数字信号处理-情感计算中的心电信号处理

文档正文


概要信息

本文档为 PDF 格式,共计 18 页,售价为 11.00 元(人民币),由本站用户 28879387 于 2019-04-07 日上传。


内容摘要

数字信号处理期末作业 情感识别中的心电信号处理 姓名: 年级: XXX XXX 学号: XXXXXXXXXXXXX 指导老师: XXX 作业类型: 小论文 2013 年 7 月 3 号 情感识别中的心电信号处理 摘要:情感识别是情感计算研究的重点,其识别的对象各种各样,包括面部表情,语音,姿 态和生理信号,在生理信号的识别中,心电信号是研究对象之一。本文主要研究了基于小波 (包)变换下的心电信号特征提取处理,其核心方法是对心电信号进行预处理,分析特征的变 化趋势,找出能体现情感状态变化的特征子集来更好的提高情感识别的质量和效率。 关键字:情感识别 心电信号 特征提取 小波(包)变换 ECG Signal Processing of Emotion Recognition Abstract : Emotion recognition is the focal point of affective computing research. Its main various recognition of objects include facial expression,voice,gestures and physiological signal, physiological signal recognition. The ECG signal is one of the research object to be as a important one. This paper mainly studied the ECG signal based on wavelet (packets) transform feature extraction processing. The core method is the ECG signal preprocessing , analysis the characteristics of the change trend, and find the feature subset that can reflect the emotional state changes to better improve the quality and efficiency of emotion recognition. Keywords: emotion recognition, electrocardiosignal (ECG), feature extraction, wavelet (packets) transform I 引言 1. 情感计算 计算机的飞速发展使人们对其工作质量和模式提出了更高的要求,为了使人与计算机能够 更好的交流,一个重要方面就是让计算机也具有人一样的情感,从而情感计算科学成为了新 一代的宠儿。情感计算的本质是对人的情感表达的生理学成分的测量与计算,以及对人的情 感表达模式的识别,它不是真正意义上的对于人的情感内部逻辑关系的计算,其主要目的在 于建立友好的、人性化的人机界面,帮助使用者获得高效而又亲切的感觉,并有效减轻使用 电脑的挫败感,构筑更贴近人们生活的智能空间或虚拟场景[1,8] 情感计算是一个高度综合的技术领域,其主要研究领域有[2]: (1) 情感机理的研究。情感机理研究的主要内容是情感状态的判定与生理和行为之间的关 系,其中涉及到心理学,生理学,认知学等是情感计算的理论基础 (2) 情感信号的采集。情感信号多种多样,包括语音、姿势、动作、文本以及生理信号。 这些信号的获取需要借助相关的传感器进行采集,由于外界环境因素和人的主观因素,使得 这些情感信号均不易正确获取。 (3) 情感信号的分析,建模和识别。获得了情感信号,下一步是对这些信号进行分析,使 情感信号与情感状态相关联。 (4) 情感理解。在对情感信号做出识别后,计算机判断用户的情感状态,并根据情感状态 做出必要的适宜的反应,这就要求计算机能够实时跟踪情感信号,而且建立的情感模型必须 实时调节。 (5) 情感表达前面 4 个方面是从生理或行为特征来识别情感状态,情感表达是其反过程给 定某一情感状态,研究其一种或多种生理或行为特征如何体现出来,使计算机具有情感。 情感识别,也就是情感信号的分析过程,是当前情感计算研究的关键问题。现有的情感识 别方式有语音识别,表情识别、姿势识别、动作识别、文本识别以及生理信号识别。语音, 表情、姿势、动作、文本描述是外在的表现,比较直观,研究起来比较方便,取得了一些不 错的成果。 2. 生理信号情感识别 实际中,由于人本身的自控能力,能有意识的控制自己的语音,表情和姿势,采集相关数 据就不能有效地表达实际情感状态。由于生理变化只受人的自主神经系统和内分泌系统支配, 不受人的主观控制,因而应用生理信号测量法,所得数据更客观。能够较准确的体现某个时 间段或者时间点的情感状态。在己经完成的生理信号的情感识别中,从特征提取,特征选择 到分类器的优化等多种方法得到了充分的应用,对情感状态的正确识别率也在不断提高。 在生理信号中心电信号作为最常见和最熟悉的一种信号被人们所研究,心电图(ECG)是心 脏有规律收缩和舒张过程中心肌细胞产生的动作电位综合而成,并由心电图仪记录的心脏周 期波形图,反映了人体心脏随时间的变化状况。一个标准的周期图如图一所示[3-4]: 图 1. 一个标准 ECG 周期波形图 心电信号作为医学分析的主要对象,最早的心电信号分析完全由医生通过电子放大器, 示波器和热笔记录仪来记录显示。人工方法记录的心电信号可靠性较低。年代末,出现了计 算机辅助的心电分析与诊断系统,使心电分析技术得到快速发展,对心电的各波形幅度, 波 形间隔的研究越来越精确,大大提高了在医学上的应用效果。心电信号不仅作为判断心脏健 康状态的一个重要参照,还是近期发展起来的基于生理信号的自动情感识别的重要研究对象 之一。 选择心电信号作为情感识别的研究对象,主要原因有二一是当人的情感状态发生变化时, 心电信号有不同程度的变化二是心有的心电信号研究技术比较成熟。所以在己有的技术基础 上研究心电信号,就更容易发现不同情感状态下,心电信号的变化趋势。 虽然心电信号情感识别是人们长期研究的重要对象,但其仍然存在着还没能解决的问题: 用于情感识别的心电信号集却很少,急需采集不同情感状态下的心电信号,建立心电信号数 据库,为后续基于心电信号的情感识别研究提供数据依据。由于情感状态受主观影响很大, 具有混合性,复杂性,不确定性,导致产生的心电信号特征也具有混合性,复杂性,不确定 性。虽然能从心电信号中提取出了较多的特征,但是特征在情感状态间的具体变化趋势却未 知的,那么提取出有效的心电信号特征用于情感分类对基于心电的情感识别的发展至关重要, 同样,一套能提取出体现情感状态变化趋势的特征的特征提取方法对情感识别中识别率的提 高也至关重要。 本文主要分为五个部分,在剩下的第二部分,我们将展开讨论小波(包)变换理论及其分 类方法,第三部分给出了基于小波(包)变换下的心电信号特征提取,第四部分介绍了心电信 号在情感识别中的应用,最后,在第五部分对整个文章及今后的工作进行了总结与展望。 II 小波(包)变换理论及其分类算法 小波包变换在实际工程应用中己经得到越来越高的重视,它己经广泛的应用到信号处理、 图像处理、量子理论、地震勘测、语音识别与合成、音乐、雷达等多个领域,其理论日趋成 熟。小波包变换则是一种时间-尺度分析法,尺度与频率相对应,是一种时频分析方法,在 低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和 较低的频率分辨率,适用于瞬时信号的分析。 1. 小波变换 小波变换(wavelet transform)按照时间变量的取值形式不同分为连续小波变换和离散小波 变换两种,一般实际的应用中采用离散小波变换。 离散小波变换[5]是指对尺度 a 和 b 进行离散化,并非通常意义上的时间离散化,当 a b   离散小波函数为: j a 0 ka b k Z j 0 0   j k ,   t   j   a t 0  kb 0  1 j a 0 那么,信号   f t 的离散小波变换为:  W f   j k ,   f ,  j k ,     f   t  j k ,   t dt  a 0 j  2    (1) (2)   t   f j  a t 0   kb dt 0 (3) 对经过小波分解后信号需要逆分解,即小波重构,如图 2,给出了小波分解及重构的原理框 图 图 2. 小波分解原理 图 3. 小波重构原理图 2. 小波包的基本原理 实际信号中高频部分频带宽,低频部分频带窄的特性,而正交小波变换的小尺度大频窗, 大尺度小频窗的时频分布规律正符合实际信号的特征,有利于提取出有用特征。现实情况下, 某些信号在高频部分存在奇异现象或者突发现象,且时间极为短暂,小波变换则不易发现这 种情况或者当我们对某个特定的时间段或频率段的信号感兴趣,只要提取这些特定时间及频 率点上的信息而已。小波包变换[6]就是在小波变换的基础上,对高频信息也进行逐级分解, 有效的弥补了小波变换的缺陷,得到了信号不同频段更为丰富的信息,有更广泛的应用价值。 图 3 和图 4 给出了不同尺度下小波包分解的简单图例。 图 4. 固定尺度小波包基分解空间图 图 5. 混合尺度小波包基分解空间图 3. 分类算法 本文情感心电信号有两种数据源,德国 Augsburg 大学的心电信号有四种情感状态,但主 要是用于和本文自采心电信号的实验结果作比较,所以采用了验证特征对单一情感状态和所 有情感状态是否有敏感性的适合分多类的 kNN (k 近邻算法);实验室自采数据只有两种情感 状态,只能通过分类判断特征在这两种情感状态的差异,所有分类器都可以,本文选择了最 简单的 Fisher 线性判别函数作为此类数据的分类器。 a. kNN 作为一种非参数的分类算法,k-近邻算法[7] 是非常有效和容易实现的。它已经广泛应用 于分类、回归和模式识别等。 k-近邻(k-Nearest Neighbor)分类算法,是一个理论上比较成熟,而且最简单的机器学习算 法之一。其思路是如果一个样本在特征空间中,其个最近特征空间中的样本,若大多数属于 某一个类别,则该样本也属于这个类别。kNN 算法中,所选择的邻居都是己经正确分类的 对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的 类别。kNN 方法虽然从原理上也依赖于极限定理,但在类别决策时,只与极少量的相邻样 本有关。由于 kNN 方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所 属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,方法较其他方法更为适合。 kNN 算法的实现非常简单。对于给定的待分类的样本,在训练数据集中找出 k 个最近的 样本,并且把测试样本点的类别归为这个最近的 k 个训练样本点中的出现频率最大的类别。 b. Fisher Fisher 线性判断分析[38]是把 d 维空间中的数据投影到一条直线上去,当然, 即使不同类的样本点在 D 维空间中能够形成互相分离的各自内部紧凑的集合向任意的直线 做投影也可能把这些不同类的数据点混在一起,反而降低了分类的效果,然而,通过适当的 选择投影直线,就有可能找到能够最大限度的区分各类数据点的投影方向。通过理推到和分 析,可以得到总则函数最大化的W : = WW S m m 2 -1  1  (4) 其中, WS 称为类内散布矩阵,它与全部样本的样本协方差矩阵成正比,并且是对称和半正 定的, -1 WS 是其矩阵的逆。 im 是 d 维样本的均值。 得到 Fisher 可分性判据下的W ,这个W 可以使得类间散布和类内散布的比值达到最大的 线性函数。 这样,分类问题就从一个 d 维问题转化为一个更容易分析和处理的一维问题。 为了实现聚类的分开,在的投影上,必须设置一个阈值,这个闽值能够很好的分开两类。阈 值的设定,一般方法是对投影后的数据进行平滑,或使用一维高斯函数进行拟合,闺值就可 以选择为使两个类的后验概率相同的那个位置。 III 基于小波(包)变换的心电信号特征提取 由于心电信号在单个心电周期上是瞬变的、非平稳的而且存在多种干扰因素,如肌电干扰、 噪声干扰、基线漂移等,那么提取有效特征的前提是去除信号中的噪声影响和正确检测 P-QRS-T 波。小波在时域上集中能量,是分析瞬变的、非平稳的或时变现象的一个有用工具, 在信号分析、去噪、压缩方面得到广泛的应用,那么小波也是分析心电信号的一个有用工具。 1. 基于小波变换的心电信号去噪 心电信号在采集的时候受到多方面的干扰,主要噪声包括以下三种: (1) 基线漂移。一般由人体呼吸和电极移动所引起,其频率低于 (2) 肌电干扰。它是由人体肌肉颤动所致,其频率范围广,一般在一妞之间 (3) 工频干扰。其频率固定为。 通常情况下,去噪的目的就是抑制信号 S 中的噪声部分,再现信号 f 。小波或小波包去噪 的三个基本步骤如下: (1) 小波或小波包分解。选择小波或小波包分解的最高层次 N ,计算信号 S 在第 N 层的 小波系数或小波包系数。 (2) 设定各层细节的闽值。对第 1 层到第 N 层的各层,选择闽值,对各层细节的小波系 数或小波包系数用阐值进行处理。 (3) 重构信号。对于小波,利用第 N 层的逼近部分小波系数和从 1 第层到第 N 层的经过 处理的各细节小波系数重构信号,对于小波包,利用 N 层各层节点的小波 包系数重构信号。 小波包去噪通常采用硬阈值来处理小波包系数,即将小波包系数的绝对值与阈值进行比 较,小于或等于闽值的小波包系数置零。这种去噪方法是通过去除小波包系数体现噪声的较 小值系数,适用于去除白噪声,去除有色噪声时,则有可能把初始信号的部分信息去掉,需 要根据实际情况使用不同的去除策略。 注意:不同的小波,具有不同的自身特征,适合分析不同特征的信号。不同情况下的心电 信号具有一定的差异,那么就不能使用同一种的小波函数来分析心电信号,应根据心电信号 特性选择最佳的去噪函数。 2. 小波变换检测心电信号波形 从另一方面看,小波变换在心电信号的特征提取方面具有较广泛的应用,并且取得了不错 的成绩。现有研究的心电信号特征包括从这些特征可以看出心电信号的特征提取主要从心电 波形检测入手,在波形正确检测的基础上,提取出与波形相关的特征。从心电图我们可以看 出,心电波形主要包括 P 波,QRS 复波和 T 波,其中 R 波最高,是其他波形检测的参考点, 所以 R 波的正确检测,对其他波的正确检测尤为重要。心电 P-QRS-T 波如图 6 所示。 图 6. 心电 P-QRS-T 波 小波包变换用于心电信号的去噪,波形检测,其最终目的都是为了心电信号的特征提取。 在波形检测正确的基础上可以提取的特征多种多样,其中最常见心电特征有波间间隔,波段 幅度,波长等。 由于心电信号的变化主要体现在 P-QRS-T 波的变化上,当情感状态变化时,若心电信号 发生变化,则会通过 P-QRS-T 波的变化体现出来,而且文[3]中还证明了心电信号 HR、HRV、 R 波、T 波对情绪较敏感,所以本文以心电信号各个波段的能量为特征提取目标,从 P 波, 波群,QRS 波入手,首先计算各波段能量,然后根据心电信号来源,分析其能量在不同情 感状态下的变化趋势。具体步骤如下: (1) 确定参数 minV (一个为保留原信号特征信息而根据实际情况确定的常)和 b (2) 输入心电信号 i ,输出去噪后的心电信号 i 和对应的最优小波函数; (3) 输入去噪后的心电信号 i ,输出信号的 P-QRS-T 波标记; (4) 根据 P-QRS-T 波标记,计算心电信号 i 的 P-QRS-T 能量: P E E E、 、 ; QRS T 假设样本信号 i 有 K 个 P-QRS-T 波,则有: 1    EP E E , P i   EQRS E     E E ET ,   T i T 1 j K ......1   (5) 从每个样本的 EP EQRS ET i 、 、 提取统计特征。 P 2 QRS Pj E ,... E , QRS 1 E ,... Tj E ,..., PK E ,... 2 E ,..., TK  ; ,..., QRSj  ; E QRSK  ; (5) 2 3. 特征提取及分析 a. 自采心电信号及其去噪 为了研究情感状态与心电信号特征的对应关系,本实验室以情绪诱发为基础,采集高兴和 悲伤状态下的心电数据。 采集仪器:美国 Biopac 公司多导生理记录仪 MP150,ECG100C。 被试组成:西南大学在校学生,年龄在 20-24 岁之间。 诱发材料选择情绪诱发视频片段被试观看视频的同时采集生理信号,并在观看完后填写调 查表,根据调查表反馈结果,验证视频片段的有效性,然后选择有效视频片段。 具体采集过程如下: 步骤 1:实验前,被试填写实验自愿书 步骤 2:被试填写情绪问卷和情绪调节问卷,主试了解被试的人格背景 步骤 3:主试讲解实验过程 步骤 4:观看实验材料前,被试填写一份当时的情绪体验报告表 步骤 5:被试观看实验材料 步骤 6:被试填写一份情绪报告表,报告他们在观看录像时的主观感受 步骤 7:确定视频片段有效性 步骤 8:被试观看视频,主试采集心电信号并保存。 最终从采集到的样本中选:60 个高兴样本,60 个悲伤样本作为本文试验样本。根据 3.2 节介绍的最优小波去噪方法对自采心电信号进行去噪,当 minV 取不同值时,信号去噪效果也 有差异,当 min V  0.995 时,信号去噪对比如图 7 所示 图 7. 自采心电信号去噪前后的对比图 从图中可以看出,与初始信号比,去噪后的信号毛刺减少,平滑许多,并且各个波更加 明显,更有利于心电各个波形的检测,而对于频段集中的有色噪声,基线漂移则效果不明显。 由于前文介绍的去噪三步骤对一般的白色噪声适用,对有色噪声则效果不明显。自采心电信 号小波分解后,高频部分是否存在有色噪声没有得到有效分析。针对自采信号的特点,设计 了以下方法去除此类噪声 步骤 1:三层小波包分解心电信号; 步骤 2:提取出  2,0U ,频带为 50~62.5Hz 及  U 2,2 ,频带为 75~87.5 两子频带信号, 并删除;( 2,0U  ,  U 2,2 分别为小波包分解的第二层低频第一部分和高频第二层第一份) 步骤 3:重构其他子频带信号,并求和 步骤 4:选择最优小波,按照去噪三步骤去除白噪声。 b. 小波辅助波形检测 信号去噪是特征提取的第一步,第二步是信号波形检测。由于自采信号在具有较大的干扰, 对波形检测产生很大的影响。为了减轻干扰信号对波形的检测的影响,本文采用小波变换辅 助波形检测,如图 8 所示: 图 8. 小波 4 层分解心电信号,细节与逼近图 经分析可知,d1 为高频段信号,幅值较小,对波形检测影响不大;d2 很少的波形信息, 不易与噪声区分,d3 的每个周期,均有一个稳定的最高波峰与 R 波对应,而且与平缓区有 较大幅度的差异,更容易检测出波峰,有利于 R 波的检测;d4 波虽然也会出现最高波峰与 R 波对应,但是此波峰不具稳定性,并非每个周期都出现,用于波形检测不能提高波形的正 确检测率,a4 部分 T 波很明显,可以作为检测 T 波的参考。 心电图本身的特征决定了心电的波形检钡率的提高,主要依靠波的正确检测率的提高。波 作为波形检测的基础,影响着其他波形的检测在检测到波的基础上,向左检测波,向右检测 波。综上所述,采用细节部分进行波的检测最为合适。 以 d3 细节部分为参考的 R 波波形检测步骤如下: (1) 输入心电信号 Signal; (2) 对心电信号进行 4 层小波分解,提取 d3 层子频带信号; (3) 取每个心电周期内的最大值点,标记为 Rd(i),i 为心电周期个数 (4) 取信号(Signal (Rdi)-10),Signal (Rd(i)+10) 范围内的最大值点为 R 波顶点 R(i); (5) 对每个心电信号样本进行如上 4 步操作,检测 R 波。R 波确定之后,进行其他波形的 检测:R(i)右侧非递减处为 S(i),R(i-1)左侧非递减处为 Q(i); (6) 以 S(i)为参考,取 Signal(S(i),(R(i)+R(i+1))/2)之间的最大值对应点为 T(i),Signal(T(i), (R(i-1)+R(i))/2) 间的转角处为 Te(i),Signal(S(i),T(i))的转角处为 Ts(i); (7) 以 Q(i) 为 参 考 , Signal((R(i-1)+R(i))/2 , Q(i)) 之 间 的 最 大 值 对 应 点 为 P(i) , Singal((R(i-1)+R(i))/2,P(i))间的转角处为 Ps(i),Signal(P(i),Q(i))的转角处为 Pe(i); 至此完成波形的检测,波形检测的步骤描述是一种理想情况,即每个 R 波都能正确检测。 表 1 给出了小波变换辅助 R 波检测误检个数对比表 表 1. 小波变换辅助 R 波检测误检个数对比表 c. 波段能量提取及分析 图 9 展示了 P 波能量变化趋势,从图中可以看出,相同时间长度下,悲伤状态下的心电周 期更少,也就是悲伤情感状态下,心率更低,同时 P 波能够能量分布较散,虽然高兴状态 下,P 波能量值大部分大于悲伤状态下的波能量值,但是两者不易区分开。图 10,图 11 给 出了 QRS 复波能量值图和 T 波能量的变化趋势图。 图 9. P 波能量值变化图 图 10. QRS 复波能量值变化图 图 11. T 波能量值变化图 从以上三个图中,我们可以看出,高兴和悲伤两种情感状态下,P 波能量值交错比较多, 不能很好的体现出情感状态的差异,而波和波能的能量值的变化可以很好的体现出高兴状态 和悲伤状态下的心电波形的差异。因此 QRS 波,T 波的统计特征及其他特征可以作为情感 识别中分类器的输入特征。 IV 心电信号在情感识别中的应用 第三章具体介绍了特征提取的过程,并分析了一一波能量的变化趋势,从变化趋势可以看 出,不同情感状态间,能量有较明显的差异。那么本章根据己经计算的能量特征参数,从中 提取统计特征进行分类,判断特征对情感状态的敏感性。 1. 分类器的设计:kNN ,Fisher 线性判别 德国 Augsburg 大学心电信号数据有 4 种情感状态:高兴、愤怒、悲伤及偷悦。情感状态 较多,每种情感状态各有个样本,不但从四种情感状态中识别一种情感状态,还需要同时进 行四种情感状态的识别,所以本文选用扣陌分类器。 单一情感识别 kNN 分类算法步骤: (1) 设置 k 值 (2) 从某一中情感样本、其他三种情感样本集合中分别选取 n(n>k/2)个参照样本; (3) 计算与第 k+1 个样本最近的个样本; (4) 把第 k+1 个样本归于 k 个样本中占多数的类; (5) k=k+1,重复第(3)步,直到所有样本进行完。 Fisher 算法步骤: (1) 高兴和悲伤各取 n 个样本作为训练样本; (2) 分别计算训练样本均值 m1,m2; (3) 分别计算两种情感状态的类内离散度,类间离散度; (4) 计算判别向量 W; (5) 分别计算 60-n 个样本在上的投影; (6) 取阈值,对高兴和悲伤进行分类。 2. 分类结果 自采 ECG 信号:情感识别效果分析经过第三章的 R 波检测分析,‘dmey’函数去噪后, R 波错误检测个数最少,即 R 波检测正确率最高,所以取‘dmey’小波函数作为分界函数, 辅助波形检测,波段能量计算。 在分类过程中,两类数据源存在如下差异: 1. 分类器选择不同。这两类数据源的情感状态不一致引起的。 2. 输入特征个数不同。前者个特征,后者个,特征个数固定,无特征选择过程。 3. 分析侧重点不同。由于两类数据源具有的情感状态不同,前者有四种情感状态,能够 从单一情感识别率和总识别率分析输入特征对情感状态的敏感性,而后者只有两种情 感状态,特征识别率反应的是输入特征对高兴、悲伤情感状态具有一定的可分性,能 够体现这两种情感状态的差异,而不能分析特征输入对情感状态的敏感性。 分类器不一样,分析侧重点不一样,使得情感识别率不能根据分类器和侧重点进行纵向比 较,但可以按照数据源进行比较,即同一数据源,按照不同特征提取方法的识别结果进行对 比。表 2 和表 3 分别给出了本文特征提取方法从自采心电信号中提取特征并分类的识别率。 表 2 V min  0.995 与基于 BPSO 及 FPS 的识别率比较(%) 表 3. V min  0.999 时识别率比较(%) 从表 2 和表 3 可以看出,自采心电信号的识别率明显高于 Augsburg 大学的识别率,其可 能原因是情感种类引起的,前者两种情感状态,后者四种,通常情况下,两类更容易区分。 总的来说,从情感识别率可以看出,不论是四种情感,还是两种情感,其波段能量的变 换都能一定程度的反应情感状态的变化,引入小波包去噪和辅助波形检测,与前期工作对比, 不但输入特征个数少,而且情感识别率也得到不同程度的提高,这证明了本文的特征提取方 法是有效的。 V 总结 情感识别作为现阶段情感计算研究的重点,其前提条件是获取正确的情感信号,即在某一 情感状态下采集到对应的情感信号,和提取到能体现情感状态变化的特征,并建立情感识别 模型。本文采集的情感心电信号,通过选取波段能量作为特征目标,引入小波变换对其进行 去噪及波形检测和小波包辅助去噪,然后在经过处理后的心电信号中提取波段能量,分析每 种情感状态下,单个样本中能量特征参数的变化趋势。该方法在一定程度上能提高特征提取 在情感识别中的有效性,但正确情感心电信号的获取及其波形的检测在文中所有的方法并不 完美,有待解决。情感识别中生理信号(心电信号)的处理具有很大的应用价值,后续的工将 会继续展开对心电信号特征提取及特征分析,从而改进现有方法的不足。 参考文献 [1] 皮卡德. 情感计算[M]. 北京理工大学出版社, 2005. [2] 罗森林, 潘丽敏. 情感计算理论与技术[J]. 系统工程与电子技术, 2003, 25(7): 905-909. 14[3] 黄敏, 杨瑰玉, 赵智贤. 临床心电图全解病例分析与学习精要科学出版社, 2004 15[4] 田媛. 现代心电图诊断技术与心电图图谱分析实用手册当代中国音像出版社, 2004 32[5] C.Sidney Burrus [美]. 小波与小波变换导论[M]. 机械工业出版社, 2008. 36[6] 杨福生. 小波变换的工程分析与应用[M]. 科学出版社, 1999. 38[7] (美) Richard O, Duda, Peter E, Hart, David G. Stork 著. 模式分类(原书第 2 版) [M]. 李宏 东, 姚天翔等译. 北京: 机械工业出版社, 2003.9. [8] 蒋德育. 基于小波(包)变换的心电信号特征提取方法研究[D]. 西南大学, 2009. [9] Li L, Chen J H. Emotion Recognition Using Physiological Signals [M]// Advances in Artificial Reality and Tele-Existence. 2006: 437-446. [10] Park B J, Jang E H, Kim S H, et al. Emotion induction and emotion recognition using their physiological signals[C]// International Conference on Computing and Convergence Technology. 2012: 1252-1255. [11] Castells F, Laguna P, Sörnmo L, et al. Principal Component Analysis in ECG Signal Processing[J]. Eurasip Journal on Advances in Signal Processing, 2007, 2007(1): 1-21.

数字信号处理-情感计算中的心电信号处理 第1页 第1页 / 共18页


数字信号处理-情感计算中的心电信号处理 第2页 第2页 / 共18页


数字信号处理-情感计算中的心电信号处理 第3页 第3页 / 共18页


数字信号处理-情感计算中的心电信号处理 第4页 第4页 / 共18页


数字信号处理-情感计算中的心电信号处理 第5页 第5页 / 共18页


数字信号处理-情感计算中的心电信号处理 第6页 第6页 / 共18页


数字信号处理-情感计算中的心电信号处理 第7页 第7页 / 共18页


数字信号处理-情感计算中的心电信号处理 第8页 第8页 / 共18页


数字信号处理-情感计算中的心电信号处理 第9页 第9页 / 共18页


数字信号处理-情感计算中的心电信号处理 第10页 第10页 / 共18页


数字信号处理-情感计算中的心电信号处理 第11页 第11页 / 共18页


数字信号处理-情感计算中的心电信号处理 第12页 第12页 / 共18页


数字信号处理-情感计算中的心电信号处理 第13页 第13页 / 共18页


数字信号处理-情感计算中的心电信号处理 第14页 第14页 / 共18页


数字信号处理-情感计算中的心电信号处理 第15页 第15页 / 共18页


数字信号处理-情感计算中的心电信号处理 第16页 第16页 / 共18页


数字信号处理-情感计算中的心电信号处理 第17页 第17页 / 共18页


数字信号处理-情感计算中的心电信号处理 第18页 第18页 / 共18页


说明:e文库 网站作为信息服务提供商,积极倡导原创、高质量的文档分享及各方权益的保护。本站只允许浏览文档前18页的内容,下载后的文档将可以浏览全部内容并且会比当前页面所见更加清晰,请放心下载!
下载此文档