基于脈搏波信號的情感識別方法

張宇婷+張智鵬+潘言

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

關鍵詞 情感識別；情感特征；SVM；HRV

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2016）160-0098-02

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

1 信號的采集和處理

分別在平靜、悲傷、快樂和憤怒四種情感狀態下測量了脈搏波信號片段，然后把不同的情感片段各分割出50組，每組信號的持續時間為1min。

采集的脈搏信號中常存在基線漂移，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，調整低頻和高頻分量系數可以有效去除脈搏波信號中的基線漂移和毛刺噪聲。在各尺度上對低頻分量和高頻分量用新的系數進行信號重構，得到了去除基線漂移的平滑信號，平靜狀態的部分原始信號和去噪信號如圖1所示。

2 脈搏波信號特征提取

本方法在脈搏波信號頻域以及HRV信號時、頻域提取了15個特征。把不同情感的脈搏波信號變換到頻域，如圖2所示，0Hz～5Hz頻帶內的3個峰值點在相位和幅值上存在差異，于是提取其橫縱坐標作為信號頻域特征。由脈搏波信號計算HRV，首先檢測脈搏波信號的主波峰，計算相鄰兩個主波峰間的時間差（稱為P-P間隔），如果時間差不在正常范圍內，則舍去幅值較小的波峰點，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，由此提取HRV時域3個特征[5]，分別為P-P間隔平均值、標準差以及P-P間隔一階差分的均方根。

采用分段3次Hermite多項式對HRV信號在1min內作插值，采用周期圖法求插值HRV信號的功率密度譜，選取了HRV頻域的7個特征[6]，它們的含義及生理表征被羅列在表1中。

3 情感分類識別算法

本文采用C-SVM模型進行情感分類，模型如下：

本文采用SVM多分類中的“一對一”方法解決4種情感的分類問題，平靜、悲傷、開心和憤怒的標簽記為0-3，將其隨機分為5組作5次交叉驗證，每次選取4組數據進行訓練，1組數據進行測試，訓練時在兩兩情感之間構建共6個SVM分類器，測試時樣本類別的判定采用投票機制。

上述算法的實現基于臺灣林智仁團隊開發的支持向量機庫libSVM，訓練樣本，建立SVM模型，選用RBF核函數，最優的懲罰因子C和核函數參數γ通過網格搜尋法確定，再利用最優的C和γ對樣本進行SVM建模和交叉驗證，總的平均識別率為94.93%，平靜情感的平均識別準確率為93.89%，悲傷情感的平均識別準確率為100%，開心情感的平均識別準確率為95.15%，憤怒情感的平均識別準確率為90.32%，

4 結論

本方法基于脈搏波信號研究平靜、悲傷、開心和憤怒情感的分類，平均識別率達到了94.93%，每種情感的識別準確率均達到了90%以上，論證了分類方法具有很強的可行性，以后的研究將集中于減少提取特征數目，簡化去噪和特征提取流程，將本方法應用于便攜式情感識別設備中。

參考文獻

[1]韓清鵬.脈搏信號的非線性分析及其不同情緒和環境的影響研究.生物醫學工程.杭州：浙江大學，2007.

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

[4]張慧玲.基于脈搏信號的情感識別研究[D].西南大學，2011.

[5]周紅標.融合語音和脈搏的多模態情感識別研究[J].微電子學與計算機，2015（6）：5-9.

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

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