上海中醫藥大學在校大學生不同情感狀態脈圖特征參數分析與識別

劉璐 馬澤慧 陳聰 王憶勤 燕海霞 郭睿

摘要：目的? 對上海中醫藥大學在校大學生不同情感狀態下脈圖特征參數進行分析與識別，以期為大學生情感狀態的辨識提供客觀的參考依據。方法? 選擇上海中醫藥大學11名身心健康的大學生，以中醫情志脈象理論為基礎，通過素材誘導，激發受試者不同情感表達。采用ZBOX-Ⅰ型脈象數字化采集分析儀采集受試者平靜、喜悅、恐懼、悲傷4種不同情感狀態下的脈圖共224人次，提取4組情感狀態下脈圖時域參數和多尺度熵參數，采用非參數檢驗統計4組脈圖特征參數差異，隨機森林分類器對情感狀態進行分類識別。結果? 4組脈圖時域參數及多尺度熵參數差異有統計學意義（P<0.05）;基于脈圖時域參數對不同情感狀態進行識別，識別率為70.52%，基于脈圖時域和多尺度熵參數進行識別，識別率提高至74.52%。結論? 脈圖特征參數可為情感狀態的辨識提供客觀參考依據，脈圖時域參數結合多尺度熵參數可提高情感狀態識別率。

關鍵詞：脈圖;時域分析;多尺度熵分析;情感識別;大學生

中圖分類號：R241.1? ? 文獻標識碼：A? ? 文章編號：1005-5304（2019）04-0019-05

《素問·經脈別論篇》云：“黃帝問曰：‘人之居處動靜勇怯，脈亦為之變乎？岐伯對曰：‘凡人之驚恐恚勞動靜，（脈）皆為變也。”表明情志的變化會引起脈象改變。《脈象圖說》云：“過喜則脈緩，暴怒則脈急，悲傷則脈短，大恐則脈沉。”表明人的心理活動可通過脈象顯現。張仲景亦對癲、狂、癇、心煩、狐惑、臟躁、百合病、羞愧等多種心理現象和脈象進行了闡述。現代醫學認為，人的情感受大腦意識控制，其表達可能受意識干擾，難以進行客觀的識別分析[1]。脈象由植物神經支配，作為人體內部產生的一種生物信號，是窺視情志變化的窗口，避免了意識的干擾[2]。因此，分析脈象變化與情志活動的相關性，從脈象探索情志因素變化具有獨到的優勢。我們在前期相關研究中分析了平靜、喜悅、悲傷3組情感狀態的脈象[3]，本研究增加恐懼狀態的誘導，并在影片誘導某情緒的多個高潮時段多次同步采集受試者脈圖，以人次統計樣本量，以減少個體差異的影響。現報道如下。

1? 資料與方法

1.1? 一般資料

選擇上海中醫藥大學身心健康在校大學生11名（男性5名，女性6名），平均年齡（22±5）歲，無感染，體溫35.9～37 ℃，受試者檢測前30 min內禁飲食，并避免體力勞動、運動和大量汗出，使用癥狀自評量表（SCL90）[4]進行評分。不同情感狀態的受試者基本為同一受試人群，共采集數據224人次，包括平靜狀態66人次，喜悅狀態48人次，恐怖狀態50人次，悲傷狀態60人次。

影片素材選取主要參考網評及通過問卷咨詢同學意見，最終選取認可度較高的影片片段作為素材，分別為喜悅素材《萬萬沒想到》、悲傷素材《七號房的禮物》及恐怖素材《閃靈》，影像素材總時長100 min，采集時間分為2個節點，平靜狀態脈圖在影片放映前10 min采集[3]，其余脈象在不同高潮片段多次播放期間采集。

1.2? 納入標準

①無精神病史，女生在非月經期，且平素月經正常;②SCL90評分正常（總分<160分，或陽性項目數<43項，或任一因子分<2分）;③受試者均簽署知情同意書。

1.3? 排除標準

①入組前已觀看過相關影片素材，或已參與過相關研究;②近半個月內發生過可能會影響情緒的負性事件。

1.4? 研究流程

所有受試者在安靜密閉房間內單獨測試，檢測時避免操作者及協助人員走動，以及噪音等客觀干擾因素。

脈象采集時間為晚餐后1 h（18：00-21：00），試驗前介紹相關流程及注意事項，排除受試者好奇或緊張的情緒，使受試者調節到平靜狀態，于測試前檢測受試者情緒和脈圖參數的基線值，確保觀看影片時能夠真實表達出內在情感，提升數據有效性。

影片放映間隔期間，受試者可通過調整坐姿及適當活動來放松情緒，囑受試者清空之前情緒的影響，再次測試前由受試者填寫SCL90，對當前情緒狀態進行自我評價，操作者檢測受試者情緒和脈圖參數的基線值。

1.5? 脈象采集方法

采用上海中醫藥大學與中電科軟件信息服務有限公司聯合研制的ZBOX-Ⅰ型脈象數字化采集分析儀采集脈象樣本。ZBOX-Ⅰ型脈象數字化采集分析儀在脈象采集時，可調節壓力、實時顯示波形、智能采集引導、數據優劣判斷，對人體脈象進行數字化及自動化智能分析，得出客觀化脈象指標如時域參數。該型號脈象儀器已廣泛應用于臨床研究[5-7]。

脈象采集時，受試者取端坐位，取脈部位為左手關部，將壓力傳感器探頭安置在受試者左手關部，采集60 s，采集的最佳脈圖用于后續脈圖參數的提取與分析。

1.6? 研究方法

1.6.1? 時域分析

時域分析法主要分析脈搏波波幅的高度和脈動時相的關系[3]。脈圖可以反映心臟射血活動和脈搏波沿血管傳播途徑中攜帶的各種信息。脈圖上的曲線和每一個拐點都有其獨特的生理意義，通過時域分析可提取脈圖信號特征參數，進而探尋脈象與疾病、心理狀態的內在聯系。

時域分析的主要內容是讀出脈圖的波、峽的高度（h）及相應時值（t）、脈圖面積（As，Ad）等多項參數，詳見圖1、圖2。為更好地反映脈圖特征，計算各項參數的比值作為脈圖特征參數，如h3/h1、h4/h1、h5/h1等。

注：h1.主波幅度，為主波峰頂到脈搏波圖基線的高度（基線與時間軸平行時）;h3.重搏前波幅度，為重搏前波峰頂到脈搏波圖基線的高度（基線與時間軸平行時）;h4.降中峽幅度，為降中峽谷底到脈搏波圖基線的高度;h5.重搏波波幅，指從降中峽到重搏波波峰的垂直距離，主要反映大動脈的順應性;t4.脈圖起始點到降中峽間的時值;t5.降中峽到脈圖終止點之間的時值;t.脈圖起始點到終止點的時值;w.主波上1/3的寬度

1.6.2? 多尺度熵分析

由于脈搏波等生理信號具有非線性的特點，熵值作為非線性動力學中常用到的特征量，被廣泛應用于生理信號的分析研究中。樣本熵等傳統的熵方法是在單個尺度上衡量時間序列的復雜性，無法衡量時間序列復雜性與長距離時間相關性間的關系。Costa等[8-9]提出了基于樣本熵的多尺度熵（MSE）方法，其基本思想是在不同的尺度下計算信號時間序列的樣本熵值，運用多尺度熵分析能發現其在尺度上的自相似性。

本實驗中選擇最大的尺度因子為5，可得到5個尺度下的樣本熵值，分別用MSE1、MSE2、MSE3、MSE4、MSE5表示，用來分析脈象信號在不同尺度下的復雜度。

1.6.3? 模式識別方法

隨機森林是一種估計與統計學習理論的組合分類算法[10]，是在決策樹算法的基礎上，利用bootstrap重抽樣的方法從原始樣本中抽取多個樣本，對每個bootstrap樣本進行決策樹建模，然后將多個單決策樹集成在一起，通過投票得出最終預測結果。采用隨機森林分類算法對大學生不同情感狀態的脈圖特征參數進行分類識別。

1.7? 統計學方法

采用SPSS20.0統計軟件分析大學生平靜、喜悅、恐懼、悲傷4組不同情感狀態下的脈圖時域參數（h1，h3，h4，t，w，As，Ad，h3/h1，h4/h1，h5/h1，w/t）及多尺度熵參數（MSE1，MSE2，MSE3，MSE4，MSE5）。4組脈圖特征參數分布不滿足正態和方差齊性條件，故選用非參數檢驗法，將其轉換成秩次后行方差分析，以M（QR）表示。

2? 結果

2.1? 不同情感狀態脈圖參數比較

由表1、表2可見，不同情感狀態下脈圖時域參數差異有統計學意義。與喜悅組比較，悲傷組時域參數差異有統計學意義（P<0.05）;與悲傷組比較，恐懼組時域參數h1、h3、h4和As差異有統計學意義（P<0.05）;與平靜組比較，悲傷組、恐懼組時域參數差異有統計學意義（P<0.05），如悲傷組的h3/h1、h5/h1及恐懼組的h3/h1與平靜組比較差異均有統計學意義（P<0.05）。由表3可見，不同情感狀態下脈圖的多尺度熵參數差異有統計學意義。與平靜組比較，喜悅組4個尺度的樣本熵（MSE5除外）均高于平靜組（P<0.05）;悲傷組MSE1高于平靜組（P<0.05）。與平靜組比較，多尺度熵參數對喜悅情緒、悲傷情緒的表達更為明顯，說明心理變化引起生理變化，脈象也會發生變化。

2.2? 基于不同脈圖參數的情感狀態識別分析

基于脈圖時域參數和多尺度熵參數，運用隨機森林分類器建立情感狀態辨別模型，采用3倍交叉驗證方式，確定測試樣本的輸出類別，識別結果見表4、表5。

3? 討論

壽小云[11-12]對脈象與情志進行了深入研究，包括心理脈象和病脈的聯系與鑒別、心理脈象的臨床識別、臨床常見心理脈象的形態特征等，認為脈象振動覺以脈搏的諧波分量為感覺主體，通過諧波振動特征識別，感知臟腑的功能狀態和各類心理活動。章道寧等[13]認為，《黃帝內經》有關情志脈象的論述表明情志和脈象的形成基礎均與氣血密切相關。喜、怒、思、悲、恐5種基本情志脈象的形成基礎和脈象特點也與相應的臟腑功能密切相關。張晶[14]對743例情志致病癥分類醫案中的情志因子與左尺脈象進行典型相關分析，總結出恐、煩、精神萎靡、郁、狂與左尺脈象的相關性，為情志相關脈診臨床實踐提供依據。陳君臻等[15]通過臨床診療提出郁悶不舒病理狀態下的臨床常見的特征脈象以澀、沉、短、伏、弦、緊為多見，分析其脈象特征，并以具體病案析之。本研究顯示，脈圖時域特征參數、多尺度熵組間存在顯著差異，如與喜悅組比較，悲傷組時域參數差異顯著;與悲傷組比較，恐懼組時域參數具有顯著差異。說明悲傷、恐懼等心理情緒對于人體生理的影響更為明顯，可通過外在的脈象變化反映。熵是新信息的產生率，多尺度熵反映系統的復雜度，熵值越大表示系統產生的信號越復雜，生理系統的適應能力越強。本研究結果顯示，喜悅狀態下脈圖信號4個尺度的多尺度熵顯著大于平靜組，表明喜悅情緒狀態下脈象信號序列的復雜度顯著增高，生理系統適應能力隨之增強，表明適度喜悅的心情有助于健康。

本研究顯示，基于脈圖時域特征參數，運用隨機森林分類算法對大學生不同情志脈圖特征參數進行分類識別，平均識別率為70.52%;結合脈圖時域參數和多尺度熵參數對大學生情感狀態進行識別，平均識別率提高至74.52%。研究結果表明，脈圖特征參數可為情感狀態的識別提供客觀的參考依據，脈圖時域參數結合多尺度熵參數可提高情感狀態識別率。

情志因素對人體生理和心理的影響較為顯著。尋找快速、無創、客觀地監測負面情緒的方法尤為重要。中醫情志脈象對于研究心理性疾病及心理疾病致病因素具有重要意義。

參考文獻：

[1] 葛臣，劉光遠，龍正吉.情感識別中脈搏信號的特征提取與分析[J].西南師范大學學報（自然科學版），2010，35（3）：243-246.

[2] 何成.基于多生理信號的情緒識別方法研究[D].杭州：浙江大學， 2016.

[3] 邵慧江，楊蔚，潘緯榕，等.大學生不同情感狀態的脈圖分析[J].世界科學技術-中醫藥現代化，2017，19（7）：1214-1218.

[4] 唐秋萍，程灶火，袁愛華，等.SCL-90在中國的應用與分析[J].中國臨床心理學雜志，1999，7（1）：19-23.

[5] 李娜，鄒小娟，王憶勤.支氣管哮喘與慢性胃炎患者寸口6部脈圖的比較研究[J].世界科學技術-中醫藥現代化，2015，17（2）：343-349.

[6] 程悅蕾，朱惠蓉，楊瓊，等.100例濕熱蘊結型大腸癌患者治療前后舌脈象參數特征分析[J].遼寧中醫雜志，2015，42（2）：230-235.

[7] 郭睿，王憶勤，燕海霞，等.脈圖的遞歸定量分析及對冠心病頸動脈血管硬化程度的評價[J].中華中醫藥雜志，2016，31（5），1695-1699.

[8] COSTA M， GOLDBERGER A L， PENG C K. Multiscale entropy analysis of complex physiologic time series[J]. Physical Review Letters， 2002，89（6）：068102.

[9] COSTA M， GOLDBERGER A L， PENG C K. Multiscale entropy analysis of biological signals[J]. Physical Review E，2005，71（2）：021906.

[10] BREIMAN L. Random forests[J]. Machine Learning，2001，45（1）：5-32.

[11] 壽小云.中醫心理脈象的臨床識別[J].北京中醫藥大學學報，1997，20（3）：16-20.

[12] 壽小云.中醫脈象振動覺臨床識別[J].北京中醫藥大學學報，1999，22（2）：14-16.

[13] 章道寧，王天芳.《黃帝內經》情志脈象淺析[J].安徽中醫藥大學學報，2015，34（3）：4-6.

[14] 張晶.古代情志相關醫案中情志因子與脈象的典型相關分析[J].四川中醫，2011，29（7）：26-27.

[15] 陳君臻，滕晶.郁悶不舒狀態臨床脈勢分析[J].山東中醫雜志， 2017，36（10）：898-899.

（收稿日期：2018-11-14）

（修回日期：2018-12-07;編輯：季巍巍）