余 华 ，黄程韦，赵 力*， 邹采荣

1.南京信息职业技术学院，南京 210013；

2.东南大学水声信号处理教育部重点实验室，南京 210096

情绪是我们智力的基础，也是人类道德与自尊的基础，因为所有精神的高级功能都需要情感的伴随，或是意图和情感共同协调产生的思维。随着认知神经科学与情感神经科学的发展，越来越多的证据表明情绪是推理和判断过程中必不可少的一部分，并对学习和记忆过程产生重要的影响[1]。

人的情感是一种主观意识，但情绪的变化通常对神经系统的影响有多方面的表现，诸如面部表情、生理指标(如心电， 体温)、语音、动作与手势等等[2]。我们在开展“儿童生理参数与情绪状态”的研究项目中，通过记录伴随情绪发生的生理变化，如心电、血管收缩、皮肤电反应等活动，对儿童情绪状态与认知活动进行观察与研究，了解他们的发育水平和个体差异，帮助他们正确处理情感交流和智力发育过程中出现的问题。为了让测试儿童处在一个相对自然的状态，使情绪识别结果的可信度更高，我们设计了一套便携式生理参数采集系统，供研究人员分析生理参数与儿童情绪之间的关系。本文介绍了便携式儿童情感电生理参数采集系统的设计方案以及利用情感电生理参数监测与判别儿童情感的方法。

1 心电信号监测

本系统中我们主要考虑了两种情感电生理参数的采集与处理，即心电和体温，系统组成如图1所示。其中控制电路主芯片选用的是STC89LE58RD+，主要工能是控制A/D转换和数据的传输，并执行来自于PC机的命令。

图1 系统结构

心电信号是心脏搏动时在人体表面形成的电位差，通过分析心电信号，可以了解心脏的搏动状态。原始的心电信号非常微弱，幅度只有0 ～4 mV，频带为0.05 ～100 Hz，其中混杂有大量的干扰噪声，尤以50 Hz工频干扰最为厉害。此外，电极接触噪声、运动伪迹、肌电噪声、放大器直流温漂、呼吸引起的基线漂移等均会对心电信号的放大与检测带来困难。针对心电信号的特点，设计了前置放大、高通滤波、50 Hz陷波、低通滤波和信号放大电路[3-4]。

1.1 前置放大电路

前置放大器的作用是提高心电信号采集电路的输入阻抗以获取更多的原始心电信号，同时还能抑制信号中的共模干扰，提高信噪比。前置级由输入跟随器，仪用放大器，右腿驱动三个部分组成，是整个心电放大器中很关键的部分。仪用放大器选择AD620，它只需在1脚和8脚外接电阻就可以构成一个性能很好的单片集成仪用放大器。尽管仪用放大器可以很好地抑制共模干扰，但因为原始心电信号的信噪比太小，所以还必须设法减少这些共模噪声的绝对值，用提高信噪比的方法来提高信号质量。右腿驱动电路的设计思路是把混杂于原始心电信号中的共模噪声提取出来，经过一级倒相放大后，再返回到人体，使它们相互叠加，从而减小人体共模干扰的绝对值，提高了信噪比，共模信号的提取和反馈电路设计如图2所示：

图2 右腿驱动电路

1.2 滤波电路

低频噪声主要集中于0.03 Hz～2 Hz，但心电信号中的ST段和Q波频率分量集中于0.05 Hz～2 Hz之间，所以不能简单地把高通滤波器的截止频率定为2 Hz，否则将使心电信号的波形出现较大失真。根据美国心脏协会的建议，去除心电信号中的直流成分的高通截止频率不得超过0.05 Hz，所以设计时把高通截止频率设为0.035 Hz。由于心电信号的频谱主要分布不超过100 Hz，所以该频率以外的分量均可视为噪声，设计时把低通截至频率设定为120 Hz。

心电信号经过上述处理后，仍掺杂很大的工频干扰，所以我们还设计了一个陷波器来消除其中的50 Hz噪声。陷波器的实现方案有多种，其中应用最为广泛的是称为“双T带阻滤波”的电路，原理如图3所示。

图3 双T带阻滤波器原理图

其中w0是阻带中心频率， Q为品质因数， B为阻带带宽。为避免电路产生自激振荡， 必须满足AV＜2。在这个约束条件下， AV越大，则Q越大，于是阻带带宽越窄，陷波器的选频特性就越好。但这种形式的陷波器受元器件参数变化的影响较大，稍有不慎，就会造成阻带中心频率出现较大偏差。所以， Q不宜过大，一般选取Q≤10。

1.3 QRS波群检测

虽然在模拟电路中对信号进行了简单的滤波，但通过大量的采集数据发现信号仍存在基线漂移现象，在电平提升时还引入了直流分量，同时50 Hz及其倍频的存在也影响了信号的观察。所以我们在程序中再次加入了针对这些干扰的FIR数字滤波器，借助于MATLAB软件很容易设计。经过滤波后，心电信号中参杂的各种噪声得到了有效控制，特征点都比较好地展现出来。

QRS波群由于幅度大，占据的时间窄， 成为心电图(Electrocardiogram， 简称ECG)检测的重要依据。目前，有很多方法可用于QRS波群的检测，如差分阈值法、模板匹配法、神经网络法等等[5]。采集系统是为分析儿童情感设计的，它要求把数据信息及时、准确地呈现给研究者，差分阈值法算法简单，处理速度快，易于实现，这正符合我们的要求。

差分阈值算法的原理是基于QRS波群的幅值与斜率均为最大的特点，首先确定QRS波群的阈值，当ECG数据的差分值不低于阈值时即可判断为检测到一个QRS波群。以5点差分为例，首先根据心电数据xn计算差分值yn：yn=xn+1-xn-1+2(xn+2-xn-2)。取出yn中最大的10个值并计算其平均，则阈值可设定为平均值的0.7倍和0.8倍之间的某个数。由于在R点附近波形变化较快，所以当ECG某点的差分值达到阈值时，认为检测到一个QRS波群。根据差分阈值的公式可知， R峰值点的阈值应该为零或者处于最接近零的位置，所以从该点开始往后一段距离内，阈值为零或者最接近零的点就是R点。设相邻两个R波的间隔为n，心率(次/min)的计算公式为：心率=采样频率×60÷n。如果发现前后间隔差别过大，则可认为出现了漏检R点的情况，在这种情况下，通过适当减少阈值，再对该段心电数据重新进行检侧，以定位漏检的R波。反复进行几次，如果还没有发现R波，则可判定为心率不齐的表现。

我们还使用了一种通过平均值来检测QRS波群的方法，首先把屏幕显示范围内的数据作为分析数据，求这些数据的平均值，并把超过平均值的数据归入下一次要分析的数据。按照上述方法再重复3次，最后当有数据超过第4次的平均值时，认为检测到了R波，该点周围的最高点即为R点。这种方法更为简单，运算量小，实际使用中很可靠。图4显示一段实时心电检测的结果，其中为了方便观测者分析，我们T波和P波间的数据作了11点平滑滤波。

图4 心电检测的结果图

2 体温检测

体温是个非电量，各种工频噪声，肌电噪声等电磁干扰对体温采集电路的影响远远小于心电采集电路，而且体温还是个变化十分缓慢的生理信号，在频谱上可以把它看成一个直流信号。所以与心电信号采集电路比起来，体温采集电路要简单得多。在设计体温采集电路时没有过多考虑如何实现抗干扰，而是要求电路简单，易于调试。温度传感器采用的是北京森恩传感器技术公司的MF5E系列产品，它实际上是一个热敏电阻，通过外围电路实现非电量到电量的转换。图5为所设计的体温采集电路图，其中R为传感器。

图5 体温采集电路

3 情绪特征分析与提取

我们都知道，生理信号存在明显的非平稳特性，而且个体差异很大。不同人之间，心电和体温都是不一样的，特别是心电信号的个体差异十分显著。即便是同一个人，在不同的环境、不同的时间、不同的情绪状态下，心电信号都会发生或多或少的改变。因此，为实现情绪状态的识别，我们必须能够从所采集的心电和体温等生理信号中提取出最有效的特征来用于分类。

特征选择有两种基本法方法：一是由专门领域内的专家利用其知识挑选出那些对分类最有影响的特征；二是用数学的方法进行筛选比较，找出最有分类信息的特征。伍德和霍根森(Wood＆Hokanson)在1965年就已证明， 心率是情绪反应的良好生理指标之一。所以，本文选择心率为第一个特征。除心率以外， 我们还选择心电波形中的R波幅度及其宽度为第 2 和第 3 特征。文献[2]指出，这两个特征会随着情绪状态的变化而发生明显变化。北大心理学系1973年的研究发现[2]，在情绪状态改变时，呼吸系统在速度和深度上会有所变化，继而引发血管容积发生变化。无论血管是处在收缩状态还是处在舒张状态，它都将引起人体温度的变化，所以，本文选择体温为第4个特征。

4 基于Fisher线形判别的儿童情绪监测与判别

4.1 Fisher准则函数

应用统计方法解决模式识别问题时，经常遇见的问题之一就是维数问题。在低维空间里解析或计算上行得通的方法，在高维空间里往往不行。因此，降低维数有时就成了处理实际问题的关键所在[6]。

从数学上说，把d维空间的样本投影到一条直线上，形成一维空间总是可以办到的。然而，即使样本在d维空间里形成若干紧凑的互相分得开的集群，若把它们投影到任意一条直线上，也可能使几类样本混在一起而变得无法识别。 Fisher(1936)所要解决的基本问题就是如何找到一条最好的，最易于分类的投影线，使在这个方向的直线上，样本的投影能分开得最好。为了实现分类，我们总是希望在一维Y空间里各类样本尽可能分得开一些，即希望两类均值之差(~m1-~m2)越大越好；同时希望各类样本内部尽量密集，即希望类内离散度越小越好。

基于Fisher准则的线性鉴别是目前已经被公认的最好的特征抽取的方法之一，但它也存在一些缺点。Fisher线性判别模型的基本思想是对样本进行变换，将样本投影到一条直线上，使样本的投影能分得最好，也就是说变换后的样本类别间离散度达到最高，类内的样本离散度达到最低，从而提高各个类别之间的区分能力[7]。样本在这些投影轴上的投影系数可作为样本的特征向量，利用这些特征向量，便可进行样本的分类识别。

设ω1， ω2， …， ωc为c个模式类，模式x为n维实向量。设sb， sw和st分别表示训练样本的类间散布矩阵，类内散布矩阵和总体散布矩阵。由其定义[8]知， sb， sw和st均为非负定矩阵，且满足st=sb+sw，Fisher准则函数定义如下：

Fisher准则函数非常巧妙地将样本在投影矢量上的类间离散度和类内离散度结合在一起，为我们确定最优投影方向提供了一个非常完美的准则。取极大化目标函数JF(w)的矢量x作为投影方向，其物理意义是：特征样本在x上投影后，类间离散度和类内离散度之比达到最大。

4.2 分类决策

至此， 我们已经找到了基于 Fisher准则函数JF(w)的最好的投影方向w。只是我们暂时还没有解决分类问题，即采取什么样的分类决策。然而，我们已经把d维空间分类问题转化为一维空间分类问题了，所以只要确定一个阈值Y0，将投影点Y与Y0相比较，就可做出分类决策。

根据中心极限定理，当d维X空间的各类样本数Ni很大时，其均值向量 ¯Xi趋向于正态分布。则经过投影后，各类样本均值¯Yi也满足正态分布。这样，问题就转化为寻找多元正态概率型下的Bayes最小错误率的判别函数和决策面。其中，最简单的一种情况是各个类别的协方差矩阵Σi都相同(记为Σ)，并且各个类别先验概率P(ωi)也都相等(i=1，2表示类别号)。

根据文献[9 -10]可以知道，此时的最佳判决边界方程为wTx+w0=0其中

为使Fisher准则函数JF(w)最大化的w与Bayes最小错误率判决边界方程中的w是同一个方向。这样，对于正态、等概、等协方差的Bayes最小错误率判别函数与决策面将与Fisher线性判别等价。

由式(2)可知，最佳决策面是通过m1和m2连线的中点并与连线正交的一个超平面。在二维空间里，最佳判决面是一条直线；而在一维空间里，它退化为一个点，也就是我们现在所要寻找的阈值Y0。

这样，对于任意给定的未知样本，只要计算它的投影点yy=w*Tx。

再根据决策规则

就可判别x属于什么类别。

4.3 实验测试

利用儿童情感实验室提供的数据库，我们进行了基于生理参数的情绪识别实验。在数据库中，有五男五女，共十人。每个人有两类情绪状态(分别是紧张与高兴)，而每类情绪状态下的采样数据有50组，总共有样本1000组。

首先，我们对每个人进行分别处理。将每个人在每类情绪状态下的采样数据中随机取出20组作为训练样本，用于设计分类器；剩下的30组数据作为测试样本，检测分类器的性能。

然后取十个人的平均值，得到以下结果：紧张的正确识别率为94.4%；高兴的正确识别率为91.2%。

5 总结

本文对基于生理参数的儿童情绪识别进行了初步的探讨。在实验中，本文首先对心电波形进行了平滑与降噪，接着进行特征提取，然后再利用Fisher线性判别函数设计分类器。除此以外，本章还就Fisher准则函数与多元正态概率型下的Bayes最小错误率判别函数及决策面之间的关系作了简单说明。最后，通过实验来测试我们所设计的分类器的性能。实验结果表明在两类条件下，该分类器已达到较低错误率。

[ 1] 蔡莉莉.基于数据融合的语音情感分析与识别[ D] .东南大学硕士学位论文， 2005.

[ 2] 周建中.儿童情绪的实验室研究[ R] .东南大学学习科学研究中心研究报告， 2004.

[ 3] 陈明计，周立功.嵌入式实时操作系统Small RTOS51原理及应用[ M] .北京：北京航天航空大学出版社， 2004：426-279.

[ 4] 李玉华，刘金琪.基于模式识别的体外反搏系统的设计与实现[ J] .计算机测量与控制， 2005.

[ 5] 郭航远.简明临床心电图手册[ M].上海：复旦大学出版社，2002：790-810.

[ 6] 苏丽，赵国良，李东明.心电信号QRS波群检测算法研究[ J].哈尔滨工程大学学报， 2003， 26(4)：21-26.

[ 7] 刘健，钱猛，张维明.基于Fisher线性判别模型的文本特征选择算法[ J] .国防科技大学学报， 2008.

[ 8] 刘永俊，陈才扣，赵根林，等.新的非线性鉴别特征抽取方法及人脸识别[ J] .计算机工程与设计， 2008.

[ 9] 边肇祺，张学工.模式识别[ M] .清华大学出版社， 2002.

[ 10] V.Vapnik.Statistical Learning Theory[ M].New York：John Wiley＆Sons， 1998.