本發(fā)明實(shí)施方式涉及醫(yī)療儀器技術(shù)領(lǐng)域，特別是涉及一種基于脈搏波時(shí)間序列分析的情緒分類方法及裝置。

背景技術(shù)：

情緒是一種瞬態(tài)的生理和心理現(xiàn)象，它代表個(gè)體對(duì)變化的環(huán)境所采取的適應(yīng)行為。情緒是個(gè)體因所處環(huán)境而引起的心理、生理狀態(tài)的反映，它不同于立場(chǎng)、態(tài)度和性情。情緒不僅僅是一個(gè)主觀概念，受個(gè)體所在社會(huì)、文化等因素的影響，情緒還會(huì)在大多數(shù)環(huán)境下，在大多數(shù)人之間存在著一些確定的、相同的成分。例如當(dāng)取得了成功時(shí)，人們都會(huì)比較高興，高興的程度則根據(jù)成功的大小及個(gè)體滿意度的高低而定，當(dāng)遭受重創(chuàng)的時(shí)候，人們通常會(huì)比較的悲傷。

現(xiàn)有技術(shù)中，從生理信號(hào)中提取最有效的特征來(lái)識(shí)別情緒，可能會(huì)涉及的生理信號(hào)包括：

ECG(Electrocardiogram，心電圖)、

EMG(Electromyography，肌電圖)、

RSP(Respiratory，呼吸信號(hào))、

SC(Skin conductance，皮電信號(hào))，其中：

基于ECG的檢測(cè)方法：當(dāng)出現(xiàn)憤怒、恐懼等情緒時(shí)人的心率最快，高興時(shí)次之，當(dāng)悲傷和驚奇時(shí)心率減慢，在厭惡時(shí)心率達(dá)到最低點(diǎn)。心率的變化是受性別和情緒交互影響的，如女性被試的心率反應(yīng)水平比男性被試高。較低的心率變異率(HRV)表明是放松的狀態(tài)，而增強(qiáng)的HRV表明可能是精神緊張和受到挫折的狀態(tài)。

基于EMG的檢測(cè)方法：EMG是一種的表皮肌肉的電活動(dòng)在皮膚表面處的時(shí)間和空間上的綜合結(jié)果，它可以通過(guò)表面電極收集到，并可避免 像針電極刺入肌肉中而帶來(lái)的創(chuàng)傷性缺陷。所以它是從肌肉表面通過(guò)電極引導(dǎo)、記錄下來(lái)的神經(jīng)肌肉系統(tǒng)活動(dòng)時(shí)的生物電信號(hào)，主要是淺層肌肉和神經(jīng)干上電活動(dòng)的綜合效應(yīng)。它與肌肉的活動(dòng)狀態(tài)和功能狀態(tài)之間存在著不同程度的關(guān)聯(lián)性，因而能在一定的程度上反映神經(jīng)肌肉的活動(dòng)。根據(jù)前人實(shí)驗(yàn)表明，肌電信號(hào)是一種非常微弱的信號(hào)，其幅值在l00～5000uV，其峰-峰值一般在0～6mV，均方根在0～l.5mv，一般有用的信號(hào)頻率成分位于0～500Hz范圍內(nèi)，其中主要能量集中在50～150Hz范圍內(nèi)。肌電圖信號(hào)是一維時(shí)間序列信號(hào)，它是表面引導(dǎo)電極所觸及的多個(gè)運(yùn)動(dòng)單位活動(dòng)時(shí)所產(chǎn)生的電變化在時(shí)間和空間上迭加的結(jié)果，與不同機(jī)能狀態(tài)和活動(dòng)狀態(tài)下的參加活動(dòng)的運(yùn)動(dòng)單位數(shù)量、不同運(yùn)動(dòng)單位的放電頻率、運(yùn)動(dòng)單位活動(dòng)的同步化程度、運(yùn)動(dòng)單位募集模式以及表面電極放置位置、皮下脂肪厚度、體溫變化等因素有關(guān)。肌電信號(hào)與情緒關(guān)系密切，當(dāng)情緒較為激動(dòng)時(shí)，肌電信號(hào)表現(xiàn)較為活躍；當(dāng)情緒較為平和時(shí)，肌電信號(hào)表現(xiàn)較為不活躍。

基于RSP的檢測(cè)方法：呼吸RSP是指人體與外界環(huán)境進(jìn)行氣體交換的過(guò)程。人體通過(guò)呼吸作用不斷地從外界環(huán)境攝取氧氣供應(yīng)給體內(nèi)營(yíng)養(yǎng)物質(zhì)，維持能量和體溫，同時(shí)將氧化過(guò)程中產(chǎn)生的C02排出體外，從而保證新陳代謝的正常進(jìn)行。所以，呼吸是人體重要的一個(gè)生理過(guò)程。要測(cè)量RSP信號(hào)時(shí)，要將一個(gè)放置了壓阻傳感器的有彈性的背帶繞在胸部，當(dāng)人胸腔擴(kuò)張時(shí)，帶子就會(huì)拉緊，壓阻傳感器輸出對(duì)應(yīng)的電壓值。呼吸信號(hào)與情緒關(guān)系密切，當(dāng)情緒較為激動(dòng)時(shí)，呼吸信號(hào)表現(xiàn)較為活躍；當(dāng)情緒較為平和時(shí)，呼吸信號(hào)表現(xiàn)較為不活躍。

基于SC的檢測(cè)方法：皮電信號(hào)(SC)是皮膚傳導(dǎo)性的指示，可在手指之間注入一個(gè)不易覺(jué)察的小電壓，然后測(cè)量其電導(dǎo)。如果希望手不被傳感器束縛，也可以從放置在腳上的電極測(cè)量得到同樣可靠的信號(hào)。不同情緒狀態(tài)時(shí)，皮膚內(nèi)血管的舒張和收縮以及汗腺分泌等變化，能引起皮膚電阻的變化，以此來(lái)測(cè)定植物性神經(jīng)系統(tǒng)的情緒反應(yīng)。通常SC同人的情緒覺(jué)醒程度(Arousal)有關(guān)，根據(jù)Schachter和Singer的理論，同樣的生理信號(hào)在不同的覺(jué)醒程度下所表示的情緒也不同。皮膚電 反應(yīng)基礎(chǔ)水平的個(gè)體差異明顯并且與個(gè)性特征相關(guān)：基礎(chǔ)水平越高者，越內(nèi)向、緊張、焦慮不安、情緒不穩(wěn)定、反應(yīng)敏感；而基礎(chǔ)水平低者，越開(kāi)朗、外向，心態(tài)比較平衡，自信、心理適應(yīng)較好。

但是，目前基于ECG、EMG、SC的情緒分析方法通常需要佩戴專業(yè)的采集設(shè)備，該類設(shè)備普遍佩戴復(fù)雜，不便于被試個(gè)人獨(dú)立完成佩戴、隨時(shí)佩戴進(jìn)行實(shí)時(shí)監(jiān)測(cè)。同時(shí)，由于RSP信號(hào)包含的情緒信息有限，通常難以僅依據(jù)該單一模態(tài)信息進(jìn)行準(zhǔn)確的情緒分析。

因此，現(xiàn)有技術(shù)中，還沒(méi)有一種既方便測(cè)量，又能能夠準(zhǔn)確區(qū)分、并識(shí)別常見(jiàn)情緒的方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施方式主要解決的技術(shù)問(wèn)題是提供一種脈搏測(cè)量裝置和基于脈搏波時(shí)間序列分析的情緒分類方法及裝置，能夠給用戶帶來(lái)一種準(zhǔn)確的、用戶體驗(yàn)良好的情緒分析方法和裝置。

為解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施方式采用的一個(gè)技術(shù)方案是：提供一種基于脈搏波時(shí)間序列分析的情緒分類方法。

一種基于脈搏波時(shí)間序列分析的情緒分類方法，該方法包括：

通過(guò)光電容積描記采集脈搏波時(shí)間序列；

根據(jù)所述脈搏波時(shí)間序列構(gòu)建其特征表示；

根據(jù)所述脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒標(biāo)簽訓(xùn)練支持向量機(jī)；

通過(guò)所述支持向量機(jī)對(duì)所述脈搏波時(shí)間序列進(jìn)行情緒分類。

優(yōu)選的，所述根據(jù)所述脈搏波時(shí)間序列構(gòu)建其特征表示包括：

根據(jù)所述脈搏波時(shí)間序列獲取混沌特征參數(shù)，其中，所述混沌特征參數(shù)包括李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)、近似熵以及復(fù)雜度。

優(yōu)選的，所述根據(jù)所述脈搏波時(shí)間序列獲取混沌特征參數(shù)還包括：

將所述李雅普諾夫指數(shù)、所述關(guān)聯(lián)維數(shù)、所述近似熵以及所述復(fù)雜度進(jìn)行歸一化處理，以構(gòu)建所述脈搏波時(shí)間序列特征表示。

優(yōu)選的，所述根據(jù)所述脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒 標(biāo)簽訓(xùn)練支持向量機(jī)包括：

根據(jù)開(kāi)心和生氣兩種情緒的脈搏波時(shí)間序列所提取的非線性特征以及情緒所分配的標(biāo)簽，訓(xùn)練支持向量機(jī)；

通過(guò)所述支持向量機(jī)對(duì)未知標(biāo)簽的脈搏波時(shí)間序列所對(duì)應(yīng)的非線性特征，推測(cè)所述情緒標(biāo)簽。

優(yōu)選的，所述通過(guò)所述支持向量機(jī)對(duì)所述脈搏波時(shí)間序列進(jìn)行情緒分類之后還包括：

采集新的脈搏波時(shí)間序列；

將所述新的脈搏波時(shí)間序列送入所述支持向量機(jī)；

通過(guò)所述支持向量機(jī)對(duì)所述新的脈搏波時(shí)間序列進(jìn)行情緒分類。

本發(fā)明還提出了一種基于脈搏波時(shí)間序列分析的情緒分類裝置，該裝置包括：

脈搏波時(shí)間序列采集模塊，用于通過(guò)光電容積描記采集脈搏波時(shí)間序列；

第一處理模塊，用于根據(jù)所述脈搏波時(shí)間序列構(gòu)建其特征表示；

第二處理模塊，用于根據(jù)所述脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒標(biāo)簽訓(xùn)練支持向量機(jī)；

情緒分類模塊，用于通過(guò)所述支持向量機(jī)對(duì)所述脈搏波時(shí)間序列進(jìn)行情緒分類。

優(yōu)選的，所述第一處理模塊包括第一處理單元，所述第一處理單元用于根據(jù)所述脈搏波時(shí)間序列獲取混沌特征參數(shù)，其中，所述混沌特征參數(shù)包括李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)、近似熵以及復(fù)雜度。

優(yōu)選的，所述第一處理模塊還包括第二處理單元，所述第二處理單元用于將所述李雅普諾夫指數(shù)、所述關(guān)聯(lián)維數(shù)、所述近似熵以及所述復(fù)雜度進(jìn)行歸一化處理，以構(gòu)建所述脈搏波時(shí)間序列特征表示。

優(yōu)選的，所述第二處理模塊包括第三處理單元和第四處理單元：

所述第三處理單元用于根據(jù)開(kāi)心和生氣兩種情緒的脈搏波時(shí)間序列所提取的非線性特征以及情緒所分配的標(biāo)簽，訓(xùn)練支持向量機(jī)；

所述第四處理單元用于通過(guò)所述支持向量機(jī)對(duì)未知標(biāo)簽的脈搏波 時(shí)間序列所對(duì)應(yīng)的非線性特征，推測(cè)所述情緒標(biāo)簽。

優(yōu)選的，所述情緒分類模塊還用于：

采集新的脈搏波時(shí)間序列；

將所述新的脈搏波時(shí)間序列送入所述支持向量機(jī)；

通過(guò)所述支持向量機(jī)對(duì)所述新的脈搏波時(shí)間序列進(jìn)行情緒分類。

實(shí)施本發(fā)明，可以準(zhǔn)確描述脈搏波時(shí)間序列的非線性特征，并利用這些特征實(shí)現(xiàn)對(duì)情緒的準(zhǔn)確識(shí)別，同時(shí)，本發(fā)明不局限于脈搏波時(shí)間序列的采集過(guò)程，也不局限于在家或者工作等場(chǎng)所，用戶可以自行、準(zhǔn)確、實(shí)時(shí)、在無(wú)感知的情況下，對(duì)被測(cè)試者進(jìn)行情緒分析。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析方法第一實(shí)施例流程圖；

圖2是本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析方法第四實(shí)施例流程圖；

圖3是本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析方法第五實(shí)施例流程圖；

圖4是本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析裝置第六實(shí)施例結(jié)構(gòu)框圖；

圖5是本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析裝置第七實(shí)施例結(jié)構(gòu)框圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案以及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互結(jié)合。

實(shí)施例1：

本發(fā)明實(shí)施例1提供了脈搏波時(shí)間序列分析方法的第一優(yōu)選實(shí)施例，如圖1所示為本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析方法第一實(shí)施例流程圖。

參閱圖1，本實(shí)施例提供的一種脈搏波時(shí)間序列分析方法，本方法包括以下步驟：

S1、通過(guò)光電容積描記采集脈搏波時(shí)間序列。本實(shí)施例采用光電容積描記的方式采集脈搏波時(shí)間序列，也即，利用光電傳感器,檢測(cè)經(jīng)過(guò)人體血液和組織吸收后的反射光強(qiáng)度的不同,描記出血管容積在心動(dòng)周期內(nèi)的變化?？梢岳斫獾氖?，本實(shí)施例可以應(yīng)用于便攜式的脈搏波時(shí)間序列采集終端，便于使用者隨時(shí)隨地實(shí)施本分析方法，或者，本實(shí)施例還可以應(yīng)用于固定的設(shè)備，從而便于在公共場(chǎng)所試試本分析方法。由于本方案采用的是光電容積描記法采集脈搏波時(shí)間序列，因此，本方案的實(shí)施不受環(huán)境限制，可以根據(jù)工業(yè)實(shí)用需求定制實(shí)施。

S2、根據(jù)脈搏波時(shí)間序列構(gòu)建其特征表示。本步驟通過(guò)分析脈搏波時(shí)間序列，提取脈搏波時(shí)間序列的非線性特征，通過(guò)多種非線性特征確定其特征表示。

S3、根據(jù)脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒標(biāo)簽訓(xùn)練支持向量機(jī)。其中，情緒標(biāo)簽是對(duì)情緒的分類規(guī)則，例如，將情緒分為開(kāi)心和生氣兩種類型，為這兩種情緒類型分別確定其對(duì)應(yīng)的標(biāo)簽。本步驟采用支持向量機(jī)，對(duì)上述特征表示以及相應(yīng)的情緒標(biāo)簽的參數(shù)進(jìn)行訓(xùn)練，用以訓(xùn)練該支持向量機(jī)。

S4、通過(guò)支持向量機(jī)對(duì)脈搏波時(shí)間序列進(jìn)行情緒分類。在本步驟中，當(dāng)支持向量機(jī)經(jīng)訓(xùn)練完成后，即可對(duì)輸入的脈搏波時(shí)間序列進(jìn)行分析，得到情緒標(biāo)簽。測(cè)試端根據(jù)情緒標(biāo)簽即可實(shí)現(xiàn)對(duì)情緒的分類處理。

本實(shí)施例的有益效果在于，通過(guò)光電容積描記采集脈搏波時(shí)間序列；根據(jù)所述脈搏波時(shí)間序列構(gòu)建其特征表示；根據(jù)所述脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒標(biāo)簽訓(xùn)練支持向量機(jī)；通過(guò)所述支持向量機(jī)對(duì)所述脈搏波時(shí)間序列進(jìn)行情緒分類?？梢詼?zhǔn)確描述脈搏波時(shí)間序列的非線性特征，并利用這些特征實(shí)現(xiàn)對(duì)情緒的準(zhǔn)確識(shí)別，同時(shí)，本發(fā)明 不局限于脈搏波時(shí)間序列的采集過(guò)程，也不局限于在家或者工作等場(chǎng)所，用戶可以自行、準(zhǔn)確、實(shí)時(shí)、在無(wú)感知的情況下，對(duì)被測(cè)試者進(jìn)行情緒分析。

實(shí)施例2：

本發(fā)明實(shí)施例2提供了脈搏波時(shí)間序列分析方法的第二優(yōu)選實(shí)施例。

在上述實(shí)施例1的基礎(chǔ)上，根據(jù)脈搏波時(shí)間序列構(gòu)建其特征表示包括：

根據(jù)脈搏波時(shí)間序列獲取混沌特征參數(shù)，其中，混沌特征參數(shù)包括李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)、近似熵以及復(fù)雜度。

在本實(shí)施例中，涉及對(duì)混沌特征參數(shù)的提取操作，在提取操作之前，需要明確所要提取的混沌特征參數(shù)，針對(duì)該混沌特征參數(shù)，本實(shí)施例所采用的優(yōu)選方案是，李雅普諾夫指數(shù)、關(guān)聯(lián)維、近似熵以及復(fù)雜度這四種混沌特征參數(shù)。這四種非線性特征，不同方面描述了時(shí)間序列的非線性特性。以下對(duì)這四種混沌特征參數(shù)進(jìn)行簡(jiǎn)單說(shuō)明：

(1)最大李雅普諾夫指數(shù)

混沌運(yùn)動(dòng)對(duì)初始條件的敏感性這一特征表現(xiàn)為：距離很近的兩條軌道由于初始條件的微小改變,從而它們的運(yùn)動(dòng)軌跡彼此遠(yuǎn)離,最后變得沒(méi)有任何關(guān)聯(lián)性。李雅普諾夫指數(shù)就是用來(lái)描述這種現(xiàn)象的。

對(duì)于一個(gè)n維系統(tǒng)，李雅普諾夫指數(shù)是的數(shù)學(xué)定義如下：設(shè)這個(gè)系統(tǒng)的初始條件是一個(gè)無(wú)窮小的n維球,這個(gè)n維球慢慢地演變成橢球，按照橢球的主軸長(zhǎng)度排列它們,則第i個(gè)李雅普諾夫指數(shù)定義為

其中p_i(t)是第i個(gè)主軸的增加速率。

(2)關(guān)聯(lián)維

具有混沌特性的動(dòng)力系統(tǒng)的運(yùn)動(dòng)軌跡經(jīng)過(guò)很多次的分離和靠攏,不斷地拉伸和折疊,最終會(huì)形成組成部分和整體相似的幾何圖形。這種幾 何圖形稱為分形,分形的特點(diǎn)是具有分?jǐn)?shù)維。

(3)近似熵

近似熵可以對(duì)信號(hào)無(wú)序性進(jìn)行非線性定量分析,周期信號(hào)的熵是零,混沌信號(hào)的近似熵是一個(gè)非負(fù)數(shù),因此我們可以計(jì)算生理信號(hào)的近似熵這個(gè)混沌特征參量,說(shuō)明生理信號(hào)的非線性特性。近似熵對(duì)于信號(hào)中的極大值、極小值不敏感,所以魯棒性較強(qiáng)；對(duì)閾值進(jìn)行調(diào)整就可以實(shí)現(xiàn)噪聲濾波,這樣近似熵幾乎不受噪聲的影響,

(4)復(fù)雜度

雖然關(guān)聯(lián)維、李雅普諾夫指數(shù)和近似熵等特征量都可以表示系統(tǒng)的復(fù)雜程度,但由于關(guān)聯(lián)維只是刻畫(huà)系統(tǒng)在空間的靜態(tài)分布,李雅普諾夫指數(shù)則只涉及了動(dòng)態(tài)特征,近似熵的定義過(guò)于理論化,不適于被噪聲污染的實(shí)際數(shù)據(jù)。一個(gè)序列由“0”、“1”組成,這個(gè)序列的復(fù)雜性就是產(chǎn)生它的最短程序的比特?cái)?shù)。對(duì)于不同的序列,產(chǎn)生它們的最短程序長(zhǎng)度是不同的,因此可以用它來(lái)衡量不同序列的復(fù)雜性。

本實(shí)施例的有益效果在于，通過(guò)根據(jù)所述脈搏波時(shí)間序列獲取混沌特征參數(shù)，確定了脈搏波時(shí)間序列的李雅普諾夫指數(shù)、關(guān)聯(lián)維、近似熵以及復(fù)雜度這四種混沌特征參數(shù)。上述四種非線性特征，不同方面描述了時(shí)間序列的非線性特性，從而為后續(xù)脈搏波時(shí)間序列分析操作提供了數(shù)據(jù)基礎(chǔ)。

實(shí)施例3：

本發(fā)明實(shí)施例3提供了脈搏波時(shí)間序列分析方法的第三優(yōu)選實(shí)施例。

在上述實(shí)施例2的基礎(chǔ)上，根據(jù)脈搏波時(shí)間序列獲取混沌特征參數(shù)還包括：

將李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)、近似熵以及復(fù)雜度進(jìn)行歸一化處理，以構(gòu)建脈搏波時(shí)間序列特征表示。

在本實(shí)施例中，采用歸一化的方法，將脈搏波時(shí)間序列的四種非線性指標(biāo)計(jì)算出來(lái)。本實(shí)施例所采用的優(yōu)選方案是，通過(guò)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的 采集，設(shè)計(jì)實(shí)驗(yàn)盡可能多的覆蓋多種情緒，將各個(gè)非線性指標(biāo)在實(shí)驗(yàn)中出現(xiàn)的最大值，作為各自指標(biāo)的歸一化因子。如果后續(xù)實(shí)驗(yàn)中出現(xiàn)大于歸一化因子的數(shù)據(jù)，將新的最大值替代原最大值，作為歸一化因子。

本實(shí)施例的有益效果在于，通過(guò)將所述李雅普諾夫指數(shù)、所述關(guān)聯(lián)維數(shù)、所述近似熵以及所述復(fù)雜度進(jìn)行歸一化處理，以構(gòu)建所述脈搏波時(shí)間序列特征表示。實(shí)現(xiàn)了對(duì)歸一化因子的確定，從而為后續(xù)支持向量機(jī)的訓(xùn)練操作提供了數(shù)據(jù)基礎(chǔ)。

實(shí)施例4：

本發(fā)明實(shí)施例4提供了脈搏波時(shí)間序列分析方法的第四優(yōu)選實(shí)施例。如圖2所示為本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析方法第四實(shí)施例流程圖。

參閱圖2，本實(shí)施例提供的一種脈搏波時(shí)間序列分析方法。

在上述實(shí)施例1的基礎(chǔ)上，根據(jù)脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒標(biāo)簽訓(xùn)練支持向量機(jī)包括：

S31、根據(jù)開(kāi)心和生氣兩種情緒的脈搏波時(shí)間序列所提取的非線性特征以及情緒所分配的標(biāo)簽，訓(xùn)練支持向量機(jī)；

S32、通過(guò)所述支持向量機(jī)對(duì)未知標(biāo)簽的脈搏波時(shí)間序列所對(duì)應(yīng)的非線性特征，推測(cè)所述情緒標(biāo)簽。

在上述步驟S31中，當(dāng)被測(cè)試者的實(shí)驗(yàn)數(shù)據(jù)采集完成后，記錄當(dāng)前被試者的情緒自評(píng)結(jié)果(例如，開(kāi)心和生氣這兩種情緒類型)，并將結(jié)果分別表示為標(biāo)簽0和標(biāo)簽1，這樣就建立了實(shí)驗(yàn)數(shù)據(jù)與標(biāo)簽之間的對(duì)應(yīng)關(guān)系。

在步驟S32中，通過(guò)支持向量機(jī)獲取所述情緒標(biāo)簽。包括以下幾個(gè)步驟：

第一步，確定李雅普諾夫指數(shù)：

假設(shè)脈搏波時(shí)間序列為x₁,x₂,...,x_n，嵌入維數(shù)為m，時(shí)間延時(shí)為τ，那么重構(gòu)相空間為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為向量個(gè)數(shù)。取初始點(diǎn)Y(t₀)，設(shè)其與最鄰近點(diǎn)Y₀(t₀)的距離為L(zhǎng)₀，追蹤這兩點(diǎn)的時(shí)間演化，直到t₁時(shí)刻，其間距超過(guò)閾值ε>0， 保留Y(t₁)，并在Y(t₁)鄰近另外找一個(gè)點(diǎn)Y₁(t₁)，使得L₁＝|Y(t₁)-Y₁(t₁)|<ε，并且與之夾角盡可能小，繼續(xù)上述過(guò)程，直至Y(t)到達(dá)時(shí)間序列的終點(diǎn)N，這時(shí)追蹤演化過(guò)程總的迭代次數(shù)為M，則該脈搏波時(shí)間序列的李雅普諾夫指數(shù)為

第二步，確定關(guān)聯(lián)維：

如前所述，脈搏波時(shí)間序列為x₁,x₂,...,x_n，采用右移法，以固定的間隔τ逐漸提高序列元素的下角標(biāo)，構(gòu)建脈搏波時(shí)間序列展拓成的m維相空間的點(diǎn)集Y(t_i)＝(x(t_i),x(t_i+τ),...,x(t_i+(m-1)τ))，任選m維相空間的點(diǎn)集中的一個(gè)點(diǎn)Y_i作為參考點(diǎn)，計(jì)算另外N-1點(diǎn)與它的距離，則可統(tǒng)計(jì)出落在以點(diǎn)Y_i為中心，以小標(biāo)量r為半徑的體積元中的點(diǎn)的個(gè)數(shù)，從而得到關(guān)聯(lián)函數(shù)其中，H(×)為Heaviside階躍函數(shù)。令d_max為吸引子在m維空間中的最大伸展距離，則當(dāng)r³d_max時(shí)，C(r)＝N(N-1)/N²＝(N-1)/N，當(dāng)N→∞時(shí)，C_m(r)＞＞1。從中可以看出，關(guān)聯(lián)函數(shù)反映了吸引子中的點(diǎn)間距離的分布概率，因此應(yīng)有 其中r￡d_max，D₂(m,r)是與m和r有關(guān)的常數(shù)。對(duì)小距離r₁和r₂有：兩邊同時(shí)取對(duì)數(shù)得到：當(dāng)|r₁-r₂|很小時(shí)，D₂(m,r₂)＞＞D₂(m,r₁)。因此，可以進(jìn)一步簡(jiǎn)化得到 即D₂(m,r₂)是lnC_m(r)～lnr曲線的斜率。當(dāng)時(shí)，可得到關(guān)聯(lián)維數(shù)

第三步，確定近似熵：

如前所述，將脈搏波時(shí)間序列為x₁,x₂,...,x_n進(jìn)行相空間重構(gòu)，得到由N＝n-m+1個(gè)向量構(gòu)成的相空間，對(duì)于相空間中的每個(gè)點(diǎn)Y_i，計(jì)算滿足條件d(Y_i,Y_j)￡r的向量數(shù)目，并將統(tǒng)計(jì)得出的數(shù)據(jù)表示為N^m(i)，對(duì)每一個(gè)i＝1,2,...,N，N＝n-m+1，均統(tǒng)計(jì)出N^m(i)的數(shù)值，然后計(jì)算N^m(i)與向量距離總數(shù)目N的比值，記為對(duì)所有的取自然對(duì)數(shù)，然后計(jì)算其和對(duì)于所有i的個(gè)數(shù)的平均值將維數(shù)m變?yōu)閙+1，重復(fù)以上計(jì)算過(guò)程，得到φ^m+1(r)。那么，該脈搏波時(shí)間序列的近似熵為

第四步，確定復(fù)雜度

L-Z復(fù)雜度能夠表征信號(hào)分類特性的波形特征，反映了一個(gè)時(shí)間序列隨著序列長(zhǎng)度的增加出現(xiàn)新模式的速率，復(fù)雜度越大，說(shuō)明數(shù)據(jù)在窗口長(zhǎng)度時(shí)間內(nèi)出現(xiàn)的新模式越多。

L-Z復(fù)雜度的提取是以信號(hào)符號(hào)化重構(gòu)為基礎(chǔ)。

如前所述，對(duì)脈搏波時(shí)間序列x₁,x₂,...,x_n求取最小值和最大值，分別記為a＝min(x_i)和b＝max(x_i)，進(jìn)行符號(hào)化重構(gòu)得到新的序列s(i)如下：如果那么s(i)＝j(luò)；如果f(i)＝b，那么s(i)＝n-1。這樣就得到一個(gè)含有n個(gè)符號(hào)的符號(hào)化重構(gòu)序列{s(i)}。根據(jù)L-Z復(fù)雜度構(gòu)建方法將{s(i)}分解為c(n)個(gè)不同的子串。計(jì)算 那么脈搏波時(shí)間序列x₁,x₂,...,x_n的L-Z復(fù)雜度可由 C_LZ＝c(n)/b(n)。

第五步，采用歸一化方法確定歸一化因子

經(jīng)過(guò)上述步驟，已將脈搏波時(shí)間序列x₁,x₂,...,x_n的四種非線性指標(biāo)計(jì)算出來(lái)，分別為李雅普諾夫指數(shù)：關(guān)聯(lián)維數(shù)近似熵為L(zhǎng)-Z復(fù)雜度可由C_LZ＝c(n)/b(n)。通過(guò)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的采集，設(shè)計(jì)實(shí)驗(yàn)盡可能多的覆蓋多種情緒，將各個(gè)非線性指標(biāo)在實(shí)驗(yàn)中出現(xiàn)的最大值，作為各自指標(biāo)的歸一化因子。如果后續(xù)實(shí)驗(yàn)中出現(xiàn)大于歸一化因子的數(shù)據(jù)，將新的最大值替代原最大值，作為歸一化因子。

經(jīng)實(shí)驗(yàn)數(shù)據(jù)采集,比如GP法計(jì)算關(guān)聯(lián)維，結(jié)果為小于等于10的正實(shí)數(shù)，那么這里的10即作為關(guān)聯(lián)維的歸一化因子。

在上述步驟S32中，根據(jù)情緒標(biāo)簽確定其對(duì)應(yīng)的情緒特征。如上例所述，在實(shí)驗(yàn)數(shù)據(jù)的采集過(guò)程中，記錄當(dāng)前被試的情緒自評(píng)結(jié)果(開(kāi)心和生氣)，并將結(jié)果表示為標(biāo)簽0和1，這樣就建立了實(shí)驗(yàn)數(shù)據(jù)與標(biāo)簽之間的對(duì)應(yīng)關(guān)系。進(jìn)行多人多次重復(fù)實(shí)驗(yàn)，將實(shí)驗(yàn)數(shù)據(jù)各個(gè)特征分別進(jìn)行歸一化操作，并連同標(biāo)簽一起送入支持向量機(jī)進(jìn)行參數(shù)訓(xùn)練用以訓(xùn)練支持向量機(jī)的參數(shù)。

優(yōu)選的，本方案采用LIBSVM支持向量機(jī)，所以得到的模型參數(shù)被自動(dòng)存儲(chǔ)為train.scale.model文件，該文件包含利用LIBSVM支持向量機(jī)進(jìn)行未知數(shù)據(jù)標(biāo)簽預(yù)測(cè)所需要的參數(shù)：nr_class代表訓(xùn)練樣本集包含的類別個(gè)數(shù)，rho是判決函數(shù)的常數(shù)項(xiàng)b，nr_sv是各個(gè)類中落在邊界上的向量個(gè)數(shù)，obj是對(duì)SVM支持向量機(jī)問(wèn)題的優(yōu)化目標(biāo)函數(shù)的值，nSV是支持向量的個(gè)數(shù)，nBSV是邊界支持向量的個(gè)數(shù)。

本實(shí)施例的有益效果在于，通過(guò)對(duì)特征參數(shù)的確定以及歸一化操作，實(shí)現(xiàn)了根據(jù)支持向量機(jī)確定脈搏波時(shí)間序列的情緒標(biāo)簽，進(jìn)一步地， 確定了情緒標(biāo)簽所對(duì)應(yīng)的情緒特征。

實(shí)施例5：

本發(fā)明實(shí)施例5提供了脈搏波時(shí)間序列分析方法的第五優(yōu)選實(shí)施例，如圖3所示為本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析方法第五實(shí)施例流程圖。

參閱圖3，本實(shí)施例提供的一種脈搏波時(shí)間序列分析方法，本方法包括以下步驟：

S41、采集新的脈搏波時(shí)間序列。

S42、將新的脈搏波時(shí)間序列送入支持向量機(jī)。

S43、通過(guò)支持向量機(jī)對(duì)新的脈搏波時(shí)間序列進(jìn)行情緒分類。

在上述三個(gè)步驟中，當(dāng)對(duì)新的脈搏新序列采集完成后，由于不清楚具體的情緒標(biāo)簽，本實(shí)施例將脈搏新序列提取特征之后，送入支持向量機(jī)進(jìn)行情緒類別標(biāo)簽的預(yù)測(cè)。具體過(guò)程：1)采集脈搏新序列；2)提取脈搏特征并進(jìn)行歸一化；3)將歸一化后的特征送入LIBSVM支持向量機(jī)，該支持向量機(jī)根據(jù)之前訓(xùn)練集訓(xùn)練得到的模型參數(shù)，從而實(shí)現(xiàn)對(duì)情緒標(biāo)簽的預(yù)測(cè)。

本實(shí)施例的有益效果在于，利用非線性特征對(duì)脈搏波時(shí)間序列進(jìn)行非線性分析，構(gòu)建脈搏波時(shí)間序列的對(duì)應(yīng)的特征向量，能夠準(zhǔn)確預(yù)測(cè)開(kāi)心和生氣兩種情緒，正確率在95％以上；能夠較為準(zhǔn)確的預(yù)測(cè)傷心和愉快兩種情緒，正確率在95％以上。

本實(shí)施例的優(yōu)選方案是，設(shè)計(jì)實(shí)驗(yàn)進(jìn)行預(yù)測(cè)準(zhǔn)確率的統(tǒng)計(jì)：1)實(shí)驗(yàn)被試人數(shù)30人；2)在確保被試一天當(dāng)中出現(xiàn)開(kāi)心和生氣兩種情緒時(shí)，采集被試的脈搏數(shù)據(jù)各一次；3)累計(jì)采集天數(shù)不小于10天；4)累計(jì)采集含有開(kāi)心和生氣兩種標(biāo)簽的數(shù)據(jù)至少各200組；5)進(jìn)行數(shù)據(jù)預(yù)處理，剔除干擾較多的數(shù)據(jù)；6)進(jìn)行數(shù)據(jù)特征提取；7)訓(xùn)練SVM支持向量機(jī)；8)使用SVM支持向量機(jī)進(jìn)行新采集數(shù)據(jù)標(biāo)簽的預(yù)測(cè)。

優(yōu)選的，在進(jìn)行SVM支持向量機(jī)訓(xùn)練過(guò)程中，使用10折交叉驗(yàn)證技術(shù)，確保SVM支持向量機(jī)的參數(shù)穩(wěn)定準(zhǔn)確。

實(shí)施例6：

本發(fā)明實(shí)施例6提供了脈搏波時(shí)間序列分析裝置的第六優(yōu)選實(shí)施例，如圖4所示為本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析裝置第六實(shí)施例結(jié)構(gòu)框圖。

參閱圖4，本實(shí)施例提供的一種脈搏波時(shí)間序列分析裝置，本裝置包括：

脈搏波時(shí)間序列采集模塊10，用于通過(guò)光電容積描記采集脈搏波時(shí)間序列；

第一處理模塊20，用于根據(jù)脈搏波時(shí)間序列構(gòu)建其特征表示；

第二處理模塊30，用于根據(jù)脈搏波時(shí)間序列的特征表示以及相應(yīng)的情緒標(biāo)簽訓(xùn)練支持向量機(jī)；

情緒分類模塊40，用于通過(guò)支持向量機(jī)對(duì)脈搏波時(shí)間序列進(jìn)行情緒分類。

實(shí)施例7：

本發(fā)明實(shí)施例7提供了脈搏波時(shí)間序列分析裝置的第七優(yōu)選實(shí)施例，如圖5所示為本發(fā)明實(shí)施例提供的脈搏波時(shí)間序列分析裝置第七實(shí)施例結(jié)構(gòu)框圖。

在上述實(shí)施例6的基礎(chǔ)上：

優(yōu)選的，第一處理模塊20包括第一處理單元21，所述第一處理單元21用于根據(jù)所述脈搏波時(shí)間序列獲取混沌特征參數(shù)，其中，所述混沌特征參數(shù)包括李雅普諾夫指數(shù)、關(guān)聯(lián)維數(shù)、近似熵以及復(fù)雜度。

優(yōu)選的，所述第一處理模塊20還包括第二處理單元22，所述第二處理單元22用于將所述李雅普諾夫指數(shù)、所述關(guān)聯(lián)維數(shù)、所述近似熵以及所述復(fù)雜度進(jìn)行歸一化處理，以構(gòu)建所述脈搏波時(shí)間序列特征表示。

優(yōu)選的，所述第二處理模塊30包括第三處理單元31和第四處理單元32：

所述第三處理單元31用于根據(jù)開(kāi)心和生氣兩種情緒的脈搏波時(shí)間序列所提取的非線性特征以及情緒所分配的標(biāo)簽，訓(xùn)練支持向量機(jī)；

所述第四處理單元32用于通過(guò)所述支持向量機(jī)對(duì)未知標(biāo)簽的脈搏波時(shí)間序列所對(duì)應(yīng)的非線性特征，推測(cè)所述情緒標(biāo)簽。

優(yōu)選的，所述情緒分類模塊40還用于：

采集新的脈搏波時(shí)間序列；

將所述新的脈搏波時(shí)間序列送入所述支持向量機(jī)；

通過(guò)所述支持向量機(jī)對(duì)所述新的脈搏波時(shí)間序列進(jìn)行情緒分類。

實(shí)施本發(fā)明，可以準(zhǔn)確描述脈搏波時(shí)間序列的非線性特征，并利用這些特征實(shí)現(xiàn)對(duì)情緒的準(zhǔn)確識(shí)別，同時(shí)，本發(fā)明不局限于脈搏波時(shí)間序列的采集過(guò)程，也不局限于在家或者工作等場(chǎng)所，用戶可以自行、準(zhǔn)確、實(shí)時(shí)、在無(wú)感知的情況下，對(duì)被測(cè)試者進(jìn)行情緒分析。

以上所述僅為本發(fā)明的實(shí)施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說(shuō)明書(shū)及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。