孫洪央，徐祖洋，王靜，雷沛，吳開(kāi)杰，

柴新禹上海交通大學(xué)生物醫(yī)學(xué)工程學(xué)院，上海市，200240

0 引言

此文中壓力為心理壓力的簡(jiǎn)稱，指人們發(fā)現(xiàn)真實(shí)或想象的事情超出自己意料之外時(shí)的生理和精神上的綜合反映[1]。長(zhǎng)期的壓力會(huì)導(dǎo)致人體對(duì)疾病的敏感性增加，從而誘發(fā)多種疾病[2]。情緒與壓力狀態(tài)之間存在著極為顯著的相關(guān)關(guān)系。壓力狀態(tài)下會(huì)誘發(fā)多種情緒，包括興奮、恐懼和厭煩等[3]。而情緒作為一種心理感受，通常通過(guò)語(yǔ)言、語(yǔ)調(diào)、面部表情、行為姿態(tài)、呼吸等身體表現(xiàn)來(lái)表達(dá)[4]。生理信號(hào)是由人的自主神經(jīng)系統(tǒng)和內(nèi)分泌系統(tǒng)控制的[5]，更能客觀真實(shí)的反映出人們當(dāng)時(shí)的情緒狀態(tài)和心理感受。

通過(guò)生理信號(hào)變化反映特定情緒的“情感計(jì)算”理論，最早由美國(guó)麻省理工學(xué)院的Picard教授[6]提出，從生理信號(hào)中提取特征來(lái)進(jìn)行情感識(shí)別的可行性[7]。國(guó)內(nèi)外其他研究小組在此領(lǐng)域也做了大量工作，取得了一些成果：美國(guó)中佛羅里達(dá)大學(xué)的Nasoz等[8]分別采用k近鄰（k Nearest Neighbour,kNN）、判別函數(shù)分析（Discriminant Function Analysis,DFA）及Marquardt反向傳播（Marquardt Backpropagation,MBP）算法；韓國(guó)延世大學(xué)的Kim等[9]采用支持向量機(jī)（Support Vector Machine,SVM）算法；德國(guó)奧格斯堡大學(xué)計(jì)算科學(xué)研究所著重比較了不同的特征選擇方法和分類器相結(jié)合的識(shí)別效果[10]。我國(guó)情感計(jì)算研究起步較晚，其中西南交通大學(xué)的劉光遠(yuǎn)團(tuán)隊(duì)采用多種特征提取、選擇方法與分類器相結(jié)合的方法對(duì)奧格斯堡大學(xué)的情感數(shù)據(jù)樣本開(kāi)展了情緒識(shí)別效果的比較研究[11-12]。

通過(guò)生理信號(hào)識(shí)別反映一定壓力狀態(tài)下的情緒變化以及內(nèi)在心理壓力程度，為客觀評(píng)價(jià)心理狀態(tài)并輔助被測(cè)人群及時(shí)調(diào)整應(yīng)激狀態(tài)提供了一種有效手段。Zhai等[13]采用SVM算法，Setz等[14]通過(guò)DFA和SVM算法分別進(jìn)行分類。目前，國(guó)內(nèi)外針對(duì)壓力狀態(tài)下的情感計(jì)算研究相對(duì)較少，特別是針對(duì)不同壓力程度下的情感計(jì)算研究。本文將粒子群（Particle Swarm Optimization,PSO）算法與kNN算法相結(jié)合，基于多種生理信號(hào)參數(shù)對(duì)壓力狀態(tài)下的情緒體驗(yàn)進(jìn)行了識(shí)別研究。通過(guò)智能算法與去除情感基線結(jié)合的方法，最高識(shí)別率達(dá)到80%以上，提高了傳統(tǒng)多生理信號(hào)的情緒狀態(tài)識(shí)別方法的正確率，為探索壓力狀態(tài)下情緒與多種生理信號(hào)的關(guān)系提供了一定依據(jù)。

1 壓力狀態(tài)下情緒識(shí)別研究方法

本研究首先設(shè)計(jì)了壓力狀態(tài)下的不同情緒及緊張情緒程度誘發(fā)實(shí)驗(yàn)，并實(shí)時(shí)采集多個(gè)被試特定情緒狀態(tài)下的心率、呼吸率、皮膚阻抗、血氧飽和度、脈率、血壓等六種生理信號(hào)參數(shù)。通過(guò)對(duì)這些生理數(shù)據(jù)進(jìn)行預(yù)處理及特征提取，結(jié)合實(shí)驗(yàn)主觀體驗(yàn)問(wèn)卷結(jié)果，采用PSO-kNN算法對(duì)實(shí)驗(yàn)樣本數(shù)據(jù)進(jìn)行特征選擇和分類，最終建立壓力狀態(tài)下的情緒識(shí)別模型。

1.1 粒子群算法（Particle Swarm Optimization,PSO）

情緒識(shí)別研究的核心為特征選擇與分類算法的選擇。情緒相關(guān)生理信號(hào)的特征選擇本質(zhì)上是一種組合優(yōu)化問(wèn)題。PSO算法源于鳥(niǎo)群覓食的行為研究，是一種新的全局優(yōu)化進(jìn)化算法。其基本原理是每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間中的一個(gè)粒子，所有粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值，同時(shí)，還有一個(gè)速度決定他們發(fā)展的方向和距離，然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。該算法概念簡(jiǎn)明、實(shí)現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少，受特征維數(shù)變化影響小，是一種高效的搜索優(yōu)化算法。因此，本文采用粒子群算法對(duì)生理特征進(jìn)行特征優(yōu)化選擇。

PSO算法描述如下：

假設(shè)特征總數(shù)為D個(gè)，種群個(gè)體有m個(gè)，則第i個(gè)粒子的速度為Vi=(vi1，vi2，vi3，…，viD)T其位置為Xi=(xi1，xi2，xi3，…，xiD)T，而位置的值就是問(wèn)題的一個(gè)解。將第i個(gè)粒子的位置值代入適應(yīng)度函數(shù)就可以得到第i個(gè)粒子的適應(yīng)值。通過(guò)比較適應(yīng)值，可以得到當(dāng)前第i個(gè)粒子所經(jīng)歷的最優(yōu)位置為Pbesti=(pbesti1，pbesti2，pbesti3，…，pbestiD)T，通過(guò)比較所有粒子可以得到整個(gè)種群的最優(yōu)位置為Gbest=(gbest1，gbest2，gbest3，…，gbestD)T。這樣就可以通過(guò)以下兩個(gè)公式得到下一代的粒子，如此反復(fù)，最終得到一個(gè)滿意的解。

其中w是慣性權(quán)重因子，一般取0.4～0.9；C1和C2為學(xué)習(xí)因子，一般取C1=C2=2；rand1()和rand2() 是0到1之間的隨機(jī)向量。過(guò)大的慣性權(quán)重可以加大粒子的飛行速度，有利于跳出局部極值，較小的慣性權(quán)重可以減小粒子的飛行速度，使得粒子在局部進(jìn)行搜索，更快達(dá)到算法收斂。根據(jù)式（3）讓慣性權(quán)重隨著迭代次數(shù)線性遞減的算法進(jìn)行權(quán)重調(diào)整，可以使粒子在開(kāi)始階段進(jìn)行全局搜索，隨著迭代次數(shù)的增加在局部進(jìn)行搜索，更快達(dá)到算法收斂。

wmax為慣性權(quán)重最大值，wmin為慣性權(quán)重最小值，Tmax為最大迭代次數(shù)，T為當(dāng)前迭代次數(shù)。本文參數(shù)初始值的設(shè)置采用慣性權(quán)重法[15]，將w初始化為常數(shù)0.729，C1=C2=1.494。為防止粒子飛出搜索空間，一般取太大會(huì)飛離最好解，太小會(huì)陷入局部最優(yōu)。

1.2 k近鄰算法（k Nearest Neighbour,kNN）

kNN是一種成熟而簡(jiǎn)單的分類算法，能充分利用整個(gè)情緒樣本的生理特征。kNN算法的描述如下，如果一個(gè)樣本在特征空間中的數(shù)個(gè)最相似（即特征空間中最鄰近）的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。kNN算法中，所選擇的鄰居都是已經(jīng)正確分類的訓(xùn)練集對(duì)象。該方法在定類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分樣本所屬的類別，本文設(shè)置近鄰參數(shù)為1。

1.3 PSO-kNN算法

將PSO優(yōu)化算法與kNN算法相結(jié)合，不僅可以優(yōu)化選擇特征，提高kNN的分類正確率，同時(shí)還能盡可能降低所選的特征數(shù)。在PSO-kNN算法中，當(dāng)一個(gè)粒子能夠使分類器產(chǎn)生的分類精度越高，同時(shí)選出的特征數(shù)目越少，它的適應(yīng)值就應(yīng)該越高。評(píng)價(jià)各粒子的適應(yīng)度函數(shù)為f(x)，f(x)越大，適應(yīng)能力越強(qiáng)，適應(yīng)度函數(shù)可定義為：

其中，RMSE為均方根誤差，F(xiàn)eatures為樣本特征子集數(shù)，F(xiàn)actor為平衡因子。

本文將PSO-kNN算法用于壓力狀態(tài)下生理信號(hào)特征選擇和情緒分類，具體步驟如下：

Step1 設(shè)計(jì)粒子，用一個(gè)二進(jìn)制位串來(lái)表示，每一個(gè)二進(jìn)制位對(duì)應(yīng)生理信號(hào)特征集中的一個(gè)特征，該位為1表示對(duì)應(yīng)的特征入選特征子集，該位為0則表示對(duì)應(yīng)的特征不在選出的特征子集中；

Step2 初始化粒子群，即隨機(jī)設(shè)定每個(gè)粒子的初始位置Xi和初始速度Vi；

Step3 用kNN算法進(jìn)行學(xué)習(xí)和訓(xùn)練，測(cè)試并記錄分類精度及選擇特征數(shù)量。根據(jù)式(4)計(jì)算粒子適應(yīng)度；

Step4 對(duì)每個(gè)粒子，將適應(yīng)度函數(shù)值f(xi)與自身的最優(yōu)值f(pbesti)進(jìn)行比較，如果f(xi)＜f(pbesti)，則用適應(yīng)值取代前一輪的優(yōu)化值，用新的粒子取代前一輪的粒子；

Step5 將每個(gè)粒子的最好適應(yīng)值f(xi)與所有粒子的最優(yōu)適應(yīng)值f(pbesti)進(jìn)行比較。如果f(xi)＜f(pbesti)，則用該粒子的最好適應(yīng)值取代原有全局最好適應(yīng)值，同時(shí)保存粒子的當(dāng)前狀態(tài)；

Step6 根據(jù)PSO的模型式(1)、(2)，更新粒子的速度和位置，產(chǎn)生新種群Xi+1，速度調(diào)整規(guī)則如下：當(dāng)vi＞Vmax時(shí)，vi=Vmax；當(dāng)vi≤-Vmax時(shí)，vi=-Vmax；

Step7 更新慣性因子w；

Step8 更新粒子的二進(jìn)制位；

Step9 檢查結(jié)束條件。若滿足，則結(jié)束尋優(yōu)，返回當(dāng)前最優(yōu)的特征子集及分類精度；否則增加迭代次數(shù)，使迭代次數(shù)T=T+1，轉(zhuǎn)至Step3。設(shè)定的結(jié)束條件為尋優(yōu)達(dá)到最大迭代次數(shù)Tmax或評(píng)價(jià)值小于給定精度。

2 情緒誘發(fā)實(shí)驗(yàn)

2.1 實(shí)驗(yàn)材料

不同情緒誘發(fā)實(shí)驗(yàn)中，采用佛羅里達(dá)大學(xué)NIMH情緒與注意研究中心的國(guó)際情感誘發(fā)圖片庫(kù)（International Affective Picture System,IAPS[16]）作為壓力狀態(tài)下不同情緒誘發(fā)實(shí)驗(yàn)的主要素材，該圖片庫(kù)中的圖片經(jīng)由大量被試進(jìn)行效價(jià)值和喚醒度評(píng)估，具有較高的信度。圖片庫(kù)中效價(jià)值和喚醒度的分值范圍為1～9，1表示效價(jià)值和喚醒度很低，9表示效價(jià)值和喚醒度很高，本文選擇IAPS中不同分值效價(jià)值和喚醒度的圖片來(lái)誘發(fā)不同的情緒，如表1所示。壓力狀態(tài)下不同緊張情緒程度的誘發(fā)實(shí)驗(yàn)采用不同位數(shù)加減心算任務(wù)進(jìn)行誘發(fā)。

表1 IAPS四種情緒誘發(fā)圖片素材效價(jià)值與喚醒度Tab.1 The valence and arousal of four kinds of emotion-induced pictures in IAPS

2.2 實(shí)驗(yàn)被試

實(shí)驗(yàn)被試共14人（男8人，女6人），來(lái)自上海交通大學(xué)，年齡22周歲～27周歲。身心健康、視覺(jué)聽(tīng)覺(jué)正常，過(guò)往無(wú)精神及神經(jīng)性疾病史，且自愿參與實(shí)驗(yàn)。實(shí)驗(yàn)前4小時(shí)內(nèi)未參與劇烈運(yùn)動(dòng)，實(shí)驗(yàn)前一周內(nèi)未使用任何藥品。實(shí)驗(yàn)開(kāi)始之前，使每位被試充分了解實(shí)驗(yàn)?zāi)康暮瓦^(guò)程，并進(jìn)行抗壓能力問(wèn)卷測(cè)試，均具有一定的抗壓能力。整個(gè)實(shí)驗(yàn)嚴(yán)格遵守赫爾辛基宣言（Declaration of Helsinki）。

2.3 實(shí)驗(yàn)設(shè)備

情緒誘發(fā)素材呈現(xiàn)采用高性能計(jì)算機(jī)系統(tǒng)(Intel(R) CoreTMi5-2310 CPU @2.90 GHz，4 GB DDR3 RAM，聯(lián)想，中國(guó)；17英寸專業(yè)顯示屏，300 cd/m2，分辨率為1280×768，垂直刷新率為75 Hz)。圖片及心算題目呈現(xiàn)屏幕與被試距離約50 cm。生理信號(hào)的檢測(cè)與記錄基于實(shí)驗(yàn)室自主研發(fā)的便攜式多生理參數(shù)采集設(shè)備，可采集心電、心率、呼吸率、皮膚阻抗、血氧飽和度、脈率、血壓等多種生理信號(hào)參數(shù)。其中，儀器心率監(jiān)測(cè)范圍在30 bpm～240 bpm，誤差≤2%，呼吸率誤差≤5%，皮膚阻抗誤差≤3%，血氧誤差≤2%，脈率誤差≤3%，血壓誤差在±1.3 kPa(10 mmHg)以內(nèi)。

2.4 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)一：不同視覺(jué)刺激下的情緒誘發(fā)采用十張同一類型情緒誘發(fā)圖片，每張圖片呈現(xiàn)12 s，整個(gè)過(guò)程持續(xù)2 min。被試在每次幻燈片播放結(jié)束后進(jìn)行2 min的情緒平復(fù)，并對(duì)該組圖片誘發(fā)的情緒進(jìn)行評(píng)估。正式實(shí)驗(yàn)開(kāi)始前，每位被試進(jìn)行一組預(yù)實(shí)驗(yàn)，使被試熟悉整個(gè)實(shí)驗(yàn)流程及實(shí)驗(yàn)環(huán)境。預(yù)實(shí)驗(yàn)圖片亦來(lái)自IAPS。

實(shí)驗(yàn)二：不同難度任務(wù)下的緊張情緒程度誘發(fā)壓力狀態(tài)下緊張情緒程度誘發(fā)采用具有不同難度級(jí)別的兩位數(shù)、三位數(shù)、四位數(shù)的加減法心算任務(wù)[17]。每道題目呈現(xiàn)時(shí)間為5 s，共125 s。被試被告知在規(guī)定時(shí)間內(nèi)盡量正確完成所有題目，如果獲得95%及以上正確率將獲得額外獎(jiǎng)勵(lì)。每組題目間被試有2 min的休息時(shí)間用于情緒平復(fù)。在三組心算任務(wù)完成后，要求被試對(duì)三組任務(wù)誘發(fā)的緊張程度進(jìn)行主觀評(píng)價(jià)。正式實(shí)驗(yàn)開(kāi)始前，同樣進(jìn)行一組預(yù)實(shí)驗(yàn)以使被試熟悉整個(gè)實(shí)驗(yàn)流程。

2.5 實(shí)驗(yàn)數(shù)據(jù)處理

通過(guò)不同情緒與不同難度任務(wù)下的緊張情緒程度誘發(fā)實(shí)驗(yàn)，獲得14位被試共98個(gè)生理信號(hào)樣本數(shù)據(jù)。依據(jù)被試的主觀問(wèn)卷，最后共甄選出有效生理信號(hào)樣本數(shù)據(jù)89個(gè)。其中，平靜情緒樣本數(shù)據(jù)14個(gè)，恐懼情緒樣本數(shù)據(jù)10個(gè)，興奮情緒樣本數(shù)據(jù)12個(gè)，厭煩情緒樣本數(shù)據(jù)11個(gè)，低緊張程度下樣本數(shù)據(jù)14個(gè)，適中緊張程度下樣本數(shù)據(jù)14個(gè)，高緊張程度下樣本數(shù)據(jù)14個(gè)。為了消除被試個(gè)體間生理數(shù)據(jù)差異，本文將所獲得的恐懼、興奮、厭煩、低緊張程度、適中緊張程度、高緊張程度下的樣本數(shù)據(jù)減去每位被試平靜情緒狀態(tài)下基線生理數(shù)據(jù)，得到去除基線生理樣本數(shù)據(jù)，即33個(gè)三類情緒樣本數(shù)據(jù)，42個(gè)三種緊張程度樣本數(shù)據(jù)。完成數(shù)據(jù)的預(yù)處理后，根據(jù)表2對(duì)各類生理信號(hào)數(shù)據(jù)樣本進(jìn)行特征提取，最終得到33個(gè)特征。

表2 六種生理信號(hào)提取的特征Tab.2 Feature selection of six physiological signals

3 實(shí)驗(yàn)結(jié)果與分析

基于多生理信號(hào)的壓力狀態(tài)下情緒識(shí)別算法采用Matlab實(shí)現(xiàn)。針對(duì)壓力狀態(tài)下的三種情緒進(jìn)行分類識(shí)別，將33個(gè)三類情緒樣本中的21個(gè)樣本子集作為訓(xùn)練集，其余12個(gè)樣本子集作為測(cè)試集。對(duì)去除基線生理數(shù)據(jù)的樣本和未去除基線生理數(shù)據(jù)的樣本分別進(jìn)行訓(xùn)練、測(cè)試，得到識(shí)別結(jié)果如表3所示。ALL指包含BP、HR、RR、PR、SpO2、SC的生理信號(hào)集合。

表3 生理信號(hào)及其特征組合對(duì)壓力狀態(tài)下三類情緒狀態(tài)的識(shí)別結(jié)果Tab.3 The classification of three stress emotions by physiological signals and their features’ combination

對(duì)壓力狀態(tài)下的緊張程度進(jìn)行識(shí)別，將42個(gè)緊張程度樣本數(shù)據(jù)集中的30個(gè)樣本子集作為訓(xùn)練集，將剩余12個(gè)樣本子集作為測(cè)試集。對(duì)去除基線生理數(shù)據(jù)的樣本和未去除基線生理數(shù)據(jù)的樣本分別進(jìn)行訓(xùn)練、測(cè)試，得到識(shí)別結(jié)果如表4所示。

表4 生理信號(hào)及特征組合對(duì)壓力狀態(tài)下三種緊張程度的識(shí)別結(jié)果Tab.4 The classification of three tension degrees by physiological signals and their features’ combination

本研究采用了信效度較高的IAPS圖片系統(tǒng)來(lái)設(shè)計(jì)情緒誘發(fā)實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)中被試主觀問(wèn)卷評(píng)價(jià)，所誘發(fā)的特定情緒具有更高的可靠性。如表3與表4所示，通過(guò)PSO-kNN算法對(duì)情緒相關(guān)生理數(shù)據(jù)進(jìn)行識(shí)別，三類不同情緒的平均識(shí)別率為75%，三種不同緊張程度的平均識(shí)別率為83.33%。其中，去除基線生理信號(hào)樣本的識(shí)別率均高于相應(yīng)未去除基線的結(jié)果。說(shuō)明通過(guò)去除基線生理信號(hào)消除個(gè)體間生理信號(hào)的差異，能夠有效提高壓力狀態(tài)下的情緒識(shí)別效果。同時(shí)，由結(jié)果可以看出，優(yōu)化選擇后的多種生理信號(hào)特征組合比單一生理信號(hào)特征更能提高識(shí)別算法的識(shí)別效果。在多次樣本訓(xùn)練中，舒張壓、心率最大值最小值差和脈率最小值這三種特征均被多次選入三類情緒識(shí)別的最優(yōu)子集特征，表明這三種生理信號(hào)特征對(duì)壓力狀態(tài)下的多類情緒識(shí)別具有重要意義；在三種緊張程度識(shí)別訓(xùn)練結(jié)果中，心率方差、心率最大值和呼吸率方差特征多次被選中，說(shuō)明這三種生理信號(hào)特征有助于壓力狀態(tài)下緊張情緒程度的識(shí)別。與Nasoz等人直接采用kNN算法識(shí)別結(jié)果相比，本文結(jié)合去除基線情感及PSO算法對(duì)多種生理信號(hào)的多種特征進(jìn)行優(yōu)化選擇后，再用kNN分類能得到更好的識(shí)別效果。

4 總結(jié)與展望

本文采用IAPS圖片視覺(jué)刺激與心算任務(wù)實(shí)驗(yàn)實(shí)現(xiàn)三類情緒和三種壓力程度的誘發(fā)，建立起情緒相關(guān)生理信號(hào)樣本庫(kù)。通過(guò)PSO特征優(yōu)化找到了有效識(shí)別壓力情緒的六種特征向量，并利用kNN算法實(shí)現(xiàn)了壓力狀態(tài)下的情感計(jì)算與壓力程度識(shí)別。實(shí)驗(yàn)結(jié)果表明，采用PSO-kNN算法針對(duì)三種情緒的識(shí)別有效率達(dá)到75%，壓力程度的識(shí)別率達(dá)到83.33%。通過(guò)基線去除及PSO特征優(yōu)化，與傳統(tǒng)的未進(jìn)行特征優(yōu)化選擇的kNN相比，具有更好的識(shí)別效果。為情感計(jì)算研究中生理信號(hào)處理及模式識(shí)別算法研究提供一定的參考。

未來(lái)的工作將在實(shí)驗(yàn)室環(huán)境下進(jìn)一步擴(kuò)展壓力狀態(tài)下的情緒相關(guān)多生理數(shù)據(jù)樣本，研究更為有效的特征提取算法及最優(yōu)特征組合，從而更加完善壓力狀態(tài)下基于多生理信號(hào)的情緒識(shí)模型。并將情緒識(shí)別模型推廣到實(shí)際應(yīng)用中，如運(yùn)動(dòng)員賽前緊張情緒程度識(shí)別等。

[1] Parker H.Stress Management[M].Delhi,IND:Global Media,2007.

[2]Kiecolt-Glaser JK,McGuire L,Robles TF,et al.Psychoneuroimmunology:psychological influences on immune function and health[J].J Consult Clin Psychol,2002,70(3):537.

[3]Lazarus RS.Stress and emotion:A new synthesis[M]New York:Springer Publishing Company,2006.

[4]Cowie R,Douglas-Cowie E,Tsapatsoulis N,et al.Emotion recognition in human-computer interaction[J].IEEE Signal Proc Mag,2001,18(1):32-80.

[5]Kreibig SD.Autonomic nervous system activity in emotion:A review[J].Biol Psychol,2010,84(3):394-421.

[6] Picard RW.Affective computing[M].Cambridge:The MIT Press,1997.

[7]Picard RW,Vyzas E,Healey J.Toward machine emotional intelligence:Analysis of affective physiological state[J].IEEE T Pattern Anal Mach Intell,2001,23(10):1175-1191.

[8]Nasoz F,Alvarez K,Lisetti CL,et al.Emotion recognition from physiological signals using wireless sensors for presence technologies[J].Cogn Technol Work,2004,6(1):4-14.

[9]Kim KH,Bang S,Kim S.Emotion recognition system using shortterm monitoring of physiological signals[J].Med Biol Eng Comput,2004,42(3):419-427.

[10]Wagner J,Kim J,André E.From physiological signals to emotions:Implementing and comparing selected methods for feature extraction and classification[C].ICME 2005.

[11]牛曉偉,劉光遠(yuǎn).基于遺傳算法的生理信號(hào)情感識(shí)別[J].西南大學(xué)學(xué)報(bào) (自然科學(xué)版),2007,(9):026-030.

[12]林時(shí)來(lái),劉光遠(yuǎn),張慧玲.蟻群算法在呼吸信號(hào)情感識(shí)別中的應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(2):169-172.

[13]Zhai J,Barreto A.Stress detection in computer users based on digital signal processing of noninvasive physiological variables[C].EMBS'28,2006.

[14]Setz C,Arnrich B,Schumm J,La Marca R,Troster G,Ehlert U.Discriminating stress from cognitive load using a wearable EDA device[J].IEEE T Inf Technol Biomed,2010,14(2):410-417.

[15]Eberhart RC,Shi Y.Comparing inertia weights and constriction factors in particle swarm optimization[C].Proc Cong Evol Comput,2000.

[16]Lang PJ,Bradley MM,Cuthbert.International affective picture system (IAPS):Affective ratings of pictures and instruction manualR].Technical Report A-8,2008.

[17]黃志劍,王魏芳,楊健梅.緊張狀態(tài)下優(yōu)秀運(yùn)動(dòng)員動(dòng)態(tài)心理特征分析[J].武漢體育學(xué)院學(xué)報(bào),2006,40(3):33-37.