余 華 ，黃程韋，趙 力*， 鄒采榮

1.南京信息職業(yè)技術(shù)學(xué)院，南京 210013；

2.東南大學(xué)水聲信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室，南京 210096

情緒是我們智力的基礎(chǔ)，也是人類道德與自尊的基礎(chǔ)，因?yàn)樗芯竦母呒?jí)功能都需要情感的伴隨，或是意圖和情感共同協(xié)調(diào)產(chǎn)生的思維。隨著認(rèn)知神經(jīng)科學(xué)與情感神經(jīng)科學(xué)的發(fā)展，越來(lái)越多的證據(jù)表明情緒是推理和判斷過(guò)程中必不可少的一部分，并對(duì)學(xué)習(xí)和記憶過(guò)程產(chǎn)生重要的影響[1]。

人的情感是一種主觀意識(shí)，但情緒的變化通常對(duì)神經(jīng)系統(tǒng)的影響有多方面的表現(xiàn)，諸如面部表情、生理指標(biāo)(如心電， 體溫)、語(yǔ)音、動(dòng)作與手勢(shì)等等[2]。我們?cè)陂_(kāi)展“兒童生理參數(shù)與情緒狀態(tài)”的研究項(xiàng)目中，通過(guò)記錄伴隨情緒發(fā)生的生理變化，如心電、血管收縮、皮膚電反應(yīng)等活動(dòng)，對(duì)兒童情緒狀態(tài)與認(rèn)知活動(dòng)進(jìn)行觀察與研究，了解他們的發(fā)育水平和個(gè)體差異，幫助他們正確處理情感交流和智力發(fā)育過(guò)程中出現(xiàn)的問(wèn)題。為了讓測(cè)試兒童處在一個(gè)相對(duì)自然的狀態(tài)，使情緒識(shí)別結(jié)果的可信度更高，我們?cè)O(shè)計(jì)了一套便攜式生理參數(shù)采集系統(tǒng)，供研究人員分析生理參數(shù)與兒童情緒之間的關(guān)系。本文介紹了便攜式兒童情感電生理參數(shù)采集系統(tǒng)的設(shè)計(jì)方案以及利用情感電生理參數(shù)監(jiān)測(cè)與判別兒童情感的方法。

1 心電信號(hào)監(jiān)測(cè)

本系統(tǒng)中我們主要考慮了兩種情感電生理參數(shù)的采集與處理，即心電和體溫，系統(tǒng)組成如圖1所示。其中控制電路主芯片選用的是STC89LE58RD+，主要工能是控制A/D轉(zhuǎn)換和數(shù)據(jù)的傳輸，并執(zhí)行來(lái)自于PC機(jī)的命令。

圖1 系統(tǒng)結(jié)構(gòu)

心電信號(hào)是心臟搏動(dòng)時(shí)在人體表面形成的電位差，通過(guò)分析心電信號(hào)，可以了解心臟的搏動(dòng)狀態(tài)。原始的心電信號(hào)非常微弱，幅度只有0 ～4 mV，頻帶為0.05 ～100 Hz，其中混雜有大量的干擾噪聲，尤以50 Hz工頻干擾最為厲害。此外，電極接觸噪聲、運(yùn)動(dòng)偽跡、肌電噪聲、放大器直流溫漂、呼吸引起的基線漂移等均會(huì)對(duì)心電信號(hào)的放大與檢測(cè)帶來(lái)困難。針對(duì)心電信號(hào)的特點(diǎn)，設(shè)計(jì)了前置放大、高通濾波、50 Hz陷波、低通濾波和信號(hào)放大電路[3-4]。

1.1 前置放大電路

前置放大器的作用是提高心電信號(hào)采集電路的輸入阻抗以獲取更多的原始心電信號(hào)，同時(shí)還能抑制信號(hào)中的共模干擾，提高信噪比。前置級(jí)由輸入跟隨器，儀用放大器，右腿驅(qū)動(dòng)三個(gè)部分組成，是整個(gè)心電放大器中很關(guān)鍵的部分。儀用放大器選擇AD620，它只需在1腳和8腳外接電阻就可以構(gòu)成一個(gè)性能很好的單片集成儀用放大器。盡管儀用放大器可以很好地抑制共模干擾，但因?yàn)樵夹碾娦盘?hào)的信噪比太小，所以還必須設(shè)法減少這些共模噪聲的絕對(duì)值，用提高信噪比的方法來(lái)提高信號(hào)質(zhì)量。右腿驅(qū)動(dòng)電路的設(shè)計(jì)思路是把混雜于原始心電信號(hào)中的共模噪聲提取出來(lái)，經(jīng)過(guò)一級(jí)倒相放大后，再返回到人體，使它們相互疊加，從而減小人體共模干擾的絕對(duì)值，提高了信噪比，共模信號(hào)的提取和反饋電路設(shè)計(jì)如圖2所示：

圖2 右腿驅(qū)動(dòng)電路

1.2 濾波電路

低頻噪聲主要集中于0.03 Hz～2 Hz，但心電信號(hào)中的ST段和Q波頻率分量集中于0.05 Hz～2 Hz之間，所以不能簡(jiǎn)單地把高通濾波器的截止頻率定為2 Hz，否則將使心電信號(hào)的波形出現(xiàn)較大失真。根據(jù)美國(guó)心臟協(xié)會(huì)的建議，去除心電信號(hào)中的直流成分的高通截止頻率不得超過(guò)0.05 Hz，所以設(shè)計(jì)時(shí)把高通截止頻率設(shè)為0.035 Hz。由于心電信號(hào)的頻譜主要分布不超過(guò)100 Hz，所以該頻率以外的分量均可視為噪聲，設(shè)計(jì)時(shí)把低通截至頻率設(shè)定為120 Hz。

心電信號(hào)經(jīng)過(guò)上述處理后，仍摻雜很大的工頻干擾，所以我們還設(shè)計(jì)了一個(gè)陷波器來(lái)消除其中的50 Hz噪聲。陷波器的實(shí)現(xiàn)方案有多種，其中應(yīng)用最為廣泛的是稱為“雙T帶阻濾波”的電路，原理如圖3所示。

圖3 雙T帶阻濾波器原理圖

其中w0是阻帶中心頻率， Q為品質(zhì)因數(shù)， B為阻帶帶寬。為避免電路產(chǎn)生自激振蕩， 必須滿足AV＜2。在這個(gè)約束條件下， AV越大，則Q越大，于是阻帶帶寬越窄，陷波器的選頻特性就越好。但這種形式的陷波器受元器件參數(shù)變化的影響較大，稍有不慎，就會(huì)造成阻帶中心頻率出現(xiàn)較大偏差。所以， Q不宜過(guò)大，一般選取Q≤10。

1.3 QRS波群檢測(cè)

雖然在模擬電路中對(duì)信號(hào)進(jìn)行了簡(jiǎn)單的濾波，但通過(guò)大量的采集數(shù)據(jù)發(fā)現(xiàn)信號(hào)仍存在基線漂移現(xiàn)象，在電平提升時(shí)還引入了直流分量，同時(shí)50 Hz及其倍頻的存在也影響了信號(hào)的觀察。所以我們?cè)诔绦蛑性俅渭尤肓酸槍?duì)這些干擾的FIR數(shù)字濾波器，借助于MATLAB軟件很容易設(shè)計(jì)。經(jīng)過(guò)濾波后，心電信號(hào)中參雜的各種噪聲得到了有效控制，特征點(diǎn)都比較好地展現(xiàn)出來(lái)。

QRS波群由于幅度大，占據(jù)的時(shí)間窄， 成為心電圖(Electrocardiogram， 簡(jiǎn)稱ECG)檢測(cè)的重要依據(jù)。目前，有很多方法可用于QRS波群的檢測(cè)，如差分閾值法、模板匹配法、神經(jīng)網(wǎng)絡(luò)法等等[5]。采集系統(tǒng)是為分析兒童情感設(shè)計(jì)的，它要求把數(shù)據(jù)信息及時(shí)、準(zhǔn)確地呈現(xiàn)給研究者，差分閾值法算法簡(jiǎn)單，處理速度快，易于實(shí)現(xiàn)，這正符合我們的要求。

差分閾值算法的原理是基于QRS波群的幅值與斜率均為最大的特點(diǎn)，首先確定QRS波群的閾值，當(dāng)ECG數(shù)據(jù)的差分值不低于閾值時(shí)即可判斷為檢測(cè)到一個(gè)QRS波群。以5點(diǎn)差分為例，首先根據(jù)心電數(shù)據(jù)xn計(jì)算差分值yn：yn=xn+1-xn-1+2(xn+2-xn-2)。取出yn中最大的10個(gè)值并計(jì)算其平均，則閾值可設(shè)定為平均值的0.7倍和0.8倍之間的某個(gè)數(shù)。由于在R點(diǎn)附近波形變化較快，所以當(dāng)ECG某點(diǎn)的差分值達(dá)到閾值時(shí)，認(rèn)為檢測(cè)到一個(gè)QRS波群。根據(jù)差分閾值的公式可知， R峰值點(diǎn)的閾值應(yīng)該為零或者處于最接近零的位置，所以從該點(diǎn)開(kāi)始往后一段距離內(nèi)，閾值為零或者最接近零的點(diǎn)就是R點(diǎn)。設(shè)相鄰兩個(gè)R波的間隔為n，心率(次/min)的計(jì)算公式為：心率=采樣頻率×60÷n。如果發(fā)現(xiàn)前后間隔差別過(guò)大，則可認(rèn)為出現(xiàn)了漏檢R點(diǎn)的情況，在這種情況下，通過(guò)適當(dāng)減少閾值，再對(duì)該段心電數(shù)據(jù)重新進(jìn)行檢側(cè)，以定位漏檢的R波。反復(fù)進(jìn)行幾次，如果還沒(méi)有發(fā)現(xiàn)R波，則可判定為心率不齊的表現(xiàn)。

我們還使用了一種通過(guò)平均值來(lái)檢測(cè)QRS波群的方法，首先把屏幕顯示范圍內(nèi)的數(shù)據(jù)作為分析數(shù)據(jù)，求這些數(shù)據(jù)的平均值，并把超過(guò)平均值的數(shù)據(jù)歸入下一次要分析的數(shù)據(jù)。按照上述方法再重復(fù)3次，最后當(dāng)有數(shù)據(jù)超過(guò)第4次的平均值時(shí)，認(rèn)為檢測(cè)到了R波，該點(diǎn)周圍的最高點(diǎn)即為R點(diǎn)。這種方法更為簡(jiǎn)單，運(yùn)算量小，實(shí)際使用中很可靠。圖4顯示一段實(shí)時(shí)心電檢測(cè)的結(jié)果，其中為了方便觀測(cè)者分析，我們T波和P波間的數(shù)據(jù)作了11點(diǎn)平滑濾波。

圖4 心電檢測(cè)的結(jié)果圖

2 體溫檢測(cè)

體溫是個(gè)非電量，各種工頻噪聲，肌電噪聲等電磁干擾對(duì)體溫采集電路的影響遠(yuǎn)遠(yuǎn)小于心電采集電路，而且體溫還是個(gè)變化十分緩慢的生理信號(hào)，在頻譜上可以把它看成一個(gè)直流信號(hào)。所以與心電信號(hào)采集電路比起來(lái)，體溫采集電路要簡(jiǎn)單得多。在設(shè)計(jì)體溫采集電路時(shí)沒(méi)有過(guò)多考慮如何實(shí)現(xiàn)抗干擾，而是要求電路簡(jiǎn)單，易于調(diào)試。溫度傳感器采用的是北京森恩傳感器技術(shù)公司的MF5E系列產(chǎn)品，它實(shí)際上是一個(gè)熱敏電阻，通過(guò)外圍電路實(shí)現(xiàn)非電量到電量的轉(zhuǎn)換。圖5為所設(shè)計(jì)的體溫采集電路圖，其中R為傳感器。

圖5 體溫采集電路

3 情緒特征分析與提取

我們都知道，生理信號(hào)存在明顯的非平穩(wěn)特性，而且個(gè)體差異很大。不同人之間，心電和體溫都是不一樣的，特別是心電信號(hào)的個(gè)體差異十分顯著。即便是同一個(gè)人，在不同的環(huán)境、不同的時(shí)間、不同的情緒狀態(tài)下，心電信號(hào)都會(huì)發(fā)生或多或少的改變。因此，為實(shí)現(xiàn)情緒狀態(tài)的識(shí)別，我們必須能夠從所采集的心電和體溫等生理信號(hào)中提取出最有效的特征來(lái)用于分類。

特征選擇有兩種基本法方法：一是由專門領(lǐng)域內(nèi)的專家利用其知識(shí)挑選出那些對(duì)分類最有影響的特征；二是用數(shù)學(xué)的方法進(jìn)行篩選比較，找出最有分類信息的特征。伍德和霍根森(Wood＆Hokanson)在1965年就已證明， 心率是情緒反應(yīng)的良好生理指標(biāo)之一。所以，本文選擇心率為第一個(gè)特征。除心率以外， 我們還選擇心電波形中的R波幅度及其寬度為第 2 和第 3 特征。文獻(xiàn)[2]指出，這兩個(gè)特征會(huì)隨著情緒狀態(tài)的變化而發(fā)生明顯變化。北大心理學(xué)系1973年的研究發(fā)現(xiàn)[2]，在情緒狀態(tài)改變時(shí)，呼吸系統(tǒng)在速度和深度上會(huì)有所變化，繼而引發(fā)血管容積發(fā)生變化。無(wú)論血管是處在收縮狀態(tài)還是處在舒張狀態(tài)，它都將引起人體溫度的變化，所以，本文選擇體溫為第4個(gè)特征。

4 基于Fisher線形判別的兒童情緒監(jiān)測(cè)與判別

4.1 Fisher準(zhǔn)則函數(shù)

應(yīng)用統(tǒng)計(jì)方法解決模式識(shí)別問(wèn)題時(shí)，經(jīng)常遇見(jiàn)的問(wèn)題之一就是維數(shù)問(wèn)題。在低維空間里解析或計(jì)算上行得通的方法，在高維空間里往往不行。因此，降低維數(shù)有時(shí)就成了處理實(shí)際問(wèn)題的關(guān)鍵所在[6]。

從數(shù)學(xué)上說(shuō)，把d維空間的樣本投影到一條直線上，形成一維空間總是可以辦到的。然而，即使樣本在d維空間里形成若干緊湊的互相分得開(kāi)的集群，若把它們投影到任意一條直線上，也可能使幾類樣本混在一起而變得無(wú)法識(shí)別。 Fisher(1936)所要解決的基本問(wèn)題就是如何找到一條最好的，最易于分類的投影線，使在這個(gè)方向的直線上，樣本的投影能分開(kāi)得最好。為了實(shí)現(xiàn)分類，我們總是希望在一維Y空間里各類樣本盡可能分得開(kāi)一些，即希望兩類均值之差(~m1-~m2)越大越好；同時(shí)希望各類樣本內(nèi)部盡量密集，即希望類內(nèi)離散度越小越好。

基于Fisher準(zhǔn)則的線性鑒別是目前已經(jīng)被公認(rèn)的最好的特征抽取的方法之一，但它也存在一些缺點(diǎn)。Fisher線性判別模型的基本思想是對(duì)樣本進(jìn)行變換，將樣本投影到一條直線上，使樣本的投影能分得最好，也就是說(shuō)變換后的樣本類別間離散度達(dá)到最高，類內(nèi)的樣本離散度達(dá)到最低，從而提高各個(gè)類別之間的區(qū)分能力[7]。樣本在這些投影軸上的投影系數(shù)可作為樣本的特征向量，利用這些特征向量，便可進(jìn)行樣本的分類識(shí)別。

設(shè)ω1， ω2， …， ωc為c個(gè)模式類，模式x為n維實(shí)向量。設(shè)sb， sw和st分別表示訓(xùn)練樣本的類間散布矩陣，類內(nèi)散布矩陣和總體散布矩陣。由其定義[8]知， sb， sw和st均為非負(fù)定矩陣，且滿足st=sb+sw，F(xiàn)isher準(zhǔn)則函數(shù)定義如下：

Fisher準(zhǔn)則函數(shù)非常巧妙地將樣本在投影矢量上的類間離散度和類內(nèi)離散度結(jié)合在一起，為我們確定最優(yōu)投影方向提供了一個(gè)非常完美的準(zhǔn)則。取極大化目標(biāo)函數(shù)JF(w)的矢量x作為投影方向，其物理意義是：特征樣本在x上投影后，類間離散度和類內(nèi)離散度之比達(dá)到最大。

4.2 分類決策

至此， 我們已經(jīng)找到了基于 Fisher準(zhǔn)則函數(shù)JF(w)的最好的投影方向w。只是我們暫時(shí)還沒(méi)有解決分類問(wèn)題，即采取什么樣的分類決策。然而，我們已經(jīng)把d維空間分類問(wèn)題轉(zhuǎn)化為一維空間分類問(wèn)題了，所以只要確定一個(gè)閾值Y0，將投影點(diǎn)Y與Y0相比較，就可做出分類決策。

根據(jù)中心極限定理，當(dāng)d維X空間的各類樣本數(shù)Ni很大時(shí)，其均值向量 ˉXi趨向于正態(tài)分布。則經(jīng)過(guò)投影后，各類樣本均值ˉYi也滿足正態(tài)分布。這樣，問(wèn)題就轉(zhuǎn)化為尋找多元正態(tài)概率型下的Bayes最小錯(cuò)誤率的判別函數(shù)和決策面。其中，最簡(jiǎn)單的一種情況是各個(gè)類別的協(xié)方差矩陣Σi都相同(記為Σ)，并且各個(gè)類別先驗(yàn)概率P(ωi)也都相等(i=1，2表示類別號(hào))。

根據(jù)文獻(xiàn)[9 -10]可以知道，此時(shí)的最佳判決邊界方程為wTx+w0=0其中

為使Fisher準(zhǔn)則函數(shù)JF(w)最大化的w與Bayes最小錯(cuò)誤率判決邊界方程中的w是同一個(gè)方向。這樣，對(duì)于正態(tài)、等概、等協(xié)方差的Bayes最小錯(cuò)誤率判別函數(shù)與決策面將與Fisher線性判別等價(jià)。

由式(2)可知，最佳決策面是通過(guò)m1和m2連線的中點(diǎn)并與連線正交的一個(gè)超平面。在二維空間里，最佳判決面是一條直線；而在一維空間里，它退化為一個(gè)點(diǎn)，也就是我們現(xiàn)在所要尋找的閾值Y0。

這樣，對(duì)于任意給定的未知樣本，只要計(jì)算它的投影點(diǎn)yy=w*Tx。

再根據(jù)決策規(guī)則

就可判別x屬于什么類別。

4.3 實(shí)驗(yàn)測(cè)試

利用兒童情感實(shí)驗(yàn)室提供的數(shù)據(jù)庫(kù)，我們進(jìn)行了基于生理參數(shù)的情緒識(shí)別實(shí)驗(yàn)。在數(shù)據(jù)庫(kù)中，有五男五女，共十人。每個(gè)人有兩類情緒狀態(tài)(分別是緊張與高興)，而每類情緒狀態(tài)下的采樣數(shù)據(jù)有50組，總共有樣本1000組。

首先，我們對(duì)每個(gè)人進(jìn)行分別處理。將每個(gè)人在每類情緒狀態(tài)下的采樣數(shù)據(jù)中隨機(jī)取出20組作為訓(xùn)練樣本，用于設(shè)計(jì)分類器；剩下的30組數(shù)據(jù)作為測(cè)試樣本，檢測(cè)分類器的性能。

然后取十個(gè)人的平均值，得到以下結(jié)果：緊張的正確識(shí)別率為94.4%；高興的正確識(shí)別率為91.2%。

5 總結(jié)

本文對(duì)基于生理參數(shù)的兒童情緒識(shí)別進(jìn)行了初步的探討。在實(shí)驗(yàn)中，本文首先對(duì)心電波形進(jìn)行了平滑與降噪，接著進(jìn)行特征提取，然后再利用Fisher線性判別函數(shù)設(shè)計(jì)分類器。除此以外，本章還就Fisher準(zhǔn)則函數(shù)與多元正態(tài)概率型下的Bayes最小錯(cuò)誤率判別函數(shù)及決策面之間的關(guān)系作了簡(jiǎn)單說(shuō)明。最后，通過(guò)實(shí)驗(yàn)來(lái)測(cè)試我們所設(shè)計(jì)的分類器的性能。實(shí)驗(yàn)結(jié)果表明在兩類條件下，該分類器已達(dá)到較低錯(cuò)誤率。

[ 1] 蔡莉莉.基于數(shù)據(jù)融合的語(yǔ)音情感分析與識(shí)別[ D] .東南大學(xué)碩士學(xué)位論文， 2005.

[ 2] 周建中.兒童情緒的實(shí)驗(yàn)室研究[ R] .東南大學(xué)學(xué)習(xí)科學(xué)研究中心研究報(bào)告， 2004.

[ 3] 陳明計(jì)，周立功.嵌入式實(shí)時(shí)操作系統(tǒng)Small RTOS51原理及應(yīng)用[ M] .北京：北京航天航空大學(xué)出版社， 2004：426-279.

[ 4] 李玉華，劉金琪.基于模式識(shí)別的體外反搏系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[ J] .計(jì)算機(jī)測(cè)量與控制， 2005.

[ 5] 郭航遠(yuǎn).簡(jiǎn)明臨床心電圖手冊(cè)[ M].上海：復(fù)旦大學(xué)出版社，2002：790-810.

[ 6] 蘇麗，趙國(guó)良，李東明.心電信號(hào)QRS波群檢測(cè)算法研究[ J].哈爾濱工程大學(xué)學(xué)報(bào)， 2003， 26(4)：21-26.

[ 7] 劉健，錢猛，張維明.基于Fisher線性判別模型的文本特征選擇算法[ J] .國(guó)防科技大學(xué)學(xué)報(bào)， 2008.

[ 8] 劉永俊，陳才扣，趙根林，等.新的非線性鑒別特征抽取方法及人臉識(shí)別[ J] .計(jì)算機(jī)工程與設(shè)計(jì)， 2008.

[ 9] 邊肇祺，張學(xué)工.模式識(shí)別[ M] .清華大學(xué)出版社， 2002.

[ 10] V.Vapnik.Statistical Learning Theory[ M].New York：John Wiley＆Sons， 1998.