CN112263252A - 基于hrv特征和三层svr的pad情绪维度预测方法 - Google Patents

Abstract

本发明公开了一种基于HRV特征和三层SVR的PAD情绪维度预测方法，通过视频诱导的方式采集生理信号，在生理信号中提取HRV特征，使用PAD模型对HRV特征进行标注，使得离散的情绪状态映射到连续的三维空间，从而让情绪状态变化的连续性有了数值上直观的体现，并利用三层SVR模型对PAD三维数值分别进行回归预测，通过PCA对三个维度分别进行降维处理，在A和D维度上预测准确性都得到了明显提升。从实验结果上看，本发明提供的基于HRV特征和三层SVR的PAD情绪维度预测方法能够较好地反映情绪变化的趋势，同时能一定程度上能反映情绪状态，这为可穿戴设备的实时情绪检测尤其是情绪变化趋势的检测带来了可能。

Description

基于HRV特征和三层SVR的PAD情绪维度预测方法

技术领域

本发明涉及情绪预测技术领域，尤其涉及一种基于HRV特征和三层SVR的PAD情绪维度预测方法。

背景技术

情绪对人的健康有显著影响，抑郁、焦虑和愤怒等情绪状态已被证明会阻碍免疫系统的工作，并与许多疾病有关。此外，心理障碍还会导致社交障碍和工作效率低下。因此，理解和调节自我情绪已经成为一个重要的健康问题。许多生理变化都与情绪有关，如血压、HRV。

心率变异性(Heart Rate Variability，HRV)是指心率节奏快慢的变化情况，反映心脏自主神经对心血管系统的调控以及该系统对各种影响因素的应答，是参与生理变化的关键系统。自主神经系统(ANS)分为交感神经系统(SNS)和副交感神经系统(PNS)，它们能产生不同程度的生理唤醒。在生理或心理紧张时，SNS主要激活，产生生理觉醒，以适应挑战，脉搏或心率的增加是这种兴奋状态的特征。相反，在安全或稳定状态下，PNS占主导地位，并保持较低的生理觉醒程度和较低的心率。在高唤醒和低唤醒状态之间的过渡依赖于ANS快速调节心率的能力。因此，HRV是一个实时指标，可以了解SNS和PNS之间的反应如何影响心率，从而产生有关自主神经灵活性的信息，从而代表了调节情绪反应的能力。

PAD是由Mehrabian和Russel于1974年提出的用于描述人类情绪的三维模型，分别为愉悦度(Pleasure)、激活度(Arousal)和优势度(Dominance)。目前，三维PAD模型被广泛应用于情绪研究领域。在PAD情绪模型中，PAD情绪坐标的评定是通过一套精心设计的量表来完成的，PAD情绪量表是基于PAD模型发展起来的。Mehrabian编制了一个包括34个项目的完整量化表，考虑到某些情况下需要参与者对情绪状态进行多次评价，于是进一步提出了简化的PAD情绪量表，中科院心理所对简化的PAD情绪量表进行了中国化的修订，如表1所示。

表1中文简化版PAD情绪量表

主元分析(Principal Component Analysis，PCA)由Hotelling提出，其思想是将原本具有一定相关性的特征集重新组合转换成一组新的互不相关的变量，同时也能保证降维后的数据仍保留原来数据的特性，是对变量进行降维处理的常用方法。

支持向量回归(Support Vector Regression，SVR)模型是以统计学理论为基础，并在有限样本空间内，将输入向量非线性地转换到高维空间的决策函数来实现线性回归，从而达到最理想的学习效果，SVR收敛速度快，在回归分析中应用十分广泛。在情绪计算领域SVM和SVR的分类和回归也比较常见。然而，情绪状态的离散性和生理信号情绪状态难以获取。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于HRV特征和三层SVR的PAD情绪维度预测方法，包括：

采集生理信号，所述生理信号包括压力脉搏信号；

提取所述生理信号中的HRV特征，使用PAD模型对所述HRV特征进行标注，所述使用PAD模型对所述HRV特征进行标注的步骤包括：在采集生理信号时观看诱导视频，在所述诱导视频结束后根据实际感受填写PAD量表，根据所述PAD量表的各行数值计算PAD的各个维度数值，计算公式如下：

其中，V1-V12代表每行记录的数值；

设置样本集{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，其中x_i＝(x_i1,x_i2,...,x_im)表示HRV特征向量，设置样本输入数据x与预测值y之间的函数关系表达式如下：

其中，

是m维列向量，ω＝(ω₁,ω₂,...,ω_m)^T是m维权向量，b为偏置值；

将HRV特征作为回归预测模型的特征向量，使用SVR模型对PAD三维进行预测和分析。

可选的，还包括：

设置常量ε＞0，对于样本(x_i,y_i)，若

SVR模型完全没有损失，否则SVR模型对应的损失为

SVR模型的损失函数如下：

根据结构风险最小化准则，确定ω和b的约束条件，对目标函数进行优化，构建最优化准则，以使损失函数最小，所述最优化准则的计算公式如下：

其中，J为目标函数，e_i∈R为松弛向量，c为正则化函数；

使用拉格朗日函数将公式(7)转化为对偶形式，计算公式如下：

其中，α_i为拉格朗日因子；

令公式(8)对ω、b、α_i和e_i的偏导数均为0，求得最优解如下：

获得预测值y，计算公式如下：

其中，

为核函数。

可选的，还包括：

标准化处理样本矩阵，计算公式如下：

其中，n为样本个数，m为影响因素个数；

获得相关系数矩阵R，计算公式如下：

其中，

计算所述相关系数矩阵R的特征值λ＝(λ₁,λ₂,...,λ_m)和特征向量a_i＝(a₁,a₂,...,a_m)，而且选择前K个因素，获得累计贡献度，计算公式如下：

根据前K个特征向量形成降维矩阵Y＝[a₁,a₂,...,a_K]，降维后的特征矩阵为X'＝X·Y。

本发明具有下述有益效果：

本发明提供的基于HRV特征和三层SVR的PAD情绪维度预测方法，通过视频诱导的方式采集生理信号，在生理信号中提取HRV特征，使用PAD模型对HRV特征进行标注，使得离散的情绪状态映射到连续的三维空间，从而让情绪状态变化的连续性有了数值上直观的体现，并利用三层SVR模型对PAD三维数值分别进行回归预测，通过PCA对三个维度分别进行降维处理，在A和D维度上预测准确性都得到了明显提升。从实验结果上看，本发明提供的基于HRV特征和三层SVR的PAD情绪维度预测方法能够较好地反映情绪变化的趋势，同时能一定程度上能反映情绪状态，这为可穿戴设备的实时情绪检测尤其是情绪变化趋势的检测带来了可能。

附图说明

图1为本发明实施例一提供的基于HRV特征和三层SVR的PAD情绪维度预测方法的流程图。

图2为本发明实施例一提供的P维度期望输出与预测输出的对比示意图。

图3为本发明实施例一提供的A维度期望输出与预测输出的对比示意图。

图4为本发明实施例一提供的D维度期望输出与预测输出的对比示意图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于HRV特征和三层SVR的PAD情绪维度预测方法进行详细描述。

实施例一

图1为本发明实施例一提供的基于HRV特征和三层SVR的PAD情绪维度预测方法的流程图。如图1所示，本实施例提供的基于HRV特征和三层SVR的PAD情绪维度预测方法，针对生理信号难以获取情绪状态的特点，通过视频诱导情绪，并利用PAD模型对生理信号中提取到的HRV特征进行标注，标注方法为：在采集生理信号时观看诱导视频，并在视频结束后根据实际感受填写PAD量表，由PAD量表中各行数值计算PAD各个维度数值，其公式为：

其中，V1-V12代表每行记录的数值。通过PAD数值的标注，实现了离散的情绪状态到连续空间的映射。

本实施例将主元分析(Principal Component Analysis，PCA)作为常用的对特征进行降维的处理方法，首先标准化处理样本矩阵，计算公式如下：

其中，n为样本个数，m为影响因素个数。

本实施例计算相关系数矩阵R，计算公式如下：

其中，

计算R的特征值λ＝(λ₁,λ₂,...,λ_m)和特征向量a_i＝(a₁,a₂,...,a_m)，选择前K个因素，求累计贡献度，计算公式如下：

由前K个特征向量组成的降维矩阵Y＝[a₁,a₂,...,a_K]，降维后的特征矩阵为X'＝X·Y。

支持向量回归(Support Vector Regression，SVR)作为回归分析中比较常用的方法，其原理如下：

假设样本集{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，其中x_i＝(x_i1,x_i2,...,x_im)表示HRV特征向量。SVR主要用于求得样本输入数据x对应的预测值y，假设x与y之间的函数关系表达式为：

其中，

是m维列向量；ω＝(ω₁,ω₂,...,ω_m)^T是m维权向量，表示进行线性回归是的权重向量，b为偏置值。输入数据x映射到m维的特征空间内变成

使得

与y的关系为线性关系，输入数据空间内的非线性拟合问题变为高维特征空间内的线性拟合问题。

SVR采取ε-不敏感函数作为损失函数。首先，针对具体问题定义一个常量ε＞0，对于某一样本(x_i,y_i)，如果

则完全没有损失，否则对应的损失为

因此，ε-不敏感函数可整理为：

为使损失函数最小，基于结构风险最小化准则，确定ω和b的约束条件并对目标函数进行优化，构建最优化准则：

其中，J为目标函数，e_i∈R为松弛向量，c为正则化函数。利用拉格朗日函数将上式转化为对偶形式：

其中，α_i为拉格朗日因子。使用公式(8)求解最优解，令公式(8)对ω、b、α_i和e_i的偏导数均为0，可以解得：

整理可以获得：

其中，

为核函数。

为了验证基于HRV特征和三层SVR的PAD情绪维度预测方法的准确性，本实施例以视频诱导的方式通过压力脉搏传感器采集了心率和RR间期数据并以PAD数值进行标注，通过计算HRV时域、频域和非线性特征作为输入向量，构建了三层SVR回归预测模型，对PAD数值进行回归预测。本实施例提供的基于HRV特征和三层SVR的PAD情绪维度预测方法能够较好地反映情绪变化的趋势，同时能一定程度上能反映情绪状态，这为可穿戴设备的实时情绪检测尤其是情绪变化趋势的检测带来了可能。

本实施例选取了9组实验数据，其中训练数据集包括5组数据，测试集包括4组数据。每组数据包括16个输入向量和3个输出向量。输入向量为HRV的时域、频域和非线性特征，输出向量为PAD三维数值。输入向量具体描述如表2所示：

表2输入向量HRV特征

本实施例使用训练数据集进行训练，在测试数据集上预测PAD数值，并基于均方根误差和决定系数R²对结果进行评价，计算公式如下：

其中，y_i和

为期望输出和预测输出。MSE指标越小，预测结果越准确，R²越接近于1，预测输出与期望输出拟合越好。

表3三层SVR预测误差

SVR	P	A	D
				MSE	0.74	0.59	0.25
R<sup>2</sup>	0.79	0.85	0.8

表4三层PCA-SVR预测误差

PCA-SVR	P	A	D
				MSE	1.022	0.04	0.16
R<sup>2</sup>	0.86	0.91	0.86

根据表3可以看出，在D维度上MSE最小，在A维度上拟合程度最好，而P维度上的误差相对其他两个维度较大，整体上看，此模型预测值和期望值间的拟合程度较好，但误差相对较大。

根据表4可以看出，经过PCA特征降维后的三个维度预测误差，在A维度和D维度上，误差降低而决定系数提升，说明在经过降维之后，模型在A维度和D维度上的准确率得到了提升，而在P维度上，虽然决定系数有所提升，但误差增大了，说明在P维度上，降低特征维数并不能提升整体预测准确率，在此维度上，保留原有特征。图2为本发明实施例一提供的P维度期望输出与预测输出的对比示意图。图3为本发明实施例一提供的A维度期望输出与预测输出的对比示意图。图4为本发明实施例一提供的D维度期望输出与预测输出的对比示意图。从图2到图4中可以看出，在P维度和A维度上，预测值和期望值具有相同的趋势，而在D维度上的变化趋势不明显，结合三个维度的误差和曲线拟合程度，说明在目前的训练样本下，可以一定程度上反映出情绪变化趋势，但对具体情绪状态的判断仍有一定误差。

通过以上实验可知，以HRV特征和三层SVR模型可以对PAD情绪数值进行预测，并且能在每个维度上做出针对性的改进，经过特征降维后能在A维度和D维度上有较为明显的提升，模型整体可以在A维度和D维度上使用特征降维，而在P维度上仍保留原有特征，不进行降维，从而使模型整体预测准确率达到较高的状态，模型整体能以较高的准确性反映人的情绪变化趋势和一定程度上的情绪状态。

本实施例提供的基于HRV特征和三层SVR的PAD情绪维度预测方法，通过视频诱导的方式采集生理信号，在生理信号中提取HRV特征，使用PAD模型对HRV特征进行标注，使得离散的情绪状态映射到连续的三维空间，从而让情绪状态变化的连续性有了数值上直观的体现，并利用三层SVR模型对PAD三维数值分别进行回归预测，通过PCA对三个维度分别进行降维处理，在A和D维度上预测准确性都得到了明显提升。从实验结果上看，本实施例提供的基于HRV特征和三层SVR的PAD情绪维度预测方法能够较好地反映情绪变化的趋势，同时能一定程度上能反映情绪状态，这为可穿戴设备的实时情绪检测尤其是情绪变化趋势的检测带来了可能。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (3)

1.一种基于HRV特征和三层SVR的PAD情绪维度预测方法，其特征在于，包括：

采集生理信号，所述生理信号包括压力脉搏信号；

提取所述生理信号中的HRV特征，使用PAD模型对所述HRV特征进行标注，所述使用PAD模型对所述HRV特征进行标注的步骤包括：在采集生理信号时观看诱导视频，在所述诱导视频结束后根据实际感受填写PAD量表，根据所述PAD量表的各行数值计算PAD的各个维度数值，计算公式如下：

其中，V1-V12代表每行记录的数值；

设置样本集{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，其中x_i＝(x_i1,x_i2,...,x_im)表示HRV特征向量，设置样本输入数据x与预测值y之间的函数关系表达式如下：

其中，

是m维列向量，ω＝(ω₁,ω₂,...,ω_m)^T是m维权向量，b为偏置值；

将HRV特征作为回归预测模型的特征向量，使用SVR模型对PAD三维进行预测和分析。

2.根据权利要求1所述的基于HRV特征和三层SVR的PAD情绪维度预测方法，其特征在于，还包括：

设置常量ε＞0，对于样本(x_i,y_i)，若

SVR模型完全没有损失，否则SVR模型对应的损失为

SVR模型的损失函数如下：

根据结构风险最小化准则，确定ω和b的约束条件，对目标函数进行优化，构建最优化准则，以使损失函数最小，所述最优化准则的计算公式如下：

其中，J为目标函数，e_i∈R为松弛向量，c为正则化函数；

使用拉格朗日函数将公式(7)转化为对偶形式，计算公式如下：

其中，α_i为拉格朗日因子；

令公式(8)对ω、b、α_i和e_i的偏导数均为0，求得最优解如下：

获得预测值y，计算公式如下：

其中，

为核函数。

3.根据权利要求1所述的基于HRV特征和三层SVR的PAD情绪维度预测方法，其特征在于，还包括：

标准化处理样本矩阵，计算公式如下：

其中，n为样本个数，m为影响因素个数；

获得相关系数矩阵R，计算公式如下：

其中，

计算所述相关系数矩阵R的特征值λ＝(λ₁,λ₂,...,λ_m)和特征向量a_i＝(a₁,a₂,...,a_m)，而且选择前K个因素，获得累计贡献度，计算公式如下：

根据前K个特征向量形成降维矩阵Y＝[a₁,a₂,...,a_K]，降维后的特征矩阵为X'＝X·Y。

Images