基于脉搏波信号的情感识别方法

摘 要 随着人机交互的迅速发展，情感识别逐渐成为国内外的研究热点。本文提出一种针对平静、悲伤、快乐和愤怒4种情感的识别方法，使用小波去噪法对脉搏波信号去除基线偏移和高频噪声，选取脉搏波信号频域和心率变异率（HRV）时、频域中的15种特征，采用支持向量机（SVM）算法进行情感的分类识别，平均识别率达到了94.93%。

关键词 情感识别；情感特征；SVM；HRV

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2016）160-0098-02

情感计算已成为人机交互领域的热点和主要方向之一，基于生理信号的情感识别相比基于肢体、表情或语音的情感识别，不受人的主观意识控制，能更加客观准确地反映情感。脉搏波可直接反映心脏血液系统在神经控制下的生理变化[1]，亦可以用来研究人的情感。目前对于脉搏波的研究涉及脉搏波形的时频域分析、HRV的时频域分析以及非线性特征分析[2，3]。本文对基于脉搏波信号的情感识别方法进行了研究，选取脉搏波频域和HRV时、频域的15个特征作为情感分类依据，利用SVM算法进行分类识别。

1 信号的采集和处理

分别在平静、悲伤、快乐和愤怒四种情感状态下测量了脉搏波信号片段，然后把不同的情感片段各分割出50组，每组信号的持续时间为1min。

采集的脉搏信号中常存在基线漂移，工频干扰和肌电干扰3种主要噪声[4]，本方法采用小波去噪法处理脉搏波中的噪声，调整低频和高频分量系数可以有效去除脉搏波信号中的基线漂移和毛刺噪声。在各尺度上对低频分量和高频分量用新的系数进行信号重构，得到了去除基线漂移的平滑信号，平静状态的部分原始信号和去噪信号如图1所示。

2 脉搏波信号特征提取

本方法在脉搏波信号频域以及HRV信号时、频域提取了15个特征。把不同情感的脉搏波信号变换到频域，如图2所示，0Hz～5Hz频带内的3个峰值点在相位和幅值上存在差异，于是提取其横纵坐标作为信号频域特征。由脉搏波信号计算HRV，首先检测脉搏波信号的主波峰，计算相邻两个主波峰间的时间差（称为P-P间隔），如果时间差不在正常范围内，则舍去幅值较小的波峰点，从而排除次波峰等干扰。将正常的P-P间隔绘制出来得到HRV信号，由此提取HRV时域3个特征[5]，分别为P-P间隔平均值、标准差以及P-P间隔一阶差分的均方根。

采用分段3次Hermite多项式对HRV信号在1min内作插值，采用周期图法求插值HRV信号的功率密度谱，选取了HRV频域的7个特征[6]，它们的含义及生理表征被罗列在表1中。

3 情感分类识别算法

本文采用C-SVM模型进行情感分类，模型如下：

本文采用SVM多分类中的“一对一”方法解决4种情感的分类问题，平静、悲伤、开心和愤怒的标签记为0-3，将其随机分为5组作5次交叉验证，每次选取4组数据进行训练，1组数据进行测试，训练时在两两情感之间构建共6个SVM分类器，测试时样本类别的判定采用投票机制。

上述算法的实现基于台湾林智仁团队开发的支持向量机库libSVM，训练样本，建立SVM模型，选用RBF核函数，最优的惩罚因子C和核函数参数γ通过网格搜寻法确定，再利用最优的C和γ对样本进行SVM建模和交叉验证，总的平均识别率为94.93%，平静情感的平均识别准确率为93.89%，悲伤情感的平均识别准确率为100%，开心情感的平均识别准确率为95.15%，愤怒情感的平均识别准确率为90.32%，

4 结论

本方法基于脉搏波信号研究平静、悲伤、开心和愤怒情感的分类，平均识别率达到了94.93%，每种情感的识别准确率均达到了90%以上，论证了分类方法具有很强的可行性，以后的研究将集中于减少提取特征数目，简化去噪和特征提取流程，将本方法应用于便携式情感识别设备中。

参考文献

[1]韩清鹏.脉搏信号的非线性分析及其不同情绪和环境的影响研究.生物医学工程.杭州：浙江大学，2007.

[2]张宇博，舒红平，岳希.指端脉搏曲线特征参数提取方法研究[J].软件导刊，2015，14（4）：32-34.

[4]张慧玲.基于脉搏信号的情感识别研究[D].西南大学，2011.

[5]周红标.融合语音和脉搏的多模态情感识别研究[J].微电子学与计算机，2015（6）：5-9.

[6]张丽琼，王炳和.基于小波变换的人体脉搏信号去噪处理.陕西师范大学学报：自然科学版，2004，32（6）：84-86.

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