基于心电信号和光电容积脉搏波的面孔吸引力识别方法技术

本发明专利技术提供一种基于心电信号和光电容积脉搏波的面孔吸引力识别方法，具体步骤为：采集若干被试者观看每张人像照片所产生面孔吸引力等级，以及心电信号和光电容积脉搏波；将采集信号进行去噪处理、分段处理，分别提取分段信号的时域、频域以及非线性特征，分别构建特征数据集；剔除特征数据集中的异常数据，得到特征数据集F

【技术实现步骤摘要】
基于心电信号和光电容积脉搏波的面孔吸引力识别方法
本专利技术涉及一种面孔吸引力识别方法，特别是一种基于心电信号和光电容积脉搏波的面孔吸引力识别方法。
技术介绍
面孔吸引力是一种由人物面孔诱发他人所产生的正性情绪，且该情绪能够促使他人萌生接近该面孔的想法。面孔吸引力也是一种非常显著的社交信号，它影响了人们的交友、就业，甚至可能在浪漫吸引力的过程中扮演重要的角色。在社交场合中，面孔吸引力能被人们快速的感知，进而对注意、知觉和决策等认知过程产生影响，所以研究识别面孔吸引力具有重要的社会意义。目前关于面孔吸引力的研究大多停留在寻找诱发面孔吸引力的原因以及探索面孔吸引力的脑机制方面，缺乏对产生面孔吸引力情绪状态时生理信号变化上的研究。生理信号传达了人体自主反映，其变化能更加真实、准确地反应人们的情感状况。随着可穿戴设备的发展，利用便携的可穿戴的生物传感器搜集心电信号和光电容积脉搏波信号的变化情况获知人们的情感状态，知道双方对自身有多大的吸引力可能会有利于人际关系的发展，也可能有益于建立未来的情感之路。
技术实现思路
本专利技术的目的就是提供一种基于心电信号和光电容积脉搏波的面孔吸引力识别方法，它可以用于面孔吸引力的识别。本专利技术的目的是通过这样的技术方案实现的，具体步骤为：1)数据采集：采集若干被试者观看每张人像照片所产生面孔吸引力等级yn，以及被试者的心电信号V1和光电容积脉搏波V2；2)数据预处理：将步骤1)中采集的心电信号V1和光电容积脉搏波V2进行去噪处理得到不包含干扰信号的心电信号V1'和光电容积脉搏波V2'，根据照片出现的时间点以△T为时间间隔对V1'和V2'分段，得到心电信号段Epochs1和光电容积脉搏波信号段Epochs2；3)特征提取：分别提取步骤2)中心电信号段Epochs1和光电容积脉搏波信号段Epochs2的时域、频域以及非线性特征，分别构建心电信号特征数据集F1和光电容积脉搏波特征数据集F2；4)异常值剔除：使用中位数绝对偏差MAD方法剔除步骤3)中特征数据集F1和F2中的异常数据，得到不含异常特征数据的心电信号特征数据集F1'和光电容积脉搏波特征数据集F2'；5)选择特征子集：使用序列浮动前向选择SFFS算法分别从步骤4)中心电信号特征集F1'、光电容积脉搏波信号特征集F2'以及F1'与F2'串联后的特征集F3'中选择出一个最优的特征子集ZF1、ZF2和ZF3；6)构建模型：采用分类算法AdaBoost对步骤5)中的特征集ZF1、ZF2和ZF3进行建模，得到面孔吸引力分类识别结果，再采用自定义算法判定被试者接受刺激时产生面孔吸引力等级。进一步，步骤2)中数据预处理的具体步骤为：2-1)采用小波阈值去噪方法分别对步骤1)中采集的心电信号V1和光电容积脉搏波V2进行去噪处理，得到不包含干扰信号的心电信号V1'和光电容积脉搏波V2'；2-2)将与刺激材料具有锁时关系的标签mi作为原点，向后截取△T时间段的信号段，将连续的心电信号V1'和光电容积脉搏波V2'切割为具有相同时间规格的心电信号段Epochs1和光电容积脉搏波信号段Epochs2。进一步，步骤3)中特征提取的具体步骤为：3-1)提取时域特征：对心电信号段Epochs1使用峰值检测算法定位R波峰，获得RR间隔，计算RR间隔的统计特征量，包括：均值、标准差、方差、均方根和四分位数偏差；对光电容积脉搏波信号段Epochs2使用峰值检测算法定位P波峰，获得NN间隔，计算NN间隔的统计特征量，包括：连续差的均方根、标准差、逐次差分的标准差、最大NN间隔和最小NN间隔的差值；3-2)提取频域特征：使用傅里叶变换将心电信号段Epochs1和光电容积脉搏波信号段Epochs2变换到频域，再通过不同频率范围分别提取心电信号段Epochs1和光电容积脉搏波信号段Epochs2的频域特征，包括：低频、高频、低频与高频之比、NN间隔以及RR间隔的总能量、归一化低频功率、归一化高频功率；3-3)提取非线性特征：分别提取心电信号段和光电容积脉搏波信号段的庞加莱图特征SD1、SD2、SD1/SD2、L-Z复杂度、心脏交感神经指数CSI、心脏迷走神经的指数CVI；3-4)根据提取的时域特征、频域特征、非线性特征，分别构建心电信号特征数据集F1和光电容积脉搏波特征数据集F2。进一步，步骤4)中使用中位数绝对偏差MAD分别剔除特征数据集F1和F2中的异常数据的具体方法为：分别计算特征数据集F1和F2中的绝对偏差值的中位数MAD：MAD＝mediani(abs(xi-medianj(xj)))(1)式(1)中，xj代表n个样本值，mediani代表序列的中值，abs(xi-medianj(xj))为每个观察点与中位数的绝对偏差值；利用得到的绝对偏差值的中位数剔除异常值：利用式(2)分别剔除特征数据集F1和F2中的异常值。进一步，步骤5)中选择特征子集的具体步骤为：5-1)从空集F＝φ开始，使用序列前向选择SFS方法从{F-FK}中选择最重要的特征f+与FK构成新的特征子集FK+1，FK+1＝FK+f+，其中FK＝{fi:1≤i≤K}是从原始特征集F中选择K个特征所组成的特征子集；5-2)从FK+1中找到最重要的特征f-，若J(FK+1-f-)＜J(FK)，则返回步骤5-1)，若f-是FK+1中最重要的特征且J(FK+1-f-)＞J(FK)，则将f-从FK+1中删除，构成一个新的特征子集FK′，FK′＝FK+1-f-，其中J(.)为最优特征子集评价函数；5-3)设置k＝k-1，若k等于预期的特征个数，则停止。否则，设置Fk＝Fk′，J(FK)＝J(FK′)返回步骤5-1)。进一步，步骤6)中的构建模型的具体步骤为：分别将特征子集ZF1、ZF2和ZF3数据xi及其对应的面孔吸引力等级yi作为分类算法AdaBoost输入构建模型，分别获得面孔吸引力等级模型F1(x)、F2(x)、F3(x)，建模过程为：输入训练集样本为D＝{(x1,y1),...,(xn,yn)}，其中xi∈Rn，yi∈{0，1,2，3}，训练集在第k个弱学习器的输出权值为：第k个弱分类器Hk(x)在训练集的分类误差率为：第k个弱分类器Hk(x)的权值系数为：根据训练集的分类误差率更新权值系数，得到第k+1个弱分类器的权值系数为：最后，可得到面孔吸引力等级Fm(x)为：式(7)中，m∈{1,2，3}；根据基于心电信号的面孔吸引力等级F1(x)、基于光电容积脉搏波的面孔吸引力等级F2(x)、基于心电信号与光电容积脉搏波串联后信号的面孔吸引力等级F3(x)，计算得到面孔吸引力F(x)为：F(x)＝max(F1(x),F2(x)，F3(x))(8)。由于采用了上述技术方案，本专利技术具有如下的优点：本文档来自技高网...

【技术保护点】
1.基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，具体步骤为：/n1)数据采集：采集若干被试者观看每张人像照片所产生面孔吸引力等级y

【技术特征摘要】
1.基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，具体步骤为：
1)数据采集：采集若干被试者观看每张人像照片所产生面孔吸引力等级yn，以及被试者的心电信号V1和光电容积脉搏波V2；
2)数据预处理：将步骤1)中采集的心电信号V1和光电容积脉搏波V2进行去噪处理得到不包含干扰信号的心电信号V1'和光电容积脉搏波V2'，根据照片出现的时间点以△T为时间间隔对V1'和V2'分段，得到心电信号段Epochs1和光电容积脉搏波信号段Epochs2；
3)特征提取：分别提取步骤2)中心电信号段Epochs1和光电容积脉搏波信号段Epochs2的时域、频域以及非线性特征，分别构建心电信号特征数据集F1和光电容积脉搏波特征数据集F2；
4)异常值剔除：使用中位数绝对偏差MAD方法剔除步骤3)中特征数据集F1和F2中的异常数据，得到不含异常特征数据的心电信号特征数据集F1'和光电容积脉搏波特征数据集F2'；
5)选择特征子集：使用序列浮动前向选择SFFS算法分别从步骤4)中心电信号特征集F1'、光电容积脉搏波信号特征集F2'以及F1'与F2'串联后的特征集F3'中选择出一个最优的特征子集ZF1、ZF2和ZF3；
6)构建模型：采用分类算法AdaBoost分别对步骤5)中的特征子集ZF1、ZF2和ZF3进行建模，得到面孔吸引力分类识别结果；再采用自定义算法判定被试者接受刺激时产生面孔吸引力等级。


2.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤2)中数据预处理的具体步骤为：
2-1)采用小波阈值去噪方法分别对步骤1)中采集的心电信号V1和光电容积脉搏波V2进行去噪处理，得到不包含干扰信号的心电信号V1'和光电容积脉搏波V2'；
2-2)将与刺激材料具有锁时关系的标签mi作为原点，向后截取△T时间段的信号段，将连续的心电信号V1'和光电容积脉搏波V2'切割为具有相同时间规格的心电信号段Epochs1和光电容积脉搏波信号段Epochs2。


3.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤3)中特征提取的具体步骤为：
3-1)提取时域特征：对心电信号段Epochs1使用峰值检测算法定位R波峰，获得RR间隔，计算RR间隔的统计特征量，包括：均值、标准差、方差、均方根和四分位数偏差；
对光电容积脉搏波信号段Epochs2使用峰值检测算法定位P波峰，获得NN间隔，计算NN间隔的统计特征量，包括：连续差的均方根、标准差、逐次差分的标准差、最大NN间隔和最小NN间隔的差值；
3-2)提取频域特征：使用傅里叶变换将心电信号段Epochs1和光电容积脉搏波信号段Epochs2变换到频域，再通过不同频率范围分别提取心电信号段Epochs1和光电容积脉搏波信号段Epochs2的频域特征，包括：低频、高频、低频与高频之比、NN间隔以及RR间隔的总能量、归一化低频功率、归一化高频功率；
3-3)提取非线性特征：分别提取心电信号段和光电容积脉搏波信号段的庞加莱图特征SD1、SD2、SD1/SD2、L-Z复杂度、...

【专利技术属性】
技术研发人员：刘光远，张进，逯欢，袁光杰，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50