基于心肺系统的情绪识别研究

发布时间：2020-03-22 06:39

【摘要】：随着社会的进步和经济的发展,越来越多的人关注情绪在生活工作中的影响。现代人处于快节奏的生活中,常面临繁重的精神压力,长期处于不良情绪容易导致失眠以及增加焦虑症、抑郁症等心理疾病发病率,威胁人们健康甚至生命。准确高效地识别情绪,在临床医学、社会科学和工程实践中具有重要的理论意义和应用价值。设计研发具有情绪识别功能的机器或者可穿戴设备,实时监测心理疾病患者的生理信号,感知患者情绪变化,并及时给出相应反馈,已成为心理疾病治疗方法的研究热点。除此之外,情绪识别在在线教育、刑事侦查、交通安全以及休闲娱乐等领域都具有广泛的应用前景。针对当前基于生理信号的情绪识别研究中对特征提取不够广泛,本文在前人特征提取方法的基础上,提出新的用于脉搏和呼吸特征提取方法。对于脉搏信号,通过特征点的识别,构建脉搏形态学时间序列,并结合集成经验模态分解得到的本征模态函数,从时域、频域两方面提取脉搏特征。对于呼吸信号,采用多尺度熵算法提取呼吸信号的非线性特征,结合时域、频域分析,从多方面提取刻画不同情绪状态下呼吸信号的相关特征。本文主要研究内容如下:(1)设计并实施合理的情绪诱发实验,通过多导生理仪采集60名在校大学生六种情绪状态下的脉搏、呼吸信号。经过信号重采样后,分别采用小波滤波去除脉搏信号的噪声干扰和二阶ⅡR峰值滤波器提升呼吸信号主频率。(2)通过自适应差分阈值法检测出脉搏信号的峰值点,采用SSF函数增强脉搏上升支,并结合差分阈值算法检测脉搏起始点,基于特征点构造脉搏形态学时间序列。利用集成经验模态分解获得不同频带上的本征模态函数,从中去除频率较低、幅值较小的分量,保留与脉搏信号相似性较高的分量。通过计算上述时间序列的时域、频域特征,共得到84种刻画不同情绪状态的脉搏特征。(3)采用多尺度熵计算不同情绪状态下呼吸信号的复杂度,探究了重采样频率与尺度因子之间的关系,并通过实验比较确定了不同的多尺度熵算法应采用不同的阈值因子。结合呼吸信号的时域、频域特征,共得到57种刻画不同情绪状态的呼吸特征。(4)利用ReliefF算法筛选出脉搏、呼吸特征用于情绪分类起正面作用的特征集合。基于与情绪正面相关的最优特征子集,采用十折交叉检验与网格寻优确定随机森林算法参数,建立一对一以及一对多情绪识别模型。其中,一对一情绪识别模型的最高识别率为84%,基于脉搏、呼吸组合特征的一对多情绪识别模型识别率为72%。(5)对每一类模型进行特征分析,以基尼系数增益为指标选择用于情绪识别建模最重要的五个特征,结果表明脉搏波形因子和频域特征、呼吸最大值与均值比值以及多尺度熵用于情绪分类效果较好。同时,当脉搏、呼吸信号共同用于情绪识别时,呼吸特征的贡献率要大于脉搏特征。
【图文】：

生理信号,情绪,登记表

填写基本信息登记表，并被告知本次实验目的，签署表２．１被试者基本信息登记表逡逑血压（ｍｍＨｇ）逦心率／ｍｉｎ体逦逦年身高逦实验前逦实验后邋实实审逡逑龄（ｃｍ）逦验验（ｋｇ）邋ＳＢＰ邋ＤＢＰ邋ＳＢＰ邋ＤＢＰ逡逑前后：设备由两台电脑和生理信号采集仪组成。其中，笔用于播放情绪激发视频并记录实验过程；台式电脑与部分，，用于采集、记录、显示情感生理信号。实验采集系统ＲＭ６２４０Ｂ同步采集被试的脉搏和呼吸信号，

生理信号,情绪,脉搏信号,降噪处理

图２．２原始及小波滤波后的脉搏信号逡逑（２）呼吸信号的降噪处理逡逑
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.7

【参考文献】