买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:贵州大学;北京化工大学
摘要: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。
主权项:1.一种基于HRV特征和三层SVR的PAD情绪维度预测方法,其特征在于,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: 其中,V1-V12代表每行记录的数值;设置样本集{x1,y1,x2,y2,...,xn,yn},其中xi=xi1,xi2,...,xim表示HRV特征向量,设置样本输入数据x与预测值y之间的函数关系表达式如下: 其中,是m维列向量,ω=ω1,ω2,...,ωmT是m维权向量,b为偏置值;将HRV特征作为回归预测模型的特征向量,使用SVR模型对PAD三维进行预测和分析;还包括:设置常量ε>0,对于样本xi,yi,若SVR模型完全没有损失,否则SVR模型对应的损失为SVR模型的损失函数如下: 根据结构风险最小化准则,确定ω和b的约束条件,对目标函数进行优化,构建最优化准则,以使损失函数最小,所述最优化准则的计算公式如下: 其中,J为目标函数,ei∈R为松弛向量,c为正则化函数;使用拉格朗日函数将公式7转化为对偶形式,计算公式如下: 其中,J为目标函数,n为样本个数,αi为拉格朗日因子,ω=ω1,ω2,...,ωmT为m维权向量,为m维列向量,b为偏置值,ei为松弛向量,y为预测值;令公式8对ω、b、αi和ei的偏导数均为0,求得最优解如下: 其中,ω=ω1,ω2,...,ωmT为m维权向量,n为样本个数,αi为拉格朗日因子,为m维列向量,y为预测值,b为偏置值,ei为松弛向量,c为正则化函数;获得预测值y,计算公式如下: 其中,为核函数;还包括:标准化处理样本矩阵,计算公式如下: 其中,n为样本个数,m为影响因素个数;获得相关系数矩阵R,计算公式如下: 其中,计算所述相关系数矩阵R的特征值λ=λ1,λ2,...,λm和特征向量ai=a1,a2,...,am,而且选择前K个因素,获得累计贡献度,计算公式如下: 根据前K个特征向量形成降维矩阵Y=[a1,a2,...,aK],降维后的特征矩阵为X'=X·Y。
全文数据:
权利要求:
百度查询: 贵州大学 北京化工大学 基于HRV特征和三层SVR的PAD情绪维度预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。