CN106236117A - 基于心电和呼吸信号同步性特征的情绪检测方法 - Google Patents

Abstract

本发明涉及一种基于心电和呼吸信号同步性特征的情绪检测方法，包括：采集心电ECG信号和呼吸信号；预处理；特征提取：1)时域同步性特征；2)频域同步性特征；3)相位锁定值；采用Fisher判别率评估每个特征的可分性，通过计算最终得到5个特征的FDR值，根据FDR值的大小，给每个特征分配相应的权重值w_i；使用支持向量机SVM建立情绪识别模型，识别用户当前的情绪状态。本发明可以进行准确、实时地情绪监测。

Description

基于心电和呼吸信号同步性特征的情绪检测方法

技术领域

提出一种基于心电和呼吸信号同步性特征的情绪检测方法。涉及可用于临床情绪障碍疾病的诊断及疗效评价、情绪神经反馈调节的情绪状态识别方法。

背景技术

情绪(emotion)是人对客观事物是否满足自身需要而产生的综合状态。它作为人脑的高级功能，保证着有机体的生存和适应，不同程度上影响着人的学习、记忆与决策。在人们的日常工作和生活中，情绪的作用无处不在。负性情绪会影响我们的身心健康，降低工作质量与效率，严重者会引发心理疾病(比如抑郁症、自闭症等)，也会造成严重的工作失误。有研究证明，负性情绪的长期积累，会损害免疫系统的功能，使人们更容易受到周围病毒的感染。所以，适时地发现负性情绪并给予适当的干预与调控十分必要，尤其是对司机，航天员等一些特殊工作者。另一方面，在人机交互系统里，如果系统能够捕捉到人的情绪状态，那么人机交互就会变得更加友好，自然与高效。情绪的分析与识别已经成为神经科学、心理学、认知科学、计算机科学和人工智能等领域学科交叉的一项重要的研究课题。

情绪识别的方法目前多采用主观报告法、面部表情、语音信号以及生理信号测量法。主观报告法、面部表情以及语音信号测量法简单直观，测量方便，但是其结果一般受被试和主试的主观因素影响，容易伪装，有时无法测量到真实、可靠的内部情绪状态。而生理信号的变化只受人的自主神经系统和内分泌系统支配，不受人的主观控制,因而应用所得数据更客观敏感，相对精确。目前，常用的生理信号有脑电信号(EEG)，心电信号(ECG)，皮电信号，呼吸信号(RSP)，肌电信号(EMG),脉搏信号等，但是目前的研究都是基于以上生理信号单独或者两种以上信号的简单融合进行情绪识别，正确率仍有待提高。脑电信号虽然信息丰富，但是极易受到外界的干扰。有研究表明，心肺活动与情绪密切相关[1]，而且心肺信号在不同的情绪状态下具有不同的耦合性，两者相互依赖。所以采用心电信号和呼吸信号这两种生理参数有效融合来进行情绪识别在实际应用中具有优越性。

发明内容

本发明的主旨是提出一种基于心电和呼吸信号有效融合的多参数情绪检测方法。通过计算心电信号与呼吸信号的同步性特征，时域同步性特征，频域同步性特征以及相位同步性特征融合作为情绪识别的特征矩阵，利用Fisher可分性分析评估每个特征的可分性，并依此进行特征权重的调整，最后通过支持向量机构建情绪识别模型，从而准确、客观的进行情绪识别。本发明的技术方案如下：

一种基于心电和呼吸信号同步性特征的情绪检测方法，包括下列步骤：

(1)采集心电ECG信号和呼吸信号；

(2)对采集到的心电ECG信号和呼吸RSP信号进行预处理，从ECG信号中提取HRV信号

(3)特征提取

1)时域同步性特征

截取ECG信号与呼吸信号，分别记为{x₁,x₂,…,x_k,…,x_L},{y₁,y₂,…,y_k,…,y_L},L为信号的总段数，然后计算对应时间内{x_k(i)}，{y_k(i)}的互相关函数,i＝1,2,…,N,

$C_{k}xy=\frac{1}{N-\mathrm{\τ}}\underset{i=1}{\overset{N-\mathrm{\τ}}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{{\mathrm{\σ}}_x}\right)\left(\frac{y_k(i+\mathrm{\τ})-\stackrel{\‾}{y_k}}{{\mathrm{\σ}}_y}\right)---\left(1\right)$

式中，分别表示{x_k(i)}，{y_k(i)}序列的均值；σ_x，σ_y表示方差；τ表示两信号的时差，τ＝0，得到第一个特征向量，F1＝(C₁xy,C₂xy,…,C_kxy,…,C_Lxy)’；

2)频域同步性特征

求HRV信号VLF(0.03-0.04Hz)、LF(0.04-0.15Hz)、HF(0.15-0.4)与RSP信号的相干系数，步骤如下：

(1)分别截取HRV信号与RSP信号，记为x,y，

(2)采用Welch算法计算HRV信号、RSP信号的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f),Pyy(f),Pxy(f₁f₂)；

$Pxx\left(f\right)=\frac{1}{NU}\underset{i=1}{\overset{L}{\Σ}}|\underset{n=0}{\overset{N-1}{\Σ}}{x}_M^i{d}_2\left(n\right)e^{-j2\mathrm{\π}fn}{|}^2---\left(2\right)$

$Pyy\left(f\right)=\frac{1}{NU}\underset{i=1}{\overset{L}{\Σ}}|\underset{n=0}{\overset{N-1}{\Σ}}{y}_M^i{d}_2\left(n\right)e^{-j2\mathrm{\π}fn}{|}^2---\left(3\right)$

$Pxy\left(f_1{f}_2\right)=\frac{1}{K}\underset{i=1}{\overset{K}{\Σ}}{X}_i\left(f_1\right)Y_i\left(f_2\right)---\left(4\right)$

其中U是归一化因子，d₂(n)是高斯窗函数，M为数据长度，K为将该段数据所分段数，N为每段的长度；

(3)用改进的相干函数计算HRV信号与呼吸信号的相干系数,表示HRV信号在频率分量为f₁，呼吸信号在频率分量为f₂处的分量振幅乘积的标准化均值，取值在[0,1]区间：

${\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)=\frac{|Pxy\left(f_1{f}_2\right){|}^2}{Pxx\left(f_1\right)Pyy\left(f_2\right)}---\left(5\right)$

然后分别计算f₁在[0.03,0.04],[0.04,0.15],[0.15-0.4],f₂在[0.01,0.4]范围内的平均相干系数，作为HRV信号与呼吸信号的极低频相干系数Coh_VLF，低频相干系数Coh_LF以及高频段相干系数Coh_HF：

$\begin{array}{cc}{\mathrm{Coh}}_{VLF}=\frac{1}{n_1}\underset{i=1}{\overset{n_1}{\Σ}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right),& 0.03\≤f_1\≤0.04,0.01\≤f_2\≤0.4\end{array}---\left(6\right)$

$\begin{array}{cc}{\mathrm{Coh}}_{LF}=\frac{1}{n_2}\underset{i=1}{\overset{n_2}{\Σ}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)& 0.04\≤f_1\≤0.15,0.01\≤f_2\≤0.4\end{array}---\left(7\right)$

$\begin{array}{cc}{\mathrm{Coh}}_{HF}=\frac{1}{n_3}\underset{i=1}{\overset{n_3}{\Σ}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)& 0.15\≤f_1\≤0.4,0.01\≤f_2\≤0.4\end{array}---\left(8\right)$

其中，n₁为0.03≤f₁≤0.04，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数，n₂为0.04≤f₁≤0.15，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数，n₃为0.15≤f₁≤0.4，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数；为第d个样本的Coh_VLF值，为第d个样本的Coh_LF值，为第d个样本的Coh_HF值；由此，得到三个特征向量F2,F3,F4，且

3)相位锁定值

首先，通过希尔伯特变换计算HRV信号x和RSP信号y的相位值和

${\tilde{x}}_i\left(t\right)=\frac{1}{\mathrm{\π}}PV{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}\frac{x_i\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}d\mathrm{\τ}---\left(9\right)$

${\tilde{y}}_i\left(t\right)=\frac{1}{\mathrm{\π}}PV{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}\frac{y_i\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}d\mathrm{\τ}---\left(10\right)$

PV表示积分是在柯西主值上进行的，然后分别计算此两个信号的瞬时相位φ_i(t)和η_i(t)，得到两个信号的相位差Δφ，

最后，计算相位锁定值PLV：

$PLV=\left|\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}{e}^{i\mathrm{\Δ}\mathrm{\φ}}\right|---\left(13\right)$

即某个时间窗内所有e^iΔφ在时间上的平均，N为时间窗内e^iΔφ的个数，当相位差为定值即相位同步时，PLV＝1；当相位差在[0,2π]之间随机分布时，PLV＝0；由此，得到第5个特征向量F5＝(PLV₁,PLV₂,…,PLV_L)’；

最后，得到最终的同步性特征矩阵：

${\mathrm{FF}}_{L,5}=(F1,F2,F3,F4,F5)=\left(\begin{array}{ccccc}{C}_{1}xy& {\mathrm{Coh}}_{VLF}^1& {\mathrm{Coh}}_{LF}^1& {\mathrm{Coh}}_{HF}^1& {\mathrm{PLV}}_1\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ C_{k}xy& {\mathrm{Coh}}_{VLF}^k& {\mathrm{Coh}}_{LF}^k& {\mathrm{Coh}}_{HF}^k& {\mathrm{PLV}}_k\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ C_{L}xy& {\mathrm{Coh}}_{VLF}^L& {\mathrm{Coh}}_{LF}^L& {\mathrm{Coh}}_{HF}^L& {\mathrm{PLV}}_L\end{array}\right)---\left(14\right)$

(4)特征权重调整

采用Fisher判别率评估每个特征的可分性，通过计算最终得到5个特征的FDR值，根据FDR值的大小，给每个特征分配相应的权重值w_i；

(5)使用支持向量机SVM建立情绪识别模型，识别用户当前的情绪状态。

本发明通过采集用户心电以及呼吸两种生理信号，提取两者的同步性特征(时域、频域以及相位同步性特征)构成情绪特征矩阵，然后通过Fisher可分性分析评估每个特征的可分性，并依此进行特征权重的调整，最后通过支持向量机构建情绪识别模型，从而进行准确、实时地情绪监测。

附图说明

图1本发明的技术方案流程图

具体实施方式

本发明首先对ECG，RSP进行信号预处理，并从ECG信号中提取出HRV信号，然后计算ECG与RSP信号的时域同步性特征和相位同步性特征，HRV与RSP的频域同步性特征，将这些特征融合在一起构成情绪特征矩阵，利用Fisher可分性分析评估每个特征的可分性，并依此进行特征权重的调整，最后通过支持向量机构建情绪识别模型，从而准确、客观的进行情绪识别。

图1是本发明方法的流程图，下面分别说明本发明基于心电和呼吸信号同步性的情绪状态识别方法的5个阶段。

(1)数据采集阶段：数据采集阶段采集的是不同情绪状态下(积极、中性、消极)的心电信号和呼吸信号

心电信号和呼吸信号采集装置为BIOPAC MP150无线多生理采集系统，心电信号采集电极分别置于左大腿，右大腿和右小臂。呼吸信号采集电极置于胸部以下小腹以上的部位，如图1所示，有一个弹性绷带。采样频率为1000Hz。

(2)数据预处理：对采集到的心电信号和呼吸信号进行预处理，包括基线漂移校正，滤波去除肌电干扰和工频干扰，降采样，以及从ECG信号中提取HRV信号

采集到的心电和呼吸信号干扰成分主要有基线漂移，肌电干扰和工频干扰。对采集到的两种信号进行预处理，包括基线漂移校正，去除肌电干扰和工频干扰，降采样到100Hz，以及从ECG信号中提取HRV信号。本发明采用函数拟合法去除ECG和RSP信号的基线漂移，小波变换法去除信号中的肌电干扰，巴特沃兹逼近法设计IIR型工频陷波器去除工频干扰。对于提取HRV信号，本发明使用研究非常成熟的小波变换法实现对QRS波群的检测，从而准确提取出HRV信号。

(3)特征提取

1)时域同步性特征

互相关函数是时域两变量的相关程度的一个度量，表示的是两信号之间的线性同步性。首先，截取ECG信号与呼吸信号，每100s为一段，分别记为{x₁,x₂,…,x_k,…,x_L},{y₁,y₂,…,y_k,…,y_L},L为信号的总段数。然后计算对应时间内{x_k(i)}，{y_k(i)}的互相关函数,i＝1,2,…,N,

$C_{k}xy=\frac{1}{N-\mathrm{\τ}}\underset{i=1}{\overset{N-\mathrm{\τ}}{\Σ}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{{\mathrm{\σ}}_x}\right)\left(\frac{y_k(i+\mathrm{\τ})-\stackrel{\‾}{y_k}}{{\mathrm{\σ}}_y}\right)---\left(1\right)$

式中，分别表示{x_k(i)}，{y_k(i)}序列的均值；σ_x，σ_y表示方差；τ表示两信号的时差，在本发明中，τ＝0。C_kxy∈[0,1],0表示不同步，1表示有最大的同步性。C_kxy越大，代表同步性越好。由此，得到第一个特征向量，F1＝(C₁xy,C₂xy,…,C_kxy,…,C_Lxy)’。

2)频域同步性特征

互相关给出了时域两变量间的相关程度的一个度量，而相干分析是在频域上描述两个信号相关程度的实值函数。频域相干性是对两个信号在不同频率下的相位一致性的量度,当两者的某一频率成分fi相位一致时,趋于1,所以可以用它来判断两个信号是否在某一频率发生了固定相位的振荡。但是该评价参数存在一个很大的局限性就在于它只能计算某一相同频段的相干系数。为了克服这种局限性，本发明采用改进的相干性评价参数，其定义为：

${\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)=\frac{|Pxy\left(f_1{f}_2\right){|}^2}{Pxx\left(f_1\right)Pyy\left(f_2\right)}---\left(2\right)$

它表示HRV信号在频率分量为f1，呼吸信号在频率分量为f2处的分量振幅乘积的标准化均值,其取值区间为[0,1],反映了2个信号的同步性。相干谱越接近1,表明2个信号在该频率处越同步。相干系数为1,表明2个信号之间高度相关,且一个信号是另一个信号的倍数；相干系数为0,表明2个信号完全不相关。

本发明中，求HRV信号VLF(0.03-0.04Hz)、LF(0.04-0.15Hz)、HF(0.15-0.4)与RSP的相干系数，步骤如下：

(4)同样地，分别截取100s的HRV信号与RSP信号，记为x,y。

(5)采用Welch算法计算HRV、RSP的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f),Pyy(f),Pxy(f)。

$Pxx\left(f\right)=\frac{1}{NU}\underset{i=1}{\overset{L}{\Σ}}|\underset{n=0}{\overset{N-1}{\Σ}}{x}_M^i{d}_2\left(n\right)e^{-j2\mathrm{\π}fn}{|}^2---\left(3\right)$

$Pyy\left(f\right)=\frac{1}{NU}\underset{i=1}{\overset{L}{\Σ}}|\underset{n=0}{\overset{N-1}{\Σ}}{y}_M^i{d}_2\left(n\right)e^{-j2\mathrm{\π}fn}{|}^2---\left(4\right)$

$Pxy\left(f_1{f}_2\right)=\frac{1}{K}\underset{i=1}{\overset{K}{\Σ}}{X}_i\left(f_1\right)Y_i\left(f_2\right)---\left(5\right)$

其中U是归一化因子，d₂(n)是高斯窗函数，M为数据长度，K为将该段数据所分段数，N为每段的长度。

(6)用改进的相干函数计算HRV信号与呼吸信号的相干系数

${\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)=\frac{|Pxy\left(f_1{f}_2\right){|}^2}{Pxx\left(f_1\right)Pyy\left(f_2\right)}---\left(6\right)$

然后分别计算f1在[0.03,0.04],[0.04,0.15],[0.15-0.4],f2在[0.01,0.4]范围内的平均相干系数，作为HRV极低频，低频以及高频段与呼吸信号的相干系数。

$\begin{array}{cc}{\mathrm{Coh}}_{VLF}=\frac{1}{n_1}\underset{i=1}{\overset{n_1}{\Σ}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right),& 0.03\≤f_1\≤0.04,0.01\≤f_2\≤0.4\end{array}---\left(7\right)$

$\begin{array}{cc}{\mathrm{Coh}}_{LF}=\frac{1}{n_2}\underset{i=1}{\overset{n_2}{\Σ}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)& 0.04\≤f_1\≤0.15,0.01\≤f_2\≤0.4\end{array}---\left(8\right)$

$\begin{array}{cc}{\mathrm{Coh}}_{HF}=\frac{1}{n_3}\underset{i=1}{\overset{n_3}{\Σ}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)& 0.15\≤f_1\≤0.4,0.01\≤f_2\≤0.4\end{array}---\left(9\right)$

其中，n₁,为0.03≤f₁≤0.04 0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数，n₂为0.04≤f₁≤0.15，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数，n₃为0.15≤f₁≤0.4，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数。设L为样本数，为第d个样本的Coh_VLF值，为第d个样本的Coh_LF值，为第d个样本的Coh_HF值。由此，得到三个特征向量F2,F3,F4，且

3)相位锁定值

相位锁定值(phase-locking value,PLV)是用来研究两个信号在相位上的同步性关系，有效弥补了时域和频域特征的不足。

相位值是通过希尔伯特变换计算的，它的定义为：

${\tilde{x}}_i\left(t\right)=\frac{1}{\mathrm{\π}}PV{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}\frac{x_i\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}d\mathrm{\τ}---\left(10\right)$

PV表示积分是在柯西主值上进行的，瞬时相位计算如下：

${\mathrm{\φ}}_i\left(t\right)=\arctan \frac{{\tilde{x}}_i\left(t\right)}{x_i\left(t\right)}---\left(11\right)$

同理，计算心电信号y的瞬时相位η_i(t)，故相位差Δφ＝φ_i(t)-η_i(t)，PLV可以通过下式计算：

$PLV=\left|\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}{e}^{i\mathrm{\Δ}\mathrm{\φ}}\right|---\left(12\right)$

即某个时间窗内所有e^iΔφ在时间上的平均。当相位差为定值时(即相位同步)，PLV＝1；当相位差在[0,2π]之间随机分布时，PLV＝0。由此，得到第5个特征向量F5＝(PLV₁,PLV₂,…,PLV_L)’。最后，得到同步性特征矩阵：

${\mathrm{FF}}_{L,5}=(F1,F2,F3,F4,F5)=\left(\begin{array}{ccccc}{C}_{1}xy& {\mathrm{Coh}}_{VLF}^1& {\mathrm{Coh}}_{LF}^1& {\mathrm{Coh}}_{HF}^1& {\mathrm{PLV}}_1\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ C_{k}xy& {\mathrm{Coh}}_{VLF}^k& {\mathrm{Coh}}_{LF}^k& {\mathrm{Coh}}_{HF}^k& {\mathrm{PLV}}_k\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ C_{L}xy& {\mathrm{Coh}}_{VLF}^L& {\mathrm{Coh}}_{LF}^L& {\mathrm{Coh}}_{HF}^L& {\mathrm{PLV}}_L\end{array}\right)---\left(13\right)$

(4)特征权重调整

可分性分析主要用来评价特征参数在不同类别样本中的分布是否具有明显差异，因为差异度越大的特征越适合作为样本分类的特征，在构建分类器的时候应给予相对较大的权重值。Fisher判别率(Fisher Discriminant Ratio,FDR)可衡量两类或多类样本间的差异性，计算公式如下：

${\mathrm{FDR}}_k={\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=i+1}^N\frac{{({\mathrm{\μ}}_k^i-{\mathrm{\μ}}_k^j)}^2}{{\left({\mathrm{\σ}}_k^i\right)}^2+{\left({\mathrm{\σ}}_k^j\right)}^2}---\left(14\right)$

其中，N是情绪类别数，即多少种情绪；是第i类中第k个特征(某一导联在某个频段的功率谱值)所有样本的均值；是第i类中第k个特征所有样本的标准差。

FDR值越大，说明该特征在不同类别间的差异性越大，可分性越强。在本发明中，最终得到5个特征的FDR值，根据FDR值的大小，给每个特征分配相应的权重值w_i。

(5)情绪识别模型的建立

得到特征矩阵后，使用支持向量机(Support Vector Machine，SVM)[2]建立情绪识别模型，识别用户当前的情绪状态。

建立分类器之前，首先需要对数据分别进行列归一化，归一化到[-1.1],得到特征矩阵PP_L*5,

${\mathrm{PP}}_{L*5}=\left(\begin{array}{ccccc}{\mathrm{PP}}_{1,1}& {\mathrm{PP}}_{1,2}& {\mathrm{PP}}_{1,3}& {\mathrm{PP}}_{1,4}& {\mathrm{PP}}_{1,5}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{PP}}_{k,1}& {\mathrm{PP}}_{k,2}& {\mathrm{PP}}_{k,3}& {\mathrm{PP}}_{k,4}& P_{k,5}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ {\mathrm{PP}}_{L,1}& {\mathrm{PP}}_{L,2}& {\mathrm{PP}}_{L,3}& {\mathrm{PP}}_{L,4}& {\mathrm{PP}}_{L,5}\end{array}\right)---\left(15\right)$

PP_i,j＝(y_max-y_min)*(F_i,j-F^j _min)/(F^j _max-F^j _min)+y_min, (16)

其中，y_max＝1,y_min＝-1；F_i,j为原始特征矩阵FF_L,5的第i行第j列的特征；F^j _min为降维后的特征矩阵FF_L*5的第j列的最小值，同理，F^j _max为特征矩阵FF_L*5的第j列的最大值。归一化后，配合上一步骤中的每个特征的权重值，利用SVM分类器建立情绪识别模型。

本发明通过提取心电信号与呼吸信号的同步性特征，时域、频域以及相位同步性特征，然后利用Fisher判别法评估每个特征的重要程度并据此调整构建分类器时的权重值，最后建立准确的情绪识别模型，客观、准确、实时地对用户进行情绪识别。该发明有望在人-机情感交互、日常心理/生理健康管理、社交平台情绪/健康分享等应用场景下为提高用户体验发挥重要作用，也可用于临床情绪障碍疾病的诊断及疗效评价、情绪神经反馈调节的情绪状态识别方法，带来可观的社会和经济效益。

Claims (1)

1.一种基于心电和呼吸信号同步性特征的情绪检测方法，包括下列步骤：

(1)采集心电ECG信号和呼吸RSP信号；

(2)对采集到的心电ECG信号和呼吸RSP信号进行预处理，从ECG信号中提取HRV信号

(3)特征提取

1)时域同步性特征

截取ECG信号与呼吸信号，分别记为{x₁,x₂,…,x_k,…,x_L},{y₁,y₂,…,y_k,…,y_L},L为信号的总段数，然后计算对应时间内{x_k(i)}，{y_k(i)}的互相关函数,i＝1,2,…,N,

$C_{k}xy=\frac{1}{N-\mathrm{\τ}}\underset{i=1}{\overset{N-\mathrm{\τ}}{\mathrm{\Σ}}}\left(\frac{x_k\left(i\right)-\stackrel{\‾}{x_k}}{{\mathrm{\σ}}_x}\right)\left(\frac{y_k(i+\mathrm{\τ})-\stackrel{\‾}{y_k}}{{\mathrm{\σ}}_y}\right)---\left(1\right)$

式中，分别表示{x_k(i)}，{y_k(i)}序列的均值；σ_x，σ_y表示方差；τ表示两信号的时差，τ＝0，得到第一个特征向量，F1＝(C₁xy,C₂xy,…,C_kxy,…,C_Lxy)’；

2)频域同步性特征

求HRV信号VLF(0.03-0.04Hz)、LF(0.04-0.15Hz)、HF(0.15-0.4)与RSP信号的相干系数，步骤如下：

(1)分别截取HRV信号与RSP信号，记为x,y；

(2)采用Welch算法计算HRV信号、RSP信号的功率谱密度以及两者的互功率谱密度，分别记为Pxx(f),Pyy(f),Pxy(f₁f₂)；

$Pxx\left(f\right)=\frac{1}{NU}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\left|\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_M^i{d}_2\left(n\right)e^{-j2\mathrm{\π}fn}\right|}^2---\left(2\right)$

$Pyy\left(f\right)=\frac{1}{NU}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\left|\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{y}_M^i{d}_2\left(n\right)e^{-j2\mathrm{\π}fn}\right|}^2---\left(3\right)$

$Pxy\left(f_1{f}_2\right)=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{X}_i\left(f_1\right)Y_i\left(f_2\right)---\left(4\right)$

其中U是归一化因子，d₂(n)是高斯窗函数，M为数据长度，K为将该段数据所分段数，N为每段的长度；

(3)用改进的相干函数计算HRV信号与呼吸信号的相干系数,表示HRV信号在频率分量为f₁，呼吸信号在频率分量为f₂处的分量振幅乘积的标准化均值，取值在[0,1]区间：

${\mathrm{Coh}}_{xy}\left(f_1{f}_2\right)=\frac{{\left|Pxy\left(f_1{f}_2\right)\right|}^2}{Pxx\left(f_1\right)Pyy\left(f_2\right)}---\left(5\right)$

然后分别计算f₁在[0.03,0.04],[0.04,0.15],[0.15-0.4],f₂在[0.01,0.4]范围内的平均相干系数，作为HRV信号与呼吸信号的极低频相干系数Coh_VLF，低频相干系数Coh_LF以及高频段相干系数Coh_HF：

${\mathrm{Coh}}_{VLF}=\frac{1}{n_1}\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right),0.03\≤f_1\≤0.04,0.01\≤f_2\≤0.4---\left(6\right)$

${\mathrm{Coh}}_{LF}=\frac{1}{n_2}\underset{i=1}{\overset{n_2}{\mathrm{\Σ}}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right),0.04\≤f_1\≤0.15,0.01\≤f_2\≤0.4---\left(7\right)$

${\mathrm{Coh}}_{HF}=\frac{1}{n_3}\underset{i=1}{\overset{n_3}{\mathrm{\Σ}}}{\mathrm{Coh}}_{xy}\left(f_1{f}_2\right),0.15\≤f_1\≤0.4,0.01\≤f_2\≤0.4---\left(8\right)$

其中，n₁为0.03≤f₁≤0.04，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数，n₂为0.04≤f₁≤0.15，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数，n₃为0.15≤f₁≤0.4，0.01≤f₂≤0.4范围内Coh_xy(f₁f₂)的点数；为第d个样本的Coh_VLF值，为第d个样本的Coh_LF值，为第d个样本的Coh_HF值；由此，得到三个特征向量F2,F3,F4，且

3)相位锁定值

首先，通过希尔伯特变换计算HRV信号x和RSP信号y的相位值和

${\tilde{x}}_i\left(t\right)=\frac{1}{\mathrm{\π}}PV{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}\frac{x_i\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}d\mathrm{\τ}---\left(9\right)$

${\tilde{y}}_i\left(t\right)=\frac{1}{\mathrm{\π}}PV{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}\frac{y_i\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}d\mathrm{\τ}---\left(10\right)$

PV表示积分是在柯西主值上进行的，然后分别计算此两个信号的瞬时相位φ_i(t)和η_i(t)，得到两个信号的相位差Δφ；

最后，计算相位锁定值PLV：

$PLV=\left|\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{e}^{i\mathrm{\Δ}\mathrm{\φ}}\right|---\left(13\right)$

即某个时间窗内所有e^iΔφ在时间上的平均，N为时间窗内e^iΔφ的个数，当相位差为定值即相位同步时，PLV＝1；当相位差在[0,2π]之间随机分布时，PLV＝0；由此，得到第5个特征向量F5＝(PLV₁,PLV₂,…,PLV_L)’；

最后，得到最终的同步性特征矩阵：

${\mathrm{FF}}_{L,5}=(F1,F2,F3,F4,F5)=\left(\begin{array}{ccccc}{C}_{1}xy& {\mathrm{Coh}}_{VLF}^1& {\mathrm{Coh}}_{LF}^1& {\mathrm{Coh}}_{HF}^1& {\mathrm{PLV}}_1\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ C_{k}xy& {\mathrm{Coh}}_{VLF}^k& {\mathrm{Coh}}_{LF}^k& {\mathrm{Coh}}_{HF}^k& {\mathrm{PLV}}_k\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ C_{L}xy& {\mathrm{Coh}}_{VLF}^L& {\mathrm{Coh}}_{LF}^L& {\mathrm{Coh}}_{HF}^L& {\mathrm{PLV}}_L\end{array}\right)---\left(14\right)$

(4)特征权重调整

采用Fisher判别率评估每个特征的可分性，通过计算最终得到5个特征的FDR值，根据FDR值的大小，给每个特征分配相应的权重值w_i；

(5)使用支持向量机SVM建立情绪识别模型，识别用户当前的情绪状态。