CN114403877A - 基于二维连续模型的多生理信号情绪定量评估方法 - Google Patents

Abstract

本发明公开了一种基于二维连续模型的多生理信号情绪定量评估方法，该方法包括：采集多生理信号数据并进行预处理，得到预处理后的信号；对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理，得到多生理信号特征；将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型；获取待测信号并输入至情绪识别模型，输出情绪评估结果。通过使用本发明，能够利用生理信号对情绪客观准确的分析，且具有一定的普适性。本发明作为一种基于二维连续模型的多生理信号情绪定量评估方法，可广泛应用于预测分析领域。

Description

基于二维连续模型的多生理信号情绪定量评估方法

技术领域

本发明涉及预测分析领域，尤其涉及一种基于二维连续模型的多生理信号情绪定量评估方法。

背景技术

个体由于内在因素和外在因素引起的心理变化、生理变化和行为举止上的变化都归咎于自身情绪的变化，情绪可以被感知，被识别。受试者之间的个体变异性极大地复杂化了情感自动识别模型的开发。为了达到对个体情绪状态定量的目的，需要有效的方法来定量评估情绪。到目前为止，临床上最常用的评估情绪状态的方法有量表问卷评估，该方法容易受到患者自身意识的影响，主观性强。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于二维连续模型的多生理信号情绪定量评估方法，能够利用生理信号对情绪客观准确的分析，且具有一定的普适性。

本发明所采用的技术方案是：一种基于二维连续模型的多生理信号情绪定量评估方法，包括以下步骤：

采集多生理信号数据并进行预处理，得到预处理后的信号；

对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理，得到多生理信号特征；

将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型；

获取待测信号并输入至情绪识别模型，输出情绪评估结果。

进一步，还包括：

以均方误差、平均绝对误差和决定系数R方作为评估指标评价情绪识别模型。

进一步，所述多生理信号数据包括心电原始信号、脉搏波原始信号和皮肤电原始信号。

进一步，所述采集多生理信号数据并进行预处理，得到预处理后的信号这一步骤，其具体包括：

基于巴特沃斯滤波器对心电原始信号和脉搏波原始信号进行降噪处理，得到降噪后的心电信号和降噪后的脉搏波信号；

对皮肤电原始信号进行降采样和信号分解处理，得到分解后的皮肤电信号。

进一步，降噪处理的计算公式表示如下：

上式中，n表示滤波器的阶数，w_c表示截止频率，w_p表示通频带边缘频率，

为|H(w)|²在通频带边缘的数值。

进一步，所述将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型这一步骤，其具体包括：

将多生理信号特征进行归一化处理，得到归一化后的特征；

将归一化后的特征进行串联级融合，得到融合后的多生理信号特征；

将融合后的多生理信号特征作为解释变量、预构建的真实标签作为响应变量，结合回归方程训练支持向量回归模型，得到情绪识别模型。

进一步，归一化处理的公式表示如下：

上式中，x_i表示原始特征值，min{x}和max{x}分别表示原始特征集中的最小值和最大值。

进一步，回归方程的公式表示如下：

上式中，

表示支持向量回归模型的核函数，

系数非零。

本发明方法的有益效果是：本发明通过多生理信号作为模型的输入，定量计算情绪效价和唤醒度，解决了线性回归中存在解释变量和响应变量之间的非线性映射关系问题，同时，利用支持向量回归预测方法实现情绪状态量化识别，提高了预测值和真实值之间的拟合效果，降低了个体差异对情绪量化评估的影响。

附图说明

图1是本发明一种基于二维连续模型的多生理信号情绪定量评估方法的步骤流程图；

图2是SVR基础模型示意图；

图3是本发明具体实施例选用SVR模型的特征映射示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种基于二维连续模型的多生理信号情绪定量评估方法，该方法包括以下步骤：

S1、采集多生理信号数据并进行预处理，得到预处理后的信号；

具体地，所述多生理信号数据包括心电原始信号、脉搏波原始信号和皮肤电原始信号，心电、脉搏波原始信号因受呼吸、肌电、工频干扰等噪声的影响，导致信号质量高低不齐，需要对信号进行降噪处理有利于后续的特征提取。皮肤电原始信号采样率比实际需要的高很多，因此对其进行降采样处理，又因皮肤电信号可根据波形对其分解，故利用cvxEDA算法对皮肤电信号进行分解，为特征提取提供了更多的选择。

S1.1、基于巴特沃斯滤波器对心电原始信号和脉搏波原始信号进行降噪处理，得到降噪后的心电信号和降噪后的脉搏波信号；

具体地，本发明采用巴特沃斯滤波器对心电和脉搏波原始信号进行降噪处理，它的原理是通频带内的频率响应曲线最大限度的平坦，没有起伏，而在阻频带则逐渐下降为零。巴特沃斯低通滤波器可用振幅的平方公式表示，计算公式如下：

上式中，n表示滤波器的阶数，w_c表示截止频率，w_p表示通频带边缘频率，

为|H(w)|²在通频带边缘的数值。

S1.2、对皮肤电原始信号进行降采样和信号分解处理，得到分解后的皮肤电信号。

具体地，由于皮肤电原始信号采样率较高，可将采样率降低至4hz。又因皮肤电信号是由皮肤电导水平和皮肤电导反应组成，因此本发明使用CvxEDA算法分解皮肤电降采样后的信号。

S2、对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理，得到多生理信号特征；

S3、将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型；

S3.1、将多生理信号特征进行归一化处理，得到归一化后的特征；

具体地，本发明利用各生理信号的特点提取相应的特征，其中包括了时域特征、频域特征以及非线性域特征。特征数据尺度不一致，会造成计算复杂度增加，因此需要对不同尺度的特征进行归一化处理，归一化是将样本的特征值变换到一个范围内，本研究方法中将三个尺度的所有特征归一化到[0，1]的范围，归一化方法如下：

上式中，x_i表示原始特征值，min{x}和max{x}分别表示原始特征集中的最小值和最大值。

S3.2、将归一化后的特征进行串联级融合，得到融合后的多生理信号特征；

S3.3、将融合后的多生理信号特征作为解释变量、预构建的真实标签作为响应变量，结合回归方程训练支持向量回归模型，得到情绪识别模型。

具体地，对归一化后的特征进行串联级融合后输入到回归预测模块中，相关研究表明，生理特征与情绪的对应关系不只是简单的线性映射，其中还包括了非线性映射，对此我们将机器学习中支持向量回归(Support Vector Regression，SVR)作为本技术方法中模型的回归预测器，SVR中核函数包括了线性、高斯、径向基和多项式等。

在构建情绪回归预测模型之前，需要确立解释变量和响应变量，由上述步骤可得解释变量为融合后的多生理信号特征，响应变量(真实标签值)为情绪诱发材料每张图片的效价和唤醒度，两个维度的范围为[1,9]，可取中间整数和小数。情绪效价和唤醒度对应的二维连续情绪模型横坐标和纵坐标，属于回归预测的部分，由于特征与情绪之间的映射存在线性和非线性关系，常用的多元线性回归方程已无法满足对情绪精确定量的目的，因此本发明选用支持向量回归模型(SVR)作为情绪定量的模型，该模型有大量的核函数可以使用，从而可以很灵活的来解决各种非线性的回归问题。SVR的样本点最终只有一类，它所寻求的最优超平面不是SVM那样使两类或多类样本点分的“最开”，而是使所有的样本点离着超平面的总偏差最小。SVR在线性函数两侧制造了一个“间隔带”，对于所有落入到间隔带内的样本，都不计算损失；只有间隔带之外的，才计入损失函数。之后再通过最小化间隔带的宽度与总损失来优化模型。如图2所示。实际中，我们会经常遇到线性不可分的样例，此时，我们的常用做法是把样例特征映射到高维空间中，解决非线性映射的问题，本发明中生理信号特征与情绪存在非线性映射关系，因此选用SVR模型，映射示意图参照图3。

SVR的线性方程公式如下：

f(x)＝w·x+b

其中w是在SVR中求解的超平面，b为常数项。我们可以将此问题重写为凸优化问题：

其中位于边界内的点满足条件：

||y_i-(w·x_i+b))||≤ε

其中ε≥0表示实际目标和预测目标之间的最大偏差，然而大多数应用中都存在噪声，因此通过引入松弛变量ξ_i，

来测量不敏感区域之外的训练样本的偏差，计算公式可写为:

上式中，每个训练实例都有自己对应的ξ_i，

用于确定训练实例是否超出了ε的范围，惩罚参数C>0权衡f(x)的平坦度和允许的偏差大于ε的程度。方程的优化问题可用拉格朗日乘子法和标准二次规划法求解，最后回归方程为：

其中

是SVR核函数，

系数非零。

S4、获取待测信号并输入至情绪识别模型，输出情绪评估结果。

进一步作为本方法的优选实施例，还包括：

S5、以均方误差、平均绝对误差和决定系数R方作为评估指标评价情绪识别模型。

具体地，预测值与真实值之间的均方误差(Mean Squared Error，MSE)：

预测值和真实值之间的平均绝对误差(Mean Absolute Error，MAE)：

以及预测值和真实值之间的决定系数R方(R Squared，R²):

其中m为预测样本数，y_i为预测值，

为真实值，

为真实值的平均值。

本发明利用支持向量回归方法达到了情绪状态定量的目的，解决了线性回归中存在解释变量和响应变量之间的非线性映射关系的问题，提高了预测值和真实值之间的拟合效果，实现了对个体情绪的精准定位。

一种基于二维连续模型的多生理信号情绪定量评估系统，包括：

数据获取模块，用于采集多生理信号数据并进行预处理，得到预处理后的信号；

特征提取模块，用于对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理，得到多生理信号特征；

训练模块，用于将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型；

情绪识别模块，用于获取待测信号并输入至情绪识别模型，输出情绪评估结果。

一种基于二维连续模型的多生理信号情绪定量评估装置：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于二维连续模型的多生理信号情绪定量评估方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于二维连续模型的多生理信号情绪定量评估方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，包括以下步骤：

采集多生理信号数据并进行预处理，得到预处理后的信号；

对预处理后的信号进行时域特征、频域特征和非线性域特征提取处理，得到多生理信号特征；

将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型；

获取待测信号并输入至情绪识别模型，输出情绪评估结果。

2.根据权利要求1所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，还包括：

以均方误差、平均绝对误差和决定系数R方作为评估指标评价情绪识别模型。

3.根据权利要求2所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，所述多生理信号数据包括心电原始信号、脉搏波原始信号和皮肤电原始信号。

4.根据权利要求3所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，所述采集多生理信号数据并进行预处理，得到预处理后的信号这一步骤，其具体包括：

基于巴特沃斯滤波器对心电原始信号和脉搏波原始信号进行降噪处理，得到降噪后的心电信号和降噪后的脉搏波信号；

对皮肤电原始信号进行降采样和信号分解处理，得到分解后的皮肤电信号。

5.根据权利要求4所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，降噪处理的计算公式表示如下：

上式中，n表示滤波器的阶数，w_c表示截止频率，w_p表示通频带边缘频率，

为|H(w)|²在通频带边缘的数值。

6.根据权利要求5所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，所述将多生理信号特征进行融合并训练支持向量回归模型，得到情绪识别模型这一步骤，其具体包括：

将多生理信号特征进行归一化处理，得到归一化后的特征；

将归一化后的特征进行串联级融合，得到融合后的多生理信号特征；

将融合后的多生理信号特征作为解释变量、预构建的真实标签作为响应变量，结合回归方程训练支持向量回归模型，得到情绪识别模型。

7.根据权利要求6所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，归一化处理的公式表示如下：

上式中，x_i表示原始特征值，min{x}和max{x}分别表示原始特征集中的最小值和最大值。

8.根据权利要求7所述一种基于二维连续模型的多生理信号情绪定量评估方法，其特征在于，回归方程的公式表示如下：

上式中，

表示支持向量回归模型的核函数，

系数非零。

Images