买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:北京理工大学
摘要:本发明公开了基于CEEDMAN和神经网络去噪的情绪评估方法,属于生理状态估计技术领域。该方法包括以下步骤:S1、对于收集到的光电容积脉搏波信号以及相关的三轴加速度信号进行预处理;S2、对脉搏波信号进行去噪处理;S3、对脉搏波的相关特征进行提取;S4、对上述步骤S3提取的脉搏波特征进行特征筛选;S5、将筛选后的特征输入到分类模型中得到人体的压力类别。本发明采用上述的基于CEEDMAN和神经网络去噪的情绪评估方法,实现了去除光电容积脉搏波信号的运动伪影噪声,使用多峰值联合检测并设置阈值提取比较准确的峰值,在获取有效的特征之后,提高了对于人体的情绪评估的精度。
主权项:1.基于CEEDMAN和神经网络去噪的情绪评估方法,其特征在于,包括以下步骤:S1、对于收集到的光电容积脉搏波信号以及相关的三轴加速度信号进行预处理;S2、对脉搏波信号进行去噪处理;去噪处理分为高低频噪声去除、基线漂移去除以及运动伪影去除,具体过程如下:S21、使用巴特沃斯带通滤波器进行滤波,去除高低频环境的噪声,保留脉搏波信号的有效成分并提高信号质量;S22、将上述步骤S21去除高低频环境噪声的脉搏波信号,使用自回归模型,拟合信号趋势,用信号减去拟合趋势,获得去除基线漂移后的脉搏波信号;S23、将上述步骤S22去除高低频噪声以及基线漂移的脉搏波信号,通过公式计算该信号与三轴加速度的皮尔逊相关系数,如下所示: 其中,表示皮尔逊相关系数,表示脉搏波数据,表示加速度数据,表示脉搏波数据的均值,表示加速度数据的均值;选取三个皮尔逊相关系数的最大值对应的加速度信号,并将脉搏波信号与选取的加速度信号通过归一化的最小均方滤波器;其中,输入为脉搏波信号,参考信号为选取的加速度信号,输出为较干净的脉搏波信号;将较干净的信号通过时域,频域以及非线性的特征分成完全干净的信号以及仍然不干净的信号;其中,将完全干净的信号与仍然不干净的信号通过不同的信噪比组合成训练的输入数据,完全干净的信号作为训练的输出数据;将训练数据输入到由CEEDMAN和前馈神经网络组成的去噪模型进行再一次的噪声去除,训练的输入数据通过CEEDMAN分解成为7种模态,同时输入数据通过前馈神经网络输出7个权重,将7种模态与7个权重进行相乘并相加,得到重构后的干净信号;将重构后的干净信号与实际的输入数据对应的干净信号进行对比,并计算均方差作为模型的代价函数,如下所示: 其中,是均方差,是实际数据的值,是重构数据的值;将代价函数计算的残差,进行反馈,重新计算梯度,使用五折交叉验证,最后选取验证效果最好的模型作为测试模型,将测试数据通过训练好的测试模型,即可得出最终干净的脉搏波信号;S3、对脉搏波的相关特征进行提取;S4、对上述步骤S3提取的脉搏波特征进行特征筛选,过程如下:S41、使用reliefF算法对于提取到的所有特征进行筛选,如下所示:S411、对提取到的脉搏波特征进行初始化,为每个特征赋予一个权重,初始权重通常设为零;S412、通过ReliefF从训练集中随机选择一个样本,然后从同一类别中找到K个的近似样本,记为;从不同的类别中找到K个的近似样本,记为;S413、在每个特征维度上重复上述步骤,得到每个特征的权重;S414、重复上述步骤直到达到预设的迭代次数或者直到权重收敛,根据最终的特征权重,选择权重高于某个阈值的特征作为重要特征;S42、使用随机森林的袋外分数的重要性进行特征筛选,如下所示:S421、计算每个特征的重要性,并按降序排序确定要剔除的比例;S422、依据特征重要性剔除相应比例的特征,得到一个新的特征集;S423、用新的特征集重复上述过程,直到剩下m个特征,其中m为提前设定的值;S5、将筛选后的特征输入到分类模型中得到人体的压力类别。
全文数据:
权利要求:
百度查询: 北京理工大学 基于CEEDMAN和神经网络去噪的情绪评估方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。