CN103892821A - 基于心电信号的情感识别模型生成装置及其方法 - Google Patents

Abstract

一种基于心电信号的情感识别模型生成装置，包括：采集模块、定位模块、提取模块、降维模块、选择模块以及建立模块。其中：采集模块采集心电信号；定位模块通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波；提取模块根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集；降维模块通过相关性分析对所述原始特征集降维得到降维特征集；选择模块从所述降维特征集中选出最优特征子集；建立模块根据所述最优特征子集建立情感识别模型。本发明有效地降低了最优特征子集的维数，提高了情感识别模型的情感识别率。

Description

基于心电信号的情感识别模型生成装置及其方法

技术领域

本发明涉及情感识别技术，尤其涉及基于心电信号的情感识别模型生成装置及其生成情感识别模型的方法。

背景技术

情感识别是赋予机器识别人类情感能力的一种人机交互技术，现已逐渐成为人机交互领域的研究热点。目前情感识别的研究领域包括基于面部表情的情感识别、基于语音信号的情感识别、基于文字的情感识别、基于肢体运动的情感识别和基于生理信号的情感识别。其中基于生理信号的情感识别最为可靠但却也最为困难。心电信号作为人体的重要生理信号，蕴含了丰富的人类情感信息，使用单一的心电信号用于情感识别比使用多种生理信号更为简单、可行。

目前技术中缺乏优秀的情感模型，识别效果也有待提高。在申请号为CN200910150458.4的专利中，使用了语音信号进行情感识别。较之语音信号，人体的生理信号更不易受到外界因素和人体主观意识到控制，因此更加准确，可靠，但是，其情感的识别需要12个特征。文献“Using GA-based Feature Selecton for Emotion Recognition fromPhysiological Signals”使用多生理信号进行情感识别，但是仅使用了来自28名被试的5种生理信号，对每种生理信号提取了6种简单的统计特征，以图片为情感激发素材，特征选择和情感分类的方法为遗传算法结合KNN分类器，对情感的最高识别率仅为78%；文献“A Method ofEmotion Recognition Based on ECG Signal”中使用了二进制粒子群算法（BPSO）和杂交粒子群算法（HPSO）进行特征选择，对高兴、悲伤、高兴/悲伤的平均识别率风别为88.93%、87.79%和88.43%，其中使用到的相应特征子集的个数分别为16、15和16，其特征子集维数仍有待降低。

发明内容

有鉴于此，有必要提供一种基于心电信号的情感识别模型生成装置及其生成情感识别模型的方法。

本发明提供的基于心电信号的情感识别模型生成装置，包括：采集模块、定位模块、提取模块、降维模块、选择模块以及建立模块。其中：采集模块，用于采集心电信号；定位模块，用于通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波；提取模块，用于根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集；降维模块，用于通过相关性分析对所述原始特征集降维得到降维特征集；选择模块，用于从所述降维特征集中选出最优特征子集；建立模块，用于根据所述最优特征子集建立情感识别模型。

本发明提供的基于心电信号的生成情感识别模型的方法，包括以下步骤：采集心电信号；通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波；根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集；通过相关性分析对所述原始特征集降维得到降维特征集；从所述降维特征集中选出最优特征子集；根据所述最优特征子集建立情感识别模型。

本发明提供的基于心电信号的情感识别模型生成装置及其生成情感识别模型的方法，通过基于三次B样条小波的选择系数法定位心电信号的P-QRS-T波，并提取心电信号的特征，形成原始特征集，通过相关性分析对原始特征集降维得到降维特征集，有效地降低了最优特征子集的维数，且根据最优特征子集建立的情感识别模型情感识别率较高。

附图说明

图1为本发明一实施方式中基于心电信号的情感识别模型生成装置的模块图；

图2为本发明一实施方式利用基于心电信号的情感识别模型生成装置来生成情感识别模型的方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。

请参阅图1，图1所示为本发明一实施方式中情感识别模型生成装置10的模块图。

在本实施方式中，情感识别模型生成装置10包括：采集模块102、定位模块104、提取模块106、降维模块108、选择模块110、建立模块112、存储器114以及处理器116。其中，采集模块102、定位模块104、提取模块106、降维模块108、选择模块110以及建立模块112存储在存储器114中，处理器116用于执行存储在存储器114中的功能模块。

采集模块102用于采集心电信号。

定位模块104用于通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波。

在本实施方式中，三次B样条小波具有结构简单，紧支性，正交性好等特点。

在本实施方式中，M阶B样条函数N_m(x)定义为：

$N_m=\frac{1}{(m-1)!}{\▿}^m{x}^{m-1}$

它的双尺度关系为：

$N_m\left(x\right)=\underset{k=0}{\overset{m}{\mathrm{\Σ}}}{\left(2^{-m+1}\right)}_k^m{N}_m(2x-k)$

对它进行傅立叶变换后，得到尺度函数为：

$\mathrm{\φ}\left(\mathrm{\ω}\right)=\left[\frac{\sin \frac{\mathrm{\ω}}{2}}{\frac{\mathrm{\ω}}{2}}\right]$

其对应的小波函数为：

当n=1时，该函数即被构造为三次样条小波函数。

小波函数与小波变换的等效离散滤波器传递函数g(n)之间有如下关系：

其中h(n)和g(n)为正交镜像滤波器，它们之间的关系为：

|H(ω)|²+G(ω)K(ω)=1

由以上关系可以得到：

$H\left(\mathrm{\ω}\right)=\frac{\mathrm{\Φ}\left(2\mathrm{\ω}\right)}{\mathrm{\Φ}\left(\mathrm{\ω}\right)}=e^{-j\frac{\mathrm{\ω}}{2}}{\left(\cos \frac{\mathrm{\ω}}{2}\right)}^3$

${\left(\cos \frac{\mathrm{\ω}}{2}\right)}^3=\frac{1}{4}[\cos \frac{3\mathrm{\ω}}{2}+3\cos \frac{\mathrm{\ω}}{2}]$

进行z变换，即：

$H\left(z\right)=\frac{1}{8}z+\frac{3}{8}+\frac{3}{8}{z}^{-1}+\frac{1}{8}{z}^{-2}$

G(z)=2(z-1)

至此，得到了两个重要的参数，即低通滤波器的系数Lo=[1/8,3/8,3/8,1/8]，高通滤波器的系数Hi=[2,-2]。

在本实施方式中，定位模块104使用三次B样条小波将原始心电信号分解为8层，其中第1层重构高频系数代表心电信号的高频噪声，第8层重构低频系数代表心电信号中的低频噪声（基线漂移等）。

在本实施方式中，心电信号中QRS波群的能量主要集中在第2、3、4层小波，因此，定位模块104使用第二层高频重构系数（d2）、第三层高频重构系数（d3）、第四层高频重构系数（d4）来代表QRS波群，即：

e1=d2+d3+d4

由于信号e1代表的是QRS波群，所以不太容易从e1中直接检测到R波的峰值，所以引入另一个信号：

e2=e1×((d3)×(d2+d4)/2⁸)

e2使得R波波峰位置变得十分明显，e2中的幅度极大点的位置即对应心电信号的R波波峰位置。

在本实施方式中，Q点和S点的检测是基于R波的准确定位。因为Q点和S点分别是R波峰之前和之后的一个拐点。因此定位模块104取e1信号的一阶差分，记为f。在f信号中，R波峰位置之前的第一个过零点的位置记为L_Q，R波峰位置之后的第一个过零点的位置记为L_S，则L_Q+1与L_S+1分别为Q点和S点的位置。

在本实施方式中，P波和T波的能量主要集中在小波的第5层，第6层，第7层和第8层。但第8层中包含较多的噪声，因此，定位模块104采用第5层高频重构系数（d5）,第6层高频重构系数（d6）和第7层高频重构系数（d7）来检测P波和T波，记为：

e3=d5+d6+d7

在信号e3中，T波波峰位置是S点位置之后的第一个幅度极大值所在的位置，而P波波峰位置则是Q点位置之前的第一个幅度极大值所在的位置。

提取模块106用于根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集。

在本实施方式中，提取模块106基于P波、R波、T波的波峰以及Q点和S点的位置提取特征。提取的特征包括：1）相邻P波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；2）相邻Q点位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；3）相邻R波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；4)相邻S点位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；5)相邻T波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；6）P波波峰-Q点位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；7）Q点-R波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；8）R波波峰-S点位置间隔的的均值、中值、标准差、最大值、最小值、最大值最小值之差；9）S点-T波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；10）P波波峰幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；11）R波波峰幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；12）T波波峰幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；13）心率变异性（R-R间期时间序列）的均值、中值、标准差、最大值、最小值、最大值最小值之差；14）心率变异性的pnn50（相邻正常RR间期差值>50ms所占百分比），心率变异性的pnn30（相邻正常RR间期差值>30ms所占百分比），信号频率位于0.0-0.2Hz之间、0.-0.4Hz之间、0.4-0.6Hz之间、0.6-0.8Hz之间的心率变异性功率谱的均值。

降维模块108用于通过相关性分析对所述原始特征集降维得到降维特征集。

在本实施方式中，所述相关性分析是指去掉两两相关的特征中多余的一个，由线性相关函数r_xy来实现：

$r_{\mathrm{xy}}=|\left(\frac{1}{n}\underset{i}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})\right)/\left(\sqrt{\frac{1}{n}\underset{i}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})}\sqrt{\frac{1}{n}\underset{i}{\overset{n}{\mathrm{\Σ}}}(y_i-\stackrel{\‾}{y})}\right)|$

其中，r_xy表示线性相关系数，x、y表示两个特征，x_i和y_i分别为x和y的第i个样本值，

和分别为x和y的均值，n表示特征集的样本个数。

所述降维模块108逐一使用所述原始特征集中的单个特征对情感进行识别与分类，逐个度量每个特征的分类能力，并对其进行排序，然后利用线性相关函数r_xy求取两两特征之间的相关系数，并形成线性相关系数矩阵。

在本实施方式中，当r_xy较大时，就线性关系来说表明x与y联系较紧密；当r_xy等于1时就说明x与y之间存在着线性关系；当较小时，则之间的线性相关性小，相关程度较差。

所述降维模块108判断所述线性相关系数矩阵中的相关系数是否大于阈值，并在相关系数大于阈值时保留排序靠前的特征，并组成所述降维特征集。

在本实施方式中，阈值为0.95。

在本实施方式中，相关系数r_xy>阈值，r_xz>阈值，则证明x、y、z是三个相关的特征，则降维模块108根据排序保留排序最靠前的一个特征。

选择模块110用于从所述降维特征集中选出最优特征子集。

在本实施方式中，选择模块110通过蚁群算法、遗传算法等从所述降维特征集中选出最优子集。

建立模块112用于根据所述最优特征子集建立情感识别模型。

请参阅图2，图2所示为本发明一实施方式利用基于心电信号的情感识别模型生成装置10来生成情感识别模型的方法的流程图。

在本实施方式中，基于心电信号生成情感识别模型的方法包括以下步骤：

在步骤S202，采集模块102采集心电信号。

在步骤S204，定位模块104通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波。

在本实施方式中，步骤S204包括：定位模块104通过所述三次B样条小波将所述心电信号分解为8层，QRS波群在其中第2～4层较为明显，而P波及T波在5～7层较为明显。

具体地，在本实施方式中，M阶B样条函数N_m(x)定义为：

$N_m=\frac{1}{(m-1)!}{\▿}^m{x}^{m-1}$

它的双尺度关系为：

$N_m\left(x\right)=\underset{k=0}{\overset{m}{\mathrm{\Σ}}}{\left(2^{-m+1}\right)}_k^m{N}_m(2x-k)$

对它进行傅立叶变换后，得到尺度函数为：

$\mathrm{\φ}\left(\mathrm{\ω}\right)=\left[\frac{\sin \frac{\mathrm{\ω}}{2}}{\frac{\mathrm{\ω}}{2}}\right]$

其对应的小波函数为：

当n=1时，该函数即被构造为三次样条小波函数。

小波函数与小波变换的等效离散滤波器传递函数g(n)之间有如下关系：

其中h(n)和g(n)为正交镜像滤波器，它们之间的关系为：

|H(ω)|²+G(ω)K(ω)=1

由以上关系可以得到：

$H\left(\mathrm{\ω}\right)=\frac{\mathrm{\Φ}\left(2\mathrm{\ω}\right)}{\mathrm{\Φ}\left(\mathrm{\ω}\right)}=e^{-j\frac{\mathrm{\ω}}{2}}{\left(\cos \frac{\mathrm{\ω}}{2}\right)}^3$

${\left(\cos \frac{\mathrm{\ω}}{2}\right)}^3=\frac{1}{4}[\cos \frac{3\mathrm{\ω}}{2}+3\cos \frac{\mathrm{\ω}}{2}]$

进行z变换，即：

$H\left(z\right)=\frac{1}{8}z+\frac{3}{8}+\frac{3}{8}{z}^{-1}+\frac{1}{8}{z}^{-2}$

G(z)=2(z-1)

至此，得到了两个重要的参数，即低通滤波器的系数Lo=[1/8,3/8,3/8,1/8]，高通滤波器的系数Hi=[2,-2]。

在本实施方式中，定位模块104使用三次B样条小波将原始心电信号分解为8层，其中第1层重构高频系数代表心电信号的高频噪声，第8层重构低频系数代表心电信号中的低频噪声（基线漂移等）。

在本实施方式中，心电信号中QRS波群的能量主要集中在第2、3、4层小波，因此，定位模块104使用第二层高频重构系数（d2）、第三层高频重构系数（d3）、第四层高频重构系数（d4）来代表QRS波群，即：

e1=d2+d3+d4

由于信号e1代表的是QRS波群，所以不太容易从e1中直接检测到R波的峰值，所以引入另一个信号：

e2=e1×((d3)×(d2+d4)/2⁸)

e2使得R波波峰位置变得十分明显，e2中的幅度极大点的位置即对应心电信号的R波波峰位置。

在本实施方式中，Q点和S点的检测是基于R波的准确定位。因为Q点和S点分别是R波峰之前和之后的一个拐点。因此定位模块104取e1信号的一阶差分，记为f。在f信号中，R波峰位置之前的第一个过零点的位置记为L_Q，R波峰位置之后的第一个过零点的位置记为L_S，则L_Q+1与L_S+1分别为Q点和S点的位置。

在本实施方式中，P波和T波的能量主要集中在小波的第5层，第6层，第7层和第8层。但第8层中包含较多的噪声，因此，定位模块104采用第5层高频重构系数（d5）,第6层高频重构系数（d6）和第7层高频重构系数（d7）来检测P波和T波，记为：

e3=d5+d6+d7

在信号e3中，T波波峰位置是S点位置之后的第一个幅度极大值所在的位置，而P波波峰位置则是Q点位置之前的第一个幅度极大值所在的位置。

在步骤S206，提取模块106根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集。

在本实施方式中，提取模块106基于P波、R波、T波的波峰以及Q点和S点的位置提取特征。提取的特征包括：1）相邻P波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；2）相邻Q点位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；3）相邻R波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；4)相邻S点位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；5)相邻T波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；6）P波波峰-Q点位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；7）Q点-R波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；8）R波波峰-S点位置间隔的的均值、中值、标准差、最大值、最小值、最大值最小值之差；9）S点-T波波峰位置间隔的均值、中值、标准差、最大值、最小值、最大值最小值之差；10）P波波峰幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；11）R波波峰幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；12）T波波峰幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；13）心率变异性（R-R间期时间序列）的均值、中值、标准差、最大值、最小值、最大值最小值之差；14）心率变异性的pnn50（相邻正常RR间期差值>50ms所占百分比），心率变异性的pnn30（相邻正常RR间期差值>30ms所占百分比），信号频率位于0.0-0.2Hz之间、0.-0.4Hz之间、0.4-0.6Hz之间、0.6-0.8Hz之间的心率变异性功率谱的均值。

在步骤S208，降维模块208通过相关性分析对所述原始特征集降维得到降维特征集。

在本实施方式中，所述相关性分析是指去掉两两相关的特征中多余的一个，由线性相关函数r_xy来实现：

$r_{\mathrm{xy}}=|\left(\frac{1}{n}\underset{i}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})\right)/\left(\sqrt{\frac{1}{n}\underset{i}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})}\sqrt{\frac{1}{n}\underset{i}{\overset{n}{\mathrm{\Σ}}}(y_i-\stackrel{\‾}{y})}\right)|$

其中，r_xy表示线性相关系数，x、y表示两个特征，x_i和y_i分别为x和y第i个样本值，

和

分别为x和y的均值，n表示特征集的样本个数。

在本实施方式中，步骤S208包括：所述降维模块108逐一使用所述原始特征集中的单个特征对情感进行识别与分类，逐个度量每个特征的分类能力，并对其进行排序，然后利用线性相关函数r_xy求取两两特征之间的相关系数，并形成线性相关系数矩阵。

在本实施方式中，当r_xy较大时，就线性关系来说表明x与y联系较紧密；当r_xy等于1时就说明x与y之间存在着线性关系；当较小时，则之间的线性相关性小，相关程度较差。

在本实施方式中，步骤S208还包括：所述降维模块108判断所述线性相关系数矩阵中的相关系数是否大于阈值，并在相关系数大于阈值时保留排序靠前的特征，并组成所述降维特征集。

在本实施方式中，阈值为0.95。

在本实施方式中，相关系数r_xy>阈值，r_xz>阈值，则证明x、y、z是三个相关的特征，则降维模块108根据排序保留排序最靠前的一个特征。

在步骤S210，选择模块110从所述降维特征集中选出最优特征子集。在本实施方式中，选择模块110通过蚁群算法、遗传算法等从所述降维特征集中选出最优子集。

在步骤S212，建立模块112根据所述最优特征子集建立情感识别模型。

本发明提供的实施方式中的情感识别模型生成装置10及其生成情感识别模型的方法，通过基于三次B样条小波的选择系数法定位心电信号的P-QRS-T波，并提取心电信号的特征，形成原始特征集，通过相关性分析对原始特征集降维得到降维特征集，有效地降低了最优特征子集的维数，且根据最优特征子集建立的情感识别模型情感识别率高。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (12)

1.一种基于心电信号的情感识别模型生成装置，包括： 

采集模块，用于采集心电信号； 

定位模块，用于通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波； 

提取模块，用于根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集； 

降维模块，用于通过相关性分析对所述原始特征集降维得到降维特征集； 

选择模块，用于从所述降维特征集中选出最优特征子集； 

建立模块，用于根据所述最优特征子集建立情感识别模型。 

2.如权利要求1所述的基于心电信号的情感识别模型生成装置，其特征在于，所述定位模块通过所述三次B样条小波将所述心电信号分解为8层。

3.如权利要求2所述的基于心电信号的情感识别模型生成装置，其特征在于，所述定位模块通过重构第2～4层小波高频系数定位R波，Q点及S点，通过重构第5～7层小波高频系数定位P波及T波。 

4.如权利要求1所述的基于心电信号的情感识别模型生成装置，其特征在于，所述相关性分析是指去掉两两相关的特征中多余的一个，由线性相关函数r_xy来实现： 

其中，r_xy表示线性相关系数，x、y表示两个特征，x_i和y_i分别为x和y的第i个样本值，

和分别为x和y的均值，n表示特征集的样本 个数。 

5.如权利要求4所述的基于心电信号的情感识别模型生成装置，其特征在于，所述降维模块逐一使用所述原始特征集中的单个特征对情感进行识别与分类，逐个度量每个特征的分类能力，并对其进行排序，然后利用线性相关函数r_xy求取两两特征之间的相关系数，并形成线性相关系数矩阵。 

6.如权利要求5所述的基于心电信号的情感识别模型生成装置，其特征在于，所述降维模块判断所述线性相关系数矩阵中的相关系数是否大于阈值，并在相关系数大于阈值时保留排序靠前的特征，并组成所述降维特征集。 

7.一种基于心电信号的生成情感识别模型的方法，包括以下步骤： 

采集心电信号； 

通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波； 

根据所述P-QRS-T波的位置提取心电信号的特征，并形成原始特征集； 

通过相关性分析对所述原始特征集降维得到降维特征集； 

从所述降维特征集中选出最优特征子集； 

根据所述最优特征子集建立情感识别模型。 

8.如权利要求7所述的基于心电信号的生成情感识别模型的方法，其特征在于，步骤“通过基于三次B样条小波的选择系数法定位所述心电信号的P-QRS-T波”包括：通过所述三次B样条小波将所述心电信号分解为8层。 

9.如权利要求7所述的基于心电信号的生成情感识别模型的方法，其特征在于，步骤“通过基于三次B样条小波的选择系数法定位所述心 电信号的P-QRS-T波”还包括：重构第2～4层小波高频系数定位R波，Q点及S点，通过重构第5～7层小波高频系数定位P波及T波。 

10.如权利要求7所述的基于心电信号的生成情感识别模型的方法，其特征在于，所述相关性分析是指去掉两两相关的特征中多余的一个，由线性相关函数r_xy来实现： 

其中，r_xy表示线性相关系数，x、y表示两个特征，x_i和y_i分别为x和y的第i个样本值，

和

分别为x和y的均值，n表示特征集的样本个数。 

11.如权利要求10所述的基于心电信号的生成情感识别模型的方法，其特征在于，步骤“通过相关性分析对所述原始特征集降维得到降维特征集”中包括：逐一使用所述原始特征集中的单个特征对情感进行识别与分类，逐个度量每个特征的分类能力，并对其进行排序，然后利用线性相关函数r_xy求取两两特征之间的相关系数，并形成线性相关系数矩阵。 

12.如权利要求11所述的基于心电信号的生成情感识别模型的方法，其特征在于，步骤“通过相关性分析对所述原始特征集降维得到降维特征集”中还包括：判断所述线性相关系数矩阵中的相关系数是否大于阈值，并在相关系数大于阈值时保留排序靠前的特征，并组成所述降维特征集。 

Images