一种基于穿戴式生理信号微状态的情感计算方法及系统

本发明涉及生理信号分析，尤其涉及一种基于穿戴式生理信号微状态的情感计算方法及系统。

背景技术：

1、情感计算技术是指利用计算机对情绪相关的个体特征进行采集、分析和识别的技术，对情感计算的发展越来越需要心理学、认知科学等多学科交叉融合。在情绪相关的个体特征中，生理信号具有客观、不易伪造的特点，具有较高的研究价值，而基于穿戴式传感设备的生理信号测量是其中较为便捷的测量方式，能够将生理测量拓展到广阔的日常生活场景中，在连续长时程测量的同时给用户带来的负荷较低。近年来，情感计算方法越来越重视对穿戴式生理信号的测量和分析，包括心率、皮肤电等信号。

2、截止目前，基于穿戴式生理信号的情感计算方法仍然面临挑战，其中一项重要挑战是对情绪生理响应的时间动态过程缺乏关注。多数现有研究通常只采用静态视角，简单对比情绪状态和基线、或者不同情绪状态间的生理信号特征的平均数值。而功能主义理论和大量实证研究表明，不同情绪引起的生理响应变化会作用于多个身体系统，并具有独特的时间变化模式。因而记录多模态生理变化并对其时间动态模式进行分析，将有助于准确识别个体情绪状态，给当前基于生理信号的情感计算带来增量价值。

3、微状态分析方法是观察生理信号时间动态过程的重要方法之一。近年来实验室研究发现，多通道记录的头皮脑电信号(electroencephalogram,eeg)，其微状态模式能够反映时间动态信息，并可用于脑电情感计算领域。具体来说，研究者在60～120ms时间窗口内对脑电信号空间特征进行聚类，发现脑电空间模式呈现出多个类别，称之为脑电微状态(常见为4种类别，分别为a,b,c,d)，每种微状态具有其内在稳定性，背后对应一组脑电信号的跨通道激活模式。基于这一方法，一段较长的生理信号，其动态变化过程可以由许多个微状态的组合来表征。通过计算每种微状态的占比、持续时长以及不同微状态的转移概率等特征，研究发现不同情绪状态下个体的脑电微状态特征存在显著差异，通过微状态分析多通道脑电信号可以有效识别个体情绪状态。

4、然而尽管微状态方法的有效性在脑电分析中得到验证，但目前很少见其在其他生理信号中的应用。而基于穿戴式设备测量到的生理信号与脑电等中枢神经信号具有密切关联，穿戴式测量设备通常可以监测多模态或多通道的生理信号，同样具备微状态分析的数据基础。基于穿戴式生理信号的微状态分析相较于传统静态分析可以获得更高维的时域信息，提升情绪识别的有效性和准确率。另外，微状态方法有望揭示不同类别情绪特异的跨时间变化和跨模态变化的特点，为后续情感计算研究提供参考价值。

技术实现思路

1、本发明提供一种基于穿戴式生理信号微状态的情感计算方法及系统，用以解决现有技术难以从生理信号准确分析人体情绪状态的问题。

2、本发明提供一种基于穿戴式生理信号微状态的情感计算方法，包括：

3、通过穿戴式采集设备获取多通道的生理信号；

4、提取多通道人体生理信号的特征后进行降维，压缩特征维度，并对压缩维度后的特征进行聚类分析得到生理特征类别，进行生理信号的微状态划分；

5、基于所述生理信号的微状态划分结果，进行原始生理信号与微状态类别的映射，将连续的生理信号转变为微状态序列，提取微状态序列特征；

6、将所述微状态序列特征输入至预设的情绪状态预测模型，通过所述情绪状态预测模型生成情感计算结果。

7、根据本发明提供的一种基于穿戴式生理信号微状态的情感计算方法，所述通过穿戴式采集设备获取多通道的生理信号，具体包括：

8、通过穿戴式采集设备按照大于1hz的采样率采集多通道人体外周生理信号；

9、将采集的多通道人体外周生理信号汇总后进行时间对齐。

10、根据本发明提供的一种基于穿戴式生理信号微状态的情感计算方法，所述提取多通道人体生理信号的特征后进行降维，压缩特征维度，并对压缩维度后的特征进行聚类分析得到生理特征类别，具体包括：

11、获取多通道人体生理信号按时间窗切分并提取标准化生理特征；

12、基于标准化生理特征对所有生理特征进行汇总和降维，通过主成分分析提取权重较高的特征维度，对降维后的生理特征进行聚类分析。

13、根据本发明提供的一种基于穿戴式生理信号微状态的情感计算方法，所述对压缩维度后的特征进行聚类分析得到生理特征类别，进行生理信号的微状态划分，具体包括：

14、检查聚类分析结果的分布情况，排除样本占比过少、以及只集中在少数个体身上的聚类结果，并对聚类结果进行稳定性检查；

15、将有效特征类别命名为相应微状态，完成微状态划分，标明聚类中心点映射到原始特征空间的生理特征。

16、根据本发明提供的一种基于穿戴式生理信号微状态的情感计算方法，所述基于所述生理信号的微状态划分结果，进行原始生理信号与微状态类别的映射，将连续的生理信号转变为微状态序列，提取微状态序列特征，具体包括：

17、完成微状态类别划分后，得到由原始生理信号向微状态类别的映射方式；

18、基于原始生理信号向微状态类别的映射方式将较长的连续生理信号转变为微状态序列，提取微状态序列的特征。

19、根据本发明提供的一种基于穿戴式生理信号微状态的情感计算方法，将所述微状态序列特征输入至预设的情绪状态预测模型，通过所述情绪状态预测模型生成情感计算结果，具体包括：

20、微状态序列特征输入至预设的情绪状态预测模型；

21、所述情绪状态预测模型将微状态序列特征与情绪标签进行对应，输出情感计算结果；

22、其中，所述情感标签来自情绪诱发的素材标签、受试者的自我报告以及综合行为表现方式。

23、本发明还提供一种基于穿戴式生理信号微状态的情感计算系统，所述系统包括：

24、信号获取模块，用于通过穿戴式采集设备获取多通道的生理信号；

25、微状态划分模块，用于提取多通道人体生理信号的特征后进行降维，压缩特征维度，并对压缩维度后的特征进行聚类分析得到生理特征类别，进行生理信号的微状态划分；

26、序列特征提取模块，用于基于所述生理信号的微状态划分结果，进行原始生理信号与微状态类别的映射，将连续的生理信号转变为微状态序列，提取微状态序列特征；

27、情感计算模块，用于将所述微状态序列特征输入至预设的情绪状态预测模型，通过所述情绪状态预测模型生成情感计算结果。

28、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于穿戴式生理信号微状态的情感计算方法。

29、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于穿戴式生理信号微状态的情感计算方法。

30、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于穿戴式生理信号微状态的情感计算方法。

31、本发明提供的一种基于穿戴式生理信号微状态的情感计算方法及系统，通过依据情绪生理响应的时间动态特性，利用在脑电信号中已得到初步验证的微状态聚类分析方法，建立了自动化情绪状态预测模型。相比传统静态视角的穿戴式情感计算，本发明考虑了情绪响应的时间过程，有望为明确情绪特异的生理响应模式带来新的增量，进而提升情绪识别的准确率和有效性，并且基于穿戴式生理测量的方法具有较低的用户符合，有助于推广穿戴式情感计算技术的落地应用，为推动情感智能领域进步带来新的增长点。