[发明专利]基于HRV特征和三层SVR的PAD情绪维度预测方法

说明书

本发明公开了一种基于HRV特征和三层SVR的PAD情绪维度预测方法，通过视频诱导的方式采集生理信号，在生理信号中提取HRV特征，使用PAD模型对HRV特征进行标注，使得离散的情绪状态映射到连续的三维空间，从而让情绪状态变化的连续性有了数值上直观的体现，并利用三层SVR模型对PAD三维数值分别进行回归预测，通过PCA对三个维度分别进行降维处理，在A和D维度上预测准确性都得到了明显提升。从实验结果上看，本发明提供的基于HRV特征和三层SVR的PAD情绪维度预测方法能够较好地反映情绪变化的趋势，同时能一定程度上能反映情绪状态，这为可穿戴设备的实时情绪检测尤其是情绪变化趋势的检测带来了可能。

技术领域

本发明涉及情绪预测技术领域，尤其涉及一种基于HRV特征和三层SVR的PAD情绪维度预测方法。

背景技术

情绪对人的健康有显著影响，抑郁、焦虑和愤怒等情绪状态已被证明会阻碍免疫系统的工作，并与许多疾病有关。此外，心理障碍还会导致社交障碍和工作效率低下。因此，理解和调节自我情绪已经成为一个重要的健康问题。许多生理变化都与情绪有关，如血压、HRV。

心率变异性(Heart Rate Variability，HRV)是指心率节奏快慢的变化情况，反映心脏自主神经对心血管系统的调控以及该系统对各种影响因素的应答，是参与生理变化的关键系统。自主神经系统(ANS)分为交感神经系统(SNS)和副交感神经系统(PNS)，它们能产生不同程度的生理唤醒。在生理或心理紧张时，SNS主要激活，产生生理觉醒，以适应挑战，脉搏或心率的增加是这种兴奋状态的特征。相反，在安全或稳定状态下，PNS占主导地位，并保持较低的生理觉醒程度和较低的心率。在高唤醒和低唤醒状态之间的过渡依赖于ANS快速调节心率的能力。因此，HRV是一个实时指标，可以了解SNS和PNS之间的反应如何影响心率，从而产生有关自主神经灵活性的信息，从而代表了调节情绪反应的能力。

PAD是由Mehrabian和Russel于1974年提出的用于描述人类情绪的三维模型，分别为愉悦度(Pleasure)、激活度(Arousal)和优势度(Dominance)。目前，三维PAD模型被广泛应用于情绪研究领域。在PAD情绪模型中，PAD情绪坐标的评定是通过一套精心设计的量表来完成的，PAD情绪量表是基于PAD模型发展起来的。Mehrabian编制了一个包括34个项目的完整量化表，考虑到某些情况下需要参与者对情绪状态进行多次评价，于是进一步提出了简化的PAD情绪量表，中科院心理所对简化的PAD情绪量表进行了中国化的修订，如表1所示。

表1中文简化版PAD情绪量表

主元分析(Principal Component Analysis，PCA)由Hotelling提出，其思想是将原本具有一定相关性的特征集重新组合转换成一组新的互不相关的变量，同时也能保证降维后的数据仍保留原来数据的特性，是对变量进行降维处理的常用方法。

支持向量回归(Support Vector Regression，SVR)模型是以统计学理论为基础，并在有限样本空间内，将输入向量非线性地转换到高维空间的决策函数来实现线性回归，从而达到最理想的学习效果，SVR收敛速度快，在回归分析中应用十分广泛。在情绪计算领域SVM和SVR的分类和回归也比较常见。然而，情绪状态的离散性和生理信号情绪状态难以获取。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于HRV特征和三层SVR的PAD情绪维度预测方法，包括：

采集生理信号，所述生理信号包括压力脉搏信号；

提取所述生理信号中的HRV特征，使用PAD模型对所述HRV特征进行标注，所述使用PAD模型对所述HRV特征进行标注的步骤包括：在采集生理信号时观看诱导视频，在所述诱导视频结束后根据实际感受填写PAD量表，根据所述PAD量表的各行数值计算PAD的各个维度数值，计算公式如下：