CN110025323B - 一种婴幼儿情绪识别方法 - Google Patents
一种婴幼儿情绪识别方法 Download PDFInfo
- Publication number
- CN110025323B CN110025323B CN201910316711.2A CN201910316711A CN110025323B CN 110025323 B CN110025323 B CN 110025323B CN 201910316711 A CN201910316711 A CN 201910316711A CN 110025323 B CN110025323 B CN 110025323B
- Authority
- CN
- China
- Prior art keywords
- emotion
- infant
- signal
- signals
- physiological
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
Abstract
本发明公开了一种婴幼儿情绪识别方法,包括步骤:一、确定婴幼儿情绪种类并构建婴幼儿相应情绪下婴幼儿机体标准生理信号库;二、婴幼儿机体生理信号的采集;三、婴幼儿机体生理信号的去噪;四、去噪后的婴幼儿机体生理有效测量信号的归一化处理;五、去噪后的婴幼儿机体的生理归一化有效测量信号的相似性关联;六、确定婴幼儿机体的每一类生理信号的权重;七、数据融合;八、婴幼儿情绪识别。本发明通过婴幼儿机体生理信号的采集、去噪、归一化处理,与预先构建的相应情绪下婴幼儿机体标准生理信号库进行相似性关联,并为婴幼儿机体的每一类生理信号配置合理权重,最后通过数据融合筛选出最小值,根据最小值对应的情绪确定婴幼儿情绪。
Description
技术领域
本发明属于婴幼儿情绪识别技术领域,具体涉及一种婴幼儿情绪识别方法。
背景技术
现代社会,很多父母迫于生活和工作的压力不得不把自己的孩子送进托儿所或者幼儿园或者请保姆照看,不在身边时,所以他们非常想要了解自己的孩子在托儿所或者幼儿园的生活状态,他们是高兴、悲伤、愤怒、还是愉悦等等。可由于现实的条件限制,婴幼儿的父母无法时刻了解自己孩子的情绪发生了什么样的变化。而且与成年人相比,婴幼儿由于年龄较小不能完整清晰的表达出自己的情绪,所以一种可以识别出孩子情绪的方法就显得尤为重要。詹姆斯—兰格情绪理论认为人的情绪变化和机体内部生理变化是有直接关系的。比如说愤怒比高兴引起更多的心率增加;悲伤或者愉悦时,皮肤温度都会上升,但是人在情绪悲伤时的皮肤温度比愉悦时的皮肤温度要低一些;厌恶和恐惧情绪比高兴情绪更容易引起皮肤电导的升高。研究人员通过实验发现,人的心脏、神经肌肉、呼吸深度和频率以及皮肤电也随着情绪的变化而变化。例如,人在愤怒时,呼吸短促,频率增加,而在悲伤时,呼吸相对平缓,频率降低。由于情绪过程中,总是伴有这样生理活动的变化,因此我们可以用这样的生理变化来判断婴幼儿的情绪反应状态。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种婴幼儿情绪识别方法,利用传感器采集婴幼儿心电信号、肌电信号、呼吸信号和皮电信号,利用微控制器进行数据接收并处理,便于婴幼儿携带,实时对婴幼儿情绪进行监测,通过婴幼儿机体生理信号的去噪、归一化处理,与预先构建的相应情绪下婴幼儿机体标准生理信号库进行相似性关联,并为婴幼儿机体的每一类生理信号配置合理权重,最后通过数据融合筛选出最小值,根据最小值对应的情绪确定婴幼儿情绪,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种婴幼儿情绪识别方法,其特征在于,该方法包括以下步骤:
步骤一、确定婴幼儿情绪种类并构建婴幼儿相应情绪下婴幼儿机体标准生理信号库:将婴幼儿情绪分为高兴、愤怒、悲伤和愉悦,将高兴的情绪视为第一种情绪,将愤怒的情绪视为第二种情绪,将悲伤的情绪视为第三种情绪,将愉悦的情绪视为第四种情绪,通过德国Augsburg大学公开的生理信号数据建立婴幼儿相应情绪下婴幼儿机体标准生理信号库,婴幼儿机体标准生理信号库包括高兴情绪下心电信号集、高兴情绪下肌电信号集、高兴情绪下呼吸信号集、高兴情绪下皮电信号集、愤怒情绪下心电信号集、愤怒情绪下肌电信号集、愤怒情绪下呼吸信号集、愤怒情绪下皮电信号集、悲伤情绪下心电信号集、悲伤情绪下肌电信号集、悲伤情绪下呼吸信号集、悲伤情绪下皮电信号集、愉悦情绪下心电信号集、愉悦情绪下肌电信号集、愉悦情绪下呼吸信号集和愉悦情绪下皮电信号集;各个信号集中均包含I个采样点,其中,I为不小于800的正整数;
步骤二、婴幼儿机体生理信号的采集:利用心电传感器采集婴幼儿心电信号,利用肌电传感器采集婴幼儿肌电信号,利用呼吸检测传感器采集婴幼儿呼吸信号,利用皮电传感器采集婴幼儿皮电信号,利用微控制器对心电传感器、肌电传感器、呼吸检测传感器和皮电传感器采集的数据分别进行接收并处理;
将心电信号视为第一类生理信号,将肌电信号视为第二类生理信号,将呼吸信号视为第三类生理信号,将皮电信号视为第四类生理信号;
步骤三、婴幼儿机体生理信号的去噪,过程如下:
步骤301、根据公式|yk,P-yk,p+1|≤εk,对采集的各类婴幼儿机体生理信号进行去噪,其中,yk,P为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号内第P个有效测量信号的测量值,yk,p+1为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第1个测量信号的测量值,k为正整数且k取1、2、3、4,p为不小于4的正整数,P为正整数且P=1,2,…,p,εk为第k类生理信号各有效信号之间的差值阈值;当|yk,P-yk,p+1|≤εk成立时,执行步骤302;当|yk,P-yk,p+1|≤εk不成立时,执行步骤303;
步骤302、当|yk,P-yk,p+1|≤εk成立时,则说明yk,p+1为同一时间段内采集婴幼儿机体的第k类生理信号的有效信号,保留yk,p+1,并利用yk,p+1更新yk,P,使yk,p+1替换掉yk,1,此时将yk,2视为新的yk,1,将yk,3视为新的yk,2,以此类推直至将yk,p+1视为新的yk,P,保持yk,P中始终具有p个有效测量信号,循环步骤301,直至同一时间段内采集婴幼儿机体的第k类生理信号的有效测量信号为I个;
步骤303、当|yk,P-yk,p+1|≤εk不成立时,则说明yk,p+1为同一时间段内采集婴幼儿机体的第k类婴幼儿机体生理信号的无效信号,舍弃yk,p+1,将同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第2个测量信号视为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第1个测量信号,循环步骤301;
步骤四、去噪后的婴幼儿机体生理有效测量信号的归一化处理:根据公式计算去噪后的婴幼儿机体的第i个第k类生理有效测量信号yk,i的归一化值Fk,i,其中,i为婴幼儿机体的各类生理有效测量信号的编号且i=1,2,…,I;
步骤五、去噪后的婴幼儿机体的生理归一化有效测量信号的相似性关联:根据公式计算第u种情绪下第k类生理信号的相似性度量Gu,k,其中,u为正整数且u取1、2、3、4,Bu,k,i为婴幼儿机体标准生理信号库中第u种情绪下第k类生理集中第i个采样点的归一化值;
步骤六、确定婴幼儿机体的每一类生理信号的权重,过程如下:
步骤601、利用本征向量法的原则构造重要度矩阵A,其中,重要度矩阵A为4×4的矩阵,akv为重要度矩阵A中第k行第v列的元素,v取1、2、3、4;a12×a21=a13×a31=a14×a41=a23×a32=a24×a42=a34×a43=1,a11=a22=a33=a44=1;
步骤606、根据公式λmax≤λ'max,检验重要度矩阵A的一致性,当λmax≤λ'max成立时,得到婴幼儿机体的每一类生理信号的权重ωk;当λmax≤λ'max不成立时,更新重要度矩阵A,循环步骤601,直至λmax≤λ'max成立;其中,λ'max为与重要度矩阵A同阶矩阵对应的临界值;
步骤八、婴幼儿情绪识别:对步骤七中的四个数据融合值进行从小到大排序,四个数据融合值中的最小值对应的情绪为婴幼儿情绪。
上述的一种婴幼儿情绪识别方法,其特征在于:步骤三中所述同一时间段的时间跨度为1min~3min。
上述的一种婴幼儿情绪识别方法,其特征在于:步骤三中所述p的取值为5~10。
上述的一种婴幼儿情绪识别方法,其特征在于:步骤六中所述重要度矩阵A同阶矩阵对应的临界值λ'max为4.07。
上述的一种婴幼儿情绪识别方法,其特征在于:步骤601中所述重要度矩阵步骤605中重要度矩阵A的最大本征值λmax为3.638,步骤603中婴幼儿机体的每一类生理信号的权重ωk=(0.3 0.384 0.287 0.029)。
上述的一种婴幼儿情绪识别方法,其特征在于:步骤二中所述呼吸检测传感器为PVDF压电薄膜传感器。
本发明与现有技术相比具有以下优点:
1、本发明利用传感器采集婴幼儿心电信号、肌电信号、呼吸信号和皮电信号,利用微控制器进行数据接收并处理,便于婴幼儿信号采集并适合婴幼儿携带,便于推广使用。
2、本发明通过德国Augsburg大学公开的生理信号数据建立婴幼儿相应情绪下婴幼儿机体标准生理信号库,为后续的婴幼儿生理信号比对确定精确的基础,各个信号集中均包含不小于800个采样点,为识别婴幼儿情绪提供可靠的数据趋势,可靠稳定,使用效果好。
3、本发明方法步骤简单,根据公式|yk,P-yk,p+1|≤εk,对采集的各类婴幼儿机体生理信号进行去噪,尽管现有的传感器精度已经较高了,但由于设备本身存在的误差和不稳定因素仍然会导致采集到的信号中有杂波存在,因此需要对采集到的信号进行点迹过滤,保留采集到的有效信号,舍弃无效信号,使用效果好,便于推广使用。
4、本发明利用采集测量信号与标准生理信号库中对应的信号集进行采样点一一比对,获取不同情绪下各类生理信号的相似性度量Gu,k,Gu,k的值越小,代表关联性越强,并为婴幼儿机体的每一类生理信号配置合理权重,最后通过数据融合筛选出最小值,根据最小值对应的情绪确定婴幼儿情绪,识别效率高。
综上所述,本发明利用传感器采集婴幼儿心电信号、肌电信号、呼吸信号和皮电信号,利用微控制器进行数据接收并处理,便于婴幼儿携带,实时对婴幼儿情绪进行监测,通过婴幼儿机体生理信号的去噪、归一化处理,与预先构建的相应情绪下婴幼儿机体标准生理信号库进行相似性关联,并为婴幼儿机体的每一类生理信号配置合理权重,最后通过数据融合筛选出最小值,根据最小值对应的情绪确定婴幼儿情绪,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明采用的数据传输设备的电路原理框图。
图2为本发明高兴情绪下婴幼儿机体标准生理信号库中的心电信号、肌电信号、呼吸信号和皮电信号的波形图。
图3为本发明愤怒情绪下婴幼儿机体标准生理信号库中的心电信号、肌电信号、呼吸信号和皮电信号的波形图。
图4为本发明悲伤情绪下婴幼儿机体标准生理信号库中的心电信号、肌电信号、呼吸信号和皮电信号的波形图。
图5为本发明愉悦情绪下婴幼儿机体标准生理信号库中的心电信号、肌电信号、呼吸信号和皮电信号的波形图。
具体实施方式
如图1至图5所示,本发明的一种婴幼儿情绪识别方法,包括以下步骤:
步骤一、确定婴幼儿情绪种类并构建婴幼儿相应情绪下婴幼儿机体标准生理信号库:将婴幼儿情绪分为高兴、愤怒、悲伤和愉悦,将高兴的情绪视为第一种情绪,将愤怒的情绪视为第二种情绪,将悲伤的情绪视为第三种情绪,将愉悦的情绪视为第四种情绪,通过德国Augsburg大学公开的生理信号数据建立婴幼儿相应情绪下婴幼儿机体标准生理信号库,婴幼儿机体标准生理信号库包括高兴情绪下心电信号集、高兴情绪下肌电信号集、高兴情绪下呼吸信号集、高兴情绪下皮电信号集、愤怒情绪下心电信号集、愤怒情绪下肌电信号集、愤怒情绪下呼吸信号集、愤怒情绪下皮电信号集、悲伤情绪下心电信号集、悲伤情绪下肌电信号集、悲伤情绪下呼吸信号集、悲伤情绪下皮电信号集、愉悦情绪下心电信号集、愉悦情绪下肌电信号集、愉悦情绪下呼吸信号集和愉悦情绪下皮电信号集;各个信号集中均包含I个采样点,其中,I为不小于800的正整数;
需要说明的是,通过德国Augsburg大学公开的生理信号数据建立婴幼儿相应情绪下婴幼儿机体标准生理信号库,为后续的婴幼儿生理信号比对确定精确的基础,各个信号集中均包含不小于800个采样点,为识别婴幼儿情绪提供可靠的数据趋势,本实施例中,以800个采样点为例,如图2至图5所示,ECG表示心电信号的波形,EMG表示肌电信号的波形,RSP表示呼吸信号的波形,SC表示皮电信号的波形,各个波形图对应的横坐标为采样点数,纵坐标为信号幅值,每个波形图中的点组成一个信号集。
步骤二、婴幼儿机体生理信号的采集:利用心电传感器采集婴幼儿心电信号,利用肌电传感器采集婴幼儿肌电信号,利用呼吸检测传感器采集婴幼儿呼吸信号,利用皮电传感器采集婴幼儿皮电信号,利用微控制器对心电传感器、肌电传感器、呼吸检测传感器和皮电传感器采集的数据分别进行接收并处理;
将心电信号视为第一类生理信号,将肌电信号视为第二类生理信号,将呼吸信号视为第三类生理信号,将皮电信号视为第四类生理信号;
需要说明的是,利用传感器采集婴幼儿心电信号、肌电信号、呼吸信号和皮电信号,利用微控制器进行数据接收并处理,便于婴幼儿信号采集并适合婴幼儿携带,本实施例中,步骤二中所述呼吸检测传感器为PVDF压电薄膜传感器,各个传感器便于集成在一个设备中,实际可采用手环或脚环将各个传感器集成,采集婴幼儿的生理信号。
步骤三、婴幼儿机体生理信号的去噪,过程如下:
步骤301、根据公式|yk,P-yk,p+1|≤εk,对采集的各类婴幼儿机体生理信号进行去噪,其中,yk,P为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号内第P个有效测量信号的测量值,yk,p+1为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第1个测量信号的测量值,k为正整数且k取1、2、3、4,p为不小于4的正整数,P为正整数且P=1,2,…,p,εk为第k类生理信号各有效信号之间的差值阈值;当|yk,P-yk,p+1|≤εk成立时,执行步骤302;当|yk,P-yk,p+1|≤εk不成立时,执行步骤303;
步骤302、当|yk,P-yk,p+1|≤εk成立时,则说明yk,p+1为同一时间段内采集婴幼儿机体的第k类生理信号的有效信号,保留yk,p+1,并利用yk,p+1更新yk,P,使yk,p+1替换掉yk,1,此时将yk,2视为新的yk,1,将yk,3视为新的yk,2,以此类推直至将yk,p+1视为新的yk,P,保持yk,P中始终具有p个有效测量信号,循环步骤301,直至同一时间段内采集婴幼儿机体的第k类生理信号的有效测量信号为I个;
步骤303、当|yk,P-yk,p+1|≤εk不成立时,则说明yk,p+1为同一时间段内采集婴幼儿机体的第k类婴幼儿机体生理信号的无效信号,舍弃yk,p+1,将同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第2个测量信号视为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第1个测量信号,循环步骤301;
本实施例中,步骤三中所述同一时间段的时间跨度为1min~3min。
本实施例中,步骤三中所述p的取值为5~10。
需要说明的是,根据公式|yk,P-yk,p+1|≤εk,对采集的各类婴幼儿机体生理信号进行去噪,尽管现有的传感器精度已经较高了,但由于设备本身存在的误差和不稳定因素仍然会导致采集到的信号中有杂波存在,因此需要对采集到的信号进行点迹过滤,保留采集到的有效信号,舍弃无效信号,使用效果好。
步骤四、去噪后的婴幼儿机体生理有效测量信号的归一化处理:根据公式计算去噪后的婴幼儿机体的第i个第k类生理有效测量信号yk,i的归一化值Fk,i,其中,i为婴幼儿机体的各类生理有效测量信号的编号且i=1,2,…,I;
步骤五、去噪后的婴幼儿机体的生理归一化有效测量信号的相似性关联:根据公式计算第u种情绪下第k类生理信号的相似性度量Gu,k,其中,u为正整数且u取1、2、3、4,Bu,k,i为婴幼儿机体标准生理信号库中第u种情绪下第k类生理集中第i个采样点的归一化值;
步骤六、确定婴幼儿机体的每一类生理信号的权重,过程如下:
步骤601、利用本征向量法的原则构造重要度矩阵A,其中,重要度矩阵A为4×4的矩阵,akv为重要度矩阵A中第k行第v列的元素,v取1、2、3、4;a12×a21=a13×a31=a14×a41=a23×a32=a24×a42=a34×a43=1,a11=a22=a33=a44=1;
步骤606、根据公式λmax≤λ'max,检验重要度矩阵A的一致性,当λmax≤λ'max成立时,得到婴幼儿机体的每一类生理信号的权重ωk;当λmax≤λ'max不成立时,更新重要度矩阵A,循环步骤601,直至λmax≤λ'max成立;其中,λ'max为与重要度矩阵A同阶矩阵对应的临界值;
本实施例中,步骤六中所述重要度矩阵A同阶矩阵对应的临界值λ'max为4.07。
步骤八、婴幼儿情绪识别:对步骤七中的四个数据融合值进行从小到大排序,四个数据融合值中的最小值对应的情绪为婴幼儿情绪。
本发明使用时,利用采集测量信号与标准生理信号库中对应的信号集进行采样点一一比对,获取不同情绪下各类生理信号的相似性度量Gu,k,Gu,k的值越小,代表关联性越强,并为婴幼儿机体的每一类生理信号配置合理权重,最后通过数据融合筛选出最小值,根据最小值对应的情绪确定婴幼儿情绪,识别效率高。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种婴幼儿情绪识别方法,其特征在于,该方法包括以下步骤:
步骤一、确定婴幼儿情绪种类并构建婴幼儿相应情绪下婴幼儿机体标准生理信号库:将婴幼儿情绪分为高兴、愤怒、悲伤和愉悦,将高兴的情绪视为第一种情绪,将愤怒的情绪视为第二种情绪,将悲伤的情绪视为第三种情绪,将愉悦的情绪视为第四种情绪,通过德国Augsburg大学公开的生理信号数据建立婴幼儿相应情绪下婴幼儿机体标准生理信号库,婴幼儿机体标准生理信号库包括高兴情绪下心电信号集、高兴情绪下肌电信号集、高兴情绪下呼吸信号集、高兴情绪下皮电信号集、愤怒情绪下心电信号集、愤怒情绪下肌电信号集、愤怒情绪下呼吸信号集、愤怒情绪下皮电信号集、悲伤情绪下心电信号集、悲伤情绪下肌电信号集、悲伤情绪下呼吸信号集、悲伤情绪下皮电信号集、愉悦情绪下心电信号集、愉悦情绪下肌电信号集、愉悦情绪下呼吸信号集和愉悦情绪下皮电信号集;各个信号集中均包含I个采样点,其中,I为不小于800的正整数;
步骤二、婴幼儿机体生理信号的采集:利用心电传感器采集婴幼儿心电信号,利用肌电传感器采集婴幼儿肌电信号,利用呼吸检测传感器采集婴幼儿呼吸信号,利用皮电传感器采集婴幼儿皮电信号,利用微控制器对心电传感器、肌电传感器、呼吸检测传感器和皮电传感器采集的数据分别进行接收并处理;
将心电信号视为第一类生理信号,将肌电信号视为第二类生理信号,将呼吸信号视为第三类生理信号,将皮电信号视为第四类生理信号;
步骤三、婴幼儿机体生理信号的去噪,过程如下:
步骤301、根据公式|yk,P-yk,p+1|≤εk,对采集的各类婴幼儿机体生理信号进行去噪,其中,yk,P为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号内第P个有效测量信号的测量值,yk,p+1为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第1个测量信号的测量值,k为正整数且k取1、2、3、4,p为不小于4的正整数,P为正整数且P=1,2,…,p,εk为第k类生理信号各有效信号之间的差值阈值;当|yk,P-yk,p+1|≤εk成立时,执行步骤302;当|yk,P-yk,p+1|≤εk不成立时,执行步骤303;
步骤302、当|yk,P-yk,p+1|≤εk成立时,则说明yk,p+1为同一时间段内采集婴幼儿机体的第k类生理信号的有效信号,保留yk,p+1,并利用yk,p+1更新yk,P,使yk,p+1替换掉yk,1,此时将yk,2视为新的yk,1,将yk,3视为新的yk,2,以此类推直至将yk,p+1视为新的yk,P,保持yk,P中始终具有p个有效测量信号,循环步骤301,直至同一时间段内采集婴幼儿机体的第k类生理信号的有效测量信号为I个;
步骤303、当|yk,P-yk,p+1|≤εk不成立时,则说明yk,p+1为同一时间段内采集婴幼儿机体的第k类婴幼儿机体生理信号的无效信号,舍弃yk,p+1,将同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第2个测量信号视为同一时间段内采集婴幼儿机体的第k类生理信号在连续的p个有效测量信号之后第1个测量信号,循环步骤301;
步骤四、去噪后的婴幼儿机体生理有效测量信号的归一化处理:根据公式计算去噪后的婴幼儿机体的第i个第k类生理有效测量信号yk,i的归一化值Fk,i,其中,i为婴幼儿机体的各类生理有效测量信号的编号且i=1,2,…,I;
步骤五、去噪后的婴幼儿机体的生理归一化有效测量信号的相似性关联:根据公式计算第u种情绪下第k类生理信号的相似性度量Gu,k,其中,u为正整数且u取1、2、3、4,Bu,k,i为婴幼儿机体标准生理信号库中第u种情绪下第k类生理集中第i个采样点的归一化值;
步骤六、确定婴幼儿机体的每一类生理信号的权重,过程如下:
步骤601、利用本征向量法的原则构造重要度矩阵A,其中,重要度矩阵A为4×4的矩阵,akv为重要度矩阵A中第k行第v列的元素,v取1、2、3、4;a12×a21=a13×a31=a14×a41=a23×a32=a24×a42=a34×a43=1,a11=a22=a33=a44=1;
步骤606、根据公式λmax≤λ'max,检验重要度矩阵A的一致性,当λmax≤λ'max成立时,得到婴幼儿机体的每一类生理信号的权重ωk;当λmax≤λ'max不成立时,更新重要度矩阵A,循环步骤601,直至λmax≤λ'max成立;其中,λ'max为与重要度矩阵A同阶矩阵对应的临界值;
步骤八、婴幼儿情绪识别:对步骤七中的四个数据融合值进行从小到大排序,四个数据融合值中的最小值对应的情绪为婴幼儿情绪。
2.按照权利要求1所述的一种婴幼儿情绪识别方法,其特征在于:步骤三中所述同一时间段的时间跨度为1min~3min。
3.按照权利要求1所述的一种婴幼儿情绪识别方法,其特征在于:步骤三中所述p的取值为5~10。
4.按照权利要求1所述的一种婴幼儿情绪识别方法,其特征在于:步骤六中所述重要度矩阵A同阶矩阵对应的临界值λ'max为4.07。
6.按照权利要求1所述的一种婴幼儿情绪识别方法,其特征在于:步骤二中所述呼吸检测传感器为PVDF压电薄膜传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316711.2A CN110025323B (zh) | 2019-04-19 | 2019-04-19 | 一种婴幼儿情绪识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316711.2A CN110025323B (zh) | 2019-04-19 | 2019-04-19 | 一种婴幼儿情绪识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110025323A CN110025323A (zh) | 2019-07-19 |
CN110025323B true CN110025323B (zh) | 2021-07-27 |
Family
ID=67239191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910316711.2A Active CN110025323B (zh) | 2019-04-19 | 2019-04-19 | 一种婴幼儿情绪识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110025323B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113116357A (zh) * | 2019-12-30 | 2021-07-16 | 华为技术有限公司 | 一种数据采集方法、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331490A (zh) * | 2005-09-12 | 2008-12-24 | 埃默迪弗系统股份有限公司 | 心理状态的检测和使用心理状态的互动 |
KR20150055133A (ko) * | 2013-11-11 | 2015-05-21 | 공주대학교 산학협력단 | 주관적 성향을 고려한 퍼지 적분 기반의 감성적 음악추천 시스템 |
CN105212949A (zh) * | 2015-08-25 | 2016-01-06 | 西南大学 | 一种使用皮肤电信号进行文化体验情感识别的方法 |
CN108363699A (zh) * | 2018-03-21 | 2018-08-03 | 浙江大学城市学院 | 一种基于百度贴吧的网民学业情绪分析方法 |
KR20180109227A (ko) * | 2017-03-27 | 2018-10-08 | (주)아크릴 | 감정 인식 방법 및 프로그램과, 감정 인식기 생성 방법 및 프로그램 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
-
2019
- 2019-04-19 CN CN201910316711.2A patent/CN110025323B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331490A (zh) * | 2005-09-12 | 2008-12-24 | 埃默迪弗系统股份有限公司 | 心理状态的检测和使用心理状态的互动 |
KR20150055133A (ko) * | 2013-11-11 | 2015-05-21 | 공주대학교 산학협력단 | 주관적 성향을 고려한 퍼지 적분 기반의 감성적 음악추천 시스템 |
CN105212949A (zh) * | 2015-08-25 | 2016-01-06 | 西南大学 | 一种使用皮肤电信号进行文化体验情感识别的方法 |
KR20180109227A (ko) * | 2017-03-27 | 2018-10-08 | (주)아크릴 | 감정 인식 방법 및 프로그램과, 감정 인식기 생성 방법 및 프로그램 |
CN108363699A (zh) * | 2018-03-21 | 2018-08-03 | 浙江大学城市学院 | 一种基于百度贴吧的网民学业情绪分析方法 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
Non-Patent Citations (3)
Title |
---|
A Review of Emotion Recognition Using Physiological Signals;Lin Shu等;《sensors》;20180628;1-41 * |
Automatic Speech Emotion Recognition Using Machine Learning;By Leila Kerkeni等;《IntechOpen》;20190325;1-16 * |
Multimodal fusion framework: A multiresolution approach for emotion classification and recognition from physiological signals;Gyanendra K. Verma等;《NeuroImage》;20131120;162-172 * |
Also Published As
Publication number | Publication date |
---|---|
CN110025323A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
CN107184198A (zh) | 一种心电信号分类识别方法 | |
CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
CN107890339B (zh) | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 | |
CN104135912B (zh) | 用于基于电阻抗测量确定生理参数的系统和方法 | |
CN107595256A (zh) | 一种多通道先天性心脏病快速筛选装置及其筛选方法 | |
CN110025323B (zh) | 一种婴幼儿情绪识别方法 | |
CN108324286B (zh) | 一种基于pca-narx校正算法的红外光无创血糖检测装置 | |
CN111317446B (zh) | 基于人体肌肉表面电信号的睡眠结构自动分析方法 | |
CN110200619A (zh) | 一种建立重大心血管疾病风险预警模型方法及装置 | |
CN115969369A (zh) | 一种大脑任务负荷识别方法、应用及设备 | |
CN111345801B (zh) | 一种基于粒子滤波的人体逐拍心率测量装置及方法 | |
CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计系统 | |
Tiwari et al. | Stress and anxiety measurement" in-the-wild" using quality-aware multi-scale hrv features | |
Gong et al. | Design and implementation of wearable dynamic electrocardiograph real-time monitoring terminal | |
CN113116328A (zh) | 一种基于心冲击图的心率检测方法 | |
Sá et al. | Automated breath detection on long-duration signals using feedforward backpropagation artificial neural networks | |
CN116089797A (zh) | 一种基于卷积神经网络的脉象识别方法和系统 | |
CN113100735B (zh) | 一种基于静脉血流图的血栓检测装置及方法 | |
CN114903475A (zh) | 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 | |
CN108378845A (zh) | 一种多功能麻醉科用麻醉深度监测装置 | |
CN114983359A (zh) | 一种基于ir-uwb雷达的生命体征检测方法 | |
CN114903445A (zh) | 一种心脑血管疾病智能监测预警系统 | |
Zhang et al. | Computerized radial artery pulse signal classification for lung cancer detection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |