CN111419250A - 一种基于脉搏波的情绪识别方法 - Google Patents
一种基于脉搏波的情绪识别方法 Download PDFInfo
- Publication number
- CN111419250A CN111419250A CN202010267615.6A CN202010267615A CN111419250A CN 111419250 A CN111419250 A CN 111419250A CN 202010267615 A CN202010267615 A CN 202010267615A CN 111419250 A CN111419250 A CN 111419250A
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- emotion recognition
- pulse
- pulse waves
- dimension
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- 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
-
- 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
Abstract
一种基于脉搏波的情绪识别方法,包括以下步骤:1)对原始脉搏波信号进行带通滤波,滤除原始脉搏波信号中0.4Hz以下的漂移信号和10Hz以上的噪声信号;2)提取脉搏波的时间特征、波形特征和频域特征;3)对提取的上述脉搏波特征进行降维;4)利用降维后的脉搏波特征,训练情绪识别模型。本发明通过随机抽样的人群的脉搏波数据训练情绪模型,从中分析出各种情绪的脉搏波信号模式,得到的模型为通用情绪识别模型,可用于大众人群的情绪识别;为了提高个体情绪识别的准确度,进一步使用个体的数据进行优化,通过训练得到个体的私人定制情绪识别模型,能够准确识别平静、愤怒、惊奇、恐惧、悲伤、厌恶、愉悦七种基本情绪。
Description
技术领域
本发明涉及生物医学领域心理学领域和机器学习领域,具体涉及一种基于脉搏波的情绪识别方法。
背景技术
现代人类面临着各种各样的学习、生活和工作压力,可能长时间处于负面情绪和亚心理健康状态。情绪识别有助于人们了解自己和亲朋的情绪,从而主动管理和调整情绪,对心理健康具有巨大价值。有研究认为情绪的决定因素是交感神经,而交感神经的活动水平可以通过心率变异性进行估计,心率变异性又可以通过分析脉搏波信号获得。因此,由脉搏波信号分析得到的心率变异性参数具有识别情绪的潜能。但是市场缺少有效地利用脉搏波更好的识别情绪的方法。
为了解决上述问题,特此提出本发明。
发明内容
本发明的目的在于提出了一种基于脉搏波的情绪识别方法,能够准确识别平静、愤怒、惊奇、恐惧、悲伤、厌恶、愉悦七种基本情绪。
为了实现上述目的,本发明采用如下技术方案:
一种基于脉搏波的情绪识别方法,包括以下步骤:
1)对原始脉搏波信号进行带通滤波,滤除原始脉搏波信号中0.4Hz以下的漂移信号和10Hz以上的噪声信号;
2)提取脉搏波的时间特征、波形特征和频域特征;
3)对提取的上述脉搏波特征进行降维;
4)利用降维后的脉搏波特征,训练情绪识别模型。
进一步的,所述脉搏波的时间特征包括脉搏波的脉率、降中波峰与主峰的时间间隔、降中峡与主峰的时间间隔、脉搏波升支时间长度、脉搏波的降支时间长度。
进一步的,所述脉搏波的波形特征包含降中峡高度占主峰高度的比例、降中波波峰高度占主峰高度的比例。
优选的,步骤2)中提取脉搏波频域特征的方法如下:a)使用脉搏波的时间特征,进行插值,得到脉搏波时间特征曲线;b)对脉搏波时间特征曲线滤波,去除曲线中的直流部分;c)对脉搏波时间特征曲线进行窗截取,截取1min的曲线进行傅里叶变换(FFT)得到该1min的频谱曲线;d)截取频谱曲线0-1hz的部分,结合该1min时间特征的均值、极大值、极小值和方差,作为频域特征。
这里的插值是对一维的时间特征序列插值,采用的二次样条插值算法。
进一步的,所述脉搏波特征降维分为两步,第一步使用主成分分析(PCA)进行降维,第二步使用再进行线性判别分析(LDA)再次进行降维,最终得到维度为7的脉搏波特征向量。
将提取的未经降维的随机抽样人群的脉搏波特征全部输入人工神经网络(ANN)进行训练,训练结果作为通用情绪识别模型;将上述提取的脉搏波特征全部输入人工神经网络(ANN)进行训练。
利用降维后的随机抽样人群的脉搏波特征向量,训练多个支持向量机,然后用投票机制产生最终的情绪识别结果,作为通用情绪识别模型。
具体的,利用降维后的随机抽样人群的脉搏波特征向量,训练21个支持向量机(SVM),然后用投票机制产生最终的情绪识别结果,作为通用情绪识别模型。
利用降维后的特定用户的脉搏波特征向量,训练多个支持向量机,然后用投票机制产生最终的情绪识别结果,作为私人定制情绪识别模型。
具体的,每个支持向量机(SVM)的输出是七维向量,分别代表七种情绪的分类结果,七种情绪分别为平静、愤怒、惊奇、恐惧、悲伤、厌恶、愉悦。
具体的,对七种情绪特征每两种分别进行SVM分类训练,得到21个分类器,结合投票得到一个7分类分类器。
本发明具有如下有益效果:
1.本发明通过随机抽样的人群的脉搏波数据训练情绪模型,从中分析出各种情绪的脉搏波信号模式,得到的模型为通用情绪识别模型,可用于大众人群的情绪识别。
2.本发明为了提高个体情绪识别的准确度,进一步的使用个体的数据进行优化,通过训练得到个体的私人定制情绪识别模型,能够准确识别平静、愤怒、惊奇、恐惧、悲伤、厌恶、愉悦七种基本情绪。
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为本发明脉搏波时间特征曲线。
图2为本发明对脉搏波时间特征曲线进行滤波的曲线。
图3为本发明傅里叶变换后的频谱曲线。
图4为本发明截取频谱0-1hz部分的曲线。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以下将通过实施例对本发明进行详细描述。
一种基于脉搏波的情绪识别方法,包括以下步骤:
1)对原始脉搏波信号进行带通滤波,滤除原始脉搏波信号中0.4Hz以下的漂移信号和10Hz以上的噪声信号;
2)提取脉搏波的时间特征、波形特征和频域特征;
3)对提取的上述脉搏波特征进行降维;
4)利用降维后的脉搏波特征,训练情绪识别模型。
进一步的,所述脉搏波的时间特征包括脉搏波的脉率、降中波峰与主峰的时间间隔、降中峡与主峰的时间间隔、脉搏波升支时间长度、脉搏波的降支时间长度。
进一步的,所述脉搏波的波形特征包含降中峡高度占主峰高度的比例、降中波波峰高度占主峰高度的比例。
参照图1-4,提取脉搏波频域特征的方法如下:a)使用脉搏波的时间特征,进行插值,得到脉搏波时间特征的曲线;b)对脉搏波时间特征曲线滤波,去除曲线中的直流部分;c)对脉搏波时间特征曲线进行窗截取,截取1min的曲线进行傅里叶变换(FFT)得到该1min的频谱曲线;d)截取频谱曲线0-1hz的部分,结合该1min时间特征的均值、极大值、极小值和方差,作为频域特征。
这里的插值是对一维的时间特征序列插值,采用的二次样条插值算法。
脉搏波特征降维分为两步,第一步使用主成分分析(PCA)进行降维,取特征值最大的前15个主成分作为新的特征。第二步使用再进行线性判别分析(LDA)再次进行降维,最终得到维度为7的脉搏波特征向量。
数据降维的方法有很多,比如基于聚类的方法、基于搜索的方法、遗传算法,PCA和LDA是两种很常见的方法,比较容易实现且效果可靠。
将提取的未经降维的随机抽样人群的脉搏波特征全部输入人工神经网络(ANN)进行训练,训练结果作为通用情绪识别模型;将上述提取的脉搏波特征全部输入人工神经网络(ANN)进行训练。
进一步的,利用降维后的随机抽样人群的脉搏波特征向量,训练多个支持向量机,然后用投票机制产生最终的情绪识别结果,作为通用情绪识别模型。
具体的,利用特定用户的脉搏波特征向量,训练21个支持向量机(SVM),然后用投票机制产生最终的情绪识别结果,作为通用情绪识别模型。
利用降维后的特定用户的脉搏波特征向量,训练多个支持向量机,然后用投票机制产生最终的情绪识别结果,作为私人定制情绪识别模型。
每个支持向量机(SVM)的输出是七维向量,分别代表七种情绪的分类结果。然后用投票机制产生最终的情绪识别结果。
通用情绪识别模型是利用大量随机人群的(脉搏波,情绪)数据训练得到的,能够用于预测随机个体的情绪。
为了避免个体之间情绪表现的差异,所述私人定制情绪识别模型,通过获取个体的脉搏波数据,利用降维后的脉搏波特征向量,训练21个支持向量机(SVM),然后用投票机制产生最终的情绪识别结果,提高模型对于个体的准确度。
本发明通用情绪识别模型的优势在于,通过随机抽样的人群的脉搏波数据训练情绪模型,从中分析出各种情绪的脉搏波信号模式,得到的模型为通用情绪识别模型,可用于大众人群的情绪识别,使用简单,获取大批量随机结果后,在一定的时间或空间范围内不需要个体用户训练就可以直接使用,更加便捷,能够用于大众人群的情绪识别。
本发明私人定制情绪识别模型的优势是用户可以利用自己的脉搏波数据,通过训练得出情绪识别结果,针对特定个体得出的数据准确度较高;本发明支持向量机(SVM)的输出是七维向量,分别代表七种情绪的分类结果,七种情绪分别为平静、愤怒、惊奇、恐惧、悲伤、厌恶、愉悦。
本发明有益效果:通过随机抽样的人群的脉搏波数据训练情绪模型,从中分析出各种情绪的脉搏波信号模式,得到的模型为通用情绪识别模型,可用于大众人群的情绪识别;为了提高个体情绪识别的准确度,进一步的使用个体的数据进行优化,通过训练得到个体的私人定制情绪识别模型,能够准确识别平静、愤怒、惊奇、恐惧、悲伤、厌恶、愉悦七种基本情绪。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种基于脉搏波的情绪识别方法,其特征在于,包括以下步骤:
1)对原始脉搏波信号进行带通滤波,滤除原始脉搏波信号中0.4Hz以下的漂移信号和10Hz以上的噪声信号;
2)提取脉搏波的时间特征、波形特征和频域特征;
3)对提取的上述脉搏波特征进行降维;
4)利用降维后的脉搏波特征,训练情绪识别模型。
2.根据权利要求1所述基于脉搏波的情绪识别方法,其特征在于,所述脉搏波的时间特征包括脉搏波的脉率、降中波峰与主峰的时间间隔、降中峡与主峰的时间间隔、脉搏波升支时间长度、脉搏波的降支时间长度。
3.根据权利要求2所述基于脉搏波的情绪识别方法,其特征在于,所述脉搏波的波形特征包含降中峡高度占主峰高度的比例、降中波波峰高度占主峰高度的比例。
4.根据权利要求3所述基于脉搏波的情绪识别方法,其特征在于,提取脉搏波频域特征的方法如下:a)使用脉搏波的时间特征,进行插值,得到脉搏波时间特征曲线;
b)对脉搏波时间特征曲线滤波,去除曲线中的直流部分;
c)对脉搏波时间特征曲线进行窗截取,截取1min的曲线进行傅里叶变换得到该1min的频谱曲线;
d)截取频谱曲线0-1hz的部分,结合该1min时间特征的均值、极大值、极小值和方差,作为频域特征。
5.根据权利要求4所述基于脉搏波的情绪识别方法,其特征在于,脉搏波特征降维分为两步,第一步使用主成分分析PCA进行降维,取特征值最大的前15个主成分作为新的特征;第二步使用再进行线性判别分析LDA再次进行降维,最终得到维度为7的脉搏波特征向量。
6.根据权利要求4所述基于脉搏波的情绪识别方法,其特征在于,将提取的未经降维的随机抽样人群的脉搏波特征全部输入人工神经网络(ANN)进行训练,作为通用情绪识别模型。
7.根据权利要求5所述基于脉搏波的情绪识别方法,其特征在于,利用降维后的随机抽样人群的脉搏波特征向量,训练多个支持向量机,然后用投票机制产生最终的情绪识别结果,作为通用情绪识别模型。
8.根据权利要求7所述基于脉搏波的情绪识别方法,其特征在于,利用降维后的特定用户的脉搏波特征向量,训练多个支持向量机,然后用投票机制产生最终的情绪识别结果,作为私人定制情绪识别模型。
9.根据权利要求7或8所述基于脉搏波的情绪识别方法,其特征在于,每个支持向量机的输出是七维向量,分别代表七种情绪的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267615.6A CN111419250A (zh) | 2020-04-08 | 2020-04-08 | 一种基于脉搏波的情绪识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267615.6A CN111419250A (zh) | 2020-04-08 | 2020-04-08 | 一种基于脉搏波的情绪识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111419250A true CN111419250A (zh) | 2020-07-17 |
Family
ID=71555783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010267615.6A Pending CN111419250A (zh) | 2020-04-08 | 2020-04-08 | 一种基于脉搏波的情绪识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111419250A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040771A (zh) * | 2021-03-01 | 2021-06-29 | 青岛歌尔智能传感器有限公司 | 情绪识别方法、系统、可穿戴设备及存储介质 |
CN113220849A (zh) * | 2021-04-06 | 2021-08-06 | 青岛日日顺乐信云科技有限公司 | 一种客服人员情绪疏导方案查找方法、电子设备及存储介质 |
CN113974630A (zh) * | 2021-11-26 | 2022-01-28 | 浙江昊梦科技有限公司 | 一种心理健康的检测方法及装置 |
CN114403877A (zh) * | 2022-01-21 | 2022-04-29 | 中山大学 | 基于二维连续模型的多生理信号情绪定量评估方法 |
CN115886815A (zh) * | 2022-11-10 | 2023-04-04 | 研祥智慧物联科技有限公司 | 一种情绪压力监测方法、装置及智能穿戴设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
CN108109696A (zh) * | 2016-11-23 | 2018-06-01 | 中国移动通信有限公司研究院 | 一种数据处理方法和装置 |
CN108742660A (zh) * | 2018-07-02 | 2018-11-06 | 西北工业大学 | 一种基于可穿戴设备的情绪识别方法 |
CN110236573A (zh) * | 2019-06-24 | 2019-09-17 | 深圳和而泰家居在线网络科技有限公司 | 心理压力状态的检测方法及相关装置 |
CN110520048A (zh) * | 2017-03-28 | 2019-11-29 | 国立大学法人九州工业大学 | 情绪估计装置 |
-
2020
- 2020-04-08 CN CN202010267615.6A patent/CN111419250A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108109696A (zh) * | 2016-11-23 | 2018-06-01 | 中国移动通信有限公司研究院 | 一种数据处理方法和装置 |
CN110520048A (zh) * | 2017-03-28 | 2019-11-29 | 国立大学法人九州工业大学 | 情绪估计装置 |
CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知系统 |
CN108742660A (zh) * | 2018-07-02 | 2018-11-06 | 西北工业大学 | 一种基于可穿戴设备的情绪识别方法 |
CN110236573A (zh) * | 2019-06-24 | 2019-09-17 | 深圳和而泰家居在线网络科技有限公司 | 心理压力状态的检测方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
何成: "基于多生理信号的情绪识别研究方法", 《浙江大学硕士学位论文》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040771A (zh) * | 2021-03-01 | 2021-06-29 | 青岛歌尔智能传感器有限公司 | 情绪识别方法、系统、可穿戴设备及存储介质 |
CN113220849A (zh) * | 2021-04-06 | 2021-08-06 | 青岛日日顺乐信云科技有限公司 | 一种客服人员情绪疏导方案查找方法、电子设备及存储介质 |
CN113974630A (zh) * | 2021-11-26 | 2022-01-28 | 浙江昊梦科技有限公司 | 一种心理健康的检测方法及装置 |
CN114403877A (zh) * | 2022-01-21 | 2022-04-29 | 中山大学 | 基于二维连续模型的多生理信号情绪定量评估方法 |
CN115886815A (zh) * | 2022-11-10 | 2023-04-04 | 研祥智慧物联科技有限公司 | 一种情绪压力监测方法、装置及智能穿戴设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111419250A (zh) | 一种基于脉搏波的情绪识别方法 | |
CN110897648A (zh) | 基于脑电信号与lstm神经网络模型的情绪识别分类方法 | |
CN110680313B (zh) | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 | |
CN110826527A (zh) | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 | |
Doulah et al. | Neuromuscular disease classification based on mel frequency cepstrum of motor unit action potential | |
CN103294199A (zh) | 一种基于脸部肌音信号的无声信息识别系统 | |
CN112603332A (zh) | 一种基于脑电信号特征分析的情感认知方法 | |
CN111000556A (zh) | 一种基于深度模糊森林的情绪识别方法 | |
CN105212949A (zh) | 一种使用皮肤电信号进行文化体验情感识别的方法 | |
CN113116361A (zh) | 一种基于单导脑电的睡眠分期方法 | |
Xu et al. | Multichannel synthetic preictal EEG signals to enhance the prediction of epileptic seizures | |
CN114129163B (zh) | 基于脑电信号的多视图深度学习的情绪分析方法和系统 | |
CN114863905A (zh) | 语音类别获取方法、装置、电子设备和存储介质 | |
Fatima et al. | Gender recognition using EEG during mobile game play | |
Tang et al. | Eye movement prediction based on adaptive BP neural network | |
CN113178195B (zh) | 一种基于声音诱发脑电信号的说话人识别方法 | |
CN108447470A (zh) | 一种基于声道和韵律特征的情感语音转换方法 | |
CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
CN114742107A (zh) | 信息服务中的感知信号的识别方法及相关设备 | |
Yadav et al. | Speech emotion classification using machine learning | |
Dutta et al. | Data augmentation for ambulatory EEG based cognitive state taxonomy system with RNN-LSTM | |
Satuluri et al. | Study of EEG based Emotion Classification using Convolutional Neural Networks | |
CN113327630B (zh) | 语音情绪识别方法、装置、设备及存储介质 | |
Ahuja et al. | Measuring human auditory attention with EEG | |
CN115644870B (zh) | 基于TSM-ResNet模型的脑电信号情感识别方法 |
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: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |