基于心率变异性的情绪识别方法及其系统

技术领域

本发明涉及一种情绪识别方法及系统，尤其涉及一种基于心率变异性的情绪识别方法及系统。

背景技术

情绪识别是对他人情绪状态进行识别和解释，传感器技术和深度学习算法的发展使得基于信息融合的情绪识别成为可能，人们可以通过传感器采集和分析心率波动、面部表情、语音语调、手势变化来检测情绪。

心率是基本生理信号，其特征主要来自于神经系统和内分泌系统，且不受主观意识的控制，能够更加真实地反映出人的情感特征；因为情绪状态的变化直接影响自主神经系统及体液调节，所以个人的情绪变化可以在心率变异性中得到反映体现，即心率变异性能够用来进行情绪识别。

当前通过分析心率变异性来进行情绪识别的相关技术和方法，存在如下问题：一是由于仅依托本地数据处理，未能运用云计算，所以不但识别效率较低，而且限制了应用范围；二是由于没有应用人工智能技术，未能从复杂多样的情绪特征中训练出有效识别模型，所以不但识别精度较低，而且无法基于机器学习做到持续提升精度。

因此，为了解决上述技术问题，继续提出一种新的技术手段。

发明内容

有鉴于此，本发明的目的是提供一种基于心率变异性的情绪识别方法及系统，能够基于心率变异性对情绪进行准确识别，在保证准确性的同时，还能够有效提升势识别效率，而且算法及结构适应能力强。

本发明提供的一种基于心率变异性的情绪识别方法，包括：

S1.将心率数据进行预处理；

S2.将预处理后的心率数据进行心率变异特征提取组成特征向量；

S3.将特征向量输入至于Stacking模型中进行处理，得到情绪识别结果。

进一步，对心率数据进行预处理包括：

对心率数据采用小波变换进行降噪处理；

将通过降噪处理后的心率数据进行过滤筛选，过滤掉心率数据中无心跳波形部分，从而得到预处理后的心率数据。

进一步，步骤S2中，采用pan_tompkin算法进行心率变异特征提取，其中，心率变异特征包括：波峰间隔期的平均值、波峰间隔期的标准差、相邻波峰间隔期差值的均方根、波峰间隔期相差超过50毫秒的个数除以所有波峰间隔期之和、标准单元里的HF能量、标准单元里的LF能量以及HF能量和LF能量的比值；

将心率变异特征依次排列形成特征向量。

进一步，步骤S3中具体包括：

将特征向量划分为测试集和训练集；

Stacking模型具有两层分类器：

将训练集输入至第一层分类器中进行训练处理，然后将第一层分类器的处理结果输入至第二层分类器中并对第二层分类器进行训练处理；

将测试集输入至Stacking模型中进行处理，判断Stacking模型是否达到误差要求，如是，则将实时获取的心率数据通过步骤S1和步骤S2处理后输入至训练优化后的Stacking模型中进行处理，得到识别结果。

相应地，本发明还提供了一种基于心率变异性的情绪识别系统，包括采集单元、预处理单元以及处理识别单元；

所述采集单元，用于获取心率数据并输出；

所述预处理单元，与采集单元通信连接，用于接收采集单元输出的心率数据并对心率数据进行预处理；

所述处理识别单元，与预处理单元通信连接，用于接收预处理后的心率数据，并依据心率数据识别出情绪类别。

进一步，所述采集单元为穿戴式采集设备。

进一步，所述预处理单元包括第一预处理模块和第二预处理模块，其中：

第一预处理模块，其输入端连接于采集单元的输出端，用于对心率数据采用小波变换进行降噪处理；

第二预处理模块，其输入端连接于第一预处理模块的输出端，用于对第一预处理模块输出的心率数据进行过滤筛选，过滤掉心率数据中无心跳波形部分，并将过滤后的心率数据输出至处理识别单元。

进一步，所述处理识别单元包括特征提取模块和识别处理模块；

所述特征提取模块，其输入端连接于第二预处理模块的输出端，用于对第二预处理模块输出的心率数据进行特征提取并输出特征向量；

所述识别处理模块，其输入端连接于特征提取模块，用于接收特征向量，并根据特征向量识别出情绪类别。

进一步，所述特征提取模块采用pan_tompkin算法进行心率变异特征提取，其中，心率变异特征包括：波峰间隔期的平均值、波峰间隔期的标准差、相邻波峰间隔期差值的均方根、波峰间隔期相差超过50毫秒的个数除以所有波峰间隔期之和、标准单元里的HF能量、标准单元里的LF能量以及HF能量和LF能量的比值；

将心率变异特征依次排列形成特征向量。

进一步，所述识别处理模块处理具体包括：

识别处理模块中具有Stacking模型；

识别处理模块将特征向量划分为测试集和训练集；

Stacking模型具有两层分类器：

将训练集输入至第一层分类器中进行训练处理，然后将第一层分类器的处理结果输入至第二层分类器中并对第二层分类器进行训练处理；

将测试集输入至Stacking模型中进行处理，判断Stacking模型是否达到误差要求，如是，则将实时获取的心率数据通过预处理单元以及特征提取模块处理后输入至训练优化后的Stacking模型中进行处理，得到识别结果。

本发明的有益效果：通过本发明，能够基于心率变异性对情绪进行准确识别，在保证准确性的同时，还能够有效提升势识别效率，而且算法及结构适应能力强。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为本发明的结构示意图。

具体实施方式

以下进一步对本发明做出详细说明：

本发明提供的一种基于心率变异性的情绪识别方法，包括：

S1.将心率数据进行预处理；

S2.将预处理后的心率数据进行心率变异特征提取组成特征向量；

S3.将特征向量输入至于Stacking模型中进行处理，得到情绪识别结果，通过上述方法，能够基于心率变异性对情绪进行准确识别，在保证准确性的同时，还能够有效提升势识别效率，而且算法及结构适应能力强。

本实施例中，对心率数据进行预处理包括：

对心率数据采用小波变换进行降噪处理；其中：

采用小波变换能够准确地分析出信号在何时发生畸变，可以检测出其他分析方法忽略的信号特征，能以非常小的失真度实现对信号的压缩与消噪；

小波变换(wavelet transform，WT)对原始心率数据进行分解和重构，具体是把某一被称为基本小波(也称母小波，Mother Wavelet)的函数ψ(t)做位移τ后，再在不同尺度a下与待分析的信号x(t)做内积：

等效的频域表示为:

式中，X(w)和Ψ(w)分别是x(t)和ψ(t)的傅里叶变换

将通过降噪处理后的心率数据进行过滤筛选，过滤掉心率数据中无心跳波形部分，从而得到预处理后的心率数据，其中，过滤筛选采用现有的算法实现，在此不加以赘述。

本实施例中，步骤S2中，采用pan_tompkin算法进行心率变异特征提取，其中，心率变异特征包括：波峰间隔期的平均值、波峰间隔期的标准差、相邻波峰间隔期差值的均方根、波峰间隔期相差超过50毫秒的个数除以所有波峰间隔期之和、标准单元里的HF能量、标准单元里的LF能量以及HF能量和LF能量的比值；

将心率变异特征依次排列形成特征向量。

进一步，步骤S3中具体包括：

将特征向量划分为测试集和训练集；

Stacking模型具有两层分类器：

将训练集输入至第一层分类器中进行训练处理，然后将第一层分类器的处理结果输入至第二层分类器中并对第二层分类器进行训练处理；

其中，第一层分类器具有5个基础分类器，包括SVM分类器、ELM分类器、GBDT分类器、LightGBM分类器以及XGBoost分类器；基于训练集做m次m折交叉验证；

将测试集输入至Stacking模型中进行处理，判断Stacking模型是否达到误差要求，如是，则将实时获取的心率数据通过步骤S1和步骤S2处理后输入至训练优化后的Stacking模型中进行处理，得到识别结果。

相应地，本发明还提供了一种基于心率变异性的情绪识别系统，包括采集单元、预处理单元以及处理识别单元；

所述采集单元，用于获取心率数据并输出；

所述预处理单元，与采集单元通信连接，用于接收采集单元输出的心率数据并对心率数据进行预处理；

所述处理识别单元，与预处理单元通信连接，用于接收预处理后的心率数据，并依据心率数据识别出情绪类别。

本实施例中，所述采集单元为穿戴式采集设备，比如智能手环、智能手表或者智能腕带等。

本实施例中，所述预处理单元包括第一预处理模块和第二预处理模块，其中：

第一预处理模块，其输入端连接于采集单元的输出端，用于对心率数据采用小波变换进行降噪处理；

第二预处理模块，其输入端连接于第一预处理模块的输出端，用于对第一预处理模块输出的心率数据进行过滤筛选，过滤掉心率数据中无心跳波形部分，并将过滤后的心率数据输出至处理识别单元。

本实施例中，所述处理识别单元包括特征提取模块和识别处理模块；

所述特征提取模块，其输入端连接于第二预处理模块的输出端，用于对第二预处理模块输出的心率数据进行特征提取并输出特征向量；

所述识别处理模块，其输入端连接于特征提取模块，用于接收特征向量，并根据特征向量识别出情绪类别。

本实施例中，所述特征提取模块采用pan_tompkin算法进行心率变异特征提取，其中，心率变异特征包括：波峰间隔期的平均值、波峰间隔期的标准差、相邻波峰间隔期差值的均方根、波峰间隔期相差超过50毫秒的个数除以所有波峰间隔期之和、标准单元里的HF能量、标准单元里的LF能量以及HF能量和LF能量的比值；

将心率变异特征依次排列形成特征向量。

本实施例中，所述识别处理模块处理具体包括：

识别处理模块中具有Stacking模型；

识别处理模块将特征向量划分为测试集和训练集；

Stacking模型具有两层分类器：

将训练集输入至第一层分类器中进行训练处理，然后将第一层分类器的处理结果输入至第二层分类器中并对第二层分类器进行训练处理；

将测试集输入至Stacking模型中进行处理，判断Stacking模型是否达到误差要求，如是，则将实时获取的心率数据通过预处理单元以及特征提取模块处理后输入至训练优化后的Stacking模型中进行处理，得到识别结果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。