雷沛，王靜，周昕煒，柴新禹

上海交通大學(xué)生物醫(yī)學(xué)工程學(xué)院，上海市，200240

0 引言

焦慮是一種在感到被威脅的環(huán)境中產(chǎn)生的復(fù)雜的心理過程。通常是由于自身行為有可能無法完成既定目標(biāo)而產(chǎn)生的情緒狀態(tài)[1]。焦慮既是一種復(fù)合的情緒狀態(tài)，又是一種內(nèi)驅(qū)力。處于焦慮情緒狀態(tài)下的個體有外在的行為表現(xiàn)與軀體內(nèi)部的生理變化。其中心理癥狀有擔(dān)憂、緊張、煩躁等。軀體癥狀多系交感神經(jīng)興奮的反應(yīng)性癥狀，如氣短、氣促、心慌等[2]。

利用多種生理信號參數(shù)進(jìn)行人的特定情緒狀態(tài)的識別研究目前得到廣泛的研究。生理信號是由人的自主神經(jīng)系統(tǒng)和內(nèi)分泌系統(tǒng)控制的，不受人的社會因素影響而產(chǎn)生的生物電信號、生物阻抗或生理外形特征變化信號[3]。利用生理信號參數(shù)進(jìn)行的情緒狀態(tài)識別更為真實和客觀。其基本研究思路是通過情緒誘發(fā)實驗，得到與特定情緒相關(guān)的單一或多種生理信號參數(shù)，經(jīng)信號預(yù)處理及特征提取，建立用于識別算法或模型的特征空間。提出或采用的識別算法或模型根據(jù)特征空間進(jìn)行調(diào)整優(yōu)化，以提高算法或模型識別特定情緒的可靠性。Pichard帶領(lǐng)的MIT實驗室記錄了五種生理參數(shù)，提取了40種特征，探索了基于多生理參數(shù)進(jìn)行情緒識別的可行性[4]。Kim等[5]利用音頻材料以及視頻片段作為誘發(fā)材料，采集了200名被試的四種生理參數(shù)，采用支持向量機(jī)算法來對四種情緒進(jìn)行分類識別，發(fā)現(xiàn)利用同樣的算法當(dāng)情緒識別種類增加時，識別率會略有下降。在國內(nèi)，西南大學(xué)研究小組分別利用多種單一生理參數(shù)，如呼吸信號、心電信號、皮膚電信號，通過電影、圖片等方式來誘發(fā)情緒，采用多種不同算法對多情緒進(jìn)行識別[6-8]。上海交通大學(xué)的相關(guān)小組，利用國際情感誘發(fā)圖片庫及任務(wù)驅(qū)動誘發(fā)方式，采集了壓力狀態(tài)下血氧飽和度、心電、血壓等信號，建立起壓力狀態(tài)下的情緒識別模型[9]。這其中有些研究者依據(jù)模式識別研究領(lǐng)域的思路與方法，會進(jìn)行特征歸一化及特征優(yōu)化選擇的處理，在保證識別準(zhǔn)確率的同時以降低整個識別算法模型的復(fù)雜度。常見的特征選擇算法有粒子群算法[9]、進(jìn)化算法[10]、禁忌搜索[11]等，這些算法在取得較好的選擇效果的同時，往往要占用較大的計算資源和犧牲一定的計算效率。Relief算法計算復(fù)雜度比較小，容易實現(xiàn)，可以優(yōu)化選擇特征，提高分類器的分類正確率，減小用于分類的特征維數(shù)[12]。

對于焦慮情緒的識別判斷，目前多集中于通過問卷和觀察的方式。本文通過任務(wù)驅(qū)動的方式誘發(fā)焦慮情緒，利用焦慮狀態(tài)-特質(zhì)問卷（State-trait Anxiety Inventory, STAI）評價被試焦慮狀態(tài)的主觀反映。并基于與焦慮情緒相關(guān)的心電、呼吸、血容量搏動、皮膚電生理信號參數(shù)，提出將Relief特征選擇算法用于生理信號特征的優(yōu)化選擇分析。最后分別采用k近鄰（k-Nearest Neighbor，kNN）算法和最小二乘支持向量機(jī)（LS-SVM）算法，實現(xiàn)焦慮情緒狀態(tài)的識別和判斷。

1 焦慮狀態(tài)識別算法

1.1 Relief算法

Relief算法[12]是一種計算量較小的特征選擇算法。通過選擇出與數(shù)據(jù)總體相關(guān)性高的特征，使特征維數(shù)得到了降低。這種算法分別為每維特征賦予相應(yīng)的權(quán)值，并以此表征與類別的相關(guān)性。

Relief算法從訓(xùn)練樣本中隨機(jī)選擇m個樣本，計算出假設(shè)間隔，并進(jìn)行累加，作為最后特征每個維度的權(quán)值，樣本x中某維特征p的權(quán)值的更新為

若p離散，則

若p連續(xù)，則

其中，max(p)、min(p)分別是p的上界與下界。

Relief算法的輸入為屬性值向量和樣本量，輸出為對每個屬性的權(quán)值估計的流程如下：

設(shè)初始權(quán)值向量 W[A]= 0；

for i =1:m do begin；

隨機(jī)選擇一個樣本R；

找到同類最近點 H 和非同類最近點 M；

or A =1：特征維數(shù) do；

W[A]= W[A]-diff(A, R, H)/m + diff(A, R, M)/m;

end。

1.2 kNN算法

kNN 算法是一種機(jī)器學(xué)習(xí)算法：如果一個樣本在特征空間中的k個最相似（即特征空間中最鄰近）的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。本文選擇k=3，即該對象被簡單地分配給一個相近3個樣本點中數(shù)量多的類別。

1.3 SVM算法

支持向量機(jī)算法在非線性、高維、小樣本數(shù)據(jù)的處理上具有獨特的優(yōu)勢。支持向量機(jī)的基本思想就是將在N維空間中難以劃分的樣本點，在高維的空間中，通過找到一個最有利于分類的平面，來把不同類別的樣本點區(qū)分開來。而最小二乘支持向量機(jī)算法不僅具有經(jīng)典支持向量機(jī)算法的特點，且還具有計算效率高和所需計算資源少等優(yōu)點。同時，支持向量機(jī)算法中利用核函數(shù)來提高計算效率，因此本文采用核函數(shù)為高斯核函數(shù)的最小二乘支持向量機(jī)。

1.4 分類識別流程

將Relief算法與兩種分類器進(jìn)行結(jié)合，來進(jìn)行實驗所采集的生理參數(shù)數(shù)據(jù)的特征選擇和分類。兩種算法結(jié)合應(yīng)用的詳細(xì)的流程為：

(1) 初始化特征權(quán)重值；

(2) 利用Relief計算出每個維度的特征的權(quán)重，淘汰掉權(quán)重值較小的特征；

(3) 將選擇后的特征向量利用分類器進(jìn)行分類計算；

(4) 得到分類結(jié)果，并與實際結(jié)果進(jìn)行比對，計算識別率；

(5) 調(diào)整參數(shù)，直到取得最優(yōu)識別率，確定最終的算法模型。

2 焦慮狀態(tài)誘發(fā)實驗

2.1 實驗材料

目前情緒誘發(fā)主要通過被試的回憶想象、利用視頻或圖片刺激以及任務(wù)驅(qū)動等方式[13]。本研究中焦慮狀態(tài)的誘發(fā)采用任務(wù)完成方式。實驗采用了一款賽艇模擬游戲（Aquadelic GT, Hammerware, s.r.o.,Czech），以仿真誘發(fā)運動競賽中的焦慮情緒狀態(tài)。這款游戲需要被試操縱鍵盤的方向鍵控制賽艇前進(jìn)方向。而游戲過程中容易出現(xiàn)方向偏離、賽艇擱淺進(jìn)而影響游戲完成的情況。因此會使被試因為在一定時間內(nèi)無法完成相應(yīng)任務(wù)而產(chǎn)生焦慮情緒。

焦慮狀態(tài)-特質(zhì)問卷（State-trait Anxiety Inventory,STAI）是由Spielberger編制[14]的用于被試自我評價焦慮狀態(tài)的測量工具。根據(jù)所測分?jǐn)?shù)來判斷被測試者的焦慮狀態(tài)和程度。同時它能夠區(qū)分狀態(tài)焦慮（當(dāng)前的焦慮狀態(tài)）和特質(zhì)焦慮（一貫的焦慮狀態(tài)）。該測量工具測試簡便，結(jié)果直觀，并能比較準(zhǔn)確地反應(yīng)測試者的主觀感受。

2.2 實驗被試

8名被試參與正式實驗，其中4名為男性，4名為女性。年齡在(20～25)周歲之間，身心健康、視覺聽覺正常，過往無精神及神經(jīng)性疾病史。實驗前一周內(nèi)未服用任何藥品，4 h內(nèi)無劇烈運動。實驗開始前4 h進(jìn)行STAI問卷測試，STAI結(jié)果達(dá)到一定標(biāo)準(zhǔn)（男性：STAI總分≤109；女性：STAI總分≤112）能夠進(jìn)一步參與正式試驗。整個實驗嚴(yán)格遵守赫爾辛基宣言。

2.3 實驗平臺

實驗任務(wù)的操作平臺采用高性能計算機(jī)(Intel (R)CoreTMi5-2310 CPU @2.90 GHz，4 GB DDR3 RAM，聯(lián)想，中國；17英寸專業(yè)顯示屏，300 cd/m2，分辨率為1280×768，垂直刷新率為75 Hz)。被試觀察距離約50 cm。采用NeXus-10 MKII（Mind Media B.V., 荷蘭）進(jìn)行生理參數(shù)的檢測與記錄。NeXus-10 MKII是一款10通道的可顯示生理數(shù)據(jù)及生物反饋的設(shè)備，通過8個獨立的24 bit轉(zhuǎn)換器，每秒最高采樣2 048次，具有高帶寬，廣動態(tài)范圍和高精確度?？赏讲杉つw溫度、皮膚電、呼吸、血容量搏動等多種生理信號，各數(shù)據(jù)集成傳感器的精度均為 ± 2%。

2.4 實驗過程

正式實驗前，對被試進(jìn)行兩部分問卷的復(fù)測，處于正常水平的被試進(jìn)行正式實驗，并測量其各生理參數(shù)。

實驗包括訓(xùn)練和正式試驗兩個部分。訓(xùn)練用于被試熟悉實驗任務(wù)和操作過程。正式實驗進(jìn)行三組難度遞增的賽艇任務(wù)，每組進(jìn)行三次，并在其進(jìn)行實驗任務(wù)時同步采集各種生理參數(shù)。被試在虛擬環(huán)境中駕駛賽艇通過相應(yīng)數(shù)目的標(biāo)識點。三組任務(wù)分別是在90 s、75 s、60 s時間內(nèi)分別通過8，9，10個點。每次實驗后，進(jìn)行STAI問卷狀態(tài)焦慮測試。

為了保證焦慮狀態(tài)的有效誘發(fā)，在正式實驗前，會告知被試相應(yīng)的獎懲措施，被試對提供的獎勵進(jìn)行排序。隨后按照被試選擇的獎勵安排不同難度的實驗任務(wù)，即完成最高難度后發(fā)放被試最傾向的獎品，來增強(qiáng)被試完成任務(wù)的迫切感和必要感。為了保證每次實驗被試都能盡量投入，整個實驗過程中不明確告訴被試每次的成績。實驗全部完成后，請被試休息約5 min，再進(jìn)行一次狀態(tài)焦慮問卷的測試，若問卷反映被試狀態(tài)歸于平靜，則再進(jìn)行一段時間的生理參數(shù)的采集，以再次得到該被試平靜狀態(tài)下的各生理參數(shù)。

2.5 實驗數(shù)據(jù)預(yù)處理和分析

得到原始數(shù)據(jù)后，利用自適應(yīng)濾波去噪。由于生理參數(shù)具有比較明顯的個體差異性[3]，將實驗前后兩次平靜狀態(tài)相關(guān)的生理數(shù)據(jù)的均值作為基線數(shù)據(jù)。因有研究表明，去除情感基線的生理數(shù)據(jù)能夠達(dá)到更佳的識別準(zhǔn)確率[9]。對各生理數(shù)據(jù)進(jìn)行特征提取后去除基線數(shù)據(jù)，所提取的特征集合如表1所示。

表1 生理參數(shù)及特征Tab.1 The physiological signals and the features

通過單因素方差分析法分析誘發(fā)條件（實驗任務(wù)）對各生理數(shù)據(jù)的影響，并采用Dunnett校驗進(jìn)行不同誘發(fā)條件下與平靜狀態(tài)生理數(shù)據(jù)的比較。數(shù)據(jù)分析通過SPSS（Statistical Product and Service Solutions2010, IBM SPSS Inc.New York, USA）完成。最后將所得到的樣本數(shù)據(jù)歸一化[15]，用于特征選擇和分類。

3 實驗結(jié)果與分析

通過實驗室情緒誘發(fā)實驗，共獲得8位被試的心率、呼吸率、血容量搏動率、皮膚電四種生理參數(shù)，共88個生理參數(shù)樣本數(shù)據(jù)，其中平靜生理數(shù)據(jù)樣本16個，焦慮情緒樣本72個。

對各被試STAI狀態(tài)焦慮問卷結(jié)果分析，發(fā)現(xiàn)平靜狀態(tài)的自評分?jǐn)?shù)均低于三組實驗中焦慮情緒狀態(tài)的自評分?jǐn)?shù)。說明被試主觀感受反映了焦慮情緒的誘發(fā)成功。

3.1 平靜生理數(shù)據(jù)與焦慮情緒下生理數(shù)據(jù)均值特征差異性分析

對于每種生理參數(shù)均值特征的11組數(shù)據(jù)（平靜狀態(tài)2組、第一組實驗狀態(tài)3組、第二組實驗狀態(tài)3組、第三組實驗狀態(tài)3組），本文通過SPSS軟件來完成11組數(shù)據(jù)的單因素方差分析以及Dunnett后校驗。分析結(jié)果顯示，呼吸率均值受實驗任務(wù)影響顯著（P<0.001）。并且實驗組呼吸率均值均顯著高于平靜狀態(tài)組（P<0.01）。平靜狀態(tài)下和第二組實驗狀態(tài)下心率均值受實驗任務(wù)影響顯著（P<0.05）。血容量搏動率均值受實驗任務(wù)影響顯著（P<0.05），且平靜狀態(tài)與第一組、第二組實驗狀態(tài)的血容量搏動率受實驗任務(wù)影響顯著（P<0.01）。皮膚電均值受實驗任務(wù)影響顯著（P<0.01），且平靜狀態(tài)與第二組、第三組實驗狀態(tài)的皮膚電均值受實驗任務(wù)影響顯著（P<0.05）。以上結(jié)果表明，實驗任務(wù)刺激下，生理參數(shù)的變化具有顯著性差異，由于第二組實驗狀態(tài)下的各生理參數(shù)均值與平靜狀態(tài)相比具有顯著差異，因此，采用第二組實驗狀態(tài)與平靜狀態(tài)下的心電、血容量搏動、皮膚電、呼吸信號特征進(jìn)行后續(xù)的特征選擇和分類，以評估所提出的Relief-kNN算法與Relief-SVM算法的有效性。

3.2 分類結(jié)果分析

經(jīng)過分析和篩選，得到每位被試16個平靜狀態(tài)樣本和第二組實驗24個焦慮狀態(tài)樣本，將40個樣本中16個樣本子集作為訓(xùn)練集（8個平靜狀態(tài)樣本，8個焦慮狀態(tài)樣本），24個樣本作為測試集（8個平靜中狀態(tài)樣本，16個焦慮狀態(tài)樣本），進(jìn)行特征選擇和分類，共分兩類。采用Relief-kNN與Relief-SVM得到仿真識別結(jié)果如表2所示。

表2 Relief-kNN算法和Relief-SVM算法對兩組樣本的分類結(jié)果Tab.2 The classi fication results of two data groups using Relief-kNN

由結(jié)果可以看出，優(yōu)化選擇后的多種生理參數(shù)特征組合比單一生理參數(shù)特征更能提高識別算法的識別效果。在樣本訓(xùn)練中，各生理參數(shù)方差、呼吸率一階差分均值，皮膚電最大最小值差等特征計算出的權(quán)重值（即對分類的貢獻(xiàn)大小程度）比較高，說明其對于焦慮狀態(tài)的識別具有重要意義。Relief算法與SVM算法結(jié)合時比與kNN算法結(jié)合所選擇的特征數(shù)量更少，且識別準(zhǔn)確率更高。因此，在焦慮狀態(tài)識別中，Relief算法與SVM分類器的結(jié)合優(yōu)于與kNN算法的結(jié)合。并且與之前的研究相比[9]，仿真環(huán)境下的基于多生理信號的情緒狀態(tài)的識別率更高。

4 總結(jié)與展望

本文采用任務(wù)完成的方式來實現(xiàn)焦慮情緒的誘發(fā)，建立基于多生理參數(shù)的焦慮情緒狀態(tài)下的情緒識別仿真模型。通過Relief特征選擇算法找到了對于識別有效的特征向量，并用kNN算法和SVM算法實現(xiàn)了焦慮狀態(tài)下的情緒識別。實驗結(jié)果表明，Relief算法與SVM算法結(jié)合時比與kNN算法結(jié)合所選擇的特征數(shù)量更少，且識別準(zhǔn)確率更高。利用多生理參數(shù)進(jìn)行情緒識別優(yōu)于利用單一信號。未來的工作將在繼續(xù)完善焦慮狀態(tài)下基于多生理參數(shù)的情緒識別仿真模型，并將其推廣到應(yīng)用領(lǐng)域，用來對焦慮情緒進(jìn)行識別并對相關(guān)的心理調(diào)節(jié)提供輔助作用。

[2]張作記.焦慮的基本問題及臨床處理[J].中國行為醫(yī)學(xué)科學(xué),2004, 13(2): 238-240.

[3]Ekman P, Levenson RW, Friesen WV.Autonomic nervous system activity distinguishes among emotions[J].Science, 1983,221(4616): 1208-1210.

[4]Picard RW.Affective computing[M].Cambridge(MA): The MIT Press, 1997.

[5]Kim KH, Bang SW, Kim SR.Emotion recognition system using short-term monitoring of physiological signals[J].Med Biol Eng Comput, 2004, 42(3): 419-427.

[6]王彬.基于呼吸信號的情感識別研究[D].西南大學(xué), 2010.

[7]徐亞.基于心電信號的情感識別研究[D].西南大學(xué), 2010.

[8]蔡菁.皮膚電反應(yīng)信號在情感狀態(tài)識別中的研究[D].西南大學(xué),2010.

[9]孫洪央, 徐祖洋, 王靜, 等.基于 PSO-kNN 算法與多生理參數(shù)的壓力狀態(tài)下情緒識別[J].中國醫(yī)療器械雜志, 2013, 37(2): 79-83.

[10]郝敏.進(jìn)化算法在選取 ECG 信號情感特征中的研究[D].西南大學(xué), 2009.

[11]肖麗, 劉光遠(yuǎn), 方永慧.基于禁忌搜索的模糊神經(jīng)網(wǎng)絡(luò)分類器設(shè)計[J].西南大學(xué)學(xué)報 (自然科學(xué)版), 2007, 29(1): 73-76.

[12]Kira Kenji, Rendell Larry A.A practical approach to feature selection[C].Proc 9th Int Workshop Machin Learn, 1992: 249-256.

[13]陳姝娟.情緒研究方法述評[J].中山大學(xué)學(xué)報論叢, 2006, 26(3):57-60.

[14]Spielberger CD.State‐Trait anxiety inventory//Corsini Encyclopedia of Psychology[M].2010.

[15]Picard RW, Vyzas E, Healey J.Toward machine emotional intelligence: analysis of affective physiological state[J].IEEE Trans Pattern Anal Mach Intell, 2001, 23(10): 1175-1191.