硕士论文__蚁群优化算法用于生理信号情感状态识别中的研究.pdf

西南大学 硕士学位论文 蚁群优化算法用于生理信号情感状态识别中的研究 姓名：马长伟 申请学位级别：硕士 专业：信号与信息处理 指导教师：刘光远 20100501 摘要 蚁群优化算法用于生理信号情感状态识别中 的研究木 信号与信息处理专业硕士研究生马长伟 指导教师刘光远教授 摘要 随着计算机技术的迅猛发展，人机交互也逐渐受到研究者的重视。情感计算是当前新兴 的课题之一，目的是赋予计算机识别、理解、表达和适应人情感的能力，使其能够感知情感， 适时做出响应与并与用户进行情感交流。情感识别是情感计算研究的关键问题之一，生理信 号情感识别的主要步骤中，数据采集和预处理受被试和设备的影响较大，特征提取方法和分 类器的设计相对成熟，改进程度不大，而特征选择是值得我们深入考虑的问题。特征选择本 质上是组合优化问题。蚁群优化算法( a n tc o l o n yo p t i m i z a t i o n ，a c o ) 是一种基于群智能的全 局优化算法，具有编码简单、计算速度快、种群多样性好、易于理解和实现等特点，非常适 合解决组合优化问题。论文以心电信号( e l e c t r o c a r d i o g r a p h y , e c g ) 和肌电信号 ( e l e c t r o m y o g r a p h y , e m g ) 为研究对象，将局部搜索和变异策略引入到蚁群优化算法中，结 合引入增量k 的k 近邻分类器( k n e a r e s tn e i g h b o r , k n n ) 进行情感识别，获得了的较好效 果。具体做了以下工作： ( 1 ) 利用小波变换后r 波与s 波幅度绝对值之和以及r r 间隔的信息来定位q r s 复合 波位置，以便提取统计特征，准确率达到9 9 5 以上。 ( 2 ) 针对生理信号情感识别中的特征组合优化问题，将计算智能的思想引入到情感生理 信号的特征选择中，比较了蚂蚁系统( a n t s y s t e m ，a s ) 和蚁群系统( a n t c o l o n y s y s t e m ，a c s ) 两种算法在两组数据集合下的识别结果；将局部搜索策略和变异引入a c s 用于特征选择，对 高兴和悲伤两种情感分类，较大程度提高了正确识别率和算法的收敛速度；将a c s 特有的伪 随机比例规则引入到最大最小蚂蚁系统( m a x m i na n ts y s t e m ，m m a s ) 中，同样结合了局 部搜索和变异策略，用于特征选择，在保证一定识别率的同时，得到有效的特征组合。以上 分类器均为k n n 。 ( 3 ) 对于实验室采集的被试处于平静、高兴、惊奇、厌恶、悲伤、愤怒和恐惧七种不同 情感状态下的e m g 信号，经特征提取后，用i m m a s 结合f i s h e r 分类器进行特征选择，从多 国家自然科学基金( n a t i o n a ln a t u r a ls c i e n c ef o u n d a t i o no f c h i n a n o 6 0 8 7 3 1 4 3 ) ；西南大学国家重点学科基础 心理学科研基金( t h eu n i v e r s i t yf o u n d a t i o nf o rb a s i cp s y c h o l o g yn o n k s f 0 7 0 0 3 ) 西南大学硕十学位论文 种情感中识别出一种情感。从初步的实验仿真结果中，得到了一些在一定程度上能代表某种 情感的特征组合。 关键词：蚁群优化算法生理信号情感识别特征选择 i i a b s t r a c t a s t u d yo f a f f e c t i v es t a t e sr e c o g n i t i o nba s e d o na n t c o l o n yo p t i m i z a t i o nf r o mp h y s i o l o g i c a l s i g n a l s m a jo r ：s i g n a la n di n f o r m a t i o np r o c e s s i n g s u p e r v i s o r ：p r o f g u a n g y u a nl i u a u t h o r ：c h a n g w e im a ( 1 12 0 0 7 3150 0 0 0 36 ) a bs t r a c t w i t ht h er a p i dd e v e l o p m e n to fc o m p u t e rt e c h n o l o g y , t h ew i s hf o ru s i n gc o m p u t e r sf o rh u m a n s e r v i c e si ss t r o n g e ra n ds t r o n g e r , e m o t i o nc o m p u t i n ga i m sa te n d u i n gc o m p u t e rw i t ht h ea b i l i t yo f r e c o g n i t i o n ，c o m p r e h e n s i o n ，e x p r e s s i o na n da d a p t i n gh u m a ne m o t i o n s ，a n de n a b l i n gi tt op e r c e i v e e m o t i o n s ，t h u st h ec o m p u t e rc a l lm a k eat i m e l yr e s p o n s ea n dh a r m o n i o u se m o t i o n a lc o m m u n i c a t i o n w i t ht h eu s e r s e m o t i o nr e c o g n i t i o ni sa ni m p o r t a n tp a r to fe m o t i o nc o m p u t i n g g e n e r a l l ys p e a k i n g ， d a t aa c q u i s i t i o na n dp r e p r o c e s s i n gi sa f f e c t e db yo b j e c t sa n de q u i p m e n t ，a n dt h em e t h o d so ff e a t u r e e x t r a c t i o na n dc l a s s i f i e rd e s i g na r em a t u r er e l a t i v e l y , h o w e v e r , f e a t u r es e l e c t i o ni sw o r t h yo f c o n s i d e r i n g a s a ns w a r m i n t e l l i g e n c e b a s e dg l o b a lo p t i m i z a t i o na l g o r i t h m ，a n tc o l o n y o p t i m i z a t i o n ( a c o ) i sv e r ys u i t a b l ef o rs o l v i n gc o m b i n a t o r i a lo p t i m i z a t i o np r o b l e m s a c oh a s f e a t u r e ss u c ha ss i m p l ec o d e ，f a s tc a l c u l a t i n gs p e e d ，g o o dp o p u l a t i o nd i v e r s i t y , e a s yt ou n d e r s t a n d a n di m p l e m e n t i no r d e rt oo b t a i nah i g h e re m o t i o nr e c o g n i t i o nr a t i oa n da ne f f e c t i v ef e a t u r ef u s i o n , w ea d o p ta c ow i t hf i s h e rc l a s s i f i e ra n dk - n e a r e s tn e i g h b o r ( k n l q ) i n t r o d u c i n gi n c r e m e n tk t h e f o l l o w i n gw o r k sh a v eb e e nd o n e ： i no r d e rt oe x t r a c tf e a t u r e s ，w el o c a t et h ep o s i t i o no fq r sc o m p l e xt h r o u g ht h es u mo f a m p l i t u d ea b s o l u t ev a l u e so fr - w a v ea n ds - w a v e ，t o g e t h e rw i t ht h ed u r a t i o nb e t w e e nr - w a v e s ，t h e r a t i or e a c h9 9 5 ， g i v e nt h ep r o b l e mo fc o m b i n a t i o no p t i m i z a t i o no ff e a t u r e si nt h er e c o g n i t i o no fp h y s i o l o g i c a l s i g n a l s ，t h et h o u g h to fc o m p u t a t i o n a li n t e l l i g e n c ew a si n t r o d u c e dt ot h ef e a t u r es e l e c t i o no f e m o t i o n a lp h y s i o l o g i c a ls i g n a l s ，a n dt h ei d e n t i f i c a t i o nr e s u l t so ft w og r o u p so fd a t as e t , u s i n ga n t s y s t e m ( a s ) a n dc o l o n ys y s t e m ( a c s ) r e s p e c t i v e l y , w e r ec o m p a r e d l o c a ls e a r c hs t r a t e g ya n d v a r i a t i o nw e r ea d o p t e dt oa c sf o rf e a t u r es e l e c t i o n ，a n dk n nw a su s e dt or e c o g n i z eh a p p i n e s sa n d s a d n e s s ，i nt h eh o p eo fi m p r o v et h er e c o g n i t i o nr a t eo fe m o t i o n sa n dt h ec o n v e r g e n c er a t eo f a l g o r i t h m t h ea c s s p e c i f i cp s e u d o - r a n d o mp r o p o r t i o n a lr u l e ，c o m b i n e dw i t hl o c a ls e a r c ha n d v a r i a t i o ns t r a t e g i e s ，w a si n t r o d u c e di n t om m a s ( m a x m i na n ts y s t e m ) f o rf e a t u r es e l e c t i o n ，t h e i i i 两南大学硕十学何论文 i m p r o v e m e n to fc o n v e r g e n c er a t ea n dt h ea c q u i s i t i o no fh i g hr e c o g n i t i o nr a t ea n de f f e c t i v ef e a t u r e c o m b i n a t i o n o u rl a bc o l l e c t e de m gs i g n a l su n d e r7e m o t i o ns t a t e s ，i n c l u d i n gc a l m n e s sh a p p i n e s s ，s u r p r i s e ， d i s g u s t ，g r i e f , a n g e ra n df e a r t h r o u g hf e a t u r ee x t r a c t i o n ，w eu s em m a sw i t hf i s h e rc l a s s i f i e rt o s e l e c tf e a t u r e s ，a n dd oo n e - v s r e s tc l a s s i f i c a t i o ns i m u l a t i o n s ，t h u so b t a i n e ds o m eu s e f u lf e a t u r e c o m b i n a t i o n k e yw o r d s ：a n tc o l o n yo p t i m i z a t i o n ，p h y s i o l o g i c a ls i g n a l s ，e m o t i o nr e c o g n i t i o n ，f e a t u r e s e l e c t i o n i v 独创性声明 学位论文题目：数乏孚丛丝墨逸日生至里j 圭型磊盘驱至丝：星j 拿玉盈盏 本人提交的学位论文是在导师指导下进行的研究工作及取得的研 究成果。论文中引用他人已经发表或出版过的研究成果，文中已加了 特别标注。对本研究及学位论文撰写曾做出贡献的老师、朋友、同仁 在文中作了明确说明并表示衷心感谢。 学位论文作者：鸣艺( 扣签字日期：o l 口年岁月2 ，) 日 学位论文版权使用授权书 本学位论文作者完全了解西南大学有关保留、使用学位论文的规 定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允 许论文被查阅和借阅。本人授权西南大学研究生院( 筹) 可以将学位 论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩 印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书，本论文：口不保密， 口保密期限至年月止) 。 学位论文作者张马匕( 扣导师鲐夕。( 杰之 7 。， 签字日期： 妇c 口年 月1 日签字日期：力卜年r 厅7 日 | 第一章绪论 第一章绪论 1 1 研究背景 有关人类情感的研究，早在1 9 世纪末就进行了。美国m i t 大学的m i n s k y 教授在 1 9 8 5 年他的专著“t h es o c i e t yo f m i n d “ 中提出，问题不在于智能机器能否有任何 情感，而在于机器实现智能时怎么能够没有情感1 1 】。从此，赋予计算机情感能力并 让计算机能够识别、理解、感知和表达情感的研究和探讨引起了计算机界许多人 士的广泛兴趣。美国m i t 媒体实验室的p i c a r d 教授在1 9 9 5 年的技术报告【2 j 中最先给 出情感计算一词“a f f e c t i v ec o m p u t i n g ”的定义：情感计算是指对与情绪有关的， 由情绪引发的，或是能够影响情绪的因素的计算，并在此报告的基础上于1 9 9 7 年 出版了第一部关于情感计算的专著( ( a f f e c t i v ec o m p u t i n g ) ) 【3 j ，引起了大量研究者 的关注。 情感计算主要研究内容包括：( 1 ) 情感机理的研究：情感状态判别及与生理 和行为之间的关系。任何一种情感状态都可能会伴随几种生理或者行为特征的变 化；而某些生理或行为特征也可能起因于数种情感状态，它们之间的关系是非常 密切的。( 2 ) 情感生理信号的获取：通常由各类传感器得到。传感器应是易于制 造的、不影响用户的、数据安全可靠的并且无害的。m i t 媒体实验室的传感器研制 进展较快，己研制出的皮肤电流传感器可实时测量皮肤的导电系数，其变化可测 量用户的紧张程度；脉压传感器可监测脉压变化；肌电流传感器可以测得肌肉运 动时的弱电压值。( 3 ) 情感信号的分析、情感建模与识别：将情感生理信号与情 感机理方面的相应内容对应起来，对所获得的信号进行建模和识别。( 4 ) 情感的 理解：通过对情感的获取、分析与识别，计算机可了解被试当前所处的情感状态， 以便对其情感变化做出适当的行为反应。( 5 ) 情感表达：对某种情感状态，如何 使这一情感状态在一种或几种生理或行为特征中体现出来。例如：如何在语音和 面部表情中得以体现，能够与用户进行情感交流。( 6 ) 情感生成：研究计算机或 机器人如何模拟或生成情感，开发虚拟或实体的情感机器人及其应用系统的机器 情感生成理论、方法和技术。 在人与人的实际交流中，识别他人所处的情感状态是人类情感智能的核心【4 】， 情感计算研究的重点就在于通过各种传感器获取由人的情感所引起的生理及行为 特征的生物电信号，通过分析进而识别情感，最终创建感知、识别和理解人类情 感的能力，并能针对用户的情感做出智能、友好、灵敏反应的个人计算系统，营 造真正和谐的人机环境。要使计算机具有情感智能，首先计算机要能够正确的识 西南大学硕十学何论文 别人类的情感。情感识别是靠观察人类的表情、行为和情感产生来推断情感状态 的。情感总会伴随着某种表情，面部表情、姿态表情或语调表情。这三种表情构 成了人类的非言语交往方式。当然，也可以使用多种生理模式识别方式，例如： e e g ，呼吸，血压，皮肤电导，瞳孔直径等等。假设所测数据可靠，那么潜在的 情感就很可能被推断出来。由此可见，用模式识别的方法解决情感识别问题，人 机交互才具有可行性。 常用的情感识别方法有面部表情、身体姿态和语音信号分析法，以及心理学 上常用的问卷调查法【5 】，其结果一般会受到被试和主试的主观因素影响，而生理信 号的变化只受人的自主神经系统和内分泌系统支配，不受人的主观控制，因而应 用生理信号测量法所得数据更能客观地反应被试的真实情感。情感生理反应特异 性问题一直存在着争议。e k r n a n 等人通过所做的一系列实验得出结论：至少对于某 些情感来说其生理反应是特异的【4 棚；p i c a r d 教授带领的m i t 实验小组率先证明从生 理信号中提取特征模式进行情感识别是可行的 6 - 7 。 如何对获取的情感生理信号进行情感状态识别是情感计算的关键i s 。从感知信 号中提取特征、分析和研究情感与各种生理信号的关系，是近几年国际上逐渐兴 起的一个非常重要的研究方向。 1 2 国内外研究现状及存在问题 对于生理信号情感识别的研究，从国际上来说，m i t 媒体实验室的研究结果是 比较全面的，h e a r d 教授系统地分析总结了各种影响生理信号采集的因素，介绍了 几种特征提取和分类方法【9 j ，并率先证明从生理信号中提取特征模式来进行情感识 别是可行的，与惠普公司合作，其研究成果已经有很多产品化。h e a l e y 用1 1 个特征 识别8 种情感，识别率达到8 0 9 0 【1 0 1 。h a a g 等用1 3 个特征识别3 种不同唤醒度的 正负效价情感状态，采用多层感知器算法( m u l t i l a y e rp e r c e p t r o n ，m l p ) ，对唤醒度 和效价的识别率分别达到9 6 5 8 和8 9 9 3 t 1 1 】。n a s o z 等人运用k n n 、确定的有穷自 动机( d e t e r m i n i s t i ch n i t e a u t o m a t a , d f a ) 分类6 种情感，识别率分别为7 1 6 、7 4 3 和8 3 7 【1 2 】。德国的a u g s b u r g 大学计算科学研究所也做了很多工作【1 3 】，他们主要针 对识别率的研究，着重比较了不同的特征选择方法和不同分类器相结合的识别效 果；韩国的飚m 、b a l l g 和k i m 采集了在自然情绪诱发下的5 0 名被试的生理信号，运 用支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 对分类3 种和4 种情绪的识别率分别 达到y 7 8 4 和6 1 8 1 4 】。法国的o i l l o n 和l i s e t t i 对情感识别中的共同问题：用户依 赖和刺激材料的主观性，进行了讨论【l5 1 。i b m 实施“蓝眼计划”使计算机能未卜 先知，知道用户想要干什么，它可以感知人的动作和行为，并能实时做出相应的 反应与人进行交互。 2 第一章绪论 在国内，很多大学都在做情感识别的研究工作，但是生理信号情感识别的研 究相对较少，江苏大学效仿m i t 在建立自己的生理信号情感数据库，从e c g 、s c 、 皮肤温度( s k i nt e m p e r a t u r e ，s k t ) 、呼吸信号( r e s p i r a t i o n ，r s p ) 中提取特征来进 行情感识别方面的研究，达到8 5 3 的识别率【l6 1 ，辅助表情行为观察和情绪主观感 受报告，识别多个被试的情绪。结果对恐惧，快乐和轻松达到t 8 6 7 识别率【l 踟。 表1 1 给出了国内情感识别领域的一些研究单位及主要研究方向。 表1 1 国内情感识别研究的主要研究方向 研究单位主要研究方向 清华大学 情感语音识别分析；汉语普通话情感分析；人脸表情视 频分析；人脸表情图像结构分析；多模态多通道的情感 分析 中国科- # g 学t i ：院 g o 计l g ：算技 研究带有表情和动作的虚拟人 ，i 、v l “，l 咿l h l l jr 1 协l 同。i 叫j l r u j 肚j 弘八 中国骠动化 研究基于生物特征的身份验证 研究所 “尘。j - 例1 。“刀w 。“ 立：影专囔塞芫： 研究情绪心理学、生理学研究 研究所、生物研究所 “旧州。“。1 、_ l 。川朋 中国科裳璧软件研 研究情感智能用户界面 究所 圳儿旧诅削“”w 引叫 浙江大学研究虚拟人物、情绪系统构造 东南大学 哈尔滨工业大学 北京科技大学 江苏大学 重庆大学 北京工业大学 语音情感识别 具有六种面部表情及视觉的类人头像型机器人及行为 研究 研究人工心理和情感模型的建立 效仿m i t 也在建立自己的情感数据库 研究智能服务、增强现实、环境感知、台智能手表等 多功能感知机同情感计算的融合研究 南京航空航天大学 研究语音情感计算 目前，国内外有关情感识别的生理信号包括：e m g 、e c g 、r s p 、s c 、脑电 图( e l e c t r o e n c e p h a l o g r a m ，e e g ) 、血容量搏动( b l o o dv o l u m ep u l s e ，b v p ) 、皮肤 电反应( g a l v a n i cs k i nr e f l e x ，g s r ) 、皮肤温度( s k i nt e m p e r a t u r e ，s k t ) 、光电脉搏 ( p h o t o p l e t h y s m o g r a p h y , p p g ) 、眼动( e l e c t r o o c u l o g r a m ，e o g ) 等生理信号，这些 3 两南大学硕士学何论文 信号能表达出不同的情感信息。表1 2 列出了国内外基于生理信号的情感识别的部 分研究结果： 表1 2国内外基于生理信号的情感识别的部分研究结果 从前人的研究结果可知：生理信号用于情感状态识别是可行的。在用多种生 理信号进行识别时，提取的特征比较多，进行特征选择会取得比较好的识别效果。 但是在情感识别领域还存在很多问题，主要有以下几点： ( 1 ) 人类情感究竟存在哪几种基本情感。 ( 2 ) 没有给出哪种特征或特征组合对识别特定情感是比较有效的。 ( 3 ) 没有符合人类情感规律并适于机器实现的情绪模型。 ( 4 ) 如何从多模态的角度进行情感信息融合、识别与理解。 在心里学领域，对情感的研究虽然有很长的历史，但到还没有一种统一的定 义。一些理论家认为存在几种基本的情感，其他的各种情感都是这些“基本”情 感的不同程度的修改和组合【1 7 1 。在目前的情感模式中，人们常把研究的目标投向 某几种基本情感，比如高兴、悲伤、生气、害怕和惊奇等。o r t o n y 、c l o r e 和c o l l i n 于1 9 8 8 年总结出了一个基本情感表【l 鄙，如表1 3 。 4 第一章绪论 表1 3 基本情感的不同类别 研究者基本情感 a n g e r ，a v e r s i o n ，c o u r a g e ，d e j e c t i o n ，d e s i r e ，d e s p a i r , f e a r , h a t e ， a m o l d h o p e ，l o v e ，s a d n e s s e k m a n ，f r i e s e n ，& e l l s w o r t h a n g e r ，d i s g u s t , f e a r , j o y , s a d n e s s ，s u r p r i s e f r i d j ad e s i r e ，h a p p i n e s s ，i n t e r e s t , s u r p r i s e ，w o n d e r s o r r o w g r a yr a g ea n dt e r r o r , a n x i e t y , j o y a n g e r ，c o n t e m p t ，d i s g u s t , d i s t r e s s ，f e a r , g u i l t , i n t e r e s t , j o y , s h a m e ， i z a r d s u r p r i s e j a m e s f e a r , 鲥e l , l o v e ，r a g e m c d o u g a l la n g e r , d i s g u s t ，e l a t i o n ，f e 虬s u b j e c t i o n ，t e n d e r - e m o t i o n ，w o n d e r m o w e r p a i n , p l e a s u r e o a t l e y & j o h n s o n - l a i r da n g e r ，d i s g u s t ，a n x i e t y , h a p p i n e s s ，s a d n e s s p a n k s e p pe x p e c t a n c y , f e a r , r a g e ，p a n i c p l u t c h i k a c c e p t a n c e ，a n g e r a n t i c i p a t i o n ，d i s g u s t ，j o y , f e 戤s a d n e s s ，s u r p r i s e t o m k i n s a n g e r ，i n t e r e s t , c o n t e m p t ，d i s g u s t ，d i s t r e s s ，f e a r , j o y , s h a m e ，s u r p r i s e w a t s o n f e a r , l o v er a g e w e i n e r & g r a h a m h a p p i n e s s ，s a d n e s s 在上表中，有四种情感最普遍，它们是恐惧、愤怒、悲伤和高兴。其次是厌 恶和惊奇两种情感，表中的其他所列项就有分歧了。如果能够找到哪种特征或特 征组合对识别特定情感是比较有效的，那么我们就可以通过代表某种情感的特征 建立生理信号情感识别模型，进而结合语音、表情识别进行多模态的角度进行情 感信息融合、识别与理解，实现自然和谐的人机交互平台环境。 1 3 研究意义 当代科学技术的迅速发展，计算机越来越在人类的生活中发挥重要作用，让 计算机理解、识别，进而使其具有人的情感状态，也就是进行情感计算，在人机 交互领域越来越受到重视。生理信号是伴随情感变化由人体内分泌系统控制产生 的一种生物电信号，相比其他形式的情感识别方法，通过分析它更能够客观的反 映当时所处的情绪状态。在情感识别中，主要研究的生理信号包括e c g ，s c 、s k t ， e e g ，e m g ，r s p 和p p g 等等。人的生理变化只受自主神经和内分泌系统支配，不 受其主观控制，所以，采用生理信号测量法得到的数据更为真实客观。由于在信号 采集中各种干扰比较明显，而生理信号本身又是极其微弱的，这样，对实验研究 5 两南人学硕十学位论文 的准确程度造成了较大的影响。幸运的是，近几年来，由于电子和传感器技术的 迅速发展，由于设备造成的影响渐渐减小，真实表达被试情感的优势逐步显示， 基于生理信号情感识别的研究具有非常重要的意义。 如果能准确找出最能代表某种情感的特征或某些特征组合，就可以有效的识 别情感，甚至进行和谐的人机对话，这无疑具有巨大的商业价值。此时可以不借 助于其它操作设备，而是利用感知到的一种或多种生理信号与计算机进行交互， 更加灵活、方便【1 9 】；情感识别还可以用在学习伴侣、疾病和情绪预测、帮助青少 年节制网络成瘾，此外，对健康评估也有很好的应用价值。总之，情感识别的前 景十分广阔。 一般来说，越多的信息越能得到正确的结果，但是，这却是以分类器的设计 难度为代价的。在情感识别中，信息是以特征来表示的，信息的增多即是维数的 增多，但不是所有的维数都包含有用信息，相反，某些信息可能是冗余的甚至是 错误的，很容易导致维数灾难。这时，就需要去掉冗余的、甚至错误的特征，保 留对分类最有效的部分特征进行识别，这个过程就是特征选择。特征选择是整个 实验过程中非常重要的一步，它的好坏直接影响最终的效果，特征选择算法对分 类器快速准确的识别情感具有至关重要的作用。 特征选择1 2 0 】算法是从原始的d 维特征集中选出最优的d 维( d 5 0 m s 的个数占一定时间r r 间 期总个数的百分比 心率分布的均值先求得n n 间隔的分布，再用式( 3 2 ) 计算 心率分布的中值先求得n n 问隔的分布，再求其中值 心率分布的标准差 先求得n n 间隔的分布，再用式( 3 3 ) 计算 心率分布的最小值先求得b i n 间隔的分布，再求其最小值 e c g h r v d i s t r - m a x 心率分布的最大值先求得n n 间隔的分布，再求其最大值 e c # r v d i s t r - r a n g e 心率分布的最大最小值之差先求得n n 间隔的分布，再用式( 3 6 ) 计算 e c g h r v d i s t r - t r i i n d 心率分布的n n 比值 e c g h r v - s p e c r a n g e i e c g h r v s p e c r a n g e 2 先求得n n 间隔的分布，再用n n 分布的总和除 以n n 分布的最大值 心率变异性功率谱的均值 信号频率位于0 o 至0 2 h z 2 _ 间 心率变异性功率潜的均值信号频率位于0 2 至o 4 h z 之_ 间 e c g h r v - s p e c r a n g e 3 心率变异性功率谱的均值信号频率位于o 4 全0 6 h z 之间 e c g h r v s p e c r a n g e 4 心率变异性功率谱的均值信号频率位于o 6 至0 8 h z z 间 4 9 两南大学硕十学位论文 曼曼! ! 曼! ! ! ! ! 曼曼曼鼍曼蔓皇曼曼! 皇 附录二 附录 m a x - c a 2 m i n c a 2 低频第二层小波系数最大值小波分解后计算最大值 低频第二层小波系数最小值小波分解后计算最小值 p o w - c a 2低频第二层小波系数能量小波分解后计算能量 m e a n c d 2高频第二层小波系数均值小波分解后用式3 2 计算 m e d i a n - c d 2高频第二层小波系数中值小波分解后求中值 s t d c d 2 m a x c d 2 m i n ，c d 2 p o w - c d 2 高频第二层小波系数标准差小波分解后用式3 3 计算 高频第二层小波系数最大值小波分解后计算最大值 高频第二层小波系数最小值小波分解后计算最小值 高频第二层小波系数能量小波分解后计算能量 m e a n - c a 3低频第三层小波系数均值小波分解后用式3 2 计算 m e d i a n c a 3 低频第三层小波系数中值小波分解后求中值 s t d - c a 3低频第三层小波系数标准差小波分解后用式3 3 计算 m a x - c a 3 m i n c a 3 p o w - c a 3 m e a n c d 3 m e d i a n c d 3 s t d - c d 3 低频第三层小波系数最大值小波分解后计算最大值 低频第三层小波系数最小值小波分解后计算最小值 低频第三层小波系数能量小波分解后计算能量 高频第三层小波系数均值小波分解后用式3 2 计算 高频第三层小波系数中值小波分解后求中值 高频第三层小波系数标准差小波分解后用式3 3 计算 m a x - c d 3高频第三层小波系数最大值小波分解后计算最大值 m i n c d 3 高频第三层小波系数最小值小波分解后计算最小值 p o w - c d 3 m e a n c a 4 高频第三层小波系数能量小波分解后计算能量 低频第四层小波系数均值小波分解后用式3 2 计算 m e d i a n c a 4低频第p n q 层小波系数中值小波分解后求中值 s t d c a 4 m a x - c a 4 m i n c a 4 p o 、v - c a 4 m e a n c d 4 m e