情绪检测介绍


情绪是会影响⼈们⽇常⽣活各个⽅⾯的⼼理⽣理体验。情绪包括许多成分,例如感觉,身体变化,认知反应,⾏为和思想。情绪检测或识别可以基于各种⽣理信号[1-4],⽐如⼼电图(ECG),光体积描记图(PPG),脑电图(EEG),肌电图(EMG),眼电图(EoG),⽪肤传导阻⼒(SCR),⽪肤电反应(GSR),⾎压(BVP)和呼吸率(RR)。这些⽣物信号⽬前正在临床诊断中使⽤,并已被证明可⽤于传达有关情绪状态的信息。


ECG是医学上⽤于评估⼼脏功能的诊断⼯具。从ECG获得⽣理信号是实时⾮侵⼊性解释⼼脏电活动的常规⽅法。⼼脏通过电流刺激⼼肌并引起⼼脏的收缩和松弛,通过将电极附着在身体表⾯上来记录这些电信号,并通过电极传播到ECG设备,以记录波的特性。不同的波型特征反射⼼脏的不同区域的活动,从⽽产⽣相应的电流[5]。


PPG传感器的⼯作原理基于穿透⽪肤和⾎管的LED发出的光。该光被检测器捕获以测量⾎流。PPG通常⽤于临床诊断,以监测⼼脏在⼿腕,⼿指,⿐⼦,⽿垂和脚趾等外围位置的微⾎管床中⾎容量的变化。 PPG信号的脉动强弱动脉内⾎液量的变化有关,并且与⼼跳同步,⽽脉动强弱取决于⾎容量,呼吸,交感神经系统和体温调节[6]。


ECG和PPG传感器在开发便携式,可靠的,⾮侵⼊性的情感检测系统中起着⾄关重要的作⽤。利⽤⽣理信号理解情绪是变化是⼀个⾮常热⻔的的研究领域。与基于视听和基于⼿势的情感检测相⽐,使⽤⽣理信号进⾏情感检测的优势在于,这些信号是⼈体的⽆意识响应,并且很难掩盖。两种⽅法已⼴泛⽤于从⽣物信号进⾏情感评估,即离散情感模型(DEM)和情感维度模型(ADM)[7]。在DEM中,⽬标是识别并标记标准的情绪状态,例如喜悦,悲伤,愤怒或恐惧。在这种⽅法中,必须明确定义各种情绪状态,这些状态必须能过完全被区分开来。在ADM中,情感状态是两个参数的组合,即亢奋(arousal)和愉 悦(valence)。亢奋是指情绪激烈程度,既⾼低程度,⽽愉悦是体验到的快乐情绪的的程度度,从⾮常愉 快(正)到⾮常不愉快(负)。



[1] Murugappan M., Murugappan S., Zheng BS. Frequency Band Analysis of Electrocardiogram (ECG) Signals for Human Emotional State Classification Using Discrete Wavelet Transform (DWT). J Phys Ther Sci. 2013;25(7):753–759.
[2] Kim, K.H., Bang, S.W. & Kim, S.R. Emotion recognition system using short-term monitoring of physiological signals. Med. Biol. Eng. Comput. (2004) 42: 419. 
[3] Haag A., Goronzy S., Schaich P., Williams J. (2004) Emotion Recognition Using Bio-sensors: First Steps towards an Automatic System. In: André E., Dybkjær L., Minker W., Heisterkamp P. (eds) Affective Dialogue Systems. ADS 2004. Lecture Notes in Computer Science, vol 3068. Springer, Berlin, Heidelberg. 

[4] Lee, M.S.; Lee, Y.K.; Pae, D.S.; Lim, M.T.; Kim, D.W.; Kang, T.K. Fast Emotion Recognition Based on Single Pulse PPG Signal with Convolutional Neural Network. Appl. Sci. 2019, 9, 3355. 

[5] Gacek A. (2012) An Introduction to ECG Signal Processing and Analysis. In: Gacek A., Pedrycz W. (eds) ECG Signal Processing, Classification and Interpretation. Springer, London. 

[6] Tamura, T.; Maeda, Y.; Sekine, M.; Yoshida, M. Wearable Photoplethysmographic Sensors—Past and Present. Electronics 2014, 3, 282-302.

[7] F. Agrafioti, D. Hatzinakos and A. K. Anderson, "ECG Pattern Analysis for Emotion Detection," in IEEE Transactions on Affective Computing, vol. 3, no. 1, pp. 102-115, Jan.-March 2012.