[發明專利]基于多生理參數的緊張情緒強度識別系統及信息處理方法

在審

• 申請號: 201710218032.2
• 申請日: 2017-04-05
• 公開（公告）號: CN107007291A
• 公開（公告）日: 2017-08-04
• 發明（設計）人: 周鵬;魏晉文;孫暢;劉爽;崔歡歡;孫士松;王學民;許敏鵬;綦宏志;明東
• 申請（專利權）人: 天津大學
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/0476;A61B5/0484;A61B5/0402;A61B5/04;A61B5/08;A61B5/18
• 代理公司: 北京國昊天誠知識產權代理有限公司11315
• 代理人: 劉昕

技術領域

本發明屬于情緒識別領域，尤其涉及于應用在特殊工作人群的基于多生理參數的緊張情緒強度識別系統及信息處理方法。

背景技術

情緒識別是心理學和工程學等領域的研究熱點，在人機交互、遠程教育等方面具有廣闊的應用前景，例如對某些特殊工作人群進行情緒檢測與識別，有利于及時避免特殊工作人群的精神狀態惡化；在人機交互過程中，對用戶情緒狀態的識別可有效地提升用戶體驗；在遠程教育領域，實時的情緒識別有助于用戶學習效果的提高等。目前，情緒識別的方法主要有兩種：基于非生理信號(包括面部表情、語音或身體姿態等)的識別和基于生理信號(包括心電、腦電、呼吸和皮電等)的識別。

雖然情緒識別作為多個領域的研究熱點取得了許多成果，但是目前情緒識別的研究主要集中在對情緒類型的識別，例如對高興、恐懼、悲傷等進行識別，很少有對單一情緒類型，特別是對緊張情緒的不同強度進行識別。

在現實生活中，緊張情緒扮演著重要的角色，幾乎每個人都有考試、面試、演講過程中出現緊張情緒的經歷，生活經驗告訴我們，適度的緊張情緒可以集中注意力，提高任務的完成績效，過度的緊張不僅會帶來心跳急劇加速，手心冒汗等生理上的不良反應，更會影響任務的完成和目標的實現。在航天領域，航天員在執行在軌任務時，由于心理壓力過大經常會出現不同強度的緊張情緒，一旦自我調節不當，極易出現任務完成失敗的結果，給人力物力成本巨大的航天事業帶來巨大損失。所以，針對不同強度緊張情緒的識別至關重要，極具應用價值。

發明內容

本發明對緊張情緒的強度進行識別，為民生和航天等領域在緊張情緒強度識別方面提供技術支持，本發明提供一種基于多生理參數的緊張情緒強度識別系統及信息處理方法，該方法識別率高，可有效提高航天員等特殊工作者的任務績效。

為了實現上述目的，本發明采用如下方案：

基于多生理參數的緊張情緒強度識別系統，其特征在于，包括基本情緒誘發裝置、用戶多生理信號采集裝置和信號處理裝置，所述基本情緒誘發裝置、所述用戶多生理信號采集裝置和所述信號處理裝置依次連接；

所述基本情緒誘發裝置上設置有誘發視頻材料，所述用戶多生理信號采集裝置采集腦電、心電、皮電和呼吸信號，所述信號處理裝置，包括預處理模塊、特征提取模塊和模式識別模塊，所述預處理模塊、所述特征提取模塊和所述模式識別模塊依次連接。

基于多生理參數的緊張情緒強度信息處理方法，其特征在于，包括離線訓練和在線監測；

其中，所述離線訓練包括以下步驟：

步驟一:誘發用戶的緊張情緒，誘發方式采用視頻材料；

步驟二:采集用戶多生理信號；

步驟三:信號處理，包括預處理、特征提取和模式識別；

所述在線監測包括以下步驟：

步驟1：在線實時采集用戶多生理信號，多生理信號與離線訓練部分相同；

步驟2：信號處理，包括預處理、特征提取和模式識別；預處理和特征提取的方法與離線訓練部分相同，模式識別運用離線訓練部分訓練好的分類器；

步驟3：預警，對識別后的緊張情緒強度進行判斷，如果緊張強度超過設定的閾值則進行干預，如果沒有則返回步驟1；

步驟4：存儲數據，記錄用戶的緊張情緒強度變化情況，為進一步的分析提供參考。

進一步地，所述步驟二中多生理信號包括腦電、腦血氧、心電、皮電和呼吸信號。

進一步地，所述步驟三中所述預處理包括：

(a)對腦電信號利用自適應濾波器抑制工頻干擾，運用獨立分量分析(ICA)濾除眼電、肌電的干擾，利用信號處理工具包截取有效數據；

(b)對心電、呼吸和皮電信號進行放大后，利用帶通濾波器去除工頻干擾，利用信號處理工具包截取有效數據。

進一步地，步驟C中所述特征提取包括：

(c)對于腦電信號，分析頻域信息，利用功率譜估計Welch算法或者AR模型法計算腦電功率譜；

(d)對于心電信號，利用變換分析方法或者QR S波檢測方法得到心率變異性信號(HRV),提取HRV信號的時域特征和頻域特征；

(e)對于皮電信號，提取均值、標準差、一階差分、一階差分絕對值的平均值、二階差分和二階差分絕對值的平均值；

(f)對于呼吸信號，提取多個時域特征以及多個頻域特征。

進一步地，步驟三中所述模式識別具體包括：

(g)對多生理信號提取的特征優化選擇后融合，特征優化采用基于支持向量機(SVM)的遞歸特征篩選算法；