[发明专利]一种基于脉搏波的情绪识别方法

说明书

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。

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。