，选择信息增益比最大的特征作为节点，直至最后一个特征被使用完毕或每个HRV向量都可以准确分类，由此来构建决策树；

(4)重复所述步骤3的第(2)步和第(3)步构建多颗决策树：

将N条样本随机平均分为d组，每组样本容量为N/d；并根据步骤3的第(2)步和第(3)步构建决策树T，每组均构建k个决策树，同时记录下每棵树每层所用的特征Ai、低阈值li、高阈值hi、该特征值小于低阈值样本数l_samplei、该特征值大于高阈值样本数h_samplei，即特征记录；

(5)根据参数控制策略选取出合适的多颗树模型：

假设树集合为F，将步骤3第(4)步中的每组样本按训练集和测试集为a:b随机分割，若树T的识别准确率大于等于p,(0≤p≤1)，则将树T添加到树集合F中，最终d组共得到符合条件的k'(k'≤d*k)个分类树{T1,T2,T3,...,Tk'}。

4.根据权利要求1或2所述的一种用于描述压力的HRV特征范围估计方法，其特征在于：

所述步骤4包括以下具体步骤：

(1)依次统计k'个分类树每层所使用的特征及其出现的次数：

根据树集合F中k'个分类树记录的信息，统计k'个分类树第一层使用的各个特征Ai，i＝

1,2,...,n及其出现的次数ai，i＝1,2,...,n，第二层、第三层…按照上述过程进行统计；

(2)对步骤4的第(1)步中统计的每个特征出现的次数进行排序，其中每个特征只参与一次排序：将每层的各个特征出现的次数按降序排列，得到相应的特征排序，若不同层次使用的特征有重复，则以最高层出现的次数为准参与排序，即每个特征只参与一次排序，则依照层序得到一个相应的总的特征排序A1',A2',...An'；

(3)对步骤4的第(2)步特征排序中的每一个特征Ai'，确定其对应的高低阈值：

对特征排序中的每一个特征Ai'，i＝1,2,...n，依序在k'个分类树的所有层的特征记录中筛选出Ai'的特征记录集合B，在特征记录集合B中对l_samplei即数据集D中特征值小于对应低阈值的样本数降序排列，得到l_samplei'＝max{l_sample1',l_sample2',...},然后在特征记录集合B中对h_samplei即数据集D中特征值大于对应高阈值的样本数降序排列，得到h_samplei'＝max{h_sample1',h_sample2',...}，则对特征Ai'，低阈值为l_samplei'对应的li'，高阈值为h_samplei'对应的hi'；

(4)将选择出来的多棵树进行树的合并；

按照特征排序A1',A2',...An'，每次依次选择一个属性作为树或者子树的根节点，并记录下每个结点的信息(Ai',li',hi')；Ai'即该结点所用特征，li'为该特征对应的低阈值，hi'为该特征对应的高阈值；小于低阈值li'的分支对应的结点为叶子结点，标记结果为c2＝1，大于高阈值hi'的分支对应的为叶子结点，标记结果为c1＝0，对于落在低阈值和高阈值区间内的样本，递归调用步骤(3)-(4)构建子树，直至属性使用完毕或者每一个HRV向量都可以准确分类，合并后的最优新树T”即构建完毕；

(5)提取各个HRV特征取值范围；

根据步骤4的第(4)步得到的最优新树T”估计出各HRV特征范围：特征Ai'的放松范围是[0,li')，高压范围是(hi',+∞)，其中i＝1,2,...n；即对一个HRV特征向量，根据其特征值A1'判断放松或者高压状态，若特征值A1'在[0,l1')区间范围内，则为放松状态，若特征值A1'在(h1',+∞)区间范围内，则为高压力状态，否则，根据其特征值A2'判断放松或者高压状态......直至获得其类别。