CN105395192A - 一种基于脑电的可穿戴情感识别方法和系统 - Google Patents

Abstract

本发明提供一种基于脑电的可穿戴情感识别方法和系统，其中识别方法包括步骤：检测人体的脑电信号；提取所述脑电信号的特征波形；对所提取的特征波形进行降维处理；使用线性判别式分析LDA方法对降维后的所述特征波形进行情感识别。本发明的方案通过对脑电波的采集分类识别后，将情感数据实时显示并传递给自己、家人或者朋友，然后通过APP调节情绪。

Description

一种基于脑电的可穿戴情感识别方法和系统

技术领域

本发明涉及人工智能领域，具体涉及人体移动健康可穿戴设备领域的一种基于脑电的可穿戴情感识别方法和系统。

背景技术

情绪是一种综合了人的感觉、思想和行为的状态，它包括人对外界或自身刺激的心理反应，也包括伴随这种心理反应的生理反应。在人们的日常工作和生活中，情绪的作用无处不在。在医疗护理中，如果能够知道患者、特别是有表达障碍的患者的情绪状态，就可以根据患者的情绪做出不同的护理措施，提高护理质量。在产品开发过程中，如果能够识别出用户使用产品过程中的情绪状态，了解用户体验，就可以改善产品功能，设计出更适合用户需求的产品。在各种人-机交互系统里，如果系统能识别出人的情绪状态，人与机器的交互就会变得更加友好和自然。因此，对情绪进行分析和识别是神经科学、心理学、认知科学、计算机科学和人工智能等领域的一项重要的交叉学科研究课题。

对于情绪的研究由来已久，使用的方法也各不相同。近年来，随着脑电信号采集设备的应用和推广，信号处理和机器学习技术的快速发展，以及计算机数据处理能力的大幅提高，基于脑电的情绪识别研究已经成为神经工程和生物医学工程领域的热门课题。

此外，目前非专业医用的可穿戴情绪监护及管理设备层出不穷，它们主要目标是帮助家庭对心理健康进行自我监护和管理。但是它们都不同程度存在各类缺点。

发明内容

本发明针对现有技术中存在的问题，提出一种基于脑电的可穿戴情感识别方案，通过对脑电波的采集分类识别后，将情感数据实时显示并传递给自己、家人或者朋友，然后通过APP调节情绪。

本发明的技术方案为：

一种基于脑电的可穿戴情感识别方法，包括步骤：

检测人体的脑电信号；

提取所述脑电信号的特征波形；

对所提取的特征波形进行降维处理；

使用线性判别式分析LDA方法对降维后的所述特征波形进行情感识别。

优选地，所述提取所述脑电信号的特征数据步骤之前还包括：

移除所述脑电信号中的不可用数据；

归一化处理所述脑电信号；

对所述脑电信号进行低通滤波。

优选地，所述提取所述脑电信号的特征数据的具体方法为：

提取人体脑电信号的特征波形。

优选地，对所提取的特征波形进行降维处理的具体方法为：

使用主成分分析方法对所提取的特征波形进行降维处理。

优选地，所述使用LDA方法对降维后的所述特征波形进行情感识别的具体方法为：

采集各不同情感下的特征波形样本矩阵X以及建立情感类别向量v，所述情感类别向量为各不同情感标识所组成的向量；

根据所述v分别挑选出每一种类别的样本矩阵x，计算出各不同类别的样本类内离散度矩阵和总类间离散度矩阵：

$\begin{array}{cc}{S}_i=\underset{X\∈{\mathrm{\ω}}_i}{\Σ}(X-m_i){(X-m_i)}^T,& i=1,\mathrm{2.....}k\end{array}$

$S_w=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{S}_i$

其中，X为输入的样本数据矩阵，行为一个个样本，列为一个个特征；m_i是各类的样本均值；k为样本所属类别数；

$S_b=\underset{i=1}{\overset{k}{\Σ}}{n}_i(m_i-m){(m_i-m)}^T$

计算得样本间离散度矩阵：

其中，n_i是各类样本数，m是样本总平均数；

由矩阵的前k-1个特征值所对应的特征向量组成转换矩阵w；

通过公式w*计算得到每一类投影后的中心点；

根据新的特征样本经矩阵w投影后距离各类中心点的欧氏距离远近判定新样本数据所属情感类别。

本发明还提供一种基于脑电的可穿戴情感识别系统，其特征在于，包括相互独立的信号检测前端设备和移动终端设备，所述信号检测前端设备和移动终端设备进行无线通信连接，所述信号检测前端设备用于采集以及预处理人体脑电信号并发送至所述移动终端设备，所述移动终端设备用于根据所接收的所述预处理后的脑电信号进行生理异常检测和情感识别。

优选地，所述信号检测前端设备包括依次连接的信号采集设备、放大设备、滤波设备、AD转换设备以及主控设备，所述信号采集设备用于采集脑电信号，所述放大设备用于放大所述采集的脑电信号，所述滤波设备用于对放大后的脑电信号进行杂波滤除，所述AD转换设备用于将滤波后的模拟脑电信号转换为数字信号并发送给所述主控设备，所述主控设备接收所述数字信号并将其无线发送至所述移动终端设备。

优选地，所述信号检测前端设备还包括与所述主控设备连接的电源管理设备，用于对所述信号检测前端设备进行电源功耗管理。

优选地，，所述移动终端设备包括中控模块以及与其连接的信号特征提取模块、降维处理模块以及情感识别模块，所述信号特征提取模块用于提取所述脑电信号的特征波形，所述降维处理模块用于对所提取的特征波形进行降维处理，所述情感识别模块用于根据降维后的特征波形进行情感识别。

优选地，所述移动终端设备还包括与所述中控模块连接的判断模块和健康咨询模块，所述判断模块用于判断情感识别结果，所述健康咨询模块用于当所述判断模块判断出产生情感障碍时提供健康咨询并告知再次进行情感识别，否则告知用户检测结果正常并退出检测，所述情感障碍为消极情感。

本发明具有如下有益效果：

1、硬件部分采用全集成式的脑电检测前端，可以在运动或远程电极放置产生的噪声环境下提取、放大及过滤微弱的生物电信号，滤波器输出信号建立时间短，高共模抑制比，并且功耗极低，体积较小。

2、配合低功耗嵌入式微处理器采集脑电信号，并通过低功耗蓝牙(BluetoothLowEnergy，BLE)技术发送至手机、电脑等终端，便于采集，信号质量较高。

3、通过软件上合理的电源和功耗管理，使得整个系统可以依靠一颗纽扣电池或小型锂电池供电并工作数周。相对于传统脑电监护仪成本大大降低，测量简单、便携，适用于家庭医疗应用及可穿戴应用。

4、软件部分通过实时接收脑电数据，实时检测异常情况，并对一段时间里的脑电波异常情况进行统计，根据统计结果给出佩戴者该段时间内身体健康情况的估计。同时对不同情绪状态(平静、高兴、悲伤、恐惧、愤怒、恶心、惊奇)采集的脑电信号，提取必要的脑电特征，根据提取的特征集训练情绪脑电模型，利用该模型和当前的脑电信号可以判断佩戴者当前的情绪状态。

5、利用手机App对情绪状态判断结果进行管理，帮助佩戴者实时了解自身的身心健康状况。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要的附图做简单的介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于脑电的可穿戴情感识别方法的流程图。

图2为本发明的基于脑电的可穿戴情感识别系统的结构框图。

图3为本发明的电源管理方法的流程图。

图4为本发明中二级低通滤波的拓扑结构图。

图5为本发明中二阶高通滤波器的拓扑结构图。

图6为本发明中极性转换电路的拓扑结构图。

图7为本发明信号采集感应电极及移动终端设备图。

具体实施方式

下面结合说明书附图对本发明实施例的具体实施方式作详细说明。

如图1所示，本发明所述的机器人情感识别方法包括步骤：

S101：检测人体的脑电信号；

在不同情绪状态(平静、高兴、悲伤、恐惧、愤怒、恶心、惊奇)下采集人体脑电，为便于描述，本实施方式中的脑电信号统一为人体的脑电信号，对脑电信号的采集可通过三个导联的感应电极E1、E2和E3实现，E1、E2和E3为两导联电极输入端，与贴在身体皮肤表面的自粘贴电极片相连接，其中E1对应的电极片粘贴于左前额，E2对应的电极片粘贴于右前额，E3对应的电极片粘贴于耳朵上(如图7所示)，采集到的脑电信号通过低功耗蓝牙(BluetoothLowEnergy，BLE)4.0技术发送至手机、电脑等终端。

脑电信号采集的主控电路可以选用TI的CC2541F256作为核心控制器，这是一个集成了2.4GHz低功耗蓝牙(BLE)的片上系统，发射接收电流分别为18.2mA和17.9mA，拥有三种低功耗待机模式，最低电流只有0.5uA。

CC2541F256采用6mmx6mm的无引脚QFN-40封装，内置一个高性能的8051内核，256KB的Flash，8KB的RAM，还包括五通道DMA、三个定时器、8通道12位ADC、两个UART、I2C接口等外设，配合32MHz外部晶振工作，完全满足本发明的性能和功耗要求。

供电电压为2.5V，一个32MHz晶振，一个32.768kHz晶振(可产生准确的一秒)，外围加上一些电阻电容和程序烧录接口构成了单片机的最小系统。

脑电信号采集的电源电路可以选用TPS78225作为稳压芯片，输入来自锂电池，输入电压2.5-5V，输出2.5V。控制部分通过按键打开P-MOSFET-SI2305，输出高电平到TPS78225的使能端，给单片机以及整个电路供电，单片机中根据按键时间输出高电平给供电芯片的使能端保证按键松开后能够继续供电。另外，电池电压通过电阻分压之后输入到单片机的AD进行电池电量监测。

选用BQ24080作为充电管理芯片，输入通过金属触点接入5V电压，输出4.2V给锂电池充电。通过一颗红色LED等可显示充电状态，快闪表示正在充电，灯灭表示未充电，常亮表示已充满。

采集到的脑电信号通常存在不少噪声，在进行进一步的信号处理之前需要对信号进行去噪的预处理，根据本产品硬件输出信号的特点，本实施方式采用的脑电信号预处理方法包含下述步骤S101.1至S101.3所述的各环节，主要使用AD8232芯片实现预处理。

S101.1：移除所述脑电信号中的不可用数据；

本实施方式中主要采用AD8232作为脑电检测前端，用于对检测到的脑电信号进行预处理，所述感应电极E1、E2和E3连接于所述AD8232，所述AD8232是一个全集成式的信号调理芯片，用于在具有运动或远程防止产生的噪声的情况下提取、放大及过滤微弱的生物电信号。AD8232采用4mm×4mm、无引脚LFCSP-20封装，体积非常小，其内置一个仪表放大器、一个运算放大器、一个右腿驱动放大器和一个中间电源电压基准电压缓冲器，此外还内置导联脱落检测电路和一个自动快速恢复电路，可在导联重新连接后迅速恢复信号，减少高通滤波器长尾建立时间。

采集到的脑电信号通常存在不少噪声，在进行进一步的信号处理之前需要对信号进行去噪的预处理，根据本产品硬件输出信号的特点，本实施方式采用的脑电信号预处理方法包含下述步骤S101.1至S101.3所述的各环节，主要使用芯片实现预处理。

S101.1：移除所述脑电信号中的不可用数据；

本实施方式中主要采用前置放大、中间级放大、高低通滤波、工频滤波器作为脑电检测前端，用于对检测到的脑电信号进行预处理，所述感应电极E1、E2和E3连接于所述前置放大级采用BB公司的INA128。该芯片具有高的输入阻抗，以及高达120dB的共模抑制比，其放大倍数：G＝1+50KΩ/R3，这里选取R3＝100Ω，因此前置放大倍数：G＝501。体积非常小，其内置一个仪表放大器、一个运算放大器、一个右腿驱动放大器和一个中间电源电压基准电压缓冲器，此外还内置导联脱落检测电路和一个自动快速恢复电路，可在导联重新连接后迅速恢复信号，减少高通滤波器长尾建立时间。

S101.2：归一化处理所述脑电信号；

由于不同人的脑电信号在幅度上可能有比较大的特异性差异，为了方便统一处理，需要把脑电信号都统一划归到相同的尺度上，这种方法称为归一化。

S101.3：对所述脑电信号进行低通滤波：

脑电信号的有用信息频率通常处在(0.5～100Hz)Hz，其他频率成分很大程度上是噪声引入的，因此需要把这些噪声频率给去除。所述的控制芯片可使用高通滤波器和低通滤波器来消除运动伪像和额外噪声。

所述低通滤波电路，如图4所示，分为两级：

·其中第一级低通滤波电路：

R1＝6KΩ，R2＝18KΩ，C1＝200nF，C2＝100nF。

品质因数：Q1＝0.61，截止频率：f1＝92Hz。

·第二级低通滤波电路：

R1＝27KΩ，R2＝243KΩ，C1＝100nF，C2＝3.3nF。

品质因数：Q2＝1.6524，截止频率：157Hz。

·整个低通滤波电路：截止频率：127Hz。

高通滤波器和低通滤波器共同将带有噪声和杂波的脑电信号进行过滤，提取出所需的带有人体情绪信息的有效脑电信号，0.5Hz-100Hz满足了方法分析所需的数据。

如图5所示，所述高通滤波器是二阶高通滤波器：

R10＝160KΩ，R11＝330KΩ，C8＝C9＝4.7uF。

品质因数：Q＝0.72，截止频率：f＝0.15Hz.

电极转化电路：

由于陷波器的反馈作用，输出的信号可能会有负极性型号，因此在信号进

要正确识别脑电信号，应当提取出脑电信号的特征波形。

脑电波形的时域信号的均值、标准差、偏斜度、峰值、原始信号首次差异的平均绝对值、归一化后信号的首次差异的平均绝对值等作为脑电特征。首先研究的是脑电信号的时域分析方法，主要是分析脑电信号的波形的几何性质，比如说脑电信号的幅值、方差以及均值等。

脑电的delta频段(1～4Hz)、theta频段(4～8Hz)、alpha频段(8～13Hz)、beta频段(13～30Hz)和gamma频段(36～44Hz)等5个频段与人的各项生理及心理活动有着密切的关系。随后随着分析方法的进一步发展，出现了脑电信号的频域分析方法，频域分析方法主要有将原始脑电信号通过一定的技术手段，获得信号的频率段的功率等主要信息。目前，脑电信研究中最常用的分析方法还是经典的时频域结合分析方法。比如时空模式分析、统计分析、空间滤波、快速傅里叶变换、自回归模型系数，小波和小波包的系数均值和方差、双谱估计以及希尔伯特黄变换等等。

但是，由于脑电信号的不稳定性，单纯考虑时域特征或频域特征都是不全面的，因此，采用小波变换对信号处理，选取不同的基函数对信号分析，得到子频段的信号，由此可得到子频段的能量在总体能量中的比率，alpha频段小波系数的均方根及能量，并以此作为脑电特征。

本实施方式采用带通滤波、小波变换、功率谱分析等方法提取特征波形，

具体方法如下：

1)采用不同的带通滤波器对信号实现delta频段(1～4Hz)、theta频段(4～8Hz)、alpha频段(8～13Hz)、beta频段(13～30Hz)和gamma频段(36-44Hz)的提取；

2)同时选择5秒的数据提取其幅值、最大值和最小值；

3)采用DB小波对信号实现多层分解

4)采用AR功率谱分析方法对每一层信号分析其功率

S103：对提取的脑电特征进行降维处理

特征降维的方法可以分为两大类：一类是特征选择，即从特征集合中挑选与任务相关的特征子集；另一类是对原有特征进行线性或非线性变换，将其映射到能够最大限度反映情绪状态的维度上，从而在数量上也达到了一定程度的减少。这主要包括主成分分析(PCA)、独立成分分析(ICA)和共同空间模式(CSP)等。

主成分分析方法用较少的变量去解释原来术中的大部分变异，将许多相关性很高的变量转化成彼此相互独立或不相关的变量，选出其中几个能解释大部分变异的新变量，分析过程如下：Xi为实际的术中影响因素，设

$\left\{\begin{array}{c}{Y}_1=l_1^{T}X=l_{11}{X}_1+l_{12}{X}_2+...+l_{1p}{X}_p\\ Y_2=l_2^{T}X=l_{21}{X}_1+l_{22}{X}_2+...+l_{2p}{X}_p\\ ......\\ Y_p=l_p^{T}X=l_{p1}{X}_1+l_{p2}{X}_2+...+l_{pp}{X}_p\end{array}\right.$

则有

$\begin{array}{c}Var\left(Y_i\right)=Var\left(l_i^{T}X\right)=l_i^T\Σl_i,i=1,2,...,p,\\ Cov(Y_i,Y_j)=Cov(l_i^{T}X,l_j^{T}X)=l_i^T\Σl_j,j=1,2,...,p.\end{array}$

一般地，在约束条件及 $Cov(Y_i,Y_k)=l_i^T{\mathrm{\Σl}}_k=0,k=1,2,\mathrm{...},i-1.$ 下，求li使Var(Yi)达到最大，由此li所确定的就是X1，X2，...，Xp的第i个主成分。

采用LDA(linearDiscriminantAnalysis线性判别式分析)方法进行分类，基本思想是把高维数据投影到最容易分类的低维空间上，基本流程为：

1)比如：对于每一段数据我们利用前面所述方法检测出的脑电波，计算出如上的样本特征。可总共采集1467段数据，于是得到一个样本矩阵X，以及一个向量v，这个向量中仅包含0，1，2，3，4，5，6这k＝7个数字，分别表示7种情绪状态(0->平静；1->高兴；2->悲伤；3->恐惧；4->愤怒；5->厌恶；6->惊奇)，即7种类别。这7个数字一一标识了样本矩阵X的每一个样本所表示的情绪状态：

2)根据v分别挑选出每一种类别的样本矩阵，利用下面的公式计算得到每类样本类内离散度

矩阵S_i(表示类内的聚合程度)和他们的加和S_w(表示总体上各类别样本的聚合程度)：

根据样本矩阵X计算得到样本类内k个离散度矩阵S_i和1个总类间离散度矩阵S_w：

其中，X为输入的样本数据矩阵，行为一个个样本，列为一个个特征；m_i是各类的样本均值；k为样本所属类别数，k＝7；

$\begin{array}{cc}{S}_i=\underset{X\∈{\mathrm{\ω}}_i}{\Σ}(X-m_i){(X-m_i)}^T,& i=1,\mathrm{2.....}k\end{array}$

$S_w=\underset{i=1}{\overset{k}{\Σ}}{S}_i$

3)根据以下公式计算得到样本间离散度矩阵：(表示各类样本相互之间离散的程度，即可区分度)

$S_b=\underset{i=1}{\overset{k}{\Σ}}{n}_i(m_i-m){(m_i-m)}^T$

其中，n_i是各类样本数，m是样本总平均数；

4)计算转换矩阵w，由矩阵的前k-1个特征值所对应的特征向量组成转换矩阵w；

5)通过公式w*计算得到每一类投影后的中心点；

6)根据新的特征样本经矩阵w投影后距离各类中心点的欧氏距离远近判定新样本属于哪一类，即新样本属于离各类中心点欧氏距离中最近的那一类情感。于是就可以判断当前的脑电数据段表征属于哪一类情绪。在各个训练个人测试的情绪识别上，本发明采用的方法识别准确率可达90％以上。

如图2所示，本发明还提供一种基于脑电的可穿戴情感识别系统200，包括相互独立的信号检测前端设备210和移动终端设备220，所述信号检测前端210在具体生产时可将其外观制成帽子、头套等可穿戴样式，以便于携带和防止丢失，所述移动终端设备220为手机或笔记本电脑等。所述信号检测前端设备210和移动终端设备220进行无线通信连接，本实施方式采用低功耗蓝牙模块进行无线通信，传统蓝牙(蓝牙2.0、蓝牙2.1、蓝牙3.0)技术功耗较大，不利于可穿戴设各的长时间数据传输。并且配对时间较长，难以提升用户体验度。表1从传输距离、速度、响应时间、能耗等参数上对传统蓝牙和低功耗蓝牙(蓝牙4.0)进行对比：

表1

技术指标	传统蓝牙	低功耗蓝牙(BLE4.0)
			传输距离	50m	最大100m
传输速度	1-3Mbit/s	1Mbit/s
			响应延迟	约100ms	6ms
发送数据所需时间	100ms	＜3ms
			能耗	100％(基准)	1％-50％
能耗峰值	＜30mA	＜15mA

从表1的对比中可以看出，低功耗蓝牙具有很大的优势，本发明采用低功耗蓝牙将所述信号检测前端设备210采集到的脑电数据发送至述移动终端设备220，比如手机APP或计算机中，以便于所述移动终端设备220进行根据所接收的脑电数据进行生理异常检测和情感识别。

所述信号检测前端设备210包括依次连接的信号采集设备211、放大设备212、滤波设备213、AD转换设备214、电源管理设备216以及主控设备215，所述信号采集设备211、放大设备212、滤波设备213、AD转换设备214可使用感应电极和芯片统一实现，所述主控设备215选用TI的CC2541F256芯片，其集成了2.4GHz低功耗蓝牙(BLE)的片上系统(穿戴装置)，发射接收电流分别为18.2mA和17.9mA，拥有三种低功耗待机模式，最低电流只有0.5uA。

通过所述芯片进行脑电信号预处理后发送给所述CC2541F256芯片，所述CC2541F256通过其自身集成的低功耗蓝牙将所接收的脑电信号发送给手机APP或计算机。

作为优选的实施方式，所述信号检测前端设备210还包括与所述主控设备215连接的电源管理设备216，用于对整个所述信号检测前端设备210进行电源功耗管理。选用TPS78225作为稳压芯片，这是一款低压差线性稳压器，输入来自锂电池，输入电压2.5-5V，满足锂电池的电池电压2.7V-4.2V范围，输出电压2.5V，输出电流可达到230mA以上。CC2541芯片通过按键打开-MOSFET-S12305，输出高电平到TPS78225的使能端，可为硬件上的CC2541以及整个电路供电，关断电流极小，在关机时漏电流只有18nA。当锂电池电压低至2.7V左右时，即TPS78225输入输出压差仅有200mV时仍能输出150mA以上的电流，完全满足应用需要，最大化地利用了锂电池的电量。另外，所述锂电池电压通过电阻分压之后输入到CC2541芯片的模数转换器进行电池电量监测。

当需对所述锂电池进行充电时，选用BQ24080作为充电管理芯片，输入通过金属触点接入5V电压，输出4.2V给锂电池充电。通过一颗红色LED等可显示充电状态，快闪表示正在充电，灯灭表示未充电，常亮表示已充满。同时锂电池外部集成了电池保护板，可防止电池过充或过放，延长了电池寿命。

功耗管理：

主控芯片CC2541提供三种不同的运行模式：主动模式、空闲模式和低功耗模式PM1、PM2和PM3。超低功耗运行的实现通过关闭电源模块以避免静态泄露功耗，还通过使用门控时钟和关闭振荡器来降低动态功耗。几种供电模式对系统的影响见表2：

表2

主动模式：完全功能模式。稳压器的数字内核开启，16MHzRC振荡器或32MHz晶体振荡器运行，或者两者都运行；32kHzRCOSC振荡器或32kHzXOSC振荡器运行。

空闲模式：除了CC2541芯片的内核停止运行(即空闲)，其他和主动模式一样。

PM1：稳压器的数字部分开启，32MHzXOSC和16MHzRCOSC都不运行；32kHzRCOSC或32kHzXOSC运行；复位、外部中断或睡眠定时器过期时系统将转到主动模式。

PM2：稳压器的数字内核关闭，32MHzXOSC和16MHzRCOSC都不运行；32kHzRCOSC或32kHzXOSC运行；复位、外部中断或睡眠定时器过期时系统将转到主动模式。

PM3：稳压器的数字内核关闭，所有的振荡器都不运行，复位或外部中断时系统将转到主动模式。

根据系统各自供电模式的特点以及在本应用下的工作状态进行低功耗运行模式设计。在程序的OSAL层中加入低功耗睡眠任务，针对不同的运行状态对于系统资源的使用情况进入不同的低功耗运行模式。功耗控制方法流程图如图3所示。

作为优选的实施方式，所述信号检测前端设备210还包括与所述主控设备215连接的加速度计217，可实时记录佩戴者的三方向加速度，并通过I²C总线发给主控芯片CC2541，为防跌倒功能提供原始数据。选用MPU6050作为加速度计，其为InvenSense生产的整合了三轴陀螺仪和三轴加速度计的数字运动感测处理器。相较于多组件方案，本发明免除了组合陀螺仪与加速度计的轴间差问题，减少了安装空间，外围器件很少。加速度计供电电压为2.5V，工作电流仅为500uA，加速度计省电模式电流40uA10Hz，陀螺仪工作电流5mA，陀螺仪待机电流5uA，为4mm×4mm的QFN-24封装。加速度测量范围可程序控制，有±2g、±4g、±8g和±16g。通过I²C接口，向主控芯片CC2541输出完整的6轴融合演算数据。通过InvenSense提供给的运动处理资料库，可以非常方便地实现姿态解算，降低了运动处理运算对操作系统的负荷，同时大大降低了开发难度。

所述移动终端设备220包括中控模块221以及与其连接的信号特征提取模块222、降维处理模块223以及情感识别模块224，所述信号特征提取模块222用于提取所述脑电信号的特征波形，所述降维处理模块223用于对所提取的特征波形进行降维处理，所述情感识别模块224用于根据降维后的特征波形进行情感识别。

所述移动终端设备220还包括与所述中控模块221连接的判断模块225和健康咨询模块226，所述判断模块225用于判断情感识别结果，所述健康咨询模块226用于当所述判断模块判断出产生情感障碍时提供健康咨询并告知再次进行情感识别，否则告知用户检测结果正常并退出检测，所述情感障碍为悲伤、愤怒、厌恶以及恐惧等消极情感，即当所述判断模块225判断情感识别结果为悲伤、愤怒、厌恶等消极情感时，则所述健康咨询模块226启动并为用户提供意见咨询、康复建议以及相关服务并提醒用户在采纳健康咨询建议后再次进行情感识别，直至用户的生理检测结果正常以及情感识别结果为积极情感；当所述判断模块225判断情感识别为正常时，则所述健康咨询模块226告知用户此次检测结果正常，可退出检测。在具体实现时，所述健康咨询模块226可根据用户的情绪状态首先匹配相应的问题解决方案，并和用户进行语言交互，进一步了解用户的其他生理和心理情况，对原有的问题解决方案进行修正。同步检测用户的脑电信号并进行检测，判断用户的生理心理指标是否正常，并进一步给出新的解决方案，直到用户的问题解决。

本发明包含情绪识别方法。采用机器学习的方法，根据一些事先标记好的情绪脑电样本数据训练线性分类器，把高维脑电特征数据通过转换矩阵映射到最适于不同类样本之问可分的低位空间上，然后根据样本映射后的结果距离各类中心点的远近来判断情绪信号的类别，以实现根据脑电进行情绪识别的功能，同时将对佩戴者情绪的感知和脑电信号的感知反馈给手机机器人系统，手机机器人通过生物反馈信息和用户进行交互，并提供咨询、调节和服务。本发明系统功耗极低，在25℃环境下，系统工作电压为2.5V，系统在未连接主设备情况下整机运行电流约为8mA，发送数据时平均电流约为12mA，功耗明显低于同类产品。

以上所述实施例仅表达了本发明的优选的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于脑电的可穿戴情感识别方法，其特征在于，包括步骤：

检测人体的生理电信号；

提取所述生理电信号的特征波形；

对所提取的特征波形进行降维处理；

使用线性判别式分析LDA算法对降维后的所述特征波形进行情感识别。

2.根据权利要求1所述的一种基于脑电的可穿戴情感识别方法，其特征在于，所述提取所述生理电信号的特征数据步骤之前还包括：

移除所述生理电信号中的不可用数据；

归一化处理所述生理电信号；

对所述生理电信号进行低通滤波。

3.根据权利要求2所述的一种基于脑电的可穿戴情感识别方法，其特征在于，所述提取所述生理电信号的特征数据的具体方法为：

提取人体脑电信号的特征波形。

4.根据权利要求3所述的一种基于脑电的可穿戴情感识别方法，其特征在于，对所提取的特征波形进行降维处理的具体方法为：

使用主成分分析方法对所提取的特征波形进行降维处理。

5.根据权利要求3或4所述的一种基于脑电的可穿戴情感识别方法，其特征在于，所述使用LDA算法对降维后的所述特征波形进行情感识别的具体方法为：

采集各不同情感下的特征波形样本矩阵X以及建立情感类别向量v，所述情感类别向量为各不同情感标识所组成的向量；

根据所述v分别挑选出每一种类别的样本矩阵x，计算出各不同类别的样本类内离散度矩阵和总类间离散度矩阵：

$S_i=\underset{X\∈{\mathrm{\ω}}_i}{\Σ}(X-m_i){(X-m_i)}^T,i=1,\mathrm{2.....}k$

$S_w=\underset{i=1}{\overset{k}{\Σ}}{S}_i$

其中，X为输入的样本数据矩阵，行为一个个样本，列为一个个特征；m_i是各类的样本均值；k为样本所属类别数；

$S_b=\underset{i=1}{\overset{k}{\Σ}}{n}_l(m_i-m)(m_i-m{)}^T$

计算得样本间离散度矩阵：

其中，n_i是各类样本数，m是样本总平均数；

由矩阵的前k-1个特征值所对应的特征向量组成转换矩阵w；

通过公式w*计算得到每一类投影后的中心点；

根据新的特征样本经矩阵w投影后距离各类中心点的欧氏距离远近判定新样本数据所属情感类别。

6.一种基于脑电的可穿戴情感识别系统，其特征在于，包括相互独立的信号检测前端设备和移动终端设备，所述信号检测前端设备和移动终端设备进行无线通信连接，所述信号检测前端设备用于采集以及预处理人体生理电信号并发送至所述移动终端设备，所述移动终端设备用于根据所接收的所述预处理后的生理电信号进行生理异常检测和情感识别。

7.根据权利要求6所述的一种基于脑电的可穿戴情感识别系统，其特征在于，所述信号检测前端设备包括依次连接的信号采集设备、放大设备、滤波设备、AD转换设备以及主控设备，所述信号采集设备用于采集生理电信号，所述放大设备用于放大所述采集的生理电信号，所述滤波设备用于对放大后的生理电信号进行杂波滤除，所述AD转换设备用于将滤波后的模拟生理电信号转换为数字信号并发送给所述主控设备，所述主控设备接收所述数字信号并将其无线发送至所述移动终端设备。

8.根据权利要求7所述的一种基于脑电的可穿戴情感识别系统，其特征在于，所述信号检测前端设备还包括与所述主控设备连接的电源管理设备，用于对所述信号检测前端设备进行电源功耗管理。

9.根据权利要求8所述的一种基于脑电的可穿戴情感识别系统，其特征在于，所述移动终端设备包括中控模块以及与其连接的信号特征提取模块、降维处理模块以及情感识别模块，所述信号特征提取模块用于提取所述生理电信号的特征波形，所述降维处理模块用于对所提取的特征波形进行降维处理，所述情感识别模块用于根据降维后的特征波形进行情感识别。

10.根据权利要求9所述的一种基于脑电的可穿戴情感识别系统，其特征在于，所述移动终端设备还包括与所述中控模块连接的判断模块和健康咨询模块，所述判断模块用于判断情感识别结果，所述健康咨询模块用于当所述判断模块判断出产生情感障碍时提供健康咨询并告知再次进行情感识别，否则告知用户检测结果正常并退出检测，所述情感障碍为消极情感。