情趣萝莉-糗百成人版 基于心率变异性特征和PCA-SVR的PAD维度心情展望分析

糗百成人版 基于心率变异性特征和PCA-SVR的PAD维度心情展望分析

发布日期:2024-10-05 05:34  点击次数:142

糗百成人版 基于心率变异性特征和PCA-SVR的PAD维度心情展望分析

小序

心情磋磨是指由心情激励的、和心情相关的或者对心情有影响或起决定作用的磋磨[1]。心情磋磨是东说念主机交互中一个伏击的参议标的,常用的心情磋磨中的输入信号有图像、音频、文本和生理信号[2],而相关于图像等输入信号,生理信号有着不易装束的特质,更能反应出信得过的心情气象,因此在临床会诊和调理上有着不成替代的上风和伏击作用[2]。在基于生理信号的心情磋磨规模,应用最多的生理信号是脑电图,其次是心电图和心率变异性(heart rate variability,HRV)等数据[2],其中HRV相关于脑电图在浅近生存中更容易获得,又比心电图更直不雅糗百成人版,好像使得心情的浅近检测愈加便捷。HRV是指贯穿心率间期的变化情况,好像反应腹黑自主神经系统对心血管的调遣,不错手脚测量和调遣心情反应的时候[3]。

现在,基于生理信号的心情磋磨模子有两种[4],一种是龙套心情模子,另一种是维度心情模子。龙套心情模子将心情分红几类,举例得意、大怒、缅怀等[5]。龙套心情模子现在在心情识别规模中已得到庸俗的应用。He等[6]蚁合了11名志愿者的心电图和呼吸信号,摆布扶植向量机对4种心情进行了识别,针对4种心情的识别准确率分别达到了81.82%、63.64%、54.55%和30.00%。Guo等[7]摆布HRV信号对积极和凄怨两种心情气象进行了识别,准确率分别达到了71.4%和56.9%。Cai等[8]摆布脑电图对抑郁和非抑郁两种心情气象进行识别,准确率达到86.98%。但心情的变化时时是贯穿的、渐变的,心情气象亦然复杂的,而龙套心情模子不及以样式信得过的心情气象。维度心情模子是将心情气象映射到贯穿的空间中,将龙套的心情气象看作是不同维度上的贯穿的组合,好像反应心情的强度,阐扬出复杂的多类心情的混杂气象,弥补了龙套心情模子的不及[9]。PAD(pleasure:愉悦度;arousal:叫醒度;dominance:上风姿)三维心情模子和效价-叫醒二维心情模子[10]是常用的维度心情模子。连年来,维度心情模子在生理信号心情磋磨上的应用十分庸俗。Song等[11]摆布脑电信号对维度心情进行了识别,在愉悦度、叫醒度和上风姿上的准确率分别达到了86.23%、84.54% 和85.02%。Samara等[12]摆布脑电信号在效价和叫醒两个维度上对心情进行了识别,准确率分别达到79.83%和60.43%。

在贯穿维度心情的展望上,Keren等[13]摆布皮肤电行径和心电图对叫醒和效价两个维度进行了展望,其一致性干系统统分别达到了0.430和0.407, 平均值小于0.5。Yu等[14]基于图像和心率对愉悦、叫醒和上风这3个维度心情进行展望,在3个维度上的一致性干系统统分别达到了0.253 0、0.101 4和0.052 1,平均值小于0.3。这些参议固然计划了维度心情的贯穿性问题,但展望精度仍然不及。跟着东说念主工智能的发展,神经蚁合和扶植向量回来(support vector regression, SVR)常被用于回来展望中。神经蚁合锻练的数据需求量大,因此关于小样本的生理信号,SVR更具上风[15]。因主因素分析(principal component analysis,PCA)好像减少输入向量的维数,裁减磋磨的复杂性,本文以PAD三维心情模子为基础,从浅近生存中易于获得的心率和心率间期中提真金不怕火HRV特征,并摆布PCA对HRV特征降维,终末经SVR模子锻练展望PAD维度的数值。斥逐标明本文所提设施在3个维度上的平均一致性干系统统达到了0.51,比较于SVR、极限学习机(extreme learning machine, ELM)、基于PCA和ELM的展望设施具有更好的展望精度,且优于文件[14]、[15]中的设施。此外,本文提倡的设施好像量化地反应心情气象,为心情气象提供了更为考究的辞别,在情态调理的追踪方面具有上风,可简化情态疾病调理中屡次对患者症状进行评级的过程,以数值直不雅地反应出心情气象的进度,再勾通传感器及可一稔建筑,便于心情的浅近检测。

1 PAD三维心情模子

PAD三维心情模子是由Mehrabian和Russell[16]于1974年提倡的维度心情表面,在PAD心情表面中,心情被分为3个维度,其中P暗示愉悦度(pleasure)、A暗示叫醒度(arousal)、D暗示上风姿(dominance)。愉悦度暗示个体心情的积极或凄怨气象,叫醒度暗示个体生理神经的叫醒进度,上风姿暗示个体关于环境和他东说念主的斥逐进度。PAD三维心情模子如图 1所示。

图 1 PAD三维心情模子 Fig.1 PAD three-dimensional model

在PAD心情模子中,心情坐标的评定是通过一套基于PAD模子策画的量表来完成的。Mehrabian[17]编制了一个包括34个款式的无缺量表,计划到某些情况下需要参与者对心情气象进行屡次评价,于是进一步提倡了简化的PAD心情量表,其华文版如表 1所示。李晓明等[18]对简化的PAD心情量表进行了中国化的编削,考据了华文简化版PAD量表的灵验性。简化PAD心情量表系数12项,每项为一组词意对立的心情词汇,分值从-4到4,可说明本人执行感受按照量表中所给词汇进行打分,举例第一项中数值若是为-4代表大怒进度最高,若是为4代表感兴趣进度最高。PAD数值可通过PAD量表磋磨得到,具体公式为

$ \left\{\begin{array}{l} { Value }_{\mathrm{P}}=\left(V_{1}-V_{4}+V_{7}-V_{10}\right) / 4 \\ { Value }_{\mathrm{A}}=\left(-V_{2}+V_{5}-V_{8}+V_{11}\right) / 4 \\ {Value}_{\mathrm{D}}=\left(V_{3}-V_{6}+V_{9}-V_{12}\right) / 4 \end{array}\right. $ (1) 下载CSV 表 1 简化版PAD心情量表 Table 1 Abbreviated PAD emotion scale

式中,V1~V12代表每行记载的数值。通过PAD数值标注,将龙套的心情气象映射到贯穿的维度空间中,以维度心情的数值来暗示心情气象,体现了心情的贯穿性[19]。

2 基于PCA-SVR的展望模子 2.1 主因素分析

主因素分析行将一组具有一定干系性的特搜集转念成一组互不干系的特征[20],是一种常用的降维设施。

关于尺度化处分样本S,其原始元素为sij,尺度化后元素为sij*,磋磨式为

$ \begin{array}{l} \ \ \ \ \ \ \ \ s_{i j}^{*}=\frac{s_{i j}-\bar{s}_{j}}{\sqrt{\frac{1}{n-1} \sum\limits_{i=1}^{n}\left(s_{i j}-\bar{s}_{j}\right)^{2}}}, i=1, 2, \cdots,最新伦理片 n ; j= \\ 1, 2, \cdots, m \end{array} $ (2)

式中,n为样本个数,m为影响因素个数。磋磨干系统统矩阵R

$ \boldsymbol{R}=\left[\begin{array}{ccccc} r_{11} & r_{12} & \cdots & r_{1 m-1} & r_{1 m} \\ r_{21} & r_{22} & \cdots & r_{2 m-1} & r_{2 m} \\ \vdots & \vdots & \vdots & \vdots & \vdots \\ r_{n 1} & r_{n 2} & \cdots & r_{n m-1} & r_{n m} \end{array}\right] $ (3)

式中,$ r_{i j}=\text { Cov }\left(\sqrt{\frac{1}{n-1} \sum\limits_{i=1}^{n}\left(s_{i j}-\bar{s}_{i}\right)^{2}}, \sqrt{\frac{1}{n-1} \sum\limits_{i=1}^{n}\left(s_{i j}-\bar{s}_{j}\right)^{2}}\right)$,磋磨R的特征值λ=(λ1, λ2, …, λm)和特征向量ai=(a1, a2, …, am),并选拔前K个因素求累计孝顺度

$ \theta=\sum\limits_{i=1}^{K} \lambda_{i} / \sum\limits_{i=1}^{m} \lambda_{i} $ (4)

由前K个特征向量构成的降维矩阵P=[p1, p2, …, pK],降维后的特征矩阵S′=SP。

2.2 扶植向量回来

扶植向量回来所以统计学为基础,将输入向量非线性地变换到高维特征空间中, 然后在高维特征空间中进行线性回来, 以达成在原空间的非线性回来,达到理思学习的成果[21]。

假定样本集为{(x1, y1), (x2, y2), …, (xn, yn)}糗百成人版,其中xi=(xi1, xi2, …, xim)暗示特征向量。SVR主要用于求得样本输入数据x对应的展望值y。假定x与y之间的函数关系抒发式为

$ y=f(\boldsymbol{x})=\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}(\boldsymbol{x})+b $ (5)

式中,φ(x)=(φ1(x), φ2(x), …, φm(x))T是m维列向量;ω=(ω1, ω2, …, ωm)T是m维权向量,暗示进行线性回来时的权重;b为偏置值。输入数据x映射到m维的特征空间内酿成φ(x), 使得φ(x)与y的关系为线性关系,输入数据空间内的非线性拟合问题变为高维特征空间内的线性拟合问题。

SVR遴选ε-不解锐函数手脚耗费函数。最初,针对具体问题界说一个常量ε > 0,关于某同样本(xi, yi),若是|yi-ωTφ(xi)-b|≤ε,则十足莫得耗费,不然对应的耗费为|yi-ωTφ(xi)-b|-ε。即ε-不解锐函数可整理为

$ \begin{aligned} &e\left(\boldsymbol{x}_{i}\right)= \\ &\left\{\begin{array}{l} 0, \left|y_{i}-\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right)-b\right| \leqslant \varepsilon \\ \left|y_{i}-\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right)-b\right|-\varepsilon, \left|y_{i}-\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right)-b\right|>{\varepsilon} \end{array}\right. \end{aligned} $ (6)

为使耗费函数最小,基于结构风险最小化准则,详情ω和b的敛迹条目并对方针函数进行优化,构建最优化准则

$ \left\{\begin{array}{l} \min J \mid J=\frac{1}{2} \boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\omega}+\frac{1}{2} c \sum\limits_{i=1}^{n} e_{i}^{2} \\ y_{i}=\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right)+b+e_{i} \end{array}\quad i=1, 2, \cdots, n\right. $ (7)

式中,J为方针函数,ei为松懈变量,c为正则化函数。摆布拉格朗日函数将式(7)回荡为对偶体式

$ \begin{array}{l} \ \ \ \ \ \ \ \ L(\boldsymbol{\omega}, b, e, \alpha)=J-\sum\limits_{i=1}^{n} \alpha_{i}\left\{\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right)+b+e_{i}-\right. \\ \left.y_{i}\right\} \end{array} $ (8)

式中αi为拉格朗日因子。用式(8)求解最优解,令式(8)对ω、b、αi和ei的偏导均为0,可得

$ \begin{aligned} &\boldsymbol{\omega}=\sum\limits_{i=1}^{n} \alpha_{i} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right) \\ &\sum\limits_{i=1}^{n} \alpha_{i}=0 \\ &y_{i}=\boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{\varphi}\left(\boldsymbol{x}_{i}\right)+b+e_{i} \\ &e_{i}=-\alpha_{i} / c \end{aligned} $ (9)

整理可得

$ y=f(\boldsymbol{x})=\sum\limits_{i=1}^{n} \alpha_{i} K\left(\boldsymbol{x}, \boldsymbol{x}_{i}\right)+b $ (10)

式中,径向基核函数K(x, xi)=φ(x)Tφ(xi)。

2.3 基于PCA-SVR的PAD展望经过

本文中所提的基于HRV特征和PCA-SVR的PAD展望设施勾通可一稔建筑,从压力脉搏获得的心率和心率间期数据中提真金不怕火HRV时域、频域和非线性特征,经过PCA抽取HRV主因素后经SVR模子锻练展望得到PAD数值。具体设施如下。

1) 经过造就实验获得相应心情气象的心率和心率间期数据,并通过PAD量表进行标注。

2) 从心率和心率间期数据中提真金不怕火HRV时域、频域和非线性特征,并通过PCA提真金不怕火HRV的主因素特征。

3) 按照2∶1的比例辞别锻练集和测试集,终末经SVR锻练展望得到PAD的3个维度的展望值。

3 实验与分析 3.1 实验数据

本文摆布装置了柔性离子传感器的一稔建筑[22],通过配套的Matlab软件接管传感器发送的数据。共蚁合了12名志愿者经视频和音乐造就后的心率和心率间期数据,每组数据包含火暴和松开两种心情气象,视频是由电影片断裁剪而成,造就火暴心情,音乐是一首冷静的钢琴和管弦民谣,造就松得意情。传感器及一稔建筑如图 2所示。数据蚁合过程中,志愿者保抓坐立姿势,在视频和音乐事后,让志愿者分别填写两次PAD量表,说明量表中各项数值磋磨PAD数值。通过PAD数值的标注,达成从龙套的心情气象到贯穿空间的映射。说明文件[16],火暴心情的PAD数值领域为(ValueP < 0, ValueA > 0, ValueD < 0),松得意情的PAD数值领域为(ValueP>0, ValueA < 0, ValueD > 0)。说明由PAD量表磋磨得到的PAD数值是否在对应的心情领域内来判断数据的灵验性。

图 2 传感器及一稔建筑 Fig.2 The sensor and the wearable device 3.2 HRV特征提真金不怕火

通过对蚁合数据进行时域、频域和非线性分析,共提真金不怕火了19维特征,如表 2所示。其中接管均值和方差等统计设施提真金不怕火了8个时域特征,对应表中编号1~8;说明Welch功率谱法[23]提真金不怕火了7个频域特征,对应表中编号9~15;说明Poincaré散点图[24]、熵分析[25]和分形维数[26]提真金不怕火了4个非线性特征,对应表中编号16~19。

反差 为不知 下载CSV 表 2 HRV特征 Table 2 HRV features 3.3 主因素提真金不怕火

HRV特征经PCA处分得到主因素孝顺率和累计孝顺度,如表 3所示。

下载CSV 表 3 主因素孝顺率及累计孝顺度 Table 3 Principal component contribution rate and cumulative contribution

当摆布PCA对特征进行分析的累计孝顺度大于85%时,可以为现时主因素已包含原始数据中的信息,且累计孝顺度越大,包含的信息越多[27]。说明主因素孝顺度,本文选拔累计孝顺度直至达到99%的前12个主因素(对应于表 3中主因素1~12)手脚SVR模子的输入特征。

3.4 性能目的

本文接管均方过错EMS(MSE)、干系统统ρ和一致性干系统统ρc对模子进行评价,其公式如下。

$ E_{\mathrm{MS}}=\frac{1}{n} \sum\limits_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)^{2} $ (11) $ \rho=\frac{\operatorname{Cov}(y, \hat{y})}{\sigma_{y} \sigma_{\hat{y}}} $ (12) $ \rho_{\mathrm{c}}=\frac{2 \rho \sigma_{y} \sigma_{\hat{y}}}{\sigma_{y}^{2}+\sigma_{\hat{y}}^{2}+(\bar{y}-\bar{\hat{y}})^{2}} $ (13)

式中,y和$\hat{y} $为生机输出和展望输出,n为测试集样本个数,σy和$\sigma_{\hat{y}} $分别为生机输出和展望输出的尺度偏差。MSE越小,展望斥逐越准确,ρ越接近于1,展望输出与生机输出的拟合度越高,ρc越接近于1,判辨模子的全体阐扬越好。

3.5 实验斥逐与分析

关于2.3节中辞别的锻练集和测试集,其中单一心情气象的锻练集样本个数为8个,测试集样本个数为4个,混杂心情气象的锻练集样本个数为16个,测试集样本个数为8个。接管本文所提设施在单一心情气象和混杂心情气象下分别通过实验进行展望,并与SVR、ELM[28]和基于PCA的ELM(PCA-ELM)这3种展望设施进行了对比,其中松得意情气象下的展望斥逐如表 4所示,火暴心情气象下的展望斥逐如表 5所示,松开和火暴两类混杂心情气象下的展望斥逐如表 6所示。

下载CSV 表 4 松得意情气象下的回来展望斥逐 Table 4 Regression prediction results for relaxed emotion 下载CSV 表 5 火暴心情气象下的回来展望斥逐 Table 5 Regression prediction results for anxious emotion 下载CSV 表 6 混杂心情气象下的回来展望斥逐 Table 6 Regression prediction results for mixed emotion

勾通表 4、表 5的展望斥逐不错看出,在松得意情气象下,P维度上PCA-SVR设施相关于SVR设施仅在MSE上有所晋升,在D维度上ρ和MSE均有晋升,而在A维度上3个目的均有所裁减。在火暴心情气象下,PCA-SVR设施相关于SVR设施在P维度上ρ晋升较大,而ρc有所裁减,A维度上MSE晋升较大,而ρ稍有裁减,D维度上ρ晋升较大,ρc有所裁减。在两种单一心情气象下,PCA-SVR设施相关于SVR设施ρc王人有所着落,判辨在单一心情气象下,PCA-SVR模子相关于SVR模子的上风并不彰着。从表 6的展望斥逐不错看到,在混杂心情气象下,PCA-SVR模子在A维度上的MSE稍差于SVR模子;在D维度上ρ和ρc稍有着落,MSE有所晋升;在P维度上,3个目的均有所晋升。从3个维度详尽来看,PCA-SVR相关于ELM、PCA-ELM和SVR在ρc上分别晋升了0.10、0.04和0.14,且在另外两个目的上也有不同进度的晋升,因此在全体上PCA-SVR具有更好的展望成果。

在单一心情气象下,从4种设施的评价目的不错得到,经过PCA处分的模子(PCA-SVR和PCA-ELM)相关于原有模子(SVR和ELM)晋升成果不彰着以至莫得晋升,原因是在单一心情气象下的锻练数据较少,不同设施的展望斥逐互异较大。松开和火暴两类混杂心情气象下PCA-SVR模子在3个维度上的标注值和展望值对比如图 3~5所示。

图 3 P维度标注值与展望值对比 Fig.3 Comparison of labeled values and predicted values in the P dimension 图 4 A维度标注值与展望值对比 Fig.4 Comparison of labeled values and predicted values in the A dimension 图 5 D维度标注值与展望值对比 Fig.5 Comparison of labeled values and predicted values in the D dimension

从图 3~5不错看出,在P维度和A维度上,PCA-SVR模子好像很好地反应出心情变化情况,而在D维度上展望值的变化趋势与标注值比较并不很是吻合。勾通表 6中目的,PCA-SVR模子能很好地在愉悦度和叫醒度上识别和展望心情,在上风姿上的展望成果相关于其他两个维度较差,判辨在区分愉悦-非愉悦和叫醒-非叫醒上PCA-SVR模子具有更好的成果。

详尽以上实验斥逐,本文所提设施能在一定进度上反应出心情变化的趋势,关于某些凄怨心情的预警有一定的指令作用。关于需要考究辞别的心情,通过PAD数值展望不错达到精细辞别的目的,在心情识别和分析方面起到了补充作用。

4 斥逐语

本文提倡了基于HRV特征和PCA-SVR的PAD维度心情展望模子。在混杂心情气象下的3个维度上MSE平均仅为1.03,ρ平均达到0.78,ρc平均为0.51,对比SVR、ELM和PCA-ELM这3个模子,PCA-SVR模子在3个评价目的上均有晋升,其中在一致性干系统统上分别晋升了0.14、0.10和0.04,同期展望精度优于文件[14](ρc < 0.5)和文件[15](ρc < 0.3)中使用的设施。本文提倡的设施能以较高的准确性展望PAD维度数值,不错直不雅地反应心情的进度糗百成人版,是对心情识别时候的补充。通过本文所提设施可简化心情干系疾病的调理过程中屡次评级的过程,能更直不雅地暗示心情的进度,且HRV信号便于获得,勾通可一稔建筑更顺应浅近生存中的心情检测。在昔时的参议中,会计划更多类型的心情,推行数据集,并在展望模子上作出创新。



相关资讯
热点资讯
  • 友情链接:

Powered by 情趣萝莉 @2013-2022 RSS地图 HTML地图

Copyright © 2013-2024