[发明专利]一种基于视频眼动和心率分析的恐惧紧张情绪识别方法

权利要求书

1.一种基于视频眼动和心率分析的恐惧紧张情绪识别方法，其特征在于：具体包括以下步骤：

S1、拍摄采集受测者正对镜头的视频样本；

S2、首先检测人脸以及眼部所在位置，利用已训练好的深度卷积神经网络进行视线方向的估计，输出人脸在三维世界下的视线方向估计，得到视线方程；

S3、检测人脸额头天庭位置，采用rPPG远程光电体积扫描技术进行远距离非接触式心率估计，rPPG利用反射的周围光来测量皮肤的细微亮度变化，而皮肤的细微亮度变化是因为心脏跳动导致了血液流动，因此，通过rPPG技术能够得到类似血容量脉搏（BVP）的信号，此信号用于预测心率，然后提出基于深度学习的心率估计模型；

S4、将步骤S1至步骤S3得到眼部位置信息以及心率特征信息向量输入Relief-SVM算法框架中进行处理；

S5、恐惧紧张情绪特征分类，恐惧紧张的特征提取是根据恐惧状态设计任务范式，并全程记录被试人员的面部情感特征和生理行为特征。

2.根据权利要求1所述的一种基于视频眼动和心率分析的恐惧紧张情绪识别方法，其特征在于：所述步骤S3中的rPPG技术具体为：假设实验环境的光照强度恒定，设为常量，血液容积对自然光强度的吸收量为，通过摄像头拍摄观测得到的光强度为，可以得到： 其中，和具有相同的周期和频率。

3.根据权利要求1所述的一种基于视频眼动和心率分析的恐惧紧张情绪识别方法，其特征在于：所述步骤S3中提出的基于深度学习的心率估计模型对于一段人脸视频序列的处理过程如下：

a1、首先将其分割成多段短视频序列，对每段短视频中的人脸进行对齐操作；

a2、然后，从步骤a1对齐人脸序列中提出时空特征，每一段时空特征图表示心律信号；

a3、使用这些心律信号作为输入，通过一个训练好的卷积神经网络，用来预测每个短视频中人的心率；

a4、最后用所有短视频片段的平均心率作为该段视频的输出心率。

4.根据权利要求1所述的一种基于视频眼动和心率分析的恐惧紧张情绪识别方法，其特征在于：所述步骤S4中Relief-SVM算法框架的处理步骤为：

b1、初始化特征权重值；

b2、利用Relief计算出每个维度的特征的权重，淘汰掉权重值较小的特征；

b3、 将选择后的特征向量利用分类器进行分类计算；

b4、 得到分类结果，并与实际结果进行比对，计算识别率；

b5、调整参数，直到取得最优识别率，最终完成算法模型。

5.根据权利要求1所述的一种基于视频眼动和心率分析的恐惧紧张情绪识别方法，其特征在于：所述步骤S4中Relef算法的输入和输出为属性值向量和样本量，输出为对每个属性的权值估计的流程如下：

设初始权值向量W[A]=0；

For i =1:m do begin；

随机选择一个样本R；

找到同类最近点H和非同类最近点M；

Or A=1，特征维度 do；

W[A]= W[A]–diff(A,R,H)/m+diff(A,R,M)/m；

End。

6.根据权利要求1所述的一种基于视频眼动和心率分析的恐惧紧张情绪识别方法，其特征在于：所述步骤S4中SVM算法是采用核函数为高斯核函数的最小二乘支持向量机算法。