發(fā)布時間：2018-04-14 23:00

  本文選題：情緒 + 生理特征��； 參考：《山東大學》2017年碩士論文

【摘要】：心理疾病發(fā)病率逐年升高,臨床上心理疾病的預防與診斷主要根據(jù)心理醫(yī)生的經(jīng)驗判斷,缺乏更加科學客觀的評估依據(jù)。情緒識別能夠科學、客觀地診斷與預防心理疾病,為后期的疾病治療提供可靠依據(jù)�；谏硇盘柨茖W客觀地評估每個個體的情緒狀態(tài),對心理疾病的預防和診斷具有重要的社會意義和臨床價值。但現(xiàn)有的情緒識別研究更多地關注分類率的提高,通過使用不同的機器學習算法進行特征選擇和情緒分類以提高分類正確率,缺乏生理信號的固有特性和情緒狀態(tài)之間的特異性研究。針對目前生理特征與情緒狀態(tài)的特異性關系尚不明確的問題,本文研究了不同情緒狀態(tài)的生理特征及特征變異性。論文以心率變異性和脈搏傳播時間序列變異性為研究對象,通過提取RR間期和脈搏傳播時間序列的時域、頻域和非線性特征,探討分析不同情緒狀態(tài)下生理信號變異性特征的差異性,最后構(gòu)造基于生理信號變異性特征、網(wǎng)格搜索參數(shù)尋優(yōu)的支持向量機分類器進行情緒分類。本文的主要研究工作如下:(1)計算心率變異性和脈搏傳播時間序列變異性特征。使用symlet8小波閾值去噪的方法對心電、脈搏信號進行去噪,采用自適應差分閾值法檢測心電信號的R波,并使用Wapb方法檢測脈搏波的起始點,進而構(gòu)造RR間期和PTT時間序列,并計算了心率變異性的9個特征:rrMEAN、rrSDNN、rrRMSSD、rrPNN50、rrLFn、rrHFn、rrLF/HF、rrSampEn 和 rrFuzzyMEn,以及脈搏傳播時間序列變異性的 8 個特征:pttMEAN、pttSDNN、pttRMSSD、pttLFn、pttHFn、pttLF/HF、pttSampEn 和 pttFuzzyMEn。(2)對比研究兩種截然相反情緒狀態(tài)下的心率變異性指標和脈搏傳播時間序列變異性指標。設計嚴謹?shù)那榫w生理信號采集實驗,同步采集高興和悲傷情緒的心電、脈搏信號;計算兩種情緒下的HRV、PTTV指標,并對得到的17個變異性指標進行差異性和相關性分析。研究結(jié)果表明,6個HRV指標rrMEAN、rrSDNN、rrLFn、rrHFn、rrLF/HF、rrFuzzyMEn,以及 5 個 PPTV 指標 pttRMSSD、pttLFn、pttHFn、pttLF/HF、pttFuzzyMEn在高興悲傷兩種相對情緒之間具有顯著性差異,且兩種情緒下的HRV、PTTV的頻域、非線性指標具有一致的變化趨勢。(3)探究多種情緒對生理信號變異性指標的影響。設計更為完備的中性、高興、悲傷、恐懼、憤怒和厭惡六種情緒下信號采集實驗;然后計算六種情緒狀態(tài)下的HRV、PTTV指標,以中性情緒為基準,比較多種情緒與中性情緒下序列變異性指標的統(tǒng)計差異性。結(jié)果發(fā)現(xiàn),HRV、PTTV的時域指標在某些情緒之間具有顯著性差異,但不存在某一種時域指標在所有情緒之間均有顯著性差異;HRV、PTTV的頻域指標具有顯著性差異的是高興與中性情緒,而中性與負性情緒之間沒有明顯差異;對于非線性分析,HRV指標中除了中性與高興情緒、中性與恐懼情緒之間的rrFuzzyMEn沒有顯著性差異外,其他均有顯著性差異,PTTV非線性指標中僅有高興情緒的pttFuzzyMEn指標與中性情緒具有顯著性差異,而負性情緒與中性情緒之間沒有明顯差異。(4)基于生理信號變異性特征、網(wǎng)格搜索算法和SVM構(gòu)建了情緒識別模型。本文分別以提取的所有變異性特征和具有顯著性差異的變異性特征作為特征向量,通過GSA-SVM訓練并建立了不同情緒狀態(tài)的識別決策器,對比兩組特征作為輸入特征向量的識別效果。結(jié)果表明,單純使用所有特征,和單純使用有統(tǒng)計差異的特征,兩種方式的識別效果差別不大,使用生理信號變異性特征進行情緒識別是行之有效的。
[Abstract]:Mental disease incidence increased year by year, the clinical prevention and diagnosis of mental illness according to the doctor's psychological experience, the lack of assessment more scientific and objective basis. Emotion recognition can be scientific, objective diagnosis and prevention of mental illness, and provide a reliable basis for the treatment of late stage disease. Physiological signal scientific and objective assessment of each individual's emotion. Based on the social significance and important clinical value in prevention and diagnosis of mental illness. But the study of emotion recognition of existing pay more attention to improve the classification rate, by using different machine learning algorithms for feature selection and classification of emotions in order to improve the classification accuracy, the lack of specific physiological signal characteristic and emotion state. Aiming at the specific characteristics and the relationship between the physiological and emotional state is not clear the problem, this paper studies the different emotional state The physiological characteristics and variability characteristics. Based on the heart rate variability and pulse propagation time sequence variability as the research object, through the time domain RR interval and pulse propagation time sequence, frequency domain and nonlinear characteristics, analysis of differences in physiological signal variability characteristics in different emotional states, the final structure of physiological variability based on the grid search support vector machine classifier parameter optimization for sentiment classification. The main contents are as follows: (1) the calculation of heart rate variability and pulse propagation time sequence variability. Methods using symlet8 wavelet threshold denoising of ECG, pulse signal denoising, R wave using adaptive differential detection of ECG signal sub threshold method, and use the Wapb method to detect the starting point of the pulse wave, and then construct the RR interval and PTT time series, the 9 characteristics of heart rate variability and calculation: rrMEAN, RR SDNN, rrRMSSD, rrPNN50, rrLFn, rrHFn, rrLF/HF, rrSampEn and rrFuzzyMEn, as well as 8 variability of pulse propagation time sequence: pttMEAN, pttSDNN, pttRMSSD, pttLFn, pttHFn, pttLF/HF, pttSampEn and pttFuzzyMEn. (2) of the two opposite emotion condition index of heart rate variability and pulse propagation time sequence the variability of the index contrast. Emotional physiological signal acquisition and rigorous experimental design, synchronous acquisition of grief and joy, ECG, pulse signal; calculating the two emotions under the HRV, PTTV index, and analyzed the difference and correlation between the 17 variability index. The results showed that 6 HRV rrMEAN index, rrSDNN rrLFn, rrHFn, rrLF/HF, rrFuzzyMEn, and PPTV, 5 pttLFn, pttHFn, pttRMSSD, pttLF/HF, pttFuzzyMEn in two kinds of emotions between relatively happy sadness has significant differences, and two emotions under HRV PTTV, the frequency domain, the nonlinear index had the same trend. (3) to explore the impact of emotion on various physiological signal variability. The design is more complete neutral, happy, sad, fear, anger and disgust six emotion signal acquisition experiment; and then calculate the six emotional state of the HRV, PTTV index and to the neutral emotion as the benchmark, statistical differences of emotion and neutral emotion sequence variability index of comparison. The results showed that HRV, the time domain indexes of PTTV have significant differences in some mood, but there is no one time domain index showed significant differences in all emotions between HRV, the frequency domain index PTTV; the significant difference was happy and neutral emotion, and there is no significant difference between the neutral and negative emotions; for the nonlinear analysis, the HRV index in addition to neutral and happy mood, between neutral and emotional rrFuzzyMEn fear No significant differences, other significant differences, PTTV nonlinear index only happy mood pttFuzzyMEn index had significant differences with neutral emotion, and there is no significant difference between negative emotion and neutral emotion. (4) physiological variability based on grid search algorithm and SVM model. This paper constructs emotion recognition to extract all variability and significant differences in the variability as the feature vector by the GSA-SVM training and established the recognition decision maker different emotional state, characteristics between the two groups as input vectors of the recognition results. The results show that the simple use of all the features, characteristics and use simple statistical differences. Little difference between two kinds of recognition results, using physiological variability of emotion recognition is effective.

【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R33;B842.6

【相似文獻】

相關期刊論文 前10條

1 崔文生,吳效明,朱斌,王曉航;通用生理信號實時檢測與顯示模型[J];暨南大學學報(自然科學與醫(yī)學版);2000年01期

2 楊小冬;何愛軍;周勇;寧新寶;;復雜生理信號的多重分形質(zhì)量指數(shù)譜分析[J];科學通報;2010年19期

3 秦廷武，王齊琳;8098單片機生理信號實時記錄系統(tǒng)[J];生物醫(yī)學工程學雜志;1996年01期

4 陳亞光,陳心浩,楊仲樂;動態(tài)多道生理信號的實時無線數(shù)字傳輸[J];中南民族學院學報(自然科學版);1996年04期

5 王姝;;淺談實驗動物生理信號的采集與處理[J];中國科技信息;2014年09期

6 沈衛(wèi)星;姜正林;;大鼠大腦皮層和脊髓電生理信號的記錄[J];南通大學學報(醫(yī)學版);2006年06期

7 黃宇星,程敬之;多功能B型超聲診斷儀上四路生理信號監(jiān)視裝置[J];聲學技術(shù);1993年03期

8 陳焯明，陳更生，，楊懷，鄭永駒;DSS－1電生理信號采集、處理系統(tǒng)的設計[J];華南師范大學學報(自然科學版);1995年01期

9 小忻;;吃飯?zhí)鞎兣謫?[J];小學科技;2013年12期

10 ;[J];;年期

相關會議論文 前3條

1 李偉博;吳效明;;基于EZ-USB FX2的生理信號采集接口技術(shù)[A];中國儀器儀表學會醫(yī)療儀器分會2010兩岸四地生物醫(yī)學工程學術(shù)年會論文集[C];2010年

2 李國麗;史利杰;胡存剛;張萍;詹月紅;;基于LabVIEW的生理信號處理研究[A];計算機技術(shù)與應用進展——全國第17屆計算機科學與技術(shù)應用（CACIS）學術(shù)會議論文集（下冊）[C];2006年

3 平安;王志良;;基于生理信號的人機情感交互系統(tǒng)應用研究綜述[A];2009中國控制與決策會議論文集（3）[C];2009年

相關重要報紙文章 前1條

1 記者 王怡;我研制出人造仿生電子皮膚[N];科技日報;2014年

相關博士學位論文 前6條

1 曾彭;生理信號的多尺度復雜性研究[D];南京大學;2015年

2 程靜;基本情感生理信號的非線性特征提取研究[D];西南大學;2015年

3 溫萬惠;基于生理信號的情感識別方法研究[D];西南大學;2010年

4 黃丹飛;基于生理信號關聯(lián)分析的可組合多通道監(jiān)護系統(tǒng)的研究[D];長春理工大學;2011年

5 王嬈芬;過程控制操作員生理信號分析及功能狀態(tài)建模[D];華東理工大學;2012年

6 楊照芳;心跳間期和皮膚電信號中的情感響應模式研究[D];西南大學;2015年

相關碩士學位論文 前10條

1 王翔;防化兵實訓中生理信號動態(tài)監(jiān)測[D];江蘇大學;2015年

2 何成;基于多生理信號的情緒識別方法研究[D];浙江大學;2016年

3 吳灶全;基于統(tǒng)一平臺的系列多參數(shù)生理信號監(jiān)測儀的硬件開發(fā)[D];浙江大學;2016年

4 宋宇坤;基于Zigbee技術(shù)的生理信號監(jiān)測系統(tǒng)的設計[D];河南理工大學;2014年

5 李秀翔;人體通信在多節(jié)點生理信號采集傳輸系統(tǒng)中的應用研究[D];福州大學;2014年

6 蔣方;基于生理信號的感官刺激對疲勞影響的試驗研究[D];河南理工大學;2016年

7 石紅玉;情緒的生理特征及特征變異性研究[D];山東大學;2017年

8 劉月華;典型生理信號綜合測量及情緒識別研究[D];上海交通大學;2011年

9 孫圣;織物化多生理信號檢測裝置的設計[D];電子科技大學;2013年

10 侯永捷;面向壓力評估的多生理信號采集和分析系統(tǒng)設計[D];燕山大學;2013年

本文編號：1751383