CN108523906A - 基于脉搏特征的人格分析方法和系统、存储介质 - Google Patents
基于脉搏特征的人格分析方法和系统、存储介质 Download PDFInfo
- Publication number
- CN108523906A CN108523906A CN201810395844.9A CN201810395844A CN108523906A CN 108523906 A CN108523906 A CN 108523906A CN 201810395844 A CN201810395844 A CN 201810395844A CN 108523906 A CN108523906 A CN 108523906A
- Authority
- CN
- China
- Prior art keywords
- user
- personality
- pulse signal
- emotion
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于脉搏特征的人格分析方法和系统、存储介质,该方法包括:获取待测用户在预设的情感刺激源刺激下的脉搏信号;确定所述脉搏信号的时域统计特征和频域统计特征;将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。本发明基于脉搏信号进行人格分析,能够提高人格分析的准确性。
Description
技术领域
本发明涉及人格分析技术领域,具体涉及一种基于脉搏特征的人格分析方法和系统、存储介质。
背景技术
目前,人格分析被广泛应用于人才选拔、心理咨询和职业咨询等领域。现有技术中有基于社交媒体的人格分析方法,由于社交媒体上展示的信息的可信度不高,导致分析出的人格的准确度并不高。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于脉搏特征的人格分析方法和系统、存储介质,能够提高人格分析的准确性。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供一种基于脉搏特征的人格分析方法,包括:
获取待测用户在预设的情感刺激源刺激下的脉搏信号;
确定所述脉搏信号的时域统计特征和频域统计特征;
将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;
将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。
本发明还提供一种基于脉搏特征的人格分析系统,包括:
信号获取模块,用于获取待测用户在预设的情感刺激源刺激下的脉搏信号;
特征确定模块,用于确定所述脉搏信号的时域统计特征和频域统计特征;
情感分析模块,用于将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;
人格分析模块,用于将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,在处理器执行所述计算机程序时可实现上述方法。
(三)有益效果
本发明实施例提供的基于脉搏特征的人格分析方法和系统、存储介质,待测用户在情感刺激源的刺激下产生不同的情感,进而影响待测用户的脉搏信号,进而基于脉搏信号,预测出待测用户的情感特征,进而根据情感特征分析出待测用户的人格特征。由于脉搏信号相对于社交媒体信息更加真实,因此本发明能够提高人格分析的准确性。而且,本发明分析出的人格特征不只有强弱的区别,能够比较科学的分析出待测用户的真实情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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是本发明一实施例中基于脉搏特征的人格分析方法的流程示意图;
图2是本发明一实施例中情感刺激源的示意图;
图3是本发明一实施例中基于脉搏特征的人格分析系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,本发明提供一种基于脉搏特征的人格分析方法,如图1所示,该方法包括:
S101、获取待测用户在预设的情感刺激源刺激下的脉搏信号;
其中,情感刺激源可以包括视频刺激源,所述视频刺激源由多个视频片段以及设置在每一视频片段之前的平静片段所组成,所述多个视频片段能够激发用户的多种情感。
举例来说,如图2所示,从多个片断中精心挑选剪辑出适合激发青年人情感的19个电影片段,这19个片段组成一次实验,一次实验可以激发出六种情感,依次为高兴、惊奇、厌恶、悲伤、愤怒、恐惧。一个片段大约3分钟左右,平静片段是为了让待测用户在每次激发情感前处于平静状态,并且记录下待测用户的脉搏信号作为基线。另外,一段情绪的激发一般在后面才会有效,所以可获取一段视频片段的播放过程的后50秒所对应的脉搏信号,而不是获取一段视频片段的整个播放过程所对应的脉搏信号。
当然,情感刺激源还可以包括其他刺激源,例如,声音刺激源等。
当待测用户观看视频片段前,可以为其佩戴上专业采集脉搏信号的工具,采集并记录下脉搏信号。在采集脉搏信号时,可以每秒提取120次,于是每秒得到120个数据点。如果一个待测用户观看一个视频片段后,可以获取到50*120个数据点。
在实际应用时,还可以在根据获取的脉搏信号进行后续处理之前进行归一化处理、滤波处理等预处理操作。
进行归一化处理的原因是:脉搏信号的基础水平的个体差异很大,不同的人的脉搏信号各不相同,甚至同一个人在不同时间、不同环境下都会有所不同。为了研究不同的人脉搏信号与情感之间的关系,需要去除每个用户脉搏信号的基础水平差异,也就是个体差异性,才能研究出脉搏信号的某些内在特征随着情感不同产生的变化。
具体归一化的过程包括:将所述待测用户在每一个视频片段刺激下的脉搏信号与对应的基准信号作差,得到归一化的脉搏信号;其中,所述基准信号为所述待测用户在该视频片段所对应的平静片段下的脉搏信号的均值。
例如,将待测用户在观看第一个视频片段过程的后50s的6000个数据点分别减去待测用户在观看第一个视频片段之前的平静片段的所有脉搏信号的均值,得到6000个归一化的脉搏信号,这样便去除了个体差异。
进行滤波处理的原因是外界很微弱的干扰经过放大器后产生很大的干扰,甚至淹没有用信号。人体的脉搏信号的频率成分主要分布在0-20HZ之间,且最高频率不超过40HZ,因此可以Notch滤波器对信号进行滤波,截至频率设置为40HZ,去除高频噪声,保留有用信息。Notch滤波器即陷波滤波器,是一种带阻滤波器,被广泛应用于抑制混在生物信号中的工频干扰。
当然,对于信号完全被噪声淹没的情况,则截取丢弃这些没有价值的数据。
S102、确定所述脉搏信号的时域统计特征和频域统计特征;
该步骤可以从时域和频域两个方面来确定脉搏信号的特征:
时域:
所述时域统计特征包括所述脉搏信号的均值、中值、标准差、最大值和最小值中的至少一个,所述脉搏信号的一阶差分处理结果的均值和标准差的至少一个,和/或,所述脉搏信号的二阶差分结果的均值和标准差的至少一个。也就是说,时域统计特征包括脉搏信号本身的一些统计值、一阶差分结果的一些统计值和/或二阶差分结果的一些统计值。其中,一阶差分体现了信号的变化趋势和变化快慢,如果对一阶差分取了绝对值,就忽略了变化的趋势,而只考虑变化快慢。一阶差分可以用来检测信号局部的极值点,二阶差分可以用来检测信号局部的拐点,进而便于获取脉搏信号的特征。
频域:
在时域中看不到的信息,如信号的频率变化信息,经过傅立叶变换后,在频域就可以清楚的看到。傅里叶变换分为连续和离散两种情况。我们要处理离散的数值,就要进行离散傅里叶变换(DFT)。但离散变换的计算量太大,很难实时处理问题,因此我们使用快速傅里叶变换,使得运算效率得到很大的提高。具体为:对所述脉搏信号进行快速傅里叶变换,并将变换结果的均值、中值和标准差中的至少一个作为所述频域统计特征。
S103、将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;
情感预测模型是预先训练的,其训练过程可以包括如下步骤S201~S204:
S201、获取多个用户所述情感刺激源刺激下的脉搏信号;
由于训练采用的数据量越大,训练得到的模型的预测能力越准确,因此用户的数量越多越好,例如,100个用户。
获取每一个用户在情感刺激源刺激下的脉搏信号的过程可以参考上述步骤S101,这里不再赘述。
S202、确定所述多个用户中每一用户在所述情感刺激源中每一个视频片段刺激下的脉搏信号的时域统计特征和频域统计特征,并获取该用户在该视频片段刺激后的情感特征;
该步骤中确定每一个用户在每一个视频片段刺激下的脉搏信号的时域统计特征和频域统计特征的过程,可以参考上述步骤S102,此处不再赘述。
举例来说,可以为每一个用户提供一个情绪主观报告表,如图2所示,每一个用户在观看完一个视频片段之后,在报告表中填写观看完该段视频的情绪信息,报告表中有六种情绪:高兴、惊奇、厌恶、悲伤、愤怒、恐惧,因此可以从情绪主观报告表中获取用户在该视频片段刺激后的情感特征。情感特征可以采用向量的形式表示,例如,[0,0,0,1,1,0],其含义是一个用户在看完一个视频片段后产生了悲伤和愤怒的情绪。
S203、将所述多个用户中每一用户在每一视频片段刺激下的脉搏信号的时域统计特征和频域统计特征作为一条第一训练样本,并将该用户在该视频片段刺激下的情感特征作为该条第一训练样本的情感标签,根据所述多个用户对应的所述第一训练样本和所述情感标签,构建情感训练数据库;
该步骤为构建情感训练数据库的过程,一条训练样本中包括一个用户在一个视频片段刺激下的脉搏信号的时域统计特征和频域统计特征,一条第一训练样本具有一个情感标签。
例如,视频刺激源中包括19个电影片段,因此一个用户在观看完19个电影片段之后,会产生19条第一训练样本,也会产生19个情感特征。
将大量用户所产生的大量的第一训练样本以及对应的情感标签形成情感训练数据库。
S204、基于所述情感训练数据库,采用支持向量机进行模型训练,得到所述情感预测模型。
具体过程可以包括:
将情感训练数据库中的第一训练样本和对应的情感标签按照libsvm要求的格式排列好。用svmscale对第一训练样本和对应的情感标签进行正则化,使数据均落到[-1,1]范围内。使用grid.py交叉验证选择最佳参数c与g,接着svmtrain使用获取的最佳参数c与g、线性分类器、RBF核函数对整个情感训练数据库中的第一训练样本进行训练,得到支持向量机模型参数。训练完之后,结果保存为.model模型文件,便得到了六个分类器,也就是六种情感的预测模型。
基于以上步骤S201~S204,可以得到情感预测模型,进而将待测用户的时域统计特征和频域统计特征输入情感预测模型,进而得到待测用户的情感特征。
S104、将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。
人格预测模型是预先训练的,其训练过程可以包括如下步骤S301~S303:
S301、获取所述多个用户中每一用户的人格特征;
举例来说,在对多个用户进行完脉搏实验后,可以为每一个用户提供一个大五人格测试的人格评估测试表,用户在人格评估测试表中填写有关人格测试的信息,进而针对用户所填内容分析出用户的五种人格:神经质性(Neuroticism)、外向性(Extroversion)、开放性(Openness)、随和性(Agreeableness)、尽责性(Conscientiousness)。因此可以根据用户填写的人格评估测试表确定用户的人格特征。其中,人格特征与情感特征类似,也可以采用向量的形式表示。
S302、将所述多个用户中每一用户在所述多个视频片段刺激下的多个情感特征作为一条第二训练样本,并将该用户的人格特征作为该条第二训练样本的人格标签,根据所述多个用户对应的所述第二训练样本和所述人格标签,构建人格训练数据库;
例如,视频刺激源中包括19个电影片段,因此一个用户在观看完19个电影片段之后,会产生19个情感特征,这19个情感特征形成一条第二训练样本。一条第二训练样本与一个人格标签相对应。
S303、基于所述人格训练数据库,采用深度学习的方式进行模型训练,得到所述人格测试模型。
具体过程可以包括:
将所述情感训练数据库分为五个子库,一个子库对应一种人格。将每个子库中的第二训练样本按照8:2的比例划分训练集和验证集,使用基于theano的keras库训练多层感知机模型,包含四层全连接层和一层sigmoid层。将训练样本作为输入数据进行训练,训练过程包括前向训练和后向训练。前向训练过程为自下而上的非监督学习,即从底层开始,一层一层的往顶层训练,训练过程中,训练学习得到第n-1层参数后,将n-1层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数;后向训练过程为自上而下的监督学习,即训练误差自顶向下传输,对参数进行微调。训练完成后,得到五个model.pkl模型文件,分别对应五种人格。
基于S301~S303,可以得到人格预测模型,将待测用户的情感特征输入人格预测模型中,便可以得到待测用户的五种人格的值,这五种人格的值形成一向量即待测用户的人格特征。
本发明提供的人格分析方法,待测用户在情感刺激源的刺激下产生不同的情感,进而影响待测用户的脉搏信号,进而基于脉搏信号,预测出待测用户的情感特征,进而根据情感特征分析出待测用户的人格特征。由于脉搏信号相对于社交媒体信息更加真实,因此本发明能够提高人格分析的准确性。而且,本发明分析出的人格特征不只有强弱的区别,能够比较科学的分析出待测用户的真实情况。
本发明还提供一种基于脉搏特征的人格分析系统,如图3所示,该系统包括:
信号获取模块,用于获取待测用户在预设的情感刺激源刺激下的脉搏信号;
特征确定模块,用于确定所述脉搏信号的时域统计特征和频域统计特征;
情感分析模块,用于将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;
人格分析模块,用于将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。
在一些实施例中,所述情感刺激源包括视频刺激源,所述视频刺激源由多个视频片段以及设置在每一视频片段之前的平静片段所组成,所述多个视频片段能够激发用户的多种情感。
在一些实施例中,所述系统还包括:
归一化模块,用于在特征确定模块确定所述脉搏信号的时域统计特征和频域统计特征之前,将所述待测用户在每一个视频片段刺激下的脉搏信号与对应的基准信号作差,得到归一化的脉搏信号;其中,所述基准信号为所述待测用户在该视频片段所对应的平静片段下的脉搏信号的均值。
在一些实施例中,所述系统还包括:
第一模型构建模块,用于构建情感预测模型,具体包括:获取多个用户所述情感刺激源刺激下的脉搏信号;确定所述多个用户中每一用户在所述情感刺激源中每一个视频片段刺激下的脉搏信号的时域统计特征和频域统计特征,并获取该用户在该视频片段刺激后的情感特征;将所述多个用户中每一用户在每一视频片段刺激下的脉搏信号的时域统计特征和频域统计特征作为一条第一训练样本,并将该用户在该视频片段刺激下的情感特征作为该条第一训练样本的情感标签,根据所述多个用户对应的所述第一训练样本和所述情感标签,构建情感训练数据库;基于所述情感训练数据库,采用支持向量机进行模型训练,得到所述情感预测模型。
在一些实施例中,所述系统还包括:
第二模型构建模型,用于构建所述人格预测模型的,具体包括:获取所述多个用户中每一用户的人格特征;将所述多个用户中每一用户在所述多个视频片段刺激下的多个情感特征作为一条第二训练样本,并将该用户的人格特征作为该条第二训练样本的人格标签,根据所述多个用户对应的所述第二训练样本和所述人格标签,构建人格训练数据库;基于所述人格训练数据库,采用深度学习的方式进行模型训练,得到所述人格测试模型。
在一些实施例中,所述系统还包括:
滤波模块,用于在所述特征确定模块确定所述脉搏信号的时域统计特征和频域统计特征之前,采用陷波滤波器对所述脉搏信号进行滤波处理;其中,所述陷波滤波器的截止频率为40HZ。
在一些实施例中,所述时域统计特征包括所述脉搏信号的均值、中值、标准差、最大值和最小值中的至少一个,所述脉搏信号的一阶差分处理结果的均值和标准差的至少一个,和/或,所述脉搏信号的二阶差分结果的均值和标准差的至少一个。
在一些实施例中,特征确定模块具体用于:对所述脉搏信号进行快速傅里叶变换,并将变换结果的均值、中值和标准差中的至少一个作为所述频域统计特征。
可理解的是,本发明提供的人格分析系统与本发明提供的人格分析方法相对应,其有关内容的解释、举例和有益效果等部分可以参考人格分析方法中的相应部分,此处不再赘述。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,在处理器执行所述计算机程序时可实现上述人格分析方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于脉搏特征的人格分析方法,其特征在于,包括:
获取待测用户在预设的情感刺激源刺激下的脉搏信号;
确定所述脉搏信号的时域统计特征和频域统计特征;
将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;
将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。
2.根据权利要求1所述的方法,其特征在于,所述情感刺激源包括视频刺激源,所述视频刺激源由多个视频片段以及设置在每一视频片段之前的平静片段所组成,所述多个视频片段能够激发用户的多种情感。
3.根据权利要求2所述的方法,其特征在于,所述确定所述脉搏信号的时域统计特征和频域统计特征之前,所述方法还包括:
将所述待测用户在每一个视频片段刺激下的脉搏信号与对应的基准信号作差,得到归一化的脉搏信号;其中,所述基准信号为所述待测用户在该视频片段所对应的平静片段下的脉搏信号的均值。
4.根据权利要求2所述的方法,其特征在于,所述情感预测模型的构建过程包括:
获取多个用户所述情感刺激源刺激下的脉搏信号;
确定所述多个用户中每一用户在所述情感刺激源中每一个视频片段刺激下的脉搏信号的时域统计特征和频域统计特征,并获取该用户在该视频片段刺激后的情感特征;
将所述多个用户中每一用户在每一视频片段刺激下的脉搏信号的时域统计特征和频域统计特征作为一条第一训练样本,并将该用户在该视频片段刺激下的情感特征作为该条第一训练样本的情感标签,根据所述多个用户对应的所述第一训练样本和所述情感标签,构建情感训练数据库;
基于所述情感训练数据库,采用支持向量机进行模型训练,得到所述情感预测模型。
5.根据权利要求4所述的方法,其特征在于,所述人格预测模型的构建过程包括:
获取所述多个用户中每一用户的人格特征;
将所述多个用户中每一用户在所述多个视频片段刺激下的多个情感特征作为一条第二训练样本,并将该用户的人格特征作为该条第二训练样本的人格标签,根据所述多个用户对应的所述第二训练样本和所述人格标签,构建人格训练数据库;
基于所述人格训练数据库,采用深度学习的方式进行模型训练,得到所述人格测试模型。
6.根据权利要求1~5任一项所述的方法,其特征在于,所述确定所述脉搏信号的时域统计特征和频域统计特征之前,所述方法还包括:采用陷波滤波器对所述脉搏信号进行滤波处理;其中,所述陷波滤波器的截止频率为40HZ。
7.根据权利要求1~5任一项所述的方法,其特征在于,所述时域统计特征包括所述脉搏信号的均值、中值、标准差、最大值和最小值中的至少一个,所述脉搏信号的一阶差分处理结果的均值和标准差的至少一个,和/或,所述脉搏信号的二阶差分结果的均值和标准差的至少一个。
8.根据权利要求1~5任一项所述的方法,其特征在于,确定所述脉搏信号的频域统计特征,包括:
对所述脉搏信号进行快速傅里叶变换,并将变换结果的均值、中值和标准差中的至少一个作为所述频域统计特征。
9.一种基于脉搏特征的人格分析系统,其特征在于,包括:
信号获取模块,用于获取待测用户在预设的情感刺激源刺激下的脉搏信号;
特征确定模块,用于确定所述脉搏信号的时域统计特征和频域统计特征;
情感分析模块,用于将所述时域统计特征和所述频域统计特征输入预先训练的情感预测模型中,得到所述待测用户的情感特征;
人格分析模块,用于将所述情感特征输入预先训练的人格预测模型中,得到所述待测用户的人格特征。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,在处理器执行所述计算机程序时可实现权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810395844.9A CN108523906A (zh) | 2018-04-27 | 2018-04-27 | 基于脉搏特征的人格分析方法和系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810395844.9A CN108523906A (zh) | 2018-04-27 | 2018-04-27 | 基于脉搏特征的人格分析方法和系统、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108523906A true CN108523906A (zh) | 2018-09-14 |
Family
ID=63473607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810395844.9A Pending CN108523906A (zh) | 2018-04-27 | 2018-04-27 | 基于脉搏特征的人格分析方法和系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108523906A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109171774A (zh) * | 2018-09-30 | 2019-01-11 | 合肥工业大学 | 基于多通道数据的人格分析方法和系统 |
CN109711291A (zh) * | 2018-12-13 | 2019-05-03 | 合肥工业大学 | 基于眼睛凝视热力图的人格预测方法 |
CN110652294A (zh) * | 2019-09-16 | 2020-01-07 | 清华大学 | 基于脑电信号的创造力人格特质测量方法及装置 |
CN117122320A (zh) * | 2022-12-14 | 2023-11-28 | 广州数化智甄科技有限公司 | 情绪数据基准化处理方法、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022929A (zh) * | 2015-08-07 | 2015-11-04 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的认知准确度分析方法 |
CN105796118A (zh) * | 2014-12-28 | 2016-07-27 | 天津心康科技发展有限公司 | 一种无创情绪分析方法 |
CN106419936A (zh) * | 2016-09-06 | 2017-02-22 | 深圳欧德蒙科技有限公司 | 一种基于脉搏波时间序列分析的情绪分类方法及装置 |
CN107894837A (zh) * | 2017-11-28 | 2018-04-10 | 合肥工业大学 | 动态情感分析模型样本处理方法及装置 |
CN107918487A (zh) * | 2017-10-20 | 2018-04-17 | 南京邮电大学 | 一种基于皮肤电信号识别中文情感词的方法 |
-
2018
- 2018-04-27 CN CN201810395844.9A patent/CN108523906A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105796118A (zh) * | 2014-12-28 | 2016-07-27 | 天津心康科技发展有限公司 | 一种无创情绪分析方法 |
CN105022929A (zh) * | 2015-08-07 | 2015-11-04 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的认知准确度分析方法 |
CN106419936A (zh) * | 2016-09-06 | 2017-02-22 | 深圳欧德蒙科技有限公司 | 一种基于脉搏波时间序列分析的情绪分类方法及装置 |
CN107918487A (zh) * | 2017-10-20 | 2018-04-17 | 南京邮电大学 | 一种基于皮肤电信号识别中文情感词的方法 |
CN107894837A (zh) * | 2017-11-28 | 2018-04-10 | 合肥工业大学 | 动态情感分析模型样本处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
RAMANATHAN SUBRAMANIAN等: "ASCERTAIN: Emotion and Personality Recognition Using Commercial Sensors", 《IEEE TRANSACTIONS ON AFFECTIVE COMPUTING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109171774A (zh) * | 2018-09-30 | 2019-01-11 | 合肥工业大学 | 基于多通道数据的人格分析方法和系统 |
CN109711291A (zh) * | 2018-12-13 | 2019-05-03 | 合肥工业大学 | 基于眼睛凝视热力图的人格预测方法 |
CN110652294A (zh) * | 2019-09-16 | 2020-01-07 | 清华大学 | 基于脑电信号的创造力人格特质测量方法及装置 |
CN110652294B (zh) * | 2019-09-16 | 2020-08-25 | 清华大学 | 基于脑电信号的创造力人格特质测量方法及装置 |
CN117122320A (zh) * | 2022-12-14 | 2023-11-28 | 广州数化智甄科技有限公司 | 情绪数据基准化处理方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108630299A (zh) | 基于皮肤电阻特征的人格分析方法和系统、存储介质 | |
Norman-Haignere et al. | Neural responses to natural and model-matched stimuli reveal distinct computations in primary and nonprimary auditory cortex | |
CN108523906A (zh) | 基于脉搏特征的人格分析方法和系统、存储介质 | |
Lee et al. | Sample-level deep convolutional neural networks for music auto-tagging using raw waveforms | |
López-de-Ipiña et al. | Feature selection for spontaneous speech analysis to aid in Alzheimer's disease diagnosis: A fractal dimension approach | |
Brodie et al. | Automated species identification of frog choruses in environmental recordings using acoustic indices | |
Bailes et al. | Comparative time series analysis of perceptual responses to electroacoustic music | |
Zhang | Music feature extraction and classification algorithm based on deep learning | |
Ribes et al. | A method for regional climate change detection using smooth temporal patterns | |
Brown et al. | Automatic rain and cicada chorus filtering of bird acoustic data | |
de Almeida Cardoso et al. | A clustering-based strategy for automated structural modal identification | |
Butterfield et al. | Prediction of leak flow rate in plastic water distribution pipes using vibro-acoustic measurements | |
Lu et al. | Fault diagnosis of rolling bearing based on resonance-based sparse signal decomposition with optimal Q-factor | |
Cai | Fault diagnosis of rolling bearing based on empirical mode decomposition and higher order statistics | |
Long et al. | Denoising of seismic signals based on empirical mode decomposition-wavelet thresholding | |
Zheng et al. | Deep neural networks design and analysis for automatic phase pickers from three-component microseismic recordings | |
Fan et al. | Compound fault diagnosis of rolling element bearings using multipoint sparsity–multipoint optimal minimum entropy deconvolution adjustment and adaptive resonance-based signal sparse decomposition | |
Chen et al. | Health condition monitoring of bearings based on multifractal spectrum feature with modified empirical mode decomposition-multifractal detrended fluctuation analysis | |
Valentine et al. | Approaches to automated data selection for global seismic tomography | |
Yu et al. | Modeling micro-interactions in self-regulated learning: A data-driven methodology | |
CN115273904A (zh) | 一种基于多特征融合的愤怒情绪识别方法及装置 | |
Nodera et al. | Classification of needle‐EMG resting potentials by machine learning | |
Lee et al. | A single microphone noise reduction algorithm based on the detection and reconstruction of spectro-temporal features | |
Bolaers et al. | Comparison of denoising methods for the early detection of fatigue bearing defects by vibratory analysis | |
Fuss | A robust algorithm for optimisation and customisation of fractal dimensions of time series modified by nonlinearly scaling their time derivatives: Mathematical theory and practical applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
RJ01 | Rejection of invention patent application after publication |