基于脈搏波信號(hào)的情感識(shí)別方法

張宇婷+張智鵬+潘言

摘 要 隨著人機(jī)交互的迅速發(fā)展，情感識(shí)別逐漸成為國(guó)內(nèi)外的研究熱點(diǎn)。本文提出一種針對(duì)平靜、悲傷、快樂和憤怒4種情感的識(shí)別方法，使用小波去噪法對(duì)脈搏波信號(hào)去除基線偏移和高頻噪聲，選取脈搏波信號(hào)頻域和心率變異率（HRV）時(shí)、頻域中的15種特征，采用支持向量機(jī)（SVM）算法進(jìn)行情感的分類識(shí)別，平均識(shí)別率達(dá)到了94.93%。

關(guān)鍵詞 情感識(shí)別；情感特征；SVM；HRV

中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2016）160-0098-02

情感計(jì)算已成為人機(jī)交互領(lǐng)域的熱點(diǎn)和主要方向之一，基于生理信號(hào)的情感識(shí)別相比基于肢體、表情或語音的情感識(shí)別，不受人的主觀意識(shí)控制，能更加客觀準(zhǔn)確地反映情感。脈搏波可直接反映心臟血液系統(tǒng)在神經(jīng)控制下的生理變化[1]，亦可以用來研究人的情感。目前對(duì)于脈搏波的研究涉及脈搏波形的時(shí)頻域分析、HRV的時(shí)頻域分析以及非線性特征分析[2，3]。本文對(duì)基于脈搏波信號(hào)的情感識(shí)別方法進(jìn)行了研究，選取脈搏波頻域和HRV時(shí)、頻域的15個(gè)特征作為情感分類依據(jù)，利用SVM算法進(jìn)行分類識(shí)別。

1 信號(hào)的采集和處理

分別在平靜、悲傷、快樂和憤怒四種情感狀態(tài)下測(cè)量了脈搏波信號(hào)片段，然后把不同的情感片段各分割出50組，每組信號(hào)的持續(xù)時(shí)間為1min。

采集的脈搏信號(hào)中常存在基線漂移，工頻干擾和肌電干擾3種主要噪聲[4]，本方法采用小波去噪法處理脈搏波中的噪聲，調(diào)整低頻和高頻分量系數(shù)可以有效去除脈搏波信號(hào)中的基線漂移和毛刺噪聲。在各尺度上對(duì)低頻分量和高頻分量用新的系數(shù)進(jìn)行信號(hào)重構(gòu)，得到了去除基線漂移的平滑信號(hào)，平靜狀態(tài)的部分原始信號(hào)和去噪信號(hào)如圖1所示。

2 脈搏波信號(hào)特征提取

本方法在脈搏波信號(hào)頻域以及HRV信號(hào)時(shí)、頻域提取了15個(gè)特征。把不同情感的脈搏波信號(hào)變換到頻域，如圖2所示，0Hz～5Hz頻帶內(nèi)的3個(gè)峰值點(diǎn)在相位和幅值上存在差異，于是提取其橫縱坐標(biāo)作為信號(hào)頻域特征。由脈搏波信號(hào)計(jì)算HRV，首先檢測(cè)脈搏波信號(hào)的主波峰，計(jì)算相鄰兩個(gè)主波峰間的時(shí)間差（稱為P-P間隔），如果時(shí)間差不在正常范圍內(nèi)，則舍去幅值較小的波峰點(diǎn)，從而排除次波峰等干擾。將正常的P-P間隔繪制出來得到HRV信號(hào)，由此提取HRV時(shí)域3個(gè)特征[5]，分別為P-P間隔平均值、標(biāo)準(zhǔn)差以及P-P間隔一階差分的均方根。

采用分段3次Hermite多項(xiàng)式對(duì)HRV信號(hào)在1min內(nèi)作插值，采用周期圖法求插值HRV信號(hào)的功率密度譜，選取了HRV頻域的7個(gè)特征[6]，它們的含義及生理表征被羅列在表1中。

3 情感分類識(shí)別算法

本文采用C-SVM模型進(jìn)行情感分類，模型如下：

本文采用SVM多分類中的“一對(duì)一”方法解決4種情感的分類問題，平靜、悲傷、開心和憤怒的標(biāo)簽記為0-3，將其隨機(jī)分為5組作5次交叉驗(yàn)證，每次選取4組數(shù)據(jù)進(jìn)行訓(xùn)練，1組數(shù)據(jù)進(jìn)行測(cè)試，訓(xùn)練時(shí)在兩兩情感之間構(gòu)建共6個(gè)SVM分類器，測(cè)試時(shí)樣本類別的判定采用投票機(jī)制。

上述算法的實(shí)現(xiàn)基于臺(tái)灣林智仁團(tuán)隊(duì)開發(fā)的支持向量機(jī)庫libSVM，訓(xùn)練樣本，建立SVM模型，選用RBF核函數(shù)，最優(yōu)的懲罰因子C和核函數(shù)參數(shù)γ通過網(wǎng)格搜尋法確定，再利用最優(yōu)的C和γ對(duì)樣本進(jìn)行SVM建模和交叉驗(yàn)證，總的平均識(shí)別率為94.93%，平靜情感的平均識(shí)別準(zhǔn)確率為93.89%，悲傷情感的平均識(shí)別準(zhǔn)確率為100%，開心情感的平均識(shí)別準(zhǔn)確率為95.15%，憤怒情感的平均識(shí)別準(zhǔn)確率為90.32%，

4 結(jié)論

本方法基于脈搏波信號(hào)研究平靜、悲傷、開心和憤怒情感的分類，平均識(shí)別率達(dá)到了94.93%，每種情感的識(shí)別準(zhǔn)確率均達(dá)到了90%以上，論證了分類方法具有很強(qiáng)的可行性，以后的研究將集中于減少提取特征數(shù)目，簡(jiǎn)化去噪和特征提取流程，將本方法應(yīng)用于便攜式情感識(shí)別設(shè)備中。

參考文獻(xiàn)

[1]韓清鵬.脈搏信號(hào)的非線性分析及其不同情緒和環(huán)境的影響研究.生物醫(yī)學(xué)工程.杭州：浙江大學(xué)，2007.

[2]張宇博，舒紅平，岳希.指端脈搏曲線特征參數(shù)提取方法研究[J].軟件導(dǎo)刊，2015，14（4）：32-34.

[4]張慧玲.基于脈搏信號(hào)的情感識(shí)別研究[D].西南大學(xué)，2011.

[5]周紅標(biāo).融合語音和脈搏的多模態(tài)情感識(shí)別研究[J].微電子學(xué)與計(jì)算機(jī)，2015（6）：5-9.

[6]張麗瓊，王炳和.基于小波變換的人體脈搏信號(hào)去噪處理.陜西師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2004，32（6）：84-86.

[7]SA-3000P Clinical Manual version 3.0[Z]，MEDICORE， Korea， 2013.