一种计算情感心电信号标度指数的方法
【专利摘要】本发明公开了一种测试情感心电信号标度指数的方法，该方法采用电影视频剪辑诱发目标情感，获取被测试者的喜、怒、哀、惧四种情感的心电生理数据。在第二遍观看视频过程中，通过按键，被试对所观看的情感诱发视频进行情绪激发与否的评价，从而获取情感体验重评按键文件，截取60s长的情感心电信号，经过去噪和归一化的预处理工作后，采用去趋势波动分析算法，计算反应情感心电信号长程幂律相关性的指标，之后，以标度指数作为情感特征，采用Fisher分类器进行二分类的情感识别，高兴、悲伤、愤怒和恐惧四种情感的正确识别率分别为89.74％、90.1％、70.43％、83.18％，具有较好的识别效果。
【专利说明】
【技术领域】
[0001] 本发明属于电子信息【技术领域】，尤其涉及一种测试情感心电信号标度指数的方 法。 一种计算情感心电信号标度指数的方法
【背景技术】
[0002] 情感识别是情感计算的关键问题之一，是建立和谐人机情感交互环境的基础。人 类的情感状态是内在心理和生理变化，通过外显的行为、表情以及生理电信号等形式表现 出来，因此，情感识别就是通过分析这些可观测的信号来间接推断出人的情感状态。比较于 面部表情、语音和身体姿态而言，生理信号能够更加诚实的反应用户在情绪状态下自主神 经的工作模式，因而基于生理信号的情感识别受到大量研究者的关注。
[0003] 心电信号作为一种重要的生理信号，已有大量研究证据表明其中包含可靠的情感 信息。目前主要的研究方法是提取心电信号时域或频域的统计特征后，再进行基于目标情 感的模式识别。这些研究大多忽略了心脏系统是一个典型的非线性系统，而心电信号具有 典型的非线性信号特征的事实，将非线性方法应用于情感心电信号的研究少之又少。
【发明内容】
[0004] 本发明的目的在于提供一种测试情感心电信号标度指数的方法，旨在解决现有的 情感信号方面的研究忽略了心电信号具有典型的非线性信号特征的事实，将非线性方法 应用于情感心电信号的研究少之又少的问题。
[0005] 本发明是这样实现的，一种测试情感心电信号标度指数的方法包括以下步骤：
[0006] 步骤一、选取被测试者，对被试者进行艾森克人格测试，剔除不合格者；
[0007] 步骤二、第一遍播放情感诱发素材，采用Biopac MP150同步记录被测试者的多道 生理信号和面部视频；
[0008] 步骤三、第二遍播放情感诱发素材，采用Biopac MP150同步记录被测试者的多道 生理信号和面部视频及情感体验重评文件；
[0009] 步骤四、情感诱发素材播放完毕，结束情感生理信号采集，记录采集数据，对采集 的数据进行预处理；
[0010] 步骤五、情感心电信号的去趋势波动分析，对F(s)-s的双对数曲线，利用最小二 乘法进行拟合，求出直线斜率3，即去趋势波动分析的标度指数。
[0011] 步骤六、采用Fisher作为分类器，标度指数作为情感特征，进行情感的分类识别， 获得了较好的识别效果。
[0012] 进一步，所述的情感诱发素材为能够诱发喜、怒、哀、惧四种情绪的电影视频，在一 个独立完整的实验中，只播放一种情感的诱发视频，该视频先后播放两遍，其间以实验指导 语加以间隔，情感诱发视频开始之前先播放一段风景和轻音乐剪辑，用以平静用户的情绪。
[0013] 进一步，在目标情感诱发素材播放的同时，将使用Biopac MP150同步记录被试的 多路生理信号，包括心电信号（ECG)、皮肤电信号（GSR)、脉搏率（pulse rate)、血氧饱和度 (oxygen saturation of blood),其中ECG信号是采用肢导联方式进行记录，视频播放期间 被试的面部表情和肢体动作也将记录下来。
[0014] 进一步，被测试者在情感体验强烈的时刻，按下座椅扶手上按键，按键的信息会记 录至情感体验重评文件中，文件中的字符' Γ记录了被试的按键信息，即被试体验到了较为 强烈的目标情感，字符' 〇'则表示被试没有体验到强烈的目标情感。
[0015] 进一步，步骤四所述的数据的预处理包括以下步骤：
[0016] 步骤一、剔除部分缺损的或效果不好的数据；
[0017] 步骤二、在情感体验重评文件中寻找最长的一段'1'字符串，并计算此段字符串对 应的起始时间，以该时间为基点，统一截取长度为60秒的信号作为包含了目标情感的心电 信号；
[0018] 步骤三、通过在Biopac MP150上设置35Hz低通滤波和50Hz电源干扰陷波滤波，去 除大部分的工频干扰、肌电干扰和电磁干扰，使用小波分解和重建法进行心电滤波，之后， 对重构后的心电信号进行归一化处理，使得信号的值在〇-1之间，归一化公式为：
[0019]
【权利要求】
1. 一种测试情感心电信号标度指数的方法，其特征在于，所述的测试情感心电信号标 度指数的方法包括以下步骤： 第一遍播放情感诱发素材，采用Biopac MP150同步记录被测试者的多道生理信号和面 部视频；情感诱发素材，选择电影视频，诱发的情感是四种基本情感：高兴、悲伤、愤怒、恐 惧，在一个独立的实验中，只播放一种情感诱发视频，视频将被先后播放两次，与此同时，采 用Biopac MP150记录被试的多道生理信号； 第二遍播放情感诱发素材，采用Biopac MP150同步记录被测试者的多道生理信号和面 部视频及情感体验重评文件；第二遍播放情感诱发视频的关键，在于让被试回忆第一遍观 看视频时所体验到的情感，并在情感强烈的时候按下座椅扶手上的按键，按键的信息将记 录值情感体验重评文件中，文件中记录为1的位置，表示被试体验到了强烈的目标情感，记 录为〇的位置，表示被试未体验到目标情感，根据被试的情感体验重评文件，可以准确截取 与情感唤起相对应的生理信号片段； 情感诱发素材播放完毕，结束情感生理信号采集，记录采集数据，对采集的数据进行预 处理； 情感心电信号的去趋势波动分析，对F(s)-s的双对数曲线，利用最小二乘法进行拟 合，求出直线斜率0，即去趋势波动分析的标度指数； 采用Fisher分类器，以标度指数作为情感特征，进行情感状态的分类识别。
2. 如权利要求1所述的测试情感心电信号标度指数的方法，其特征在于，情感诱发素 材为能够诱发喜、怒、哀、惧四种情绪的电影视频，在一个独立完整的实验中，只播放一种情 感的诱发视频，该视频先后播放两遍，其间以实验指导语加以间隔，情感诱发视频开始之前 先播放一段风景和轻音乐剪辑，用以平静用户的情绪。
3. 如权利要求1所述的测试情感心电信号标度指数的方法，其特征在于，在目标情感 诱发素材播放的同时，将使用Biopac MP150同步记录被试的多路生理信号，包括心电信号、 皮肤电信号、脉搏率、血氧饱和度，其中心电信号是采用肢导联方式进行记录，视频播放期 间被试的面部表情和肢体动作也将记录下来。
4. 如权利要求1所述的测试情感心电信号标度指数的方法，其特征在于，被测试者在 情感体验强烈的时刻，按下座椅扶手上按键，按键的信息会记录至情感体验重评文件中，文 件中的字符1记录了被试的按键信息，即被试体验到了较为强烈的目标情感，字符〇则表示 被试没有体验到强烈的目标情感。
5. 如权利要求1所述的测试情感心电信号标度指数的方法，其特征在于，步骤四所述 的数据的预处理包括以下步骤： 步骤一、剔除部分缺损的或效果不好的数据； 步骤二、在情感体验重评文件中寻找最长的一段'1'字符串，并计算此段字符串对应 的起始时间，以该时间为基点，统一截取长度为60秒的信号作为包含了目标情感的心电信 号； 步骤三、通过在Biopac MP150上设置35Hz低通滤波和50Hz电源干扰陷波滤波，去除大 部分的工频干扰、肌电干扰和电磁干扰，使用小波分解和重建法进行心电滤波，之后，对重 构后的心电信号进行归一化处理，使得信号的值在0-1之间，归一化公式为：
6. 如权利要求1所述的测试情感心电信号标度指数的方法，其特征在于，采用去趋势 波动分析上位标度指数具体方法为： (1) 对于指定长度为N的时间序列{Xi}(i = l，2，···，N)，生成累积离差序列{y(k)}，其 中<x>是序列{xj的平均值；
?=1
(2) 将序列{y(k)}分为Ns = int(N/s)个连续且不重叠的子区间V」(j = 1,2, "·,Ν), 其中s为每个子区间 '的长度，由于Ν并不一定是s的整数倍，为了不使末端信息丢失，可 以从序列{y(k)}末端开始往回重复分割一次，这样共得到2凡个长度为s的子区间； ⑶在每个子区间V,_(j = 1，2, 一,21)内，用最小二乘法回归拟合趋势
计算各个区间消除趋势后的累积离差序列= >#) - ，并分别对这2NS个子 区间计算方差：
(4) 对所有区
间计算DFA波动函数F(s): (5) 对不同s，
，重复第⑵步到第⑷步，计算相应的F(s); (6) 画出F(s)与s的双对数曲线，若F(s)与s的双对数曲线存在线性关系： in F〇y) = In c + (?η ，则存在幂律形式的波动,〇) = c/ ; (7) 对F(s)-s的双对数曲线，采用最小二乘法线性回归可求出直线斜率0，即DFA的标 度指数。
7. 如权利要求1所述的测试情感心电信号标度指数的方法，其特征在于，以Fisher作 为分类器，将标度指数作为情感特征，进行情感的分类识别，为了降低复杂性，将多目标情 感分类问题看作是一个二分类问题，即设定一个目标情感，其它非目标情感作为干扰情感， 例如，若目标情感Angry,则非目标情感为Happy、Grief、Fear,采用正确识别率和错误识别 率来评估分类器的识别性能，计算公式如下式所示：
正确识别率越大，表示正确识别率越高，分类效果越好；错误识别率越小，错误识别率 越低，分类效果越好，最终基于标度指数为情感特征所构造的情感识别模型对高兴、悲伤、 愤怒和恐惧四种情感的正确识别率分别为89. 74%、90. 1 %、70. 43%、83. 18%，识别效果良 好。
【文档编号】A61B5/0205GK104055529SQ201410274483
【公开日】2014年9月24日 申请日期:2014年6月19日 优先权日:2014年6月19日
【发明者】程静, 刘光远 申请人:西南大学