【】2017年43(2):电子技术应用

李迎春1、游磊1、何靖康1、周可2、赵立强1、李烨1

(1.陕西科技大学电气与信息工程学院,陕西西安 710021;2.西安沧海网络科技有限公司,陕西西安 71000 0)

针对情绪计算的需求,设计了一种基于STM32L0的低功耗生理信号采集腕带设备,利用低功耗蓝牙无线通信将采集到的生理信号发送到蓝牙4.0的智能设备。实时界面。bp神经网络原理及其在字符 1 识别中的应用,利用BP神经网络对生理信号进行分析处理。实验结果表明,该设备可以实现对心率、皮肤温度、皮肤阻抗和运动状态的准确检测。通过多维生理信号分析,识别个体的情绪状态,紧张、中性、兴奋的识别率达到95%以上。,一种用于情感计算的可穿戴设备。

情感计算;生理信号处理;BP神经网络;可穿戴

CLC 编号:TP391.4

证件识别码:A

DOI:10.16157/j.issn.0258-7998.2017.02.016

中文引文格式:李迎春、游磊、何靖康等。基于生理信号的腕戴式情绪识别装置[J]. 电子技术应用, 2017, 43(2): 69-72, 76.@ >

英文引文格式:李迎春、游磊、何靖康等。基于生理信号的情绪识别腕带装置[J]. 电子技术应用, 2017, 43 (2): 69-72, 76.

0 前言

情感计算的概念是由美国麻省理工学院媒体实验室的 PICAR R 提出的,指的是对情绪相关、情绪诱发或情绪因素的计算。情绪不仅表现在内心体验和外在行为上,还伴随着复杂的神经过程和生理变化。情绪可以通过面部表情、声音、手势、文字等非生理信号来感知,但人体的生理信号不易伪装,可以获得更客观有效的结果[1]。对于基于生理信号的情绪识别,国内外科研人员做了大量的研究。皮卡德 R 等人。采集了皮肤电反应、血容量波动四个生理信号,肌电信号和不同情绪状态下的呼吸,对 8 种情绪的识别准确率达到 81% [2]。金 KH 等人。开发了基于多用户生理信号的短期监测情绪识别系统,并利用支持向量机对悲伤、抑郁、惊讶和愤怒四种情绪状态进行分类识别[3]。刘广元等。通过多通道生理记录仪 MP150 采集多种生理信号,利用 Fisher 和 k-NN 等智能算法进行特征提取和分析,识别出 6 种基本情绪状态,获得了 60-90% 的识别率 [4 ,5] 。开发了基于多用户生理信号的短期监测情绪识别系统,并利用支持向量机对悲伤、抑郁、惊讶和愤怒四种情绪状态进行分类识别[3]。刘广元等。通过多通道生理记录仪 MP150 采集多种生理信号,利用 Fisher 和 k-NN 等智能算法进行特征提取和分析,识别出 6 种基本情绪状态,获得了 60-90% 的识别率 [4 ,5] 。开发了基于多用户生理信号的短期监测情绪识别系统,并利用支持向量机对悲伤、抑郁、惊讶和愤怒四种情绪状态进行分类识别[3]。刘广元等。通过多通道生理记录仪 MP150 采集多种生理信号,利用 Fisher 和 k-NN 等智能算法进行特征提取和分析,识别出 6 种基本情绪状态,获得了 60-90% 的识别率 [4 ,5] 。

现代科技提供了基于生理信号的情绪识别方法,但通常需要昂贵且笨重的设备,影响用户体验和市场应用。随着无线通信技术、嵌入式和传感器技术的快速发展,可穿戴智能设备在医疗、健康等诸多领域显示出重要的研究价值和应用潜力[6]。本文设计了一种基于生理信号的情绪识别腕带设备,用于情绪计算。

1 整体系统设计

皮肤电反应和心率变化是反映人体放松和紧张程度、情绪波动和个性特征的重要依据。1890 年,Tarchanoff 发现当身体存在视觉、听觉、疼痛和其他感觉刺激和情绪激动时,皮肤两点之间的电阻会降低。他将这种现象称为皮肤电反应 (GSR)。但是,由于环境温度或人体运动的影响,皮肤温度会发生相应的变化,GSR信号会受到干扰。同时,人体运动时会产生心率伪影,导致生理信号测量不准确。测量。系统总体框架如图1所示。

2 硬件设计

2.1 生理信号和动力学信号采集单元

2.1.1 皮肤电流和皮肤温度测量

当人的情绪发生变化时,交感神经的活动就会发生变化,汗腺的分泌活动也会发生变化。由于汗液中存在大量电解质,皮肤的电导率会发生变化。对于难以察觉的情绪心理活动,皮肤电阻测量成为最有效的方法。皮肤电阻的阻值比较大,一般在2kΩ~50kΩ之间,而情绪和呼吸变化引起的皮肤电阻变化很小,需要大幅度放大。皮肤阻抗测量电路如图 2 所示。

通过两个接触探头测量皮肤的阻抗,通过电阻-电压转换调理电路得到微弱的变化信号,再通过差分放大电路滤除干扰,最终得到皮肤阻抗的相对变化.

由于外界环境温度的变化会影响汗腺的分泌,从而影响GSR信号,因此需要增加一个温度传感器来研究温度对GSR信号的影响。该器件采用Maxim数字温度传感器DS18B20Z,可提供以摄氏度为单位的9-12位温度测量数据。通过 1-Wire 总线通信,可以将温度直接转换成串行数字信号供 MCU 处理。需要注意的是,DS18B20主要通过GND引脚检测温度,腕带设备通过底部金属探针接触皮肤,作为GND引脚与被测热源(皮肤)之间的良好导热通道。

2.1.2 心率测量

心率测量基于光电容积描记法 [7](Photoplethysmography,PPG),采用 SON7015 心率传感器,集成了一个高灵敏度光敏 IC、2 个绿色 LED 和一个低噪声前置放大器。在测量过程中,使用峰值波长为 550 nm 的绿色 LED 来照亮手腕的皮肤表面。根据朗伯-比尔定律,测量由心脏波动引起的动脉血管组织体积的微小变化。反射光强度变化以获得微弱的原始心率信号。信号幅度为 10 μV 至 5 mV,其典型值为 1 mV。如果加工过程中要求输出达到1V左右,则放大倍数应为1000倍左右。采用高共模抑制比的OPA4313运算放大器,实现放大信号无失真、低噪声的要求。通过滤波放大比较电路得到较好的方波输出,如图3所示。设T为输出方波中两个上升沿的时间差,则每分钟的心跳次数(BPM)为:

在单片机中,可以得到两次捕获事件后的时间间隔T,可以通过公式(1)计算BPM来实现动态心率的测量。但是在实际中存在两个主要问题测量:一是环境光的干扰使测量信号传感器中容易出现较大的噪声信号,通过腕带式结构设计可以减少环境光的影响;二是传感器和手腕运动时相对而言,也会对信号波形的形状产生干扰,也就是通常所说的运动伪影,强烈的运动伪影远大于心率信号,严重破坏了输出的心率信号波形,从而影响精度心率测量。因此,有必要通过加速度传感器研究运动状态对心率的影响。

2.1.3 动态信号测量

采用NXP Semiconductors的MMA8452Q三轴加速度传感器,可感应X、Y、Z自由度的加速度信号,全方位感应人体运动信息。采集到的加速度数据可以通过传感器内部的高通滤波器实时输出,输出信号已经转换成12位数字信号,MCU可以通过I2C接口读取。在单片机中,使用公式(2)计算x、y、z三个方向的加速度的矢量长度和,得到运动幅度的轨迹:

人体最快的运行频率为5Hz,即相邻两步之间的时间间隔至少0.2s,设置最小时间间隔以滤除步中的高频噪声计数过程。同时,通过设置幅度阈值来判断运动是否有效,通过峰值次数的累加可以得到用户的步数和用户的运动状态。行走状态下加速度矢量和的变化如图4所示。

2.2 信号处理和无线通信单元

基于ARM Cortex-M处理器的MCU是智能手环的最佳解决方案[8]。本设备采用STM32L052作为手环设备的主控,集成了同类型MCU中功耗最低的12位模块。转换器 (ADC),在 10 kb/s 的采样率下仅消耗 48 μA。通信单元采用Dialog的蓝牙芯片DA14580,集成了无线收发器和基带处理器。发射电流低至3.4 mA,接收电流低至3.7 mA。提供非常好的射频性能和灵活的外围配置。在DSPS(Dialog Serial Port Service)的基础上,开发了串口透传功能,实现数据传输。

2.3 电源管理和无线充电

腕带设备如图5所示,锂离子充电电池LIR2032经过XC62063.3V/0.5A稳压芯片后,提供3.3V电压供整个系统使用。MCU采集电池分压电路后的电压值,映射到电池剩余电量。IDT 的 P9235B+P9025AC 无线充电解决方案被选用于可穿戴设备的扩展。接收器 P9025AC 内置集成同步全桥整流器和 LDO 输出级,将输入的无线电源信号转换为 5 V/0.4 A 稳压输出,通过 PJ4054 单片锂离子电池恒流充电电流/恒压线性电源管理芯片。系统具有过温、过压、过流保护,

图片[1]-【】2017年43(2):电子技术应用-老王博客

3 软件设计

3.1 台从机

该软件分为发送和接收两部分。接收部分主要包括智能终端控制腕带设备上的LED心情指示灯、用于消息提醒和低功耗模式开启的振动马达等。发送部分主要包括MCU对各种生理信号的响应。处理算法,发送主程序流程如图6所示。通过判断当前运动状态,不发送剧烈运动时采集的心率和皮肤电数据,以保证上位机最终获得稳定可靠的生理信号数据。

3.2 主机

为了方便手环设备的校正和后期的数据分析,搭建了一个基于LabVIEW的数据采集系统,主要包括串口交互、数据处理和显示两个程序模块。首先通过与电脑USB口连接的蓝牙适配器进行无线连接,使用VISA节点进行串口通讯编程。数据接收部分的主程序框架采用状态机模型:条件结构+While循环+事件结构。在数据传输之前,下位机程序已经为生理信号和其他非生理信号(运动幅度、功率水平、步数)等数据变量定义了校验帧头,用于识别是否为有效数据。当所有帧头一致时,上位机接收相应的数据。然后,每一帧依次执行串口配置和控制初始化,采集下位机的数据并显示在前面板上的数值框和波形图中,同时将数据写入电子表格文件。最后关闭串口通讯,释放程序。

3.3 移动应用

在手机客户端,使用蓝牙API连接蓝牙设备并收发数据,实现手环设备的控制,建立用户表。本地使用 SQLITE 存储生理信号中的用户数据和特征值。使用 Android 图表引擎 AChartEngine,创建一个定时任务来刷新图表并显示所需的波形。应用程序界面如图 7 所示。

在第三方云服务的帮助下,客户端通过Apache HTTP Client连接到服务器,以Json的形式传输数据。服务器基于MVC模型bp神经网络原理及其在字符 1 识别中的应用,设计了用于用户登录和注册的Severlet,以及用户表、用户状态表、各设备信号检测记录表和文件存储。

4 实验分析

从离散和维度两个角度构建和理解情感空间,以维度的方式表达具有显着特征的离散情感状态,如图8所示。

研究情绪识别的可行性在很大程度上取决于情绪诱导方法。在本文中,将视频刺激和情绪情境诱导相结合,以获得个体的不同情绪状态[9]。提取具有强烈情绪状态的数据,包括兴奋、紧张、中性和温暖的出汗,并在5分钟内截取数据,如图9所示。

通过用户的主观评价对训练样本进行标注,并使用有监督的机器学习算法——BP神经网络。网络的主要特征是信号的前向传播和误差的反向传播,包括输入层、隐藏层和输出层。

首先,使用公式 (3),应用 max-min 方法对生理信号进行归一化:

其中 xk 是数据样本;xmax和xmin分别是数据序列中的最大值和最小值。

其次,根据生理特征信号的特点确定BP神经网络的结构为3-4-4,随机初始化BP神经网络的权重和阈值。

最后,使用训练好的BP神经网络对生理信号测试数据进行分类。BP神经网络的分类精度如表1所示。

生理信号虽然可以客观地反映一个人的情绪状态,但对情绪具有很好的识别效果,唤醒度高。对多种情绪进行分类,如惊讶、轻蔑、厌恶等,需要将生理信号与面部表情、言语、身体姿势等其他方法相结合。如图7所示,通过调用前置摄像头获取用户的面部表情,结合微软认知服务中的面部表情识别API,可以实现更加多样化和准确的表情识别。

5 结论

本文设计了一种基于STM32L052K8的低功耗生理信号采集腕带装置。采集到的生理信号通过低功耗蓝牙发送到具有蓝牙4.0接口的智能设备。对信号进行分析处理,识别出兴奋、紧张、中性三种情绪状态,并获得较高的准确度。

参考

[1] 张迪,万伯坤,董明。基于生理信号的情绪识别研究进展[J]. 生物医学工程学报, 2015, 32(1): 229-234.

[2] PICARD R, VYZASE E, HEALEY J. 情感生理状态的机器情商分析[J]. IEEE 交易模式分析和机器智能,2001, 23(10):1175-1191.

[3] KIM KH, BANG SW, KIM S R. 基于生理信号短期监测的情绪识别系统[J]. 医学与生物工程与计算, 2004, 42(3):419-472.

[4] YANG ZF, LIU G Y. 基于皮肤电导响应非线性特征的情感识别[J]. 信息与计算科学学报, 2013, 10(12):3877-3887.

[5] 闫芙, 刘国英, 赖新伟. 基于人机交互的主动调节系统中改进OWA的材料选择算法设计研究[J]. 信息与计算科学学报, 2013, 14 (9): 4477-4486.@>

[6] 谢灵琴,石平,蔡文杰.可穿戴智能设备关键技术及发展趋势[J]. 生物医学工程与临床, 2015, 19 (6): 635-640.

[7] 石平,于洪流.光电容积脉搏波原理及应用[J].生物医学工程学报, 2013, 30(4):899-904.

[8] 吴早权,刘孟兴,秦丽萍,等。基于ARM Cortex-M0+内核的可穿戴医疗设备MCU选型分析[J]. 中国医疗器械学报, 2015, 39 (3): 192-19 6.@>

[9] 赵国珍,宋金晶,葛燕,等.基于生理大数据的情绪识别研究进展[J]. 计算机研究与发展, 2016, 53(1):80-92.

© 版权声明
THE END
喜欢就支持一下吧
点赞0
分享
评论 抢沙发

请登录后发表评论