Page 6 - 《中国医疗器械杂志》2026年第1期
P. 6

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第1期

                                                     医  学  人   工  智  能



                                          [7]
              以及基于生理信号的识别方法 。情绪的产生与表                            多个CNN-based深度学习模型，采用递归特征消除
                                                                 recursive feature elimination, RFE）的选择方法，
              达涉及大脑、自主神经系统等多个生理系统的活                            （
              动，这些系统的活动会产生对应变化的电生理信                             最 终 在 WESAD数 据 集 的 三 分 类 任 务 中 ， 使 用
              号，为人体情绪状态的识别提供了客观、真实的信                            EfficientNet实现了89.12%的情绪识别准确度。为了
                    [8]
              号基础 。与脑电、皮电等电生理信号相比，心电                            解决CNN在情绪识别中的过拟合问题，ROVINSKA
              信号具有获取难度低、成本低、更易被使用者接                             等 提出了一种无监督的特征自编码器，结合一维
                                                                  [15]
              受、可长时间连续测量等优点，因此本文基于心电                            CNN作为分类器，在仅以心电信号作为信号源
              信号开展情绪识别研究。                                       时，达到了81.47%的分类准确度，在以多模态
                  早期，研究者主要以心电信号的心率变异性                           生理信号作为信号源时，达到了85.66%的分类准
               heart rate variability, HRV）作为情绪识别的生物
             （                                                  确度。
              标志物，计算的参数包括长时序列心电信号的                                  对于基于心电信号的情绪识别任务而言，以一
              RR间期标准差、相邻RR间期差值的均方值、分形                           维心电信号作为输入的一维时间序列网络，其通常
              维数、样本熵等，根据若干参数的变化进行情绪识                            仅具备有限的感受野，难以捕获到情绪识别任务所
                [9]
              别 。后来，随着人工智能技术的发展，基于机器                            需的长程特征。而如果降低原始信号的采样率，使
              学习、深度学习的方法展现出更高的情绪识别性                             其与网络感受野相适应，则可能丢失原始信号中有
                                     [10]
              能。2021年，PANAHI等 采用分数傅里叶变换提                        效的空间特征。受信号变换理论与SUN等的工作启
              取了心电信号的分数阶时、频域特征，通过支持向                            发，如果能够通过某种方法将一维时间序列的心电
              量机实现了情绪识别，准确度达到78.3%。AXEL                         信号转换为二维信号，将心电信号的时序特征转换
                [11]
              等 在提取经典时、频域特征之外，采用小波散射                            到二维信号的组织方式里，则可以在保留原始信号
              算法提取了心电信号的多尺度特征，在AMIGOS数                          特征的同时，实现“时－空”特征的高效提取与融
              据集上探讨了多种机器学习方法的情绪识别性能，                            合，进而达到情绪识别的目标。
              最终使用集成分类器取得了88.8%的准确度。2023年，
                                                                 1    方法
                     [12]
              VAZ等 提取了心电信号的幅度、心率、HRV等
              共109维特征，结合特征选择与数据均衡技术，使
                                                                    基于上述分析，本文以心电信号为情绪识别的
              用 随 机 森 林 分 类 器 在 WESAD数 据 集 上 达 到 了
                                                                信号基础，首先提出一种基于小波包分解的1D-
              86.4%的分类准确度。虽然基于机器学习的情绪识
                                                                2D信号转换方法，将一维心电信号转换为“二维
              别模型具有解释性，但其通常需要人工进行特征设
                                                                图像”。随后，以此二维图像为输入，以ResNet18
              计与选择，对所在领域知识和经验要求较高，若特
                                                                作为骨干网，通过改进跨层融合方式达到充分
              征提取不当，模型性能会显著下降。近年来，基于
                                                                提取、融合心电信号空间、时序特征的目标，在
              深度学习的情绪识别模型受到广泛关注。根据情绪
                                                                WESAD与SWELL-KW两个数据集上完成情绪识别
              产生、表达与心电信号之间的生理基础关系，在采
                                                                任务。本文提出的情绪识别方法如图1所示。
              用心电信号进行情绪识别时，不仅要提取短时心电
                                                                                             LLL
              的空间特征，还要提取类似于节律特征的长时心电                                                         LLH         预测结果
                                                                           预处理                    情绪识别网络  0, 1, 2
                                 [13]
              的时序特征。曹轩萌 在其硕士学位论文中提出了                                                         HHH
                                                                    1D心电信号        小波包分解   1D-2D信号转换
              时、频域多层次特征融合模型，为将时、频域特征
                                                                                   (a) 整体流程
              与时序特征融合，其将卷积神经网络（convolutional                                    (a) Overview flowchart
              neural network, CNN）与长短期记忆网络（long
              short-term memory, LSTM）进行了双分支设计，在                                    Conv 1×1  Conv 1×1  Conv l×1
              WESAD数据集上达到了95.9%的情绪识别准确
              度。 2024年，SUN等 综合了机器学习与深度学                               ൻೆ  Conv 7×7 64  Max Pooling  Fusion Block 64  Fusion Block 64  Basic Block 128  Fusion Block 128  Basic Block 256  Fusion Block 256  Basic Block 512  Fusion Block 512  Average Pooling  FC-Laver  ൻԛ
                                  [14]
              习的思路，从皮电（galvanic skin response, GSR）、
              皮肤温度（skin temperature, SKT）以及血液容积                                   (b) 情绪识别网络
                                                                              (b) Emotion recognition network
              脉搏波（blood volume pulse, BVP）等三类一维信
                                                                           图1   本文提出的情绪识别方法
              号中生成了二维特征图，应用图像处理的方法构建                               Fig.1  The emotion recognition method proposed in this paper


                                                              2
   1   2   3   4   5   6   7   8   9   10   11