本發(fā)明實施方式涉及醫(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，它代表個體對變化的環(huán)境所采取的適應(yīng)行為。情緒是個體因所處環(huán)境而引起的心理、生理狀態(tài)的反映，它不同于立場、態(tài)度和性情。情緒不僅僅是一個主觀概念，受個體所在社會、文化等因素的影響，情緒還會在大多數(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，人們都會比較高興，高興的程度則根據(jù)成功的大小及個體滿意度的高低而定，當(dāng)遭受重創(chuàng)的時候，人們通常會比較的悲傷。

現(xiàn)有技術(shù)中，從生理信號中提取最有效的特征來識別情緒，可能會涉及的生理信號包括：

ECG(Electrocardiogram，心電圖)、

EMG(Electromyography，肌電圖)、

RSP(Respiratory，呼吸信號)、

SC(Skin conductance，皮電信號)，其中：

基于ECG的檢測方法：當(dāng)出現(xiàn)憤怒、恐懼等情緒時人的心率最快，高興時次之，當(dāng)悲傷和驚奇時心率減慢，在厭惡時心率達到最低點。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的檢測方法：EMG是一種的表皮肌肉的電活動在皮膚表面處的時間和空間上的綜合結(jié)果，它可以通過表面電極收集到，并可避免 像針電極刺入肌肉中而帶來的創(chuàng)傷性缺陷。所以它是從肌肉表面通過電極引導(dǎo)、記錄下來的神經(jīng)肌肉系統(tǒng)活動時的生物電信號，主要是淺層肌肉和神經(jīng)干上電活動的綜合效應(yīng)。它與肌肉的活動狀態(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。根據(jù)前人實驗表明，肌電信號是一種非常微弱的信號，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)。肌電圖信號是一維時間序列信號，它是表面引導(dǎo)電極所觸及的多個運動單位活動時所產(chǎn)生的電變化在時間和空間上迭加的結(jié)果，與不同機能狀態(tài)和活動狀態(tài)下的參加活動的運動單位數(shù)量、不同運動單位的放電頻率、運動單位活動的同步化程度、運動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)。肌電信號與情緒關(guān)系密切，當(dāng)情緒較為激動時，肌電信號表現(xiàn)較為活躍；當(dāng)情緒較為平和時，肌電信號表現(xiàn)較為不活躍。

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

基于SC的檢測方法：皮電信號(SC)是皮膚傳導(dǎo)性的指示，可在手指之間注入一個不易覺察的小電壓，然后測量其電導(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量得到同樣可靠的信號。不同情緒狀態(tài)時，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，以此來測定植物性神經(jīng)系統(tǒng)的情緒反應(yīng)。通常SC同人的情緒覺醒程度(Arousal)有關(guān)，根據(jù)Schachter和Singer的理論，同樣的生理信號在不同的覺醒程度下所表示的情緒也不同。皮膚電 反應(yīng)基礎(chǔ)水平的個體差異明顯并且與個性特征相關(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，不便于被試個人獨立完成佩戴、隨時佩戴進行實時監(jiān)測。同時，由于RSP信號包含的情緒信息有限，通常難以僅依據(jù)該單一模態(tài)信息進行準(zhǔn)確的情緒分析。

因此，現(xiàn)有技術(shù)中，還沒有一種既方便測量，又能能夠準(zhǔn)確區(qū)分、并識別常見情緒的方案。

技術(shù)實現(xiàn)要素：

本發(fā)明實施方式主要解決的技術(shù)問題是提供一種脈搏測量裝置和基于脈搏波時間序列分析的情緒分類方法及裝置，能夠給用戶帶來一種準(zhǔn)確的、用戶體驗良好的情緒分析方法和裝置。

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

一種基于脈搏波時間序列分析的情緒分類方法，該方法包括：

通過光電容積描記采集脈搏波時間序列；

根據(jù)所述脈搏波時間序列構(gòu)建其特征表示；

根據(jù)所述脈搏波時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；

通過所述支持向量機對所述脈搏波時間序列進行情緒分類。

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

根據(jù)所述脈搏波時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)雜度進行歸一化處理，以構(gòu)建所述脈搏波時間序列特征表示。

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

根據(jù)開心和生氣兩種情緒的脈搏波時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；

通過所述支持向量機對未知標(biāo)簽的脈搏波時間序列所對應(yīng)的非線性特征，推測所述情緒標(biāo)簽。

優(yōu)選的，所述通過所述支持向量機對所述脈搏波時間序列進行情緒分類之后還包括：

采集新的脈搏波時間序列；

將所述新的脈搏波時間序列送入所述支持向量機；

通過所述支持向量機對所述新的脈搏波時間序列進行情緒分類。

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

脈搏波時間序列采集模塊，用于通過光電容積描記采集脈搏波時間序列；

第一處理模塊，用于根據(jù)所述脈搏波時間序列構(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；

情緒分類模塊，用于通過所述支持向量機對所述脈搏波時間序列進行情緒分類。

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)雜度進行歸一化處理，以構(gòu)建所述脈搏波時間序列特征表示。

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)開心和生氣兩種情緒的脈搏波時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；

所述第四處理單元用于通過所述支持向量機對未知標(biāo)簽的脈搏波 時間序列所對應(yīng)的非線性特征，推測所述情緒標(biāo)簽。

優(yōu)選的，所述情緒分類模塊還用于：

采集新的脈搏波時間序列；

將所述新的脈搏波時間序列送入所述支持向量機；

通過所述支持向量機對所述新的脈搏波時間序列進行情緒分類。

實施本發(fā)明，可以準(zhǔn)確描述脈搏波時間序列的非線性特征，并利用這些特征實現(xiàn)對情緒的準(zhǔn)確識別，同時，本發(fā)明不局限于脈搏波時間序列的采集過程，也不局限于在家或者工作等場所，用戶可以自行、準(zhǔn)確、實時、在無感知的情況下，對被測試者進行情緒分析。

附圖說明

圖1是本發(fā)明實施例提供的脈搏波時間序列分析方法第一實施例流程圖；

圖2是本發(fā)明實施例提供的脈搏波時間序列分析方法第四實施例流程圖；

圖3是本發(fā)明實施例提供的脈搏波時間序列分析方法第五實施例流程圖；

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

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

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案以及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實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)明各個實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。

實施例1：

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

參閱圖1，本實施例提供的一種脈搏波時間序列分析方法，本方法包括以下步驟：

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

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

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

S4、通過支持向量機對脈搏波時間序列進行情緒分類。在本步驟中，當(dāng)支持向量機經(jīng)訓(xùn)練完成后，即可對輸入的脈搏波時間序列進行分析，得到情緒標(biāo)簽。測試端根據(jù)情緒標(biāo)簽即可實現(xiàn)對情緒的分類處理。

本實施例的有益效果在于，通過光電容積描記采集脈搏波時間序列；根據(jù)所述脈搏波時間序列構(gòu)建其特征表示；根據(jù)所述脈搏波時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；通過所述支持向量機對所述脈搏波時間序列進行情緒分類?？梢詼?zhǔn)確描述脈搏波時間序列的非線性特征，并利用這些特征實現(xiàn)對情緒的準(zhǔn)確識別，同時，本發(fā)明 不局限于脈搏波時間序列的采集過程，也不局限于在家或者工作等場所，用戶可以自行、準(zhǔn)確、實時、在無感知的情況下，對被測試者進行情緒分析。

實施例2：

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

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

根據(jù)脈搏波時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。

在本實施例中，涉及對混沌特征參數(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)，針對該混沌特征參數(shù)，本實施例所采用的優(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，不同方面描述了時間序列的非線性特性。以下對這四種混沌特征參數(shù)進行簡單說明：

(1)最大李雅普諾夫指數(shù)

混沌運動對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,從而它們的運動軌跡彼此遠離,最后變得沒有任何關(guān)聯(lián)性。李雅普諾夫指數(shù)就是用來描述這種現(xiàn)象的。

對于一個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)這個系統(tǒng)的初始條件是一個無窮小的n維球,這個n維球慢慢地演變成橢球，按照橢球的主軸長度排列它們,則第i個李雅普諾夫指數(shù)定義為

其中p_i(t)是第i個主軸的增加速率。

(2)關(guān)聯(lián)維

具有混沌特性的動力系統(tǒng)的運動軌跡經(jīng)過很多次的分離和靠攏,不斷地拉伸和折疊,最終會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,分形的特點是具有分?jǐn)?shù)維。

(3)近似熵

近似熵可以對信號無序性進行非線性定量分析,周期信號的熵是零,混沌信號的近似熵是一個非負數(shù),因此我們可以計算生理信號的近似熵這個混沌特征參量,說明生理信號的非線性特性。近似熵對于信號中的極大值、極小值不敏感,所以魯棒性較強；對閾值進行調(diào)整就可以實現(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)則只涉及了動態(tài)特征,近似熵的定義過于理論化,不適于被噪聲污染的實際數(shù)據(jù)。一個序列由“0”、“1”組成,這個序列的復(fù)雜性就是產(chǎn)生它的最短程序的比特數(shù)。對于不同的序列,產(chǎn)生它們的最短程序長度是不同的,因此可以用它來衡量不同序列的復(fù)雜性。

本實施例的有益效果在于，通過根據(jù)所述脈搏波時間序列獲取混沌特征參數(shù)，確定了脈搏波時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，不同方面描述了時間序列的非線性特性，從而為后續(xù)脈搏波時間序列分析操作提供了數(shù)據(jù)基礎(chǔ)。

實施例3：

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

在上述實施例2的基礎(chǔ)上，根據(jù)脈搏波時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)雜度進行歸一化處理，以構(gòu)建脈搏波時間序列特征表示。

在本實施例中，采用歸一化的方法，將脈搏波時間序列的四種非線性指標(biāo)計算出來。本實施例所采用的優(yōu)選方案是，通過進行實驗數(shù)據(jù)的 采集，設(shè)計實驗盡可能多的覆蓋多種情緒，將各個非線性指標(biāo)在實驗中出現(xiàn)的最大值，作為各自指標(biāo)的歸一化因子。如果后續(xù)實驗中出現(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。

本實施例的有益效果在于，通過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)雜度進行歸一化處理，以構(gòu)建所述脈搏波時間序列特征表示。實現(xiàn)了對歸一化因子的確定，從而為后續(xù)支持向量機的訓(xùn)練操作提供了數(shù)據(jù)基礎(chǔ)。

實施例4：

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

參閱圖2，本實施例提供的一種脈搏波時間序列分析方法。

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

S31、根據(jù)開心和生氣兩種情緒的脈搏波時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；

S32、通過所述支持向量機對未知標(biāo)簽的脈搏波時間序列所對應(yīng)的非線性特征，推測所述情緒標(biāo)簽。

在上述步驟S31中，當(dāng)被測試者的實驗數(shù)據(jù)采集完成后，記錄當(dāng)前被試者的情緒自評結(jié)果(例如，開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，這樣就建立了實驗數(shù)據(jù)與標(biāo)簽之間的對應(yīng)關(guān)系。

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

第一步，確定李雅普諾夫指數(shù)：

假設(shè)脈搏波時間序列為x₁,x₂,...,x_n，嵌入維數(shù)為m，時間延時為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為向量個數(shù)。取初始點Y(t₀)，設(shè)其與最鄰近點Y₀(t₀)的距離為L₀，追蹤這兩點的時間演化，直到t₁時刻，其間距超過閾值ε>0， 保留Y(t₁)，并在Y(t₁)鄰近另外找一個點Y₁(t₁)，使得L₁＝|Y(t₁)-Y₁(t₁)|<ε，并且與之夾角盡可能小，繼續(xù)上述過程，直至Y(t)到達時間序列的終點N，這時追蹤演化過程總的迭代次數(shù)為M，則該脈搏波時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)建脈搏波時間序列展拓成的m維相空間的點集Y(t_i)＝(x(t_i),x(t_i+τ),...,x(t_i+(m-1)τ))，任選m維相空間的點集中的一個點Y_i作為參考點，計算另外N-1點與它的距離，則可統(tǒng)計出落在以點Y_i為中心，以小標(biāo)量r為半徑的體積元中的點的個數(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，C(r)＝N(N-1)/N²＝(N-1)/N，當(dāng)N→∞時，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)。對小距離r₁和r₂有：兩邊同時取對數(shù)得到：當(dāng)|r₁-r₂|很小時，D₂(m,r₂)＞＞D₂(m,r₁)。因此，可以進一步簡化得到 即D₂(m,r₂)是lnC_m(r)～lnr曲線的斜率。當(dāng)時，可得到關(guān)聯(lián)維數(shù)

第三步，確定近似熵：

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

第四步，確定復(fù)雜度

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

L-Z復(fù)雜度的提取是以信號符號化重構(gòu)為基礎(chǔ)。

如前所述，對脈搏波時間序列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)，進行符號化重構(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。這樣就得到一個含有n個符號的符號化重構(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)個不同的子串。計算 那么脈搏波時間序列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)過上述步驟，已將脈搏波時間序列x₁,x₂,...,x_n的四種非線性指標(biāo)計算出來，分別為李雅普諾夫指數(shù)：關(guān)聯(lián)維數(shù)近似熵為L-Z復(fù)雜度可由C_LZ＝c(n)/b(n)。通過進行實驗數(shù)據(jù)的采集，設(shè)計實驗盡可能多的覆蓋多種情緒，將各個非線性指標(biāo)在實驗中出現(xiàn)的最大值，作為各自指標(biāo)的歸一化因子。如果后續(xù)實驗中出現(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)實驗數(shù)據(jù)采集,比如GP法計算關(guān)聯(lián)維，結(jié)果為小于等于10的正實數(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)簽確定其對應(yīng)的情緒特征。如上例所述，在實驗數(shù)據(jù)的采集過程中，記錄當(dāng)前被試的情緒自評結(jié)果(開心和生氣)，并將結(jié)果表示為標(biāo)簽0和1，這樣就建立了實驗數(shù)據(jù)與標(biāo)簽之間的對應(yīng)關(guān)系。進行多人多次重復(fù)實驗，將實驗數(shù)據(jù)各個特征分別進行歸一化操作，并連同標(biāo)簽一起送入支持向量機進行參數(shù)訓(xùn)練用以訓(xùn)練支持向量機的參數(shù)。

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

本實施例的有益效果在于，通過對特征參數(shù)的確定以及歸一化操作，實現(xiàn)了根據(jù)支持向量機確定脈搏波時間序列的情緒標(biāo)簽，進一步地， 確定了情緒標(biāo)簽所對應(yīng)的情緒特征。

實施例5：

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

參閱圖3，本實施例提供的一種脈搏波時間序列分析方法，本方法包括以下步驟：

S41、采集新的脈搏波時間序列。

S42、將新的脈搏波時間序列送入支持向量機。

S43、通過支持向量機對新的脈搏波時間序列進行情緒分類。

在上述三個步驟中，當(dāng)對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，本實施例將脈搏新序列提取特征之后，送入支持向量機進行情緒類別標(biāo)簽的預(yù)測。具體過程：1)采集脈搏新序列；2)提取脈搏特征并進行歸一化；3)將歸一化后的特征送入LIBSVM支持向量機，該支持向量機根據(jù)之前訓(xùn)練集訓(xùn)練得到的模型參數(shù)，從而實現(xiàn)對情緒標(biāo)簽的預(yù)測。

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

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

優(yōu)選的，在進行SVM支持向量機訓(xùn)練過程中，使用10折交叉驗證技術(shù)，確保SVM支持向量機的參數(shù)穩(wěn)定準(zhǔn)確。

實施例6：

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

參閱圖4，本實施例提供的一種脈搏波時間序列分析裝置，本裝置包括：

脈搏波時間序列采集模塊10，用于通過光電容積描記采集脈搏波時間序列；

第一處理模塊20，用于根據(jù)脈搏波時間序列構(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；

情緒分類模塊40，用于通過支持向量機對脈搏波時間序列進行情緒分類。

實施例7：

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

在上述實施例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)雜度進行歸一化處理，以構(gòu)建所述脈搏波時間序列特征表示。

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)開心和生氣兩種情緒的脈搏波時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；

所述第四處理單元32用于通過所述支持向量機對未知標(biāo)簽的脈搏波時間序列所對應(yīng)的非線性特征，推測所述情緒標(biāo)簽。

優(yōu)選的，所述情緒分類模塊40還用于：

采集新的脈搏波時間序列；

將所述新的脈搏波時間序列送入所述支持向量機；

通過所述支持向量機對所述新的脈搏波時間序列進行情緒分類。

實施本發(fā)明，可以準(zhǔn)確描述脈搏波時間序列的非線性特征，并利用這些特征實現(xiàn)對情緒的準(zhǔn)確識別，同時，本發(fā)明不局限于脈搏波時間序列的采集過程，也不局限于在家或者工作等場所，用戶可以自行、準(zhǔn)確、實時、在無感知的情況下，對被測試者進行情緒分析。

以上所述僅為本發(fā)明的實施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(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)明的專利保護范圍內(nèi)。