CN118177805A - 一种情绪识别方法、装置、电子设备及可读存储介质 - Google Patents
一种情绪识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN118177805A CN118177805A CN202410601871.2A CN202410601871A CN118177805A CN 118177805 A CN118177805 A CN 118177805A CN 202410601871 A CN202410601871 A CN 202410601871A CN 118177805 A CN118177805 A CN 118177805A
- Authority
- CN
- China
- Prior art keywords
- emotion
- user
- heart rate
- pulse signals
- classification model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 56
- 230000008451 emotion Effects 0.000 claims abstract description 154
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000013186 photoplethysmography Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims 4
- 230000001133 acceleration Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000003068 static effect Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 229920000333 poly(propyleneimine) Polymers 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
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
- A61B5/02—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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请公开了一种情绪识别方法、装置、电子设备及可读存储介质，其中，该情绪识别方法包括：数据采集步骤，采集用户的脉搏信号；滤波处理步骤，对脉搏信号进行滤波处理，得到滤波后脉搏信号；特征计算步骤，根据滤波后脉搏信号计算心率特征；情绪分类步骤，将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。本申请的方法可以在可穿戴设备上实现情绪识别，也可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种情绪识别方法、装置、电子设备及可读存储介质。
背景技术
情绪识别技术，作为人工智能领域的一个重要分支，近年来得到了广泛的研究和应用。该技术结合了传感器技术、机器学习以及大数据分析等多种手段，实现对人体情绪的实时追踪和识别。该技术通常凭借捕捉人体的语音、面部表情、身体姿态以及生物电信号等信息，结合预先训练好的模型，对情绪状态进行实时分析。
然而，传统的情绪识别方法通常需要特定的场地和复杂的仪器来收集和分析人体的各种信息，包括面部表情、语音以及生物电信号等。这不仅使得操作变得繁琐，还需要用户的积极配合，从而限制了其在日常生活中的应用。
因此，如何在智能设备上实现情绪识别，可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态，是目前研究的重要问题。
发明内容
本发明主要解决的技术问题是提供一种情绪识别方法、装置、电子设备及可读存储介质，解决如何在可穿戴设备上实现情绪识别，也可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态。
为解决上述技术问题，本申请采用的一个技术方案是提供情绪识别方法、装置、电子设备及可读存储介质，上述情绪识别方法，用于具有光电容积脉搏波传感器的可穿戴终端，该方法包括：
数据采集步骤，采集用户的脉搏信号。
滤波处理步骤，对脉搏信号进行滤波处理，得到滤波后脉搏信号。
特征计算步骤，根据滤波后脉搏信号计算心率特征。
情绪分类步骤，将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。
在一些实施例中，情绪分类模型为决策树、随机森林、梯度提升树和神经网络中的任意一种。
在一些实施例中，情绪识别方法还包括：
情绪校准步骤，用户输入自己的真实情绪，将真实情绪以及心率特征加入预设训练集，对情绪分类模型进行重新训练。
在一些实施例中，情绪分类步骤之后还包括：
情绪调节步骤，根据情绪分类结果提供相应的情绪调整策略。
在一些实施例中，在特征计算步骤中，心率特征包括平均心率、相邻间隔序列差值的均方根、间隔序列的标准差、低频能量、高频能量以及高频能量占比。
基于同一发明构思，本申请还提供了一种情绪识别装置，具有光电容积脉搏波传感器，包括：
数据采集模块，用于采集用户的脉搏信号。
滤波处理模块，用于对脉搏信号进行滤波处理，得到滤波后脉搏信号。
特征计算模块，用于根据滤波后脉搏信号计算心率特征。
情绪分类模块，用于将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。
在一些实施例中，上述装置还包括：
情绪校准模块，用于用户输入自己的真实情绪，将真实情绪以及心率特征加入预设训练集，对情绪分类模型进行重新训练。
在一些实施例中，上述装置还包括：
情绪调节模块，用于根据情绪分类结果提供相应的情绪调整策略。
基于同一发明构思，本申请还提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机程序，计算机程序被处理器执行时实现上述任意一种的情绪识别方法。
基于同一发明构思，本申请还提供了一种计算机可读存储介质，其上存储有程序指令，程序指令用于实现上述任意一种的情绪识别方法。
有益效果：本申请公开了一种情绪识别方法、装置、电子设备及可读存储介质，其中，该情绪识别方法包括：数据采集步骤，采集用户的脉搏信号；滤波处理步骤，对脉搏信号进行滤波处理，得到滤波后脉搏信号；特征计算步骤，根据滤波后脉搏信号计算心率特征；情绪分类步骤，将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。本申请的方法可以在可穿戴设备上实现情绪识别，也可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态。
附图说明
图1是根据本申请提供的一种情绪识别方法一实施例的流程图；
图2是根据本申请提供的一种情绪识别方法另一实施例的流程图；
图3是根据本申请提供的一种情绪识别方法另一实施例的流程图；
图4是根据本申请提供的一种情绪识别装置一实施例的框架示意图；
图5是根据本申请提供的一种情绪识别装置另一实施例的框架示意图；
图6是根据本申请提供的一种情绪识别装置另一实施例的框架示意图；
图7是根据本申请提供的一种情绪识别方法另一实施例的流程图；
图8是根据本申请提供的一种情绪识别方法另一实施例的流程图；
图9是根据本申请提供的一种情绪识别方法另一实施例的流程图；
图10是根据本申请提供的一种情绪识别方法另一实施例的流程图；
图11是根据本申请提供的一种情绪识别装置另一实施例的框架示意图；
图12是根据本申请提供的一种情绪识别装置另一实施例的框架示意图；
图13是根据本申请提供的一种情绪识别装置另一实施例的框架示意图；
图14是根据本申请提供的电子设备一实施例的框架示意图；
图15是根据本申请提供的计算机可读存储介质一实施例的框架示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请所称的可穿戴设备，应用于但不限于内部具有加速度传感器和/或光电容积脉搏波传感器的智能手环、手表、耳机、眼镜、头盔等可供用户穿戴的可穿戴设备。需要指出的是，该可穿戴设备可以基于嵌入式系统，也可以基于安卓（Android）系统，也可以基于IOS（苹果公司开发的移动操作系统）系统，还可以基于Windows系统等，此处不做限制。
图1显示了本申请的一种情绪识别方法一实施例的流程图，本申请的情绪识别方法，用于具有光电容积脉搏波传感器的可穿戴终端，该方法包括：
数据采集步骤S11，采集用户的脉搏信号。
滤波处理步骤S12，对脉搏信号进行滤波处理，得到滤波后脉搏信号。
特征计算步骤S13，根据滤波后脉搏信号计算心率特征。
情绪分类步骤S14，将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。
在本申请的方法中，对采集的脉搏信号进行滤波处理，是为了达到降噪的效果，这样即使设备没有处于完全静止的状态，也可以计算心率特征，并根据心率特征对用户的情绪进行判断识别。该方法可以实现对情绪的识别，也可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态。
具体的，上述的可穿戴设备包括光电容积脉搏波（Photoplethysmography，PPG）传感器，用于采集用户的脉搏信号。光电容积脉搏传感器通常使用红外光或可见光来照射皮肤，并测量反射回传的光信号（皮肤上的光吸收变化）可得到脉搏信号。
具体的，脉搏信号反映的是人体的心率变异性（Heart rate variability，HRV），心率变异性是指连续正常（窦性）心跳周期之间时间上的微小差异，简单说就是心跳（砰砰声）时间间隔上的差异。其中，心脏一次跳动到下一次跳动之间的时间也称为心动周期或心跳间隔。根据脉搏信号，也可以得到用户连续心跳之间的时间间隔序列，用于计算心率特征。心跳之间的时间间隔序列，指的是用心脏相邻两次跳动的时间间隔组成的时间序列。
在一些实施例中，情绪分类模型可以是决策树、随机森林、梯度提升树和神经网络中的任意一种，也可以是其他为本技术领域熟知的算法，这里不做具体限制。
结合图2，在一些实施例中，情绪识别方法还包括：
情绪校准步骤S15，用户输入自己的真实情绪，将真实情绪以及心率特征加入预设训练集，对情绪分类模型进行重新训练。
具体的，由于心率变异性存在个体差异性，因此计算得到的心率特征也有差异性，通过预设数据集训练出的情绪分类模型可能不适用于某个用户，导致预测的情绪分类结果出现偏差。因此测量结束后，若预测的情绪分类结果和用户的真实情绪不同，用户可选择输入自己的真实情绪。此次测量的心率特征与真实情绪将加入预设数据集中，并分配较大权重，对情绪分类模型进行重新训练，且重新训练后的参数更新至情绪分类模型中，使得后续情绪分类的准确率更高。
结合图3，在一些实施例中，情绪分类步骤S14之后还包括：
情绪调节步骤S16，根据情绪分类结果提供相应的情绪调整策略。
具体的，情绪分类结果分为五个基本类型，包括快乐、平静、悲伤、愤怒、恐惧。其中，快乐和平静是积极的情绪，悲伤、愤怒以及恐惧是消极的情绪，当情绪分类结果为悲伤、愤怒以及恐惧中的任意一种时，可穿戴设备可以根据上述情绪分类结果为用户提供相应的情绪调整策略，用于帮助用户调节和管理情绪。这里给出一些情绪调整策略的一些实施例，包括提醒用户调整思维模式、改变行为方式、进行呼吸训练或冥想等。
在一些实施例中，在特征计算步骤S13中，心率特征包括平均心率（HR）、相邻间隔序列差值的均方根（RMSSD）、间隔序列的标准差（SDNN）、低频能量（LF_power）、高频能量（HF_power）以及高频能量占比（HF_norm）。
请参阅图4，基于同一发明构思，本申请还提供了一种情绪识别装置40，具有光电容积脉搏波传感器，包括：
数据采集模块41，用于采集用户的脉搏信号。
滤波处理模块42，用于对脉搏信号进行滤波处理，得到滤波后脉搏信号。
特征计算模块43，用于特征计算模块，根据滤波后脉搏信号计算心率特征。
情绪分类模块44，用于将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。
请参看图5，在一些实施例中，上述装置40还包括：
情绪校准模块45，用于用户输入自己的真实情绪，将真实情绪以及心率特征加入预设训练集，对情绪分类模型进行重新训练。
请参看图6，在一些实施例中，上述装置40还包括：
情绪调节模块46，用于根据情绪分类结果提供相应的情绪调整策略。
进一步的，为了使得心率特征的计算更加准确，本申请还给出了一种情绪识别方法的另一实施例。
图7显示了本申请的一种情绪识别方法一实施例的流程图，该方法应用于具有加速度传感器和光电容积脉搏波传感器的可穿戴终端，该方法包括：
数据采集步骤S21，采集加速度传感器X、Y、Z三轴的加速度信号和用户的脉搏信号。
动量计算步骤S22，根据加速度信号计算X、Y、Z三轴在第一预设时间内的动量值，并根据动量值判断可穿戴设备是否为静止状态。
特征计算步骤S23，可穿戴设备处于静止状态时，根据一定时间间隔内的脉搏信号计算心率特征。
情绪分类步骤S24，将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。
该实施例的方法通过加速度传感器实时采集X、Y、Z轴方向上的加速度，再计算获得X、Y、Z轴在第一预设的时间内的动量值，以此确定可穿戴设备是否为静止状态，再通过光电容积脉搏波传感器采集的脉搏信号计算心率特征，并根据心率特征对用户的情绪进行判断识别，该方法同样可以实现对情绪的识别，也可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态。
具体的，加速度传感器是能够测量加速度值的传感器，加速度传感器可以为微机电系统（Microelectro Mechanical Systems，MEMS）传感器，这里不做限制，且加速度传感器的数量至少为一个。
结合图8，在一些实施例中，动量计算步骤S22之后还包括：
步骤S221，若可穿戴设备为静止状态，且处于静止状态的时间大于第二预设时间，则执行特征计算步骤S23。
具体的，由于运动会影响人体的心率变异性（Heart rate variability，HRV），干扰情绪识别，因此在测量之前需要确保用户处于静止状态一段时间。且由于如果用户存在肢体活动，也会影响心率特征的计算，因此在测量过程中也需要用户保持静止。
示例的，当可穿戴设备为静止状态时，第二预设时间可以设置为504s，这里不做具体限定。例如，可以将第二预设时间设置为504s，当可穿戴设备为静止状态，且保持静止状态的时间超过504s以上，则表明用户处于持续静止状态，此时继续执行情绪识别方法中的步骤，对用户的情绪进行测量；否则，中断此次测量，返回数据采集步骤S21重新进行数据的采集，并提醒用户保持静止并进行重新测量。需要说明的是，上述第二预设时间的取值仅为示例，不能作为本申请保护范围的限制。
在一些实施例中，根据动量值判断可穿戴设备是否为静止状态，方法为：
计算动量值最大值与最小值之间的差值，若差值小于第一预设阈值，则识别为静止状态。
具体的，计算动量值最大值与最小值之间的差值，即：计算每秒内加速度信号在X、Y、Z三轴上最大值与最小值之间的差值，计算方法为：
其中，表示加速度信号在X、Y、Z三轴上动量值的最大值，/>表示加速度信号在X、Y、Z三轴上动量值的最小值。上述差值体现该秒内加速度信号的波动程度，用于判断可穿戴设备是否处于静止状态。若上述差值小于第一预设阈值，则表示可穿戴设备处于静止状态；否则，可穿戴设备处于活动状态，不适合用户进行测量。
在一些实施例中，上述判断可穿戴设备是否为静止状态还包括：若可穿戴设备处于静止的时间大于第二预设时间之后，上述差值超过第一预设阈值的时间持续超过第三预设时间，则返回数据采集步骤S21。
具体的，若可穿戴设备处于静止的时间大于第二预设时间，则表明用户处于静止状态，可以开始对用户的情绪进行识别；但是在测量过程中，如果上述差值超过第一预设阈值（即：用户有较大幅度的活动）的时间持续超过第三预设时间，则表明此时用户处于非静止状态，此时继续测量会导致后续对心率特征的计算结果不准确，从而导致情绪分类结果不准确，因此需要中断此次测测量，并提醒用户保持静止并重新开始测量。示例性的，第三预设时间可以设置为5s至20s范围内的任一取值，例如：10s，即：用户保持静止状态并开始测量之后，有较大活动幅度的持续时间超过10s，设备开始重新测量。需要说明的是，上述时间的设置取值仅为示例，不能作为本申请保护范围的限制。
结合图9，在一些实施例中，情绪分类步骤S24之后还包括：
情绪调节步骤S26，根据情绪分类结果提供相应的情绪调整策略。
结合图10，在一些实施例中，情绪识别方法还包括：
情绪校准步骤S25，用户输入自己的真实情绪，将真实情绪以及心率特征加入预设训练集，对情绪分类模型进行重新训练。
为了进一步说明本申请，表1给出了上述情绪识别方法任意一种实施例中心率特征的计算方法：
表1 心率特征的计算方法
其中，在上述表1的计算方法中，PPI表示连续心跳之间的时间间隔序列，表示第n个PPI值（其中，/>），N表示PPI的总个数，/>表示第i个PPI值（其中，），/>表示所有PPI的平均值。
为了进一步说明上述情绪识别方法的任意一种实施例，这里以决策树作为情绪分类模型进行说明。其中，决策树（Decision Tree）是一种以树形数据结构来展示决策规则和分类结果的模型，作为一种归纳学习算法，其重点是将看似无序、杂乱的已知数据，通过某种技术手段将它们转化成可以预测未知数据的树状模型。
具体的，情绪分类模型根据心率特征对用户的情绪进行预测分类的判断条件如表2所示：
表2 根据心率特征对情绪进行预测分类的判断条件
其中，在上述表2的判断条件中，THD50和THD12分别表示情绪分类为快乐的第一阈值和第二阈值，THD21和THD22分别表示情绪分类为悲伤的第三阈值和第四阈值，THD31和THD32分别表示情绪分类为愤怒的第五阈值和第六阈值，THD41和THD42分别表示情绪分类为愤怒的第七阈值和第八阈值，上述所有阈值均是由决策树模型训练出来的取值。情绪分类的判断优先顺序如表2所示，依次为：快乐、悲伤、愤怒、恐惧和平静。以快乐这一情绪类型为例进行说明，当间隔序列的标准差（SDNN）大于第一阈值（THD11）且高频能量占比（HF_norm）大于第二阈值（THD12）时，情绪分类结果为快乐。示例性的，第一阈值可以为75ms，第二阈值为45%，即：当SDNN>THD11且HF_norm>THD12，其中，THD11=73ms，THD12=45%，情绪分类结果为快乐。需要说明的是，上述阈值仅为示例，并不能作为限制本申请保护范围的限制。
请参阅图11，基于同一发明构思，本申请还提供了一种情绪识别装置50，具有加速度传感器和光电容积脉搏波传感器，包括：
数据采集模块51，用于采集加速度传感器X、Y、Z三轴的加速度信号和用户的脉搏信号。
动量计算模块52，用于根据加速度信号计算X、Y、Z三轴在第一预设时间内的动量值，并根据动量值判断可穿戴设备是否为静止状态。
特征计算模块53，用于可穿戴设备处于静止状态时，根据一定时间间隔内的脉搏信号计算心率特征。
情绪分类模块54，用于将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。
请参看图12，在一些实施例中，上述装置50还包括：
情绪校准模块55，用于用户输入自己的真实情绪，将真实情绪以及心率特征加入预设训练集，对情绪分类模型进行重新训练。
参看图13，在一些实施例中，上述装置50还包括：
情绪调节模块56，用于根据情绪分类结果提供相应的情绪调整策略。
请参阅图14，本申请还公开了一种电子设备80一实施例的框架示意图，包括处理器82和存储器81，存储器81存储有能够被处理器82执行的计算机程序，计算机程序被处理器82执行时实现上述的任意一种情绪识别方法。
具体的，存储器81用于存储计算机程序或者数据。该存储器81可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)等。
该处理器82用于读/写存储器81中存储的数据或计算机程序，并执行相应地功能。例如，当存储器81存储的计算机程序被处理器82执行时，可以实现本申请实施例所提供的情绪识别方法。
请参阅图15，图15是本申请提供的一种计算机可读存储介质一实施例的框架示意图，计算机可读存储介质90上存储有程序指令901，程序指令901用于实现上述任意一种的情绪识别方法。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以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，本申请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全部或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）或处理器（processor）执行本申请各个实施方式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。
综上所述，本申请公开了一种情绪识别方法、装置、电子设备及可读存储介质，其中，该情绪识别方法包括：数据采集步骤，采集用户的脉搏信号；滤波处理步骤，对脉搏信号进行滤波处理，得到滤波后脉搏信号；特征计算步骤，根据滤波后脉搏信号计算心率特征；情绪分类步骤，将心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，情绪分类模型是通过利用预设训练集预先得到的。本申请的方法可以在可穿戴设备上实现情绪识别，也可以使用户根据需要对自己的情绪进行随时随地的检测，实时了解自己的情绪状态。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种情绪识别方法，用于具有光电容积脉搏波传感器的可穿戴终端，其特征在于，所述情绪识别方法包括：
数据采集步骤，采集用户的脉搏信号；
滤波处理步骤，对所述脉搏信号进行滤波处理，得到滤波后脉搏信号；
特征计算步骤，根据所述滤波后脉搏信号计算心率特征；
情绪分类步骤，将所述心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，所述情绪分类模型是通过利用预设训练集预先得到的。
2.根据权利要求1所述的情绪识别方法，其特征在于，所述情绪分类模型为决策树、随机森林、梯度提升树和神经网络中的任意一种。
3.根据权利要求2所述的情绪识别方法，其特征在于，所述情绪识别方法还包括：
情绪校准步骤，用户输入自己的真实情绪，将所述真实情绪以及所述心率特征加入所述预设训练集，对所述情绪分类模型进行重新训练。
4.根据权利要求3所述的情绪识别方法，其特征在于，所述情绪分类步骤之后还包括：
情绪调节步骤，根据所述情绪分类结果提供相应的情绪调整策略。
5.根据权利要求4所述的情绪识别方法，其特征在于，在所述特征计算步骤中，所述心率特征包括平均心率、相邻间隔序列差值的均方根、间隔序列的标准差、低频能量、高频能量以及高频能量占比。
6.一种情绪识别装置，具有光电容积脉搏波传感器，其特征在于，包括：
数据采集模块，用于采集用户的脉搏信号；
滤波处理模块，用于对所述脉搏信号进行滤波处理，得到滤波后脉搏信号；
特征计算模块，用于根据所述滤波后脉搏信号计算心率特征；
情绪分类模块，用于将所述心率特征输入至情绪分类模型，得到预测的情绪分类结果，其中，所述情绪分类模型是通过利用预设训练集预先得到的。
7.根据权利要求6所述的情绪识别装置，其特征在于，还包括：
情绪校准模块，用于用户输入自己的真实情绪，将所述真实情绪以及所述心率特征加入所述预设训练集，对所述情绪分类模型进行重新训练。
8.根据权利要求7所述的情绪识别装置，其特征在于，还包括：
情绪调节模块，用于根据所述情绪分类结果提供相应的情绪调整策略。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至5任一项所述的情绪识别方法。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令用于实现权利要求1至5任一项所述的情绪识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410601871.2A CN118177805A (zh) | 2024-05-15 | 2024-05-15 | 一种情绪识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410601871.2A CN118177805A (zh) | 2024-05-15 | 2024-05-15 | 一种情绪识别方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118177805A true CN118177805A (zh) | 2024-06-14 |
Family
ID=91412565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410601871.2A Pending CN118177805A (zh) | 2024-05-15 | 2024-05-15 | 一种情绪识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118177805A (zh) |
Citations (3)
| 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 |
| CN115840890A (zh) * | 2023-02-24 | 2023-03-24 | 北京科技大学 | 一种基于非接触生理信号的情绪识别方法及装置 |
| CN115952460A (zh) * | 2023-03-14 | 2023-04-11 | 首都医科大学附属北京同仁医院 | 情绪识别方法、装置、计算机设备和存储介质 |
-
2024
- 2024-05-15 CN CN202410601871.2A patent/CN118177805A/zh active Pending
Patent Citations (3)
| 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 |
| CN115840890A (zh) * | 2023-02-24 | 2023-03-24 | 北京科技大学 | 一种基于非接触生理信号的情绪识别方法及装置 |
| CN115952460A (zh) * | 2023-03-14 | 2023-04-11 | 首都医科大学附属北京同仁医院 | 情绪识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 张洪茹: "于mmWave非接触式心率变异性监测的情绪识别方法研究", CNKI优秀硕士学位论文全文库, 31 December 2023 (2023-12-31) * |
| 焦佳琛: "面部血流活动信号感知与悲伤情绪分析", CNKI优秀硕士学位论文全文库（医药卫生科技辑）, no. 2022, 15 February 2022 (2022-02-15) * |
| 蔡厚德: "生物心理学 认知神经科学的视角", 31 December 2010, pages: 212 * |
| 邓光华: "基于心率变异性的情绪识别研究", CNKI优秀硕士学位论文全文库, no. 2022, 15 January 2022 (2022-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109568760B (zh) | 一种睡眠环境调节方法及系统 | |
| WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
| Everson et al. | BiometricNet: Deep learning based biometric identification using wrist-worn PPG | |
| CN104720748B (zh) | 一种睡眠阶段确定方法和系统 | |
| Luque et al. | End-to-end photopleth YsmographY (PPG) based biometric authentication by using convolutional neural networks | |
| KR20190114694A (ko) | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 | |
| CN110944577A (zh) | 一种血氧饱和度的检测方法与系统 | |
| CN108634969B (zh) | 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 | |
| Di Martino et al. | High-resolution physiological stress prediction models based on ensemble learning and recurrent neural networks | |
| US20210090740A1 (en) | State estimation apparatus, state estimation method, and non-transitory recording medium | |
| WO2023015932A1 (zh) | 基于深度学习的心率检测方法及可穿戴设备 | |
| CN115120236B (zh) | 情绪识别方法、装置、可穿戴设备及存储介质 | |
| WO2023226824A1 (zh) | 一种基于小动脉光电容积脉搏波的血压检测装置 | |
| CN115952460A (zh) | 情绪识别方法、装置、计算机设备和存储介质 | |
| US20240252052A1 (en) | Heart rate detection method and electronic device | |
| Pandey et al. | A multistage deep residual network for biomedical cyber-physical systems | |
| CN114145717B (zh) | 基于ppg心率特征参数和运动量的睡眠状态分析方法 | |
| CN115089179A (zh) | 一种心理情绪洞察分析方法及系统 | |
| CN118098581A (zh) | 情绪状态的监测方法及系统 | |
| CN115054248A (zh) | 情绪监测方法和情绪监测装置 | |
| WO2023061565A1 (en) | Apparatus, system and method for determining whether a person is asleep | |
| CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
| CN116671906A (zh) | 一种智能手表无创血糖测量方法及系统 | |
| CN118177805A (zh) | 一种情绪识别方法、装置、电子设备及可读存储介质 | |
| Schellenberger et al. | Detecting respiratory effort-related arousals in polysomnographic data using lstm networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |