摘 要: 情绪健康与人们的工作生活乃至社会公共安全紧密相关。情绪识别通过测量表征情绪状态的生物信息识别人的个体情绪， 为情绪健康状态辨识提供依据。生物信息感知网络可用于复杂环境生物信息的感知测量， 对特定场景下的情绪监测具有重要意义。本文提出一种面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别方法， 采用稀疏脑电测量设备以及无线可穿戴生物传感节点构建多模生物信息感知网络， 测量提取情绪相关信息， 并对多模生物信息进行融合分析， 针对情绪本身的模糊粗糙特性、 依据脑电专注度模糊门限提出一种改进的模糊粗糙近邻分类算法(FＲNN)。该方法削减了 28． 20% 的运算量， 提高了情绪识别效率;同时减少了无关情绪样本对分类准确率的影响， 提高情绪识别准确率 6% ～7%， 识别率 65． 53% 高于同类研究成果。本文在可穿戴网络架构下实现了情绪的快速识别， 可为日常情绪健康监测提供有效参考依据。

关键词: 情绪识别;可穿戴;稀疏脑电测量;生物信息感知网络;模糊粗糙分类

1 引 言

情绪健康与人们的工作生活乃至社会公共安全紧密相关。情绪识别通过感知测量表征情绪状态的生物信息识别人的个体情绪。情绪识别为解释思维状态， 预测社会行为， 监测辨识个体精神、 心理、 情绪健康状况提供科学依据［1 ］ 。生物信息感知网络可用于复杂环境生物信息的感知测量， 研究面向生物信息感知网络的情绪识别对特定场景下的情绪监测具有重要意义。脑电信号是人脑在思维认知过程中从大脑皮层释放出的信号。

大脑是情绪控制中心， 解码脑电信号特征， 建立与情绪的映射关联， 是情绪识别的主要方法之一［2 ］ 。基于脑电感知测量的情绪识别利用包含不同情感信息的刺激源， 记录脑电波形变化并提取特征进行情绪识别［2 ］ 。Chanel 等人利用图片、 回忆和游戏作为刺激源， 提取脑电功率谱密度特征， 采用支持向量机(Support Vector Ma-chine，SVM)、 朴素贝叶斯(Naive Bayes， NB) 等分类方法， 实现三类情绪的识别［2- 4 ］ 。Lin 等人针对开心、 气愤、伤心和满足 4 种情绪， 采用医用多通道脑电设备测量脑电信号， 提取功率谱不对称特征， 提高了情绪识别的准确率［5 ］ 。

Alzoubi 等人采用 K- 近邻(K- Nearest Neighbors，KNN)分类方法尝试 10 种情绪的识别［6 ］ 。Soleymani 等人和 Koelstra 等人将表情、 血压等多模生物信息辅助脑电进行情绪识别［7- 8 ］ 。Liu 等人基于简单门限算法尝试针对声音刺激的情绪识别并着重优化实时性［9 ］ 。情绪识别已成为近年的前沿研究热点， 但已有成果多依赖复杂医用脑电测量设备， 应用领域有限;与多模生物信息融合情绪识别相关的研究成果识别准确率也多在 60% 左右［7- 8 ］ ， 情绪识别准确率需进一步提高。综上， 由于测量设备复杂性和传统分类算法的限制， 已有情绪识别方法数据处理量大、 实时性较差， 暂无可应用于日常生活情绪监测与情绪健康状态辨识的可靠方法［10 ］ 。

本文提出一种面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别方法:采用稀疏脑电测量设备以及无线可穿戴生物传感节点构建多模生物信息感知网络，并将稀疏脑电与多模生物信息进行时间同步融合;依据情绪本身的模糊粗糙特性， 改进模糊粗糙近邻分类算法，提高情绪识别的准确率和识别效率， 在可穿戴网络架构下实现人的个体情绪的快速识别， 为日常情绪健康监测提供有效参考依据。

2 情绪相关生物信息网络化测量

2．1 稀疏可穿戴脑电测量传统脑电测量系统由大量脑电极构成的电极帽、 有线连接的放大整流电路以及后端软硬件平台组成。脑电极依据 10- 20 系统分布， 依靠导电介质增强脑电极与头皮间的导电性。传统脑电测量受测量设备限制， 只能在医院和实验室场景进行， 被测个体需花费大量时间被局限于一定活动范围内完成脑电测量任务［11 ］ 。稀疏可穿戴脑电测量依据测量任务的实际需要和大脑结构功能分区， 从 10- 20 系统中选择合适位置布置稀疏脑电测量干电极， 采用可穿戴在被测个体身上的支撑物为硬件基础架构， 配套小型放大整流电路以及无线通信模块。上位机测量软硬件平台拓展到手机、 平板计算机等网络移动终端。稀疏可穿戴脑电测量减少对被测个体的限制， 拓展了脑电测量应用领域。如图 1(a)所示， 稀疏可穿戴脑电测量装置分别采用头带和耳机的形式， 由脑电测量干电极、 导线与 TGAM 脑电微弱信号放大整流芯片构成。如图 1(b)所示， 被测个体佩戴可穿戴式测量结构， 并使前额电极(对应 10- 20 系统中的 F p1 )与前额皮肤保持良好接触， 以左耳耳垂为参考电极， 无须使用导电介质， 获取脑电数据并通过无线通信模块与上位机通信。稀疏可穿戴脑电测量设备属于消费级脑电测量设备， 价格也远低于传统脑电测量设备。基于此搭建的脑电信号测量系统， 利用脑电极的稀疏性减少了数据量， 可实时记录被测个体完成特定日常生活任务时的脑电信息。但由于只测量前额脑电信息， 造成信息缺失， 无线可穿戴硬件结构也使得脑电信号的采集与传输易受干扰，所以下文通过多模生物信息感知网络的辅助和改进的分类方法完成情绪识别测量任务。

2．2 生物信息感知网络反映人的个体情绪变化的生物信息复杂［7 ］ ， 尚未有系统全面的情绪测量体系， 目前已有研究成果利用脉搏、血压等多模生物信息辅助脑电情绪识别， 提高情绪识别可靠性［7- 8 ］ 。提取多模生物信息中的特征进行情绪识别，可以避免单一生物信息感知测量误差造成的情绪识别误差， 增强情绪识别的鲁棒性。多模生物信息感知网络包括皮肤温度、 血压、 血氧、脉搏、 心电等生理信息以及 GPS 位置、 温度、 湿度等环境信息的测量。生物信息测量节点具有小型化、 可穿戴、 无线通信的特征。基于 Zigbex 协议将前端传感器测量值传输给 Sink 节点， 通过时分复用的方式获取各节点测量数据， 并采用时间戳同步多模生物信息， 为后端异构数据融合进行情绪识别分析提供依据。

2．3 测量与提取情绪相关生物信息特征数据基于现有研究成果表明， 选择如下生物信息作为情绪识别的特征数据进行测量提取和分类［7- 8 ］ :1) 脑 电 信 号: 各 频 段 脑 电 波 功 率 谱 分 析; α 波(8 ～13 Hz)、 β(波(13 ～30 Hz)、 γ 波(30 ～100 Hz)、 θ 波(4 ～8 Hz)、 δ 波( ＜4 Hz)的能量占比， 功率谱特征分析:峰值点对应的频率值;基于 TGAM 脑电测量模组及其配套 eSense 脑波测量技术对被测对象专注程度和冥想深度的测量;脑电波的时域标准差、 均值分析。2)脉搏:心率分析， 正面情绪刺激可以增加心率峰值;心率变异性分析， 反映神经系统交感神经与迷走神经活性平衡， 与人的个体情绪相关。3)血压:紧张会使血压升高， 与情绪唤醒度测量相关。4)皮肤温度:平均皮肤温度、 皮肤温度变化的标准差分析。综上， 测量与提取情绪相关生物信息特征数据的过程如图 2 所示。稀疏可穿戴脑电测量设备针对脑电测量， 获取的数据通过无线蓝牙方式上传至网络终端， 同时基于 Zigbex 传输的多模生物信息感知网络也将脉搏、 心电、 血压、 皮肤温度等信息上传至网络终端。网络终端通过 WiFi 将各类情绪相关信息传输到远程计算机网络， 由网络中的数据采集和处理中心进行协作信息融合分析［12- 13 ］ 完成情绪识别， 并将识别结果反馈到网络移动终端与被测个体。情绪相关生物信息网络化测量， 满足可穿戴便携式的测量要求， 可作为日常情绪健康状态辨识的系统结构，拓展了情绪识别的应用领域。

3 基于模糊粗糙近邻的情绪识别

3．1 情绪识别基本理论人的个体情绪相对复杂， 目前对情绪进行描述和分类主要依据离散模型和维度模型。离散模型将情绪分为基本情绪和复合情绪， 但基本情绪的界定仍然存在争议。维度模型是目前最为广泛采用的情绪模型［10 ］ 。该模型以效价(Valence)和唤醒度(Arousal)2 个维度描述各类情绪。效价度量情绪的极性， 从负面情绪过渡到正面情绪， 效价也随之增大。唤醒度度量情绪的唤醒程度， 随着唤醒度的提高， 被测个体的警觉性也随之增加。该效价-唤醒度 Circumplex 模型足以描述大部分情绪， 在各类研究中被广泛使用和验证。如图 3 所示， 采用效价- 唤醒度模型， 分别对 4 个象限中的喜悦、 恐惧、 无聊、 放松 4 种情绪进行识别。喜悦与恐惧情绪均对应较高的唤醒度， 被测个体被充分唤醒，精神集中， 不同的是情绪极性相反。而无聊和放松同样极性相反， 但被测个体处于较低的唤醒状态， 注意力较分散。效价- 唤醒度模型中采用二维坐标度量表征各类情绪， 但由于情绪种类众多， 部分情绪具有相近的效价- 唤醒度度量， 不同个体相同情绪的效价- 唤醒度度量也存在差异， 因而情绪识别分类问题具有明显的模糊性和粗糙性， 即同样的效价- 唤醒度模型描述可能隶属于几类不同的情绪， 而不同情绪之间的界限也不明确。基于效价- 唤醒度模型， 针对情绪识别的模糊粗糙性， 下文采用改进的模糊粗糙近邻分类识别这 4 类情绪。

3．2 脑电专注度门限优化的模糊粗糙近邻情绪分类K 近邻算法(K- nearest neighbors，KNN)是最常用的分类方法之一［14 ］ ， KNN 通过分析输入样本 K 个近邻样本多属于的类别， 完成对未知样本的分类。模糊最近邻算法(fuzzy K- nearest neighbors，FKNN)在 KNN 基础上考虑各样本与各类隶属关系的不确定性， 计算近邻样本对各类的隶属度值， 由隶属度函数确定近邻样本与各类的隶属关 系。模 糊 粗 糙 近 邻 算 法［15 ］( fuzzy rough nearestneighbors， FＲNN)在 FKNN 的基础上， 进一步针对各类边缘的粗糙不确定性， 综合构建模糊粗糙隶属度， FＲNN 可有效克服分类算法易受离群点和噪声影响的缺陷， 适用于近邻样本隶属关系不确定、 各类边缘不清晰的分类问题。稀疏可穿戴测量环境增加了含噪声样本， 情绪识别本身又存在模糊不确定性;同时由于部分集合对象不可分， 情绪类边界也存在粗糙不确定性． 因而本文引入FＲNN 分类方法进行情绪识别， 并基于脑电专注度模糊门限改进 FＲNN 分类方法:通过实验确定专注度门限， 缩小专注度特征显著的样本的分类范围， 减少误差点样本的干扰， 缩小邻域、 降低计算量， 具体方法如下。对于 N 类类标号集 C 以及已知类别标号的 n 个训练样本集 X:C = {c 1 ， c 2 ， …， c N }， X = {x 1 ， x 2 ， …， x n } (1)现有待分类样本 y， 需要计算其类别标号 c y 。 首先利用受约束的模糊关系计算待分类样本到各类的模糊隶属度。 确定 K 个近邻， 样本 x 与类 c 的模糊隶属关系:μ c (x) =0．51 + 0．49n i /K， i = c0．49n i /K，i ≠{c(2)式中: n i 为近邻中属于第 i 类的数量。 模糊隶属度表征了训练样本 x 与类 c 的模糊隶属函数关系， 引入粗糙隶属度， 计算待分类样本 y 与类 c 的模糊粗糙隶属度:τ C (y) =1X∑x∈XＲ(x， y)μ c (x)(3)Ｒ(x， y) 表征了训练样本 x 与待分类样本 y 之间的模糊相似性， 由下式确定:Ｒ(x， y) = exp( －y － x2Q) (4)欧式距离表征两样本间差异， Q 是归一化因子:Q =1n∑ni =1x i － x2 ， x =1n∑ni =1x i (5)模糊隶属度取最大值时对应的类别标号即为 c y 。根据上文情绪辨识的基本理论， 采用脑电信号专注度分析对被测个体的情绪唤醒度进行初筛， 设定阈值， 可缩小邻域范围。基于 eSense 技术计算脑电专注度 β， 脑电专注度取值为 0 ～100， 数值越高个体精神专注程度越高。设立专注度门限 T:当专注度高于门限值时， 仅计算待分类样本对于高唤醒度情绪训练样本的模糊粗糙隶属度;当专注度低于门限值时， 仅计算待分类样本对于低唤醒度情绪训练样本的模糊粗糙隶属度。采用该方法可减少运算量， 但在实际实验中专注度设立单一确定的门限T 容易造成较多错误分类。因而这里设立模糊的脑电专注度门限 T down 和 T up 。K 邻域 =高唤醒度情绪训练样本(β ＞ T up )所有训练样本(T down ≤ β ≤ T up )低唤醒度情绪训练样本(β ＜ T down{)(6)T down 和 T up 的值由实验样本确定。综上， 改进的模糊最近邻情绪分类方法步骤如下。Step 1:对已知类标号的情绪相关生物信息进行分段， 每段作为一个训练样本;Step 2:根据样本确定模糊专注度门限， 分析待识别样本中脑电专注度是否超过阈值， 确定邻域;Step 3:采用 FＲNN 方法计算模糊粗糙隶属度;Step 4:输出模糊隶属度最大值对应情绪类标号。

4 情绪识别实验分析

稀疏脑电测量系统采用 Neurosky 公司 2012 年发布的 MindWave Mobile 作为前端测量设备， 无需导电介质的辅助即可获取前额位置 F p1 的 脑 电 信 号， 采 样 频 率512 Hz， 10 m 内可靠无线通信。生物信息感知网络基于Hanback HBE-Zigbex II 平台搭建， 由 Mote 节点、 UAＲT-ISP 下载与通信接口以及传感器模块 3 部分组成， 包括Sink 节点、 血压传感节点、 血氧浓度传感节点、 心电传感节点、 温度传感节点等。采集 8 个被测个体在喜悦、 恐惧、 无聊、 放松 4 种不同情绪刺激下的相关生物信息， 刺激源是有声视频片段。被测个体针对每类情绪进行时长共 240 s 的测量， 前 60 s 为基线测量， 后 180 s 为情绪测量(接受情绪刺激)。图 4 是测得的情绪相关生物信息(以编号 7 的被测个体为例)， 前60 s(虚线左方)为基线测量。后180 s(虚线右方)个体接受喜悦有声视频片段的情绪刺激， 关联的生物信号也随之发生变化。由图 4 可知， 该被测个体在受到情绪刺激后， 心率、皮肤温度、 血压均小幅振荡升高， 原始时域脑电信号变化并不明显， 需对原始脑电信号进行深度分析。

图 5 对该被测个体脑电信号进行滤波去噪， 在时频联合域分析各频段脑电波能量占总能量的百分比。受到情绪刺激后(60 s 后)， 低频 α 波最高峰的右侧出现明显的高频 α 波次高峰， 频谱能量分布也趋于分散， 被测个体脑电波各频段能量占比发生变化。依据提取的情绪相关生物信息特征， 采用专注度门限优化的模糊粗糙分类方法进行绪识别。对稀疏脑电信号进行 eSense 专注度分析， 以确定邻域。图 6 即为该被测个体在不同情绪状态下脑电专注度曲线。由图 6 可知， 脑电专注度指数随时间在 0 ～ 100 变化， 数值越大， 专注程度越高。在不同情绪状态下， 被测个体专注度指数存在差异。表 1 具体计算比较了所有被测个体在 4 种情绪状态下的平均专注度。表 1 中各被测个体高唤醒度情绪状态( 喜悦、 恐惧)下平均专注度分别为 57． 61 和 56． 28， 低唤醒度情绪状态( 无聊、 放松) 下平均专注度分别为 40． 08和 39． 60， 平均相差 30． 04% ， 区分度明显。根据表 1平均专 注 度 取 值 设 立 专 注 度 门 限 值 T down = 40 和T up = 60。表 2 中分析了被测个体专注度 β 相对门限值的分布关系。由表2 可知， 平均31．80%的待识别样本专注度高于 60， 平均 24． 60% 的待识别样本专注度低于 40， 另有43．60%在模糊门限之间。在门限之外的 56． 4% 的分类样本， 计算模糊粗糙隶属度时邻域将缩小 50%， 运算量也减小一半。因此， 整体算法计算模糊粗糙隶属度的运算量平均减少 28．20%。比较 FＲNN 与改进的 FＲNN 方法的情绪识别准确率， 同时比较仅分析脑电的情绪识别与多模信息融合的情绪识别准确率， 比较结果如图 7 所示。图 7 表明， 确定分类算法邻域参数 K 的最优取值可获 得 最 高 的 情 绪 识 别 准 确 率。仅 分 析 脑 电 的FＲNN、 改进 FＲNN 情绪识别在 K = 11 时取得最高识别准确 率 60． 61% 和 64． 86% 。多 模 信 息 融 合 的FＲNN、 改进 FＲNN 情绪识别在 K = 19 时取得最高识别准确率 61． 52% 和 65． 53% 。面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别方法优于单靠脑电分析的情绪识别。改进的 FＲNN 分类方法在降低 28． 20% 运算量的同时比 FＲNN 分类方法准确率提高了 6% ～ 7% 。

目前国外最新的相关研究成果， 如帝国理工学院等发表于 IEEE Transactions on AffectiveComputing 的 研 究 成 果， 识 别 准 确 率 为 52． 40% ～62． 00%［7- 8］ ， 本文提出的方法使用较少数量的脑电极， 获得了更高的识别准确率 65． 53% 。综上所述， 本文提出的面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别方法， 通过稀疏可穿戴脑电与多模情绪相关生物信息的融合分析， 在 FＲNN 分类方法的基础上依据脑电专注度设立模糊门限， 减少了无关情绪样本对分类准确率的影响， 提高了情绪识别准确率和识别效率。

5 结 论

本文提出一种面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别方法， 采用稀疏脑电测量设备以及无线可穿戴生物传感节点构建多模生物信息感知网络， 对稀疏脑电与多模生物信息进行融合分析， 针对人的个体情绪本身的模糊粗糙特性， 利用基于专注度模糊门限改进的 FＲNN 分类算法， 减少无关情绪样本对分类准确率的影响， 提高了情绪识别的准确率和识别效率。本文基于稀疏脑电测量和多模生物信息感知网络， 在可穿戴网络架构下实现了情绪的快速识别， 为人们日常情绪健康监测提供了重要有效的参考依据。

参考文献［1］ COWIE Ｒ， DOUGLAS- COWIE E， TSAPATSOULISN，et al． Emotion recognition in human- computer in-teraction ［J］． Signal Processing Magazine，IEEE，2001，18(1): 32- 80．［2］ CHANEL G，KＲONEGG J，GＲANDJEAN D，et al．Multimedia content representation，classification and se-curity— — —Emotion assessment: Arousal evaluation usingEEG and peripheral physiological signals［M］ ． SpringerBerlin Heidelberg， 2006: 530- 537．［3］ CHANEL G，KIEＲKELS J J M，SOLEYMANI M，et al．Short- term emotion assessment in a recall paradigm［J］ ．International Journal of Human- Computer Studies，2009，67(8): 607- 627．［4］ CHANEL G，ＲEBETEZ C，BéTＲANCOUＲT M，et al．Emotion assessment from physiological signals for adapta-tion of game difficulty［J］ ． IEEE Transactions on，Sys- tems，Man and Cybernetics，Part A: Systems and Hu-mans， 2011， 41(6): 1052- 1063．［5］ LIN Y P，WANG C H，JUNG T P，et al． EEG- basedemotion recognition in music listening［ J］ ． IEEE Trans-actions on Biomedical Engineering，2010，57 ( 7 ):1798- 1806．［6］ ALZOUBI O，CALVO Ｒ A，STEVENS Ｒ H． Advancesin artificial intelligence — — —Classification of EEG for af-fect recognition: an adaptive approach［ M］ ． Springer Ber-lin Heidelberg， 2009: 52- 61．［7］ SOLEYMANI M，LICHTENAUEＲ J，PUN T，et al． Amultimodal database for affect recognition and implicittagging［ J］ ． Affective Computing， IEEE Transactions on，2012， 3(1): 42- 55．［8］ KOELSTＲA S， MUHL C， SOLEYMANI M， et al． Deap:A database for emotion analysis; using physiological sig-nals［J］ ． IEEE Transactions on， Affective Computing，2012， 3(1): 18- 31．［9］ LIU Y，SOUＲINA O，NGUYEN M K． Ｒeal- time EEG-based human emotion recognition and visualization［C］ ．IEEE 2010 International Conference on Cyberworlds(CW)， 2010: 262- 269．［ 10］ JATUPAIBOON N，PAN- NGUM S，ISＲASENA P． Ｒeal-time EEG- based happiness detection system［J］ ． TheScientific World Journal， 2013， 2013．［ 11］ CASSON A J，YATES D，SMITH S，et al． Wearableelectroencephalography［ J］ ． Engineering in Medicine andBiology Magazine，IEEE， 2010， 29(3): 44- 56．［ 12］ 谈宇奇，王雪，刘长． 物联网室内运动目标协作信息融合跟踪方法［J］ ． 仪器仪表学报，2013，34(2):352- 358．TAN Y Q，WANG X，LIU CH． Indoor moving targettracking method based on collaborative information fusionin internet of things［ J］ ． Chinese Journal of Scientific In-strument， 2013， 34(2): 352- 358．［ 13］ WANG X，WANG S． Collaborative signal processingfor target tracking in distributed wireless sensor net-works［J］． Journal of Parallel and Distributed Compu-ting，2007，67(5): 501- 515．［ 14］ 刘冲， 颜世玉， 赵海滨， 等． 多类运动想象任务脑电信号的 KNN 分类研 究［J］ ． 仪 器 仪 表 学 报，2012，33(8): 1714- 1720．LIU CH，YAN SH Y，ZHAO H B，et al． Study onmulti- class motor imagery EEG classification based onKNN［J］． Chinese Journal of Scientific Instrument，2012，33(8): 1714- 1720．［ 15］ SAＲKAＲ M． Fuzzy- rough nearest neighbor algorithms inclassification［J］ ． Fuzzy Sets and Systems， 2007，158(19): 2134- 2152．