基于心電信號的情感識別模型生成裝置及其方法
【專利摘要】一種基于心電信號的情感識別模型生成裝置，包括：采集模塊、定位模塊、提取模塊、降維模塊、選擇模塊以及建立模塊。其中：采集模塊采集心電信號；定位模塊通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波；提取模塊根據所述P-QRS-T波的位置提取心電信號的特征，并形成原始特征集；降維模塊通過相關性分析對所述原始特征集降維得到降維特征集；選擇模塊從所述降維特征集中選出最優特征子集；建立模塊根據所述最優特征子集建立情感識別模型。本發明有效地降低了最優特征子集的維數，提高了情感識別模型的情感識別率。
【專利說明】基于心電信號的情感識別模型生成裝置及其方法
【技術領域】
[0001]本發明涉及情感識別技術，尤其涉及基于心電信號的情感識別模型生成裝置及其生成情感識別模型的方法。
【背景技術】
[0002]情感識別是賦予機器識別人類情感能力的一種人機交互技術，現已逐漸成為人機交互領域的研究熱點。目前情感識別的研究領域包括基于面部表情的情感識別、基于語音信號的情感識別、基于文字的情感識別、基于肢體運動的情感識別和基于生理信號的情感識別。其中基于生理信號的情感識別最為可靠但卻也最為困難。心電信號作為人體的重要生理信號，蘊含了豐富的人類情感信息，使用單一的心電信號用于情感識別比使用多種生理信號更為簡單、可行。
[0003]目前技術中缺乏優秀的情感模型，識別效果也有待提高。在申請號為CN200910150458.4的專利中，使用了語音信號進行情感識別。較之語音信號，人體的生理信號更不易受到外界因素和人體主觀意識到控制，因此更加準確，可靠，但是，其情感的識別需要 12 個特征。文獻“Using GA-based Feature Selecton for Emotion Recognitionfrom Physiological Signals”使用多生理信號進行情感識別,但是僅使用了來自28名被試的5種生理信號，對每種生 理信號提取了 6種簡單的統計特征，以圖片為情感激發素材，特征選擇和情感分類的方法為遺傳算法結合KNN分類器，對情感的最高識別率僅為78% ;文獻“A Method of Emotion Recognition Based on ECG Signal”中使用了二進制粒子群算法(BPSO)和雜交粒子群算法(HPSO)進行特征選擇，對高興、悲傷、高興/悲傷的平均識別率風別為88.93%,87.79%和88.43%，其中使用到的相應特征子集的個數分別為16、15和16，其特征子集維數仍有待降低。
【發明內容】
[0004]有鑒于此，有必要提供一種基于心電信號的情感識別模型生成裝置及其生成情感識別模型的方法。
[0005]本發明提供的基于心電信號的情感識別模型生成裝置，包括:采集模塊、定位模塊、提取模塊、降維模塊、選擇模塊以及建立模塊。其中:采集模塊，用于采集心電信號；定位模塊，用于通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波；提取模塊，用于根據所述P-QRS-T波的位置提取心電信號的特征，并形成原始特征集；降維模塊，用于通過相關性分析對所述原始特征集降維得到降維特征集；選擇模塊，用于從所述降維特征集中選出最優特征子集；建立模塊，用于根據所述最優特征子集建立情感識別模型。
[0006]本發明提供的基于心電信號的生成情感識別模型的方法，包括以下步驟:采集心電信號；通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波；根據所述P-QRS-T波的位置提取心電信號的特征，并形成原始特征集；通過相關性分析對所述原始特征集降維得到降維特征集；從所述降維特征集中選出最優特征子集；根據所述最優特征子集建立情感識別模型。
[0007]本發明提供的基于心電信號的情感識別模型生成裝置及其生成情感識別模型的方法，通過基于三次B樣條小波的選擇系數法定位心電信號的P-QRS-T波，并提取心電信號的特征，形成原始特征集，通過相關性分析對原始特征集降維得到降維特征集，有效地降低了最優特征子集的維數，且根據最優特征子集建立的情感識別模型情感識別率較高。
【專利附圖】
【附圖說明】
[0008]圖1為本發明一實施方式中基于心電信號的情感識別模型生成裝置的模塊圖；
[0009]圖2為本發明一實施方式利用基于心電信號的情感識別模型生成裝置來生成情感識別模型的方法的流程圖。
【具體實施方式】
[0010]下面詳細描述本發明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發明，而不能理解為對本發明的限制。
[0011]在本發明的描述中，術語“內”、“外”、“縱向”、“橫向”、“上”、“下”、“頂”、“底”等指示的方位或位置關系為基于附圖所示的方位或位置關系，僅是為了便于描述本發明而不是要求本發明必須以特定的方位構造和操作，因此不能理解為對本發明的限制。
[0012]請參閱圖1，圖1所示為本發明一實施方式中情感識別模型生成裝置10的模塊圖。
[0013]在本實施方式中，情感識別模型生成裝置10包括:采集模塊102、定位模塊104、提取模塊106、降維模塊108、選擇模塊110、建立模塊112、存儲器114以及處理器116。其中，采集模塊102、定位模塊104、提取模塊106、降維模塊108、選擇模塊110以及建立模塊112存儲在存儲器114中，處理器116用于執行存儲在存儲器114中的功能模塊。
[0014]采集模塊102用于采集心電信號。
[0015]定位模塊104用于通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T 波。
[0016]在本實施方式中，三次B樣條小波具有結構簡單，緊支性，正交性好等特點。
[0017]在本實施方式中，M階B樣條函數Nni(X)定義為:
[0018]
【權利要求】
1.一種基于心電信號的情感識別模型生成裝置，包括: 采集模塊，用于采集心電信號； 定位模塊，用于通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波； 提取模塊，用于根據所述P-QRS-T波的位置提取心電信號的特征，并形成原始特征集； 降維模塊，用于通過相關性分析對所述原始特征集降維得到降維特征集； 選擇模塊，用于從所述降維特征集中選出最優特征子集； 建立模塊，用于根據所述最優特征子集建立情感識別模型。
2.如權利要求1所述的基于心電信號的情感識別模型生成裝置，其特征在于，所述定位模塊通過所述三次B樣條小波將所述心電信號分解為8層。
3.如權利要求2所述的基于心電信號的情感識別模型生成裝置，其特征在于，所述定位模塊通過重構第2~4層小波高頻系數定位R波，Q點及S點，通過重構第5~7層小波高頻系數定位P波及T波。
4.如權利要求1所述的基于心電信號的情感識別模型生成裝置，其特征在于，所述相關性分析是指去掉兩兩相關的特征中多余的一個，由線性相關函數rxy來實現:
5.如權利要求4所述的基于心電信號的情感識別模型生成裝置，其特征在于，所述降維模塊逐一使用所述原始特征集中的單個特征對情感進行識別與分類，逐個度量每個特征的分類能力，并對其進行排序，然后利用線性相關函數rxy求取兩兩特征之間的相關系數，并形成線性相關系數矩陣。
6.如權利要求5所述的基于心電信號的情感識別模型生成裝置，其特征在于，所述降維模塊判斷所述線性相關系數矩陣中的相關系數是否大于閾值，并在相關系數大于閾值時保留排序靠前的特征，并組成所述降維特征集。
7.一種基于心電信號的生成情感識別模型的方法，包括以下步驟: 米集心電信號； 通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波； 根據所述P-QRS-T波的位置提取心電信號的特征，并形成原始特征集； 通過相關性分析對所述原始特征集降維得到降維特征集； 從所述降維特征集中選出最優特征子集； 根據所述最優特征子集建立情感識別模型。
8.如權利要求7所述的基于心電信號的生成情感識別模型的方法，其特征在于，步驟“通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波”包括:通過所述三次B樣條小波將所述心電信號分解為8層。
9.如權利要求7所述的基于心電信號的生成情感識別模型的方法，其特征在于，步驟“通過基于三次B樣條小波的選擇系數法定位所述心電信號的P-QRS-T波”還包括:重構第2~4層小波高頻系數定位R波，Q點及S點，通過重構第5~7層小波高頻系數定位P波及T波。
10.如權利要求7所述的基于心電信號的生成情感識別模型的方法，其特征在于，所述相關性分析是指去掉兩兩相關的特征中多余的一個，由線性相關函數rxy來實現:
11.如權利要求10所述的基于心電信號的生成情感識別模型的方法，其特征在于，步驟“通過相關性分析對所述原始特征集降維得到降維特征集”中包括:逐一使用所述原始特征集中的單個特征對情感進行識別與分類，逐個度量每個特征的分類能力，并對其進行排序，然后利用線性相關函數rxy求取兩兩特征之間的相關系數，并形成線性相關系數矩陣。
12.如權利要求11所述的基于心電信號的生成情感識別模型的方法，其特征在于，步驟“通過相關性分析對所述原始特征集降維得到降維特征集”中還包括:判斷所述線性相關系數矩陣中的相關系數是否大于閾值，并在相關系數大于閾值時保留排序靠前的特征，并組成所述降維特征集。
【文檔編號】A61B5/0402GK103892821SQ201210572739
【公開日】2014年7月2日 申請日期:2012年12月25日 優先權日:2012年12月25日
【發明者】張慧玲, 魏彥杰, 彭豐斌 申請人:中國科學院深圳先進技術研究院