CN116473556A - 一种基于多位点皮肤生理响应的情感计算方法及系统 - Google Patents

一种基于多位点皮肤生理响应的情感计算方法及系统 Download PDF

Info

Publication number
CN116473556A
CN116473556A CN202310331775.6A CN202310331775A CN116473556A CN 116473556 A CN116473556 A CN 116473556A CN 202310331775 A CN202310331775 A CN 202310331775A CN 116473556 A CN116473556 A CN 116473556A
Authority
CN
China
Prior art keywords
emotion
prediction model
skin
training
data set
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
Application number
CN202310331775.6A
Other languages
English (en)
Inventor
张丹
水心宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310331775.6A priority Critical patent/CN116473556A/zh
Publication of CN116473556A publication Critical patent/CN116473556A/zh
Pending legal-status Critical Current

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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0531—Measuring skin impedance
    • A61B5/0533—Measuring galvanic skin response
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Dermatology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Physics (AREA)
  • Developmental Disabilities (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • 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多位点皮肤生理响应的情感计算方法及系统，包括：获取不同情绪状态下对应的多位点皮肤电数据；对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。本发明解决了现有技术对于人体情绪感知预测不准确的问题。

Description

一种基于多位点皮肤生理响应的情感计算方法及系统
技术领域
本发明涉及情绪感知技术领域，尤其涉及一种基于多位点皮肤生理响应的情感计算方法及系统。
背景技术
情感计算技术是指利用计算机对收集到来源于情绪的信息进行识别、理解、加工的技术。作为一项跨学科技术，对情感计算的研究涉及计算机科学、心理学和认知科学等多个领域。在情绪的多个组成成分中，由于生理信号不易作伪，并可以便捷无感地连续获取，因此近年来，情感计算方法越来越关注收集和计算多种外周生理信号，例如皮肤电、脉搏波等信号。
然而截至目前，基于皮肤电的情感计算技术主要将其测量位点局限在单一的身体部位，例如手指、手腕，而很少关注到身体响应的空间分布。这一局限首先影响情感计算的准确性，单一数据来源更容易受到运动和环境因素干扰，因而不易发现皮肤电与情绪间的稳定关联，频繁出现相互矛盾的发现。同时，情绪的身体反应是全身性的，很难被单一位点完整记录，例如不同情绪状态下可能存在皮肤电左右侧不对称现象，根据主观感受绘制的身体激活图中也发现不同情绪存在整体性的差异。经典的情绪理论认为对身体反应的整体感知能影响人的主观情绪感受。但是现有的情绪感知多位单一点测量，难以根据多点位测量结果更准确的感知人体情绪状态。
发明内容
本发明提供一种基于多位点皮肤生理响应的情感计算方法及系统，用以解决现有技术对于人体情绪感知预测不准确的问题。
本发明提供一种基于多位点皮肤生理响应的情感计算方法，包括：
获取不同情绪状态下对应的多位点皮肤电数据；
对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
根据本发明提供的一种基于多位点皮肤生理响应的情感计算方法，通过多位点的皮肤电传感设备与不同部位的人体皮肤相贴合；
所述皮肤电传感设备通过电极放电测量两级之间的电阻，生成电阻值；
根据所述电阻值生成不同情绪状态下对应的多位点皮肤电数据。
根据本发明提供的一种基于多位点皮肤生理响应的情感计算方法，对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集，具体包括：
通过连续分解分析法将所述多位点皮肤电数据分解为快变的皮肤电响应和慢变的皮肤电响应；
对所述多点位皮肤电数据进行特征提取包括时域特征提取和频域特征提取；
将分解后特征提取后的数据进行均分，生成训练数据集和测试数据集。
根据本发明提供的一种基于多位点皮肤生理响应的情感计算方法，对所述多点位皮肤电数据进行特征提取包括时域特征提取和频域特征提取，具体包括：
所述时域特征包括标准差、均值、均方根以及高阶统计特征，对于短期的事件相关响应分析加入生理变化的波形特征；
所述频域特征包括峰值频率、谐波，通过信号做离散小波变化、经验模式分解能够提取更高阶次的连续信号特征。
根据本发明提供的一种基于多位点皮肤生理响应的情感计算方法，通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型，具体包括：
对类别化的情绪标签，包括情绪的积极消极、唤醒度的高低，构建分类预测模型；
对情绪的连续评分数值，构建回归预测模型；
多所述分类预测模型和回归预测模型进行交叉验证，对单个被试内的数据，将其均匀划分为训练集和测试集，在训练集上训练分类与回归模型，并根据测试集上预测结果的准确度筛选出最终的预测模型。
根据本发明提供的一种基于多位点皮肤生理响应的情感计算方法，通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态，具体包括：
将实时获取的皮肤电数据发送至最终预测模型；
通过所述最终预测模型进行分析匹配，输出预测的情绪状态。
本发明还提供一种基于多位点皮肤生理响应的情感计算系统，所述系统包括：
数据获取模块，用于获取不同情绪状态下对应的多位点皮肤电数据；
数据处理模块，用于对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
模型建立模块，用于通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
预测模块，用于通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多位点皮肤生理响应的情感计算方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多位点皮肤生理响应的情感计算方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多位点皮肤生理响应的情感计算方法。
本发明提供的一种基于多位点皮肤生理响应的情感计算方法及系统，通过基于能测量身体多位点皮肤电响应的传感器，利用特定情绪素材诱发参与者的情绪状态，并记录当前多位点的皮肤电变化，建立了自动化情绪识别方法；相比传统的单一部位的皮肤电测量，本发明提出的方法考虑了情绪诱发的皮肤电响应的身体分布，有利于稳定、完整地发现情绪与皮肤电反应之间的关联性，提升情绪识别的准确度，并且穿戴式方法本身具有较低的任务负荷，有助于推广日常穿戴式情感测量的普及，对情感计算和情感智能领域的发展具有重要的应用价值。
附图说明
为了更清楚地说明本发明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以简单地介绍，显而易见地，下面描述中的附图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是本发明提供的一种基于多位点皮肤生理响应的情感计算方法的流程示意图之一；
图2是本发明提供的一种基于多位点皮肤生理响应的情感计算方法的流程示意图之二；
图3是本发明提供的一种基于多位点皮肤生理响应的情感计算方法的流程示意图之三；
图4是本发明提供的一种基于多位点皮肤生理响应的情感计算方法的流程示意图之四；
图5是本发明提供的一种基于多位点皮肤生理响应的情感计算方法的流程示意图之五；
图6是本发明提供的一种基于多位点皮肤生理响应的情感计算系统的模块连接示意图；
图7是本发明提供的多位点皮肤电测量位点示意图；
图8是本发明提供的电子设备的结构示意图。
附图标记：
110：数据获取模块；120：数据处理模块；130：模型建立模块；140：预测模块；
810：处理器；820：通信接口；830：存储器；840：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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做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。
下面结合图1-图5描述本发明的一种基于多位点皮肤生理响应的情感计算方法，包括：
S100、获取不同情绪状态下对应的多位点皮肤电数据；
S200、对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
S300、通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
S400、通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
在本发明中，通过多通道的皮肤电传感设备，记录个体在不同情绪状态下的多个身体部位的皮肤电信号，并进行信号分解、特征提取与预测模型，构建一套穿戴式多位点的自动化情感计算方法。补充了现有生理测量方法主要基于单一身体部位，难以发现情绪与身体响应关联全貌的不足，有效提升了情绪识别的准确度。进一步的，通过展示穿戴式生理测量便捷、低负荷的特点，本发明还具有较高的应用价值，有助于外周生理测量和情感计算技术的普及。
获取不同情绪状态下对应的多位点皮肤电数据，具体包括：
S101、通过多位点的皮肤电传感设备与不同部位的人体皮肤相贴合；
S102、所述皮肤电传感设备通过电极放电测量两级之间的电阻，生成电阻值；
S103、根据所述电阻值生成不同情绪状态下对应的多位点皮肤电数据。
本发明中多位点的皮肤电传感设备是多位点情感计算的基础。较为常见的皮肤电测量方式是将小电压施加到皮肤表面的两个电极上，测量电极间的电阻。因为皮肤电阻通常在100k欧以上，最大可到数十兆欧，因此皮电测量设备应当具有较宽的量程以覆盖上述范围。为完整分离出皮肤电响应波形，推荐的通用采样率在200～400Hz左右，最低应达到20Hz。同时，多位点的测量要求多个皮电传感器同时工作，所记录数据的时间精确度也应符合要求，即对于3小时左右的测量，传感器间的时间差最大不应超过0.5秒。为实现这一要求，本方法要求所用皮肤电采集硬件设备或软件系统具有较高精度且稳定工作的计时功能，即每个采样点数据均包含实际采集时间的信息。同时要求该软硬件系统具备时间对齐功能，即与其他实验设备如刺激呈现系统完成时间同步。
考虑到实验者需要了解设备的工作状态和数据采集情况，传感设备应具备数据传输功能，通过无线方式将数据传输至接收端，并完成数据的实时可视化显示。同时，考虑到无线传输可能带来的丢包和延迟，传感器也应具备本地存储卡写入功能，以准确完整地保存高采样率皮肤电数据。
在实际数据采集过程中，根据多位点皮肤电的测量和分析所需要的各项参数，确定所使用的传感器性能。具体需要考虑的性能有：皮肤电阻/电导的测量范围(量程)、采样率、数据传输或存储方式等，如果采用有线传输，则需要考虑设备体积、佩戴舒适性与连接稳定性，如果是无线设备，则需要考虑传输时延、电池电量等性能。以上性能应包含测量所面临的各项需求，例如量程应包含测量对象可能出现的范围。
应将多位点皮肤电传感器与标准化的生理多导仪进行匹配校准，可以通过将两组设备固定在相近部位，通过特定任务例如引起皮肤电变化的深呼吸，比较两组设备的测量结果进行校准。如果两组设备的测量结果和变化趋势相近，则支持下一步的数据采集，如果两者测量数值存在较大差异，则应对设备内部进行检查和调整，以确保采集数据的质量和有效性。
数据采集阶段，每位参与者佩戴相同的多位点皮电设备进行数据采集，数据采样率不低于20Hz，传感器测量位点包括但不限于：双侧手腕部位、双侧脚踝、后颈、后背、膈膜、双侧腰部，具体位点参考图7，在图7中数字1-9分别表示不同的传感器测量位点。其中，采集部位的增加可以提升情绪检测与识别的准确率。
每位参与者通过特定的标准化情绪诱发素材进行情绪诱发，每个情绪素材都有其标定的情绪属性，如效价、唤醒等。参与者每次完成任务后通过主观问卷报告当前情绪状态，素材与素材之间设置休息时间，区组与区组之间休息时间不少于30s。以情绪素材的情绪标签和每个任务结束后的主观报告情绪状态作为因变量。
对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集，具体包括：
S201、通过连续分解分析法将所述多位点皮肤电数据分解为快变的皮肤电响应和慢变的皮肤电响应；
S202、对所述多点位皮肤电数据进行特征提取包括时域特征提取和频域特征提取；
S203、将分解后特征提取后的数据进行均分，生成训练数据集和测试数据集。
在皮肤电的分析计算中，通常通过连续分解分析法(Continuous DecompositionAnalysis,CDA)将其分解为两种成分：快变的皮肤电响应和慢变的皮肤电响应。前者通常由特定的刺激事件引发，以秒级的时间尺度变化，后者则变化更平缓。对皮肤电信号经常提取的特征包括时域特征和频域特征。对皮肤电信号提取时域特征和频域特征作为情感计算模型的输入。时域特征包括标准差、均值、均方根(RMS)基本特征，以及高阶统计(HOC)特征如偏度和峭度。此外对于短期的事件相关响应分析，生理变化的波形特征也会被考虑，例如SCR振幅、平均上升时间或SCR面积总和。频域特征包括峰值频率、谐波等特性。此外对信号做离散小波变化、经验模式分解方法也有助于提取更高阶次的连续信号特征。
通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型，具体包括：
S301、对类别化的情绪标签，包括情绪的积极消极、唤醒度的高低，构建分类预测模型；
S302、对情绪的连续评分数值，构建回归预测模型；
S303、多所述分类预测模型和回归预测模型进行交叉验证，对单个被试内的数据，将其均匀划分为训练集和测试集，在训练集上训练分类与回归模型，并根据测试集上预测结果的准确度筛选出最终的预测模型。
本发明中对类别化的情绪标签，如情绪的积极消极、唤醒度的高低，构建分类预测模型；对于情绪的连续评分数值，构建回归预测模型。模型采用交叉验证，对单个被试内的数据，将其均匀划分为训练集和测试集，在训练集上训练分类与回归模型，并根据测试集上预测结果的准确度评估模型的优劣，进而调整模型以提升效果。
通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态，具体包括：
S401、将实时获取的皮肤电数据发送至最终预测模型；
S402、通过所述最终预测模型进行分析匹配，输出预测的情绪状态。
对于一名新的参与者，通过佩戴穿戴式的皮肤电传感器，记录其身体多部位在特定情绪状态下的皮肤电反应，并通过上述训练过程相同的皮肤电处理和特征提取方法，最后得到该受测者当前的情绪状态作为预测输出。
本发明提供的一种基于多位点皮肤生理响应的情感计算方法，通过基于能测量身体多位点皮肤电响应的传感器，利用特定情绪素材诱发参与者的情绪状态，并记录当前多位点的皮肤电变化，建立了自动化情绪识别方法；相比传统的单一部位的皮肤电测量，本发明提出的方法考虑了情绪诱发的皮肤电响应的身体分布，有利于稳定、完整地发现情绪与皮肤电反应之间的关联性，提升情绪识别的准确度，并且穿戴式方法本身具有较低的任务负荷，有助于推广日常穿戴式情感测量的普及，对情感计算和情感智能领域的发展具有重要的应用价值。
参考图6，本发明还公开了一种基于多位点皮肤生理响应的情感计算系统，所述系统包括：
数据获取模块110，用于获取不同情绪状态下对应的多位点皮肤电数据；
数据处理模块120，用于对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
模型建立模块130，用于通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
预测模块140，用于通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
其中，数据获取模块110，通过多位点的皮肤电传感设备与不同部位的人体皮肤相贴合；
所述皮肤电传感设备通过电极放电测量两级之间的电阻，生成电阻值；
根据所述电阻值生成不同情绪状态下对应的多位点皮肤电数据。
数据处理模块120，通过连续分解分析法将所述多位点皮肤电数据分解为快变的皮肤电响应和慢变的皮肤电响应；
对所述多点位皮肤电数据进行特征提取包括时域特征提取和频域特征提取；
将分解后特征提取后的数据进行均分，生成训练数据集和测试数据集。
所述时域特征包括标准差、均值、均方根以及高阶统计特征，对于短期的事件相关响应分析加入生理变化的波形特征；
所述频域特征包括峰值频率、谐波，通过信号做离散小波变化、经验模式分解能够提取更高阶次的连续信号特征。
模型建立模块130，对类别化的情绪标签，包括情绪的积极消极、唤醒度的高低，构建分类预测模型；
对情绪的连续评分数值，构建回归预测模型；
多所述分类预测模型和回归预测模型进行交叉验证，对单个被试内的数据，将其均匀划分为训练集和测试集，在训练集上训练分类与回归模型，并根据测试集上预测结果的准确度筛选出最终的预测模型。
预测模块140，将实时获取的皮肤电数据发送至最终预测模型；
通过所述最终预测模型进行分析匹配，输出预测的情绪状态。
通过本发明提供的一种基于多位点皮肤生理响应的情感计算系统，通过基于能测量身体多位点皮肤电响应的传感器，利用特定情绪素材诱发参与者的情绪状态，并记录当前多位点的皮肤电变化，建立了自动化情绪识别方法；相比传统的单一部位的皮肤电测量，本发明提出的方法考虑了情绪诱发的皮肤电响应的身体分布，有利于稳定、完整地发现情绪与皮肤电反应之间的关联性，提升情绪识别的准确度，并且穿戴式方法本身具有较低的任务负荷，有助于推广日常穿戴式情感测量的普及，对情感计算和情感智能领域的发展具有重要的应用价值。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行一种基于多位点皮肤生理响应的情感计算方法，该方法包括：获取不同情绪状态下对应的多位点皮肤电数据；
对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种基于多位点皮肤生理响应的情感计算方法，该方法包括：获取不同情绪状态下对应的多位点皮肤电数据；
对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于多位点皮肤生理响应的情感计算方法，该方法包括：获取不同情绪状态下对应的多位点皮肤电数据；
对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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)

1.一种基于多位点皮肤生理响应的情感计算方法，其特征在于，包括：
获取不同情绪状态下对应的多位点皮肤电数据；
对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
2.根据权利要求1所述的基于多位点皮肤生理响应的情感计算方法，其特征在于，所述获取不同情绪状态下对应的多位点皮肤电数据，具体包括：
通过多位点的皮肤电传感设备与不同部位的人体皮肤相贴合；
所述皮肤电传感设备通过电极放电测量两级之间的电阻，生成电阻值；
根据所述电阻值生成不同情绪状态下对应的多位点皮肤电数据。
3.根据权利要求1所述的基于多位点皮肤生理响应的情感计算方法，其特征在于，对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集，具体包括：
通过连续分解分析法将所述多位点皮肤电数据分解为快变的皮肤电响应和慢变的皮肤电响应；
对所述多点位皮肤电数据进行特征提取包括时域特征提取和频域特征提取；
将分解后特征提取后的数据进行均分，生成训练数据集和测试数据集。
4.根据权利要求3所述的基于多位点皮肤生理响应的情感计算方法，其特征在于，对所述多点位皮肤电数据进行特征提取包括时域特征提取和频域特征提取，具体包括：
所述时域特征包括标准差、均值、均方根以及高阶统计特征，对于短期的事件相关响应分析加入生理变化的波形特征；
所述频域特征包括峰值频率、谐波，通过信号做离散小波变化、经验模式分解能够提取更高阶次的连续信号特征。
5.根据权利要求1所述的基于多位点皮肤生理响应的情感计算方法，其特征在于，通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型，具体包括：
对类别化的情绪标签，包括情绪的积极消极、唤醒度的高低，构建分类预测模型；
对情绪的连续评分数值，构建回归预测模型；
多所述分类预测模型和回归预测模型进行交叉验证，对单个被试内的数据，将其均匀划分为训练集和测试集，在训练集上训练分类与回归模型，并根据测试集上预测结果的准确度筛选出最终的预测模型。
6.根据权利要求1所述的基于多位点皮肤生理响应的情感计算方法，其特征在于，通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态，具体包括：
将实时获取的皮肤电数据发送至最终预测模型；
通过所述最终预测模型进行分析匹配，输出预测的情绪状态。
7.一种基于多位点皮肤生理响应的情感计算系统，其特征在于，所述系统包括：
数据获取模块，用于获取不同情绪状态下对应的多位点皮肤电数据；
数据处理模块，用于对所述多位点皮肤电数据进行分解和特征提取，生成训练数据集和测试数据集；
模型建立模块，用于通过所述训练数据集和测试数据集对预设的预测模型进行训练，得到最终预测模型；
预测模块，用于通过所述最终预测模型对实时的皮肤电数据进行分析，获取当前情绪状态；
其中，所述最终预测模型是通过所述训练数据集对预设的预测模型进行训练，并通过所述测试数据对训练完成的预测模型进行测试得到的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多位点皮肤生理响应的情感计算方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多位点皮肤生理响应的情感计算方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多位点皮肤生理响应的情感计算方法。
CN202310331775.6A 2023-03-30 2023-03-30 一种基于多位点皮肤生理响应的情感计算方法及系统 Pending CN116473556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310331775.6A CN116473556A (zh) 2023-03-30 2023-03-30 一种基于多位点皮肤生理响应的情感计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310331775.6A CN116473556A (zh) 2023-03-30 2023-03-30 一种基于多位点皮肤生理响应的情感计算方法及系统

Publications (1)

Publication Number Publication Date
CN116473556A true CN116473556A (zh) 2023-07-25

Family

ID=87216915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310331775.6A Pending CN116473556A (zh) 2023-03-30 2023-03-30 一种基于多位点皮肤生理响应的情感计算方法及系统

Country Status (1)

Country Link
CN (1) CN116473556A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117017294A (zh) * 2023-09-11 2023-11-10 北京汇心健康科技有限公司 基于身体多点位多模态生理信号的个体心理特质分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117017294A (zh) * 2023-09-11 2023-11-10 北京汇心健康科技有限公司 基于身体多点位多模态生理信号的个体心理特质分析方法

Similar Documents

Publication Publication Date Title
CN109730701B (zh) 一种情绪数据的获取方法及装置
Toro et al. Is the use of a low-cost sEMG sensor valid to measure muscle fatigue?
Machado et al. Human activity data discovery from triaxial accelerometer sensor: Non-supervised learning sensitivity to feature extraction parametrization
EP3010408B1 (en) Sensor system and process for measuring electric activity of the brain, including electric field encephalography
Zarjam et al. Characterization of memory load in an arithmetic task using non-linear analysis of EEG signals
KR20170061317A (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
CN103315753A (zh) 便携式情感分析仪及分析方法
JP2019025311A (ja) データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム
CN104571504A (zh) 一种基于想象动作的在线脑-机接口方法
CN116473556A (zh) 一种基于多位点皮肤生理响应的情感计算方法及系统
EP4410205A3 (en) System, method, and computer algorithm for measuring, displaying, and accurately detecting changes in electrophysiological evoked potentials
Veeranki et al. Non-Linear Signal Processing Methods for Automatic Emotion Recognition using Electrodermal Activity
Akhonda et al. Stress detection of computer user in office like working environment using neural network
CN118248176A (zh) 一种基于助听器的老人情绪识别方法及系统
CN113331840B (zh) 一种抑郁情绪脑电波信号识别系统及方法
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Antunes et al. A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography
Hossain et al. Cognitive load measurement using galvanic skin response for listening tasks
WO2024108669A1 (zh) 觉醒状态检测系统及方法
CN115422983A (zh) 基于脑电波信号的情绪分类方法及装置
Gong et al. Mental state detection in classroom based on EEG brain signals
Prabhakara et al. Real time analysis of EEG signals on Android application
RU2704547C1 (ru) Способ удаленного сбора и групповой обработки психофизиологических реакций при предъявлении различной информации
Singh et al. Improved Classification of Mental Workload Using One Dimensional Convolutional Neural Network and SMOTE Technique
Aziz et al. Analysis of Electroencephalogram (EEG) signals

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