一种基于脉搏波时间序列分析的情绪分类方法及装置与流程

本发明实施方式涉及医疗仪器技术领域，特别是涉及一种基于脉搏波时间序列分析的情绪分类方法及装置。

背景技术：

情绪是一种瞬态的生理和心理现象，它代表个体对变化的环境所采取的适应行为。情绪是个体因所处环境而引起的心理、生理状态的反映，它不同于立场、态度和性情。情绪不仅仅是一个主观概念，受个体所在社会、文化等因素的影响，情绪还会在大多数环境下，在大多数人之间存在着一些确定的、相同的成分。例如当取得了成功时，人们都会比较高兴，高兴的程度则根据成功的大小及个体满意度的高低而定，当遭受重创的时候，人们通常会比较的悲伤。

现有技术中，从生理信号中提取最有效的特征来识别情绪，可能会涉及的生理信号包括：

ECG(Electrocardiogram，心电图)、

EMG(Electromyography，肌电图)、

RSP(Respiratory，呼吸信号)、

SC(Skin conductance，皮电信号)，其中：

基于ECG的检测方法：当出现愤怒、恐惧等情绪时人的心率最快，高兴时次之，当悲伤和惊奇时心率减慢，在厌恶时心率达到最低点。心率的变化是受性别和情绪交互影响的，如女性被试的心率反应水平比男性被试高。较低的心率变异率(HRV)表明是放松的状态，而增强的HRV表明可能是精神紧张和受到挫折的状态。

基于EMG的检测方法：EMG是一种的表皮肌肉的电活动在皮肤表面处的时间和空间上的综合结果，它可以通过表面电极收集到，并可避免 像针电极刺入肌肉中而带来的创伤性缺陷。所以它是从肌肉表面通过电极引导、记录下来的神经肌肉系统活动时的生物电信号，主要是浅层肌肉和神经干上电活动的综合效应。它与肌肉的活动状态和功能状态之间存在着不同程度的关联性，因而能在一定的程度上反映神经肌肉的活动。根据前人实验表明，肌电信号是一种非常微弱的信号，其幅值在l00～5000uV，其峰-峰值一般在0～6mV，均方根在0～l.5mv，一般有用的信号频率成分位于0～500Hz范围内，其中主要能量集中在50～150Hz范围内。肌电图信号是一维时间序列信号，它是表面引导电极所触及的多个运动单位活动时所产生的电变化在时间和空间上迭加的结果，与不同机能状态和活动状态下的参加活动的运动单位数量、不同运动单位的放电频率、运动单位活动的同步化程度、运动单位募集模式以及表面电极放置位置、皮下脂肪厚度、体温变化等因素有关。肌电信号与情绪关系密切，当情绪较为激动时，肌电信号表现较为活跃；当情绪较为平和时，肌电信号表现较为不活跃。

基于RSP的检测方法：呼吸RSP是指人体与外界环境进行气体交换的过程。人体通过呼吸作用不断地从外界环境摄取氧气供应给体内营养物质，维持能量和体温，同时将氧化过程中产生的C02排出体外，从而保证新陈代谢的正常进行。所以，呼吸是人体重要的一个生理过程。要测量RSP信号时，要将一个放置了压阻传感器的有弹性的背带绕在胸部，当人胸腔扩张时，带子就会拉紧，压阻传感器输出对应的电压值。呼吸信号与情绪关系密切，当情绪较为激动时，呼吸信号表现较为活跃；当情绪较为平和时，呼吸信号表现较为不活跃。

基于SC的检测方法：皮电信号(SC)是皮肤传导性的指示，可在手指之间注入一个不易觉察的小电压，然后测量其电导。如果希望手不被传感器束缚，也可以从放置在脚上的电极测量得到同样可靠的信号。不同情绪状态时，皮肤内血管的舒张和收缩以及汗腺分泌等变化，能引起皮肤电阻的变化，以此来测定植物性神经系统的情绪反应。通常SC同人的情绪觉醒程度(Arousal)有关，根据Schachter和Singer的理论，同样的生理信号在不同的觉醒程度下所表示的情绪也不同。皮肤电 反应基础水平的个体差异明显并且与个性特征相关：基础水平越高者，越内向、紧张、焦虑不安、情绪不稳定、反应敏感；而基础水平低者，越开朗、外向，心态比较平衡，自信、心理适应较好。

但是，目前基于ECG、EMG、SC的情绪分析方法通常需要佩戴专业的采集设备，该类设备普遍佩戴复杂，不便于被试个人独立完成佩戴、随时佩戴进行实时监测。同时，由于RSP信号包含的情绪信息有限，通常难以仅依据该单一模态信息进行准确的情绪分析。

因此，现有技术中，还没有一种既方便测量，又能能够准确区分、并识别常见情绪的方案。

技术实现要素：

本发明实施方式主要解决的技术问题是提供一种脉搏测量装置和基于脉搏波时间序列分析的情绪分类方法及装置，能够给用户带来一种准确的、用户体验良好的情绪分析方法和装置。

为解决上述技术问题，本发明实施方式采用的一个技术方案是：提供一种基于脉搏波时间序列分析的情绪分类方法。

一种基于脉搏波时间序列分析的情绪分类方法，该方法包括：

通过光电容积描记采集脉搏波时间序列；

根据所述脉搏波时间序列构建其特征表示；

根据所述脉搏波时间序列的特征表示以及相应的情绪标签训练支持向量机；

通过所述支持向量机对所述脉搏波时间序列进行情绪分类。

优选的，所述根据所述脉搏波时间序列构建其特征表示包括：

根据所述脉搏波时间序列获取混沌特征参数，其中，所述混沌特征参数包括李雅普诺夫指数、关联维数、近似熵以及复杂度。

优选的，所述根据所述脉搏波时间序列获取混沌特征参数还包括：

将所述李雅普诺夫指数、所述关联维数、所述近似熵以及所述复杂度进行归一化处理，以构建所述脉搏波时间序列特征表示。

优选的，所述根据所述脉搏波时间序列的特征表示以及相应的情绪 标签训练支持向量机包括：

根据开心和生气两种情绪的脉搏波时间序列所提取的非线性特征以及情绪所分配的标签，训练支持向量机；

通过所述支持向量机对未知标签的脉搏波时间序列所对应的非线性特征，推测所述情绪标签。

优选的，所述通过所述支持向量机对所述脉搏波时间序列进行情绪分类之后还包括：

采集新的脉搏波时间序列；

将所述新的脉搏波时间序列送入所述支持向量机；

通过所述支持向量机对所述新的脉搏波时间序列进行情绪分类。

本发明还提出了一种基于脉搏波时间序列分析的情绪分类装置，该装置包括：

脉搏波时间序列采集模块，用于通过光电容积描记采集脉搏波时间序列；

第一处理模块，用于根据所述脉搏波时间序列构建其特征表示；

第二处理模块，用于根据所述脉搏波时间序列的特征表示以及相应的情绪标签训练支持向量机；

情绪分类模块，用于通过所述支持向量机对所述脉搏波时间序列进行情绪分类。

优选的，所述第一处理模块包括第一处理单元，所述第一处理单元用于根据所述脉搏波时间序列获取混沌特征参数，其中，所述混沌特征参数包括李雅普诺夫指数、关联维数、近似熵以及复杂度。

优选的，所述第一处理模块还包括第二处理单元，所述第二处理单元用于将所述李雅普诺夫指数、所述关联维数、所述近似熵以及所述复杂度进行归一化处理，以构建所述脉搏波时间序列特征表示。

优选的，所述第二处理模块包括第三处理单元和第四处理单元：

所述第三处理单元用于根据开心和生气两种情绪的脉搏波时间序列所提取的非线性特征以及情绪所分配的标签，训练支持向量机；

所述第四处理单元用于通过所述支持向量机对未知标签的脉搏波 时间序列所对应的非线性特征，推测所述情绪标签。

优选的，所述情绪分类模块还用于：

采集新的脉搏波时间序列；

将所述新的脉搏波时间序列送入所述支持向量机；

通过所述支持向量机对所述新的脉搏波时间序列进行情绪分类。

实施本发明，可以准确描述脉搏波时间序列的非线性特征，并利用这些特征实现对情绪的准确识别，同时，本发明不局限于脉搏波时间序列的采集过程，也不局限于在家或者工作等场所，用户可以自行、准确、实时、在无感知的情况下，对被测试者进行情绪分析。

附图说明

图1是本发明实施例提供的脉搏波时间序列分析方法第一实施例流程图；

图2是本发明实施例提供的脉搏波时间序列分析方法第四实施例流程图；

图3是本发明实施例提供的脉搏波时间序列分析方法第五实施例流程图；

图4是本发明实施例提供的脉搏波时间序列分析装置第六实施例结构框图；

图5是本发明实施例提供的脉搏波时间序列分析装置第七实施例结构框图。

具体实施方式

为了使本发明的目的、技术方案以及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1：

本发明实施例1提供了脉搏波时间序列分析方法的第一优选实施例，如图1所示为本发明实施例提供的脉搏波时间序列分析方法第一实施例流程图。

参阅图1，本实施例提供的一种脉搏波时间序列分析方法，本方法包括以下步骤：

S1、通过光电容积描记采集脉搏波时间序列。本实施例采用光电容积描记的方式采集脉搏波时间序列，也即，利用光电传感器,检测经过人体血液和组织吸收后的反射光强度的不同,描记出血管容积在心动周期内的变化。可以理解的是，本实施例可以应用于便携式的脉搏波时间序列采集终端，便于使用者随时随地实施本分析方法，或者，本实施例还可以应用于固定的设备，从而便于在公共场所试试本分析方法。由于本方案采用的是光电容积描记法采集脉搏波时间序列，因此，本方案的实施不受环境限制，可以根据工业实用需求定制实施。

S2、根据脉搏波时间序列构建其特征表示。本步骤通过分析脉搏波时间序列，提取脉搏波时间序列的非线性特征，通过多种非线性特征确定其特征表示。

S3、根据脉搏波时间序列的特征表示以及相应的情绪标签训练支持向量机。其中，情绪标签是对情绪的分类规则，例如，将情绪分为开心和生气两种类型，为这两种情绪类型分别确定其对应的标签。本步骤采用支持向量机，对上述特征表示以及相应的情绪标签的参数进行训练，用以训练该支持向量机。

S4、通过支持向量机对脉搏波时间序列进行情绪分类。在本步骤中，当支持向量机经训练完成后，即可对输入的脉搏波时间序列进行分析，得到情绪标签。测试端根据情绪标签即可实现对情绪的分类处理。

本实施例的有益效果在于，通过光电容积描记采集脉搏波时间序列；根据所述脉搏波时间序列构建其特征表示；根据所述脉搏波时间序列的特征表示以及相应的情绪标签训练支持向量机；通过所述支持向量机对所述脉搏波时间序列进行情绪分类。可以准确描述脉搏波时间序列的非线性特征，并利用这些特征实现对情绪的准确识别，同时，本发明 不局限于脉搏波时间序列的采集过程，也不局限于在家或者工作等场所，用户可以自行、准确、实时、在无感知的情况下，对被测试者进行情绪分析。

实施例2：

本发明实施例2提供了脉搏波时间序列分析方法的第二优选实施例。

在上述实施例1的基础上，根据脉搏波时间序列构建其特征表示包括：

根据脉搏波时间序列获取混沌特征参数，其中，混沌特征参数包括李雅普诺夫指数、关联维数、近似熵以及复杂度。

在本实施例中，涉及对混沌特征参数的提取操作，在提取操作之前，需要明确所要提取的混沌特征参数，针对该混沌特征参数，本实施例所采用的优选方案是，李雅普诺夫指数、关联维、近似熵以及复杂度这四种混沌特征参数。这四种非线性特征，不同方面描述了时间序列的非线性特性。以下对这四种混沌特征参数进行简单说明：

(1)最大李雅普诺夫指数

混沌运动对初始条件的敏感性这一特征表现为：距离很近的两条轨道由于初始条件的微小改变,从而它们的运动轨迹彼此远离,最后变得没有任何关联性。李雅普诺夫指数就是用来描述这种现象的。

对于一个n维系统，李雅普诺夫指数是的数学定义如下：设这个系统的初始条件是一个无穷小的n维球,这个n维球慢慢地演变成椭球，按照椭球的主轴长度排列它们,则第i个李雅普诺夫指数定义为

其中p_i(t)是第i个主轴的增加速率。

(2)关联维

具有混沌特性的动力系统的运动轨迹经过很多次的分离和靠拢,不断地拉伸和折叠,最终会形成组成部分和整体相似的几何图形。这种几 何图形称为分形,分形的特点是具有分数维。

(3)近似熵

近似熵可以对信号无序性进行非线性定量分析,周期信号的熵是零,混沌信号的近似熵是一个非负数,因此我们可以计算生理信号的近似熵这个混沌特征参量,说明生理信号的非线性特性。近似熵对于信号中的极大值、极小值不敏感,所以鲁棒性较强；对阈值进行调整就可以实现噪声滤波,这样近似熵几乎不受噪声的影响,

(4)复杂度

虽然关联维、李雅普诺夫指数和近似熵等特征量都可以表示系统的复杂程度,但由于关联维只是刻画系统在空间的静态分布,李雅普诺夫指数则只涉及了动态特征,近似熵的定义过于理论化,不适于被噪声污染的实际数据。一个序列由“0”、“1”组成,这个序列的复杂性就是产生它的最短程序的比特数。对于不同的序列,产生它们的最短程序长度是不同的,因此可以用它来衡量不同序列的复杂性。

本实施例的有益效果在于，通过根据所述脉搏波时间序列获取混沌特征参数，确定了脉搏波时间序列的李雅普诺夫指数、关联维、近似熵以及复杂度这四种混沌特征参数。上述四种非线性特征，不同方面描述了时间序列的非线性特性，从而为后续脉搏波时间序列分析操作提供了数据基础。

实施例3：

本发明实施例3提供了脉搏波时间序列分析方法的第三优选实施例。

在上述实施例2的基础上，根据脉搏波时间序列获取混沌特征参数还包括：

将李雅普诺夫指数、关联维数、近似熵以及复杂度进行归一化处理，以构建脉搏波时间序列特征表示。

在本实施例中，采用归一化的方法，将脉搏波时间序列的四种非线性指标计算出来。本实施例所采用的优选方案是，通过进行实验数据的 采集，设计实验尽可能多的覆盖多种情绪，将各个非线性指标在实验中出现的最大值，作为各自指标的归一化因子。如果后续实验中出现大于归一化因子的数据，将新的最大值替代原最大值，作为归一化因子。

本实施例的有益效果在于，通过将所述李雅普诺夫指数、所述关联维数、所述近似熵以及所述复杂度进行归一化处理，以构建所述脉搏波时间序列特征表示。实现了对归一化因子的确定，从而为后续支持向量机的训练操作提供了数据基础。

实施例4：

本发明实施例4提供了脉搏波时间序列分析方法的第四优选实施例。如图2所示为本发明实施例提供的脉搏波时间序列分析方法第四实施例流程图。

参阅图2，本实施例提供的一种脉搏波时间序列分析方法。

在上述实施例1的基础上，根据脉搏波时间序列的特征表示以及相应的情绪标签训练支持向量机包括：

S31、根据开心和生气两种情绪的脉搏波时间序列所提取的非线性特征以及情绪所分配的标签，训练支持向量机；

S32、通过所述支持向量机对未知标签的脉搏波时间序列所对应的非线性特征，推测所述情绪标签。

在上述步骤S31中，当被测试者的实验数据采集完成后，记录当前被试者的情绪自评结果(例如，开心和生气这两种情绪类型)，并将结果分别表示为标签0和标签1，这样就建立了实验数据与标签之间的对应关系。

在步骤S32中，通过支持向量机获取所述情绪标签。包括以下几个步骤：

第一步，确定李雅普诺夫指数：

假设脉搏波时间序列为x₁,x₂,...,x_n，嵌入维数为m，时间延时为τ，那么重构相空间为Y(t_i)＝(x(t_i),x(t_i+τ),...,x(t_i+(m-1)τ))，其中i＝1,2,...,N， N＝n-m+1为向量个数。取初始点Y(t₀)，设其与最邻近点Y₀(t₀)的距离为L₀，追踪这两点的时间演化，直到t₁时刻，其间距超过阈值ε>0， 保留Y(t₁)，并在Y(t₁)邻近另外找一个点Y₁(t₁)，使得L₁＝|Y(t₁)-Y₁(t₁)|<ε，并且与之夹角尽可能小，继续上述过程，直至Y(t)到达时间序列的终点N，这时追踪演化过程总的迭代次数为M，则该脉搏波时间序列的李雅普诺夫指数为

第二步，确定关联维：

如前所述，脉搏波时间序列为x₁,x₂,...,x_n，采用右移法，以固定的间隔τ逐渐提高序列元素的下角标，构建脉搏波时间序列展拓成的m维相空间的点集Y(t_i)＝(x(t_i),x(t_i+τ),...,x(t_i+(m-1)τ))，任选m维相空间的点集中的一个点Y_i作为参考点，计算另外N-1点与它的距离，则可统计出落在以点Y_i为中心，以小标量r为半径的体积元中的点的个数，从而得到关联函数其中，H(×)为Heaviside阶跃函数。令d_max为吸引子在m维空间中的最大伸展距离，则当r³d_max时，C(r)＝N(N-1)/N²＝(N-1)/N，当N→∞时，C_m(r)＞＞1。从中可以看出，关联函数反映了吸引子中的点间距离的分布概率，因此应有 其中r￡d_max，D₂(m,r)是与m和r有关的常数。对小距离r₁和r₂有：两边同时取对数得到：当|r₁-r₂|很小时，D₂(m,r₂)＞＞D₂(m,r₁)。因此，可以进一步简化得到 即D₂(m,r₂)是lnC_m(r)～lnr曲线的斜率。当时，可得到关联维数

第三步，确定近似熵：

如前所述，将脉搏波时间序列为x₁,x₂,...,x_n进行相空间重构，得到由N＝n-m+1个向量构成的相空间，对于相空间中的每个点Y_i，计算满足条件d(Y_i,Y_j)￡r的向量数目，并将统计得出的数据表示为N^m(i)，对每一个i＝1,2,...,N，N＝n-m+1，均统计出N^m(i)的数值，然后计算N^m(i)与向量距离总数目N的比值，记为对所有的取自然对数，然后计算其和对于所有i的个数的平均值将维数m变为m+1，重复以上计算过程，得到φ^m+1(r)。那么，该脉搏波时间序列的近似熵为

第四步，确定复杂度

L-Z复杂度能够表征信号分类特性的波形特征，反映了一个时间序列随着序列长度的增加出现新模式的速率，复杂度越大，说明数据在窗口长度时间内出现的新模式越多。

L-Z复杂度的提取是以信号符号化重构为基础。

如前所述，对脉搏波时间序列x₁,x₂,...,x_n求取最小值和最大值，分别记为a＝min(x_i)和b＝max(x_i)，进行符号化重构得到新的序列s(i)如下：如果那么s(i)＝j；如果f(i)＝b，那么s(i)＝n-1。这样就得到一个含有n个符号的符号化重构序列{s(i)}。根据L-Z复杂度构建方法将{s(i)}分解为c(n)个不同的子串。计算 那么脉搏波时间序列x₁,x₂,...,x_n的L-Z复杂度可由 C_LZ＝c(n)/b(n)。

第五步，采用归一化方法确定归一化因子

经过上述步骤，已将脉搏波时间序列x₁,x₂,...,x_n的四种非线性指标计算出来，分别为李雅普诺夫指数：关联维数近似熵为L-Z复杂度可由C_LZ＝c(n)/b(n)。通过进行实验数据的采集，设计实验尽可能多的覆盖多种情绪，将各个非线性指标在实验中出现的最大值，作为各自指标的归一化因子。如果后续实验中出现大于归一化因子的数据，将新的最大值替代原最大值，作为归一化因子。

经实验数据采集,比如GP法计算关联维，结果为小于等于10的正实数，那么这里的10即作为关联维的归一化因子。

在上述步骤S32中，根据情绪标签确定其对应的情绪特征。如上例所述，在实验数据的采集过程中，记录当前被试的情绪自评结果(开心和生气)，并将结果表示为标签0和1，这样就建立了实验数据与标签之间的对应关系。进行多人多次重复实验，将实验数据各个特征分别进行归一化操作，并连同标签一起送入支持向量机进行参数训练用以训练支持向量机的参数。

优选的，本方案采用LIBSVM支持向量机，所以得到的模型参数被自动存储为train.scale.model文件，该文件包含利用LIBSVM支持向量机进行未知数据标签预测所需要的参数：nr_class代表训练样本集包含的类别个数，rho是判决函数的常数项b，nr_sv是各个类中落在边界上的向量个数，obj是对SVM支持向量机问题的优化目标函数的值，nSV是支持向量的个数，nBSV是边界支持向量的个数。

本实施例的有益效果在于，通过对特征参数的确定以及归一化操作，实现了根据支持向量机确定脉搏波时间序列的情绪标签，进一步地， 确定了情绪标签所对应的情绪特征。

实施例5：

本发明实施例5提供了脉搏波时间序列分析方法的第五优选实施例，如图3所示为本发明实施例提供的脉搏波时间序列分析方法第五实施例流程图。

参阅图3，本实施例提供的一种脉搏波时间序列分析方法，本方法包括以下步骤：

S41、采集新的脉搏波时间序列。

S42、将新的脉搏波时间序列送入支持向量机。

S43、通过支持向量机对新的脉搏波时间序列进行情绪分类。

在上述三个步骤中，当对新的脉搏新序列采集完成后，由于不清楚具体的情绪标签，本实施例将脉搏新序列提取特征之后，送入支持向量机进行情绪类别标签的预测。具体过程：1)采集脉搏新序列；2)提取脉搏特征并进行归一化；3)将归一化后的特征送入LIBSVM支持向量机，该支持向量机根据之前训练集训练得到的模型参数，从而实现对情绪标签的预测。

本实施例的有益效果在于，利用非线性特征对脉搏波时间序列进行非线性分析，构建脉搏波时间序列的对应的特征向量，能够准确预测开心和生气两种情绪，正确率在95％以上；能够较为准确的预测伤心和愉快两种情绪，正确率在95％以上。

本实施例的优选方案是，设计实验进行预测准确率的统计：1)实验被试人数30人；2)在确保被试一天当中出现开心和生气两种情绪时，采集被试的脉搏数据各一次；3)累计采集天数不小于10天；4)累计采集含有开心和生气两种标签的数据至少各200组；5)进行数据预处理，剔除干扰较多的数据；6)进行数据特征提取；7)训练SVM支持向量机；8)使用SVM支持向量机进行新采集数据标签的预测。

优选的，在进行SVM支持向量机训练过程中，使用10折交叉验证技术，确保SVM支持向量机的参数稳定准确。

实施例6：

本发明实施例6提供了脉搏波时间序列分析装置的第六优选实施例，如图4所示为本发明实施例提供的脉搏波时间序列分析装置第六实施例结构框图。

参阅图4，本实施例提供的一种脉搏波时间序列分析装置，本装置包括：

脉搏波时间序列采集模块10，用于通过光电容积描记采集脉搏波时间序列；

第一处理模块20，用于根据脉搏波时间序列构建其特征表示；

第二处理模块30，用于根据脉搏波时间序列的特征表示以及相应的情绪标签训练支持向量机；

情绪分类模块40，用于通过支持向量机对脉搏波时间序列进行情绪分类。

实施例7：

本发明实施例7提供了脉搏波时间序列分析装置的第七优选实施例，如图5所示为本发明实施例提供的脉搏波时间序列分析装置第七实施例结构框图。

在上述实施例6的基础上：

优选的，第一处理模块20包括第一处理单元21，所述第一处理单元21用于根据所述脉搏波时间序列获取混沌特征参数，其中，所述混沌特征参数包括李雅普诺夫指数、关联维数、近似熵以及复杂度。

优选的，所述第一处理模块20还包括第二处理单元22，所述第二处理单元22用于将所述李雅普诺夫指数、所述关联维数、所述近似熵以及所述复杂度进行归一化处理，以构建所述脉搏波时间序列特征表示。

优选的，所述第二处理模块30包括第三处理单元31和第四处理单元32：

所述第三处理单元31用于根据开心和生气两种情绪的脉搏波时间序列所提取的非线性特征以及情绪所分配的标签，训练支持向量机；

所述第四处理单元32用于通过所述支持向量机对未知标签的脉搏波时间序列所对应的非线性特征，推测所述情绪标签。

优选的，所述情绪分类模块40还用于：

采集新的脉搏波时间序列；

将所述新的脉搏波时间序列送入所述支持向量机；

通过所述支持向量机对所述新的脉搏波时间序列进行情绪分类。

实施本发明，可以准确描述脉搏波时间序列的非线性特征，并利用这些特征实现对情绪的准确识别，同时，本发明不局限于脉搏波时间序列的采集过程，也不局限于在家或者工作等场所，用户可以自行、准确、实时、在无感知的情况下，对被测试者进行情绪分析。

以上所述仅为本发明的实施方式，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或等效流程变换，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。