TW201801037A - 情緒分析方法與其電子裝置 - Google Patents

情緒分析方法與其電子裝置 Download PDF

Info

Publication number
TW201801037A
TW201801037A TW105120706A TW105120706A TW201801037A TW 201801037 A TW201801037 A TW 201801037A TW 105120706 A TW105120706 A TW 105120706A TW 105120706 A TW105120706 A TW 105120706A TW 201801037 A TW201801037 A TW 201801037A
Authority
TW
Taiwan
Prior art keywords
heart rhythm
rhythm signal
emotion
parameters
signal
Prior art date
Application number
TW105120706A
Other languages
English (en)
Inventor
郭瀚文
簡仁建
Original Assignee
泰金寶電通股份有限公司
金寶電子工業股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 泰金寶電通股份有限公司, 金寶電子工業股份有限公司 filed Critical 泰金寶電通股份有限公司
Priority to TW105120706A priority Critical patent/TW201801037A/zh
Priority to US15/233,940 priority patent/US20180005137A1/en
Priority to EP16198048.7A priority patent/EP3263024A1/en
Publication of TW201801037A publication Critical patent/TW201801037A/zh

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)

Abstract

本發明提供一種情緒分析方法與其電子裝置。此情緒分析方法適於具有資料庫或連接至資料庫的電子裝置，藉以分析受試者的情緒。情緒分析方法包括下列步驟。取得受試者的心律訊號。由資料庫界定多個候選情緒。分析心律訊號以獲得多個目標情緒參數。利用情緒分析模型分析目標情緒參數以決定心律訊號在前述候選情緒中所對應的一者。

Description

情緒分析方法與其電子裝置
本發明是有關於一種分析方法與裝置，且特別是有關於一種分析心律訊號的情緒分析方法與其電子裝置。
近年來，越來越多研究顯示情緒與人體健康有著密不可分的關係。研究人員發現，如果常年處於慢性壓抑之下，會使血液中葡萄糖和脂肪酸升高，患糖尿病和心臟病的風險加大。另外，壓力還會使人體膽固醇水平上升，更易誘發心血管病。因此，保持積極樂觀的情緒，能夠增強人體抵抗力且使人長壽；反之，情緒常年處於壓抑、沮喪或憤怒，則會使免疫系統的功能下降，進而導致各種疾病的產生。此外，情緒的失調更會引發社交上的障礙，並使工作效率低落等。
因此，情緒分析便成了判斷一個人身心狀態的重要因素。在今天，主觀的情緒判斷方面主要是藉由問卷方式來得到，而客觀的情緒判斷方面，最常使用的方法是藉由臉部表情或心律分析等生理特徵來達成。然而，無論是問券或是使用臉部表情的判斷方式都很難準確客觀的判斷受試者的真實情緒。因此，以心律分析來判斷受試者情緒是今天較客觀且系統性的作法。但是，目前以心律分析方法來判斷情緒時常著重在例如心律增快減慢等單一種心律變化上，誤判的機率較高。因此，如何提供一種更為準確詳盡的心律分析方法，仍是本領域技術人員努力的目標。
基於上述，本發明提出一種情緒分析方法與電子裝置。藉由多種分析統計方法分析心律訊號，以得到多個不同的目標情緒參數後，再將該些目標情緒參數相依地作綜合性分析。在由心律訊號所獲得的多個目標情緒參數綜合分析之下，能夠更客觀準確地判斷出受試者的情緒狀況。
本發明提供一種適用於情緒分析系統的情緒分析方法，適於具有資料庫或連接至資料庫的電子裝置，藉以分析受試者的情緒。此情緒分析方法包括下列步驟。取得受試者的心律訊號。由資料庫界定多個候選情緒。分析心律訊號以獲得多個目標情緒參數。利用情緒分析模型分析目標情緒參數以決定心律訊號在前述候選情緒中所對應的一者。
本發明提供一種電子裝置，用於分析受試者的情緒。此電子裝置包括資訊擷取裝置與處理器。資訊擷取裝置由受試者取得心電圖訊號。處理器耦接至資訊擷取裝置，處理器由心電圖訊號取得受試者的心律訊號，並且由資料庫界定多個候選情緒。處理器分析心律訊號以獲得多個目標情緒參數，並且利用情緒分析模型分析目標情緒參數以決定心律訊號在前述候選情緒中所對應的一者。
基於上述，透過前述的情緒分析方法與電子裝置，能夠在綜合分析心律訊號中的多個目標情緒參數下，客觀準確地分析受試者的情緒狀態。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是本發明的一實施例中電子裝置100的方塊圖。圖2是本發明的一實施例中情緒分析系統200的方塊圖。圖3是本發明的另一實施例中情緒分析系統300的方塊圖。
請參照圖1，電子裝置100包括資訊擷取裝置102、處理器104。在本發明的一實施例中，電子裝置100取得受試者的心律訊號，並且對所取得的心律訊號進行多種分析，藉以判斷受試者的情緒狀態。資訊擷取裝置102是用以作為取得受試者的心律訊號的媒介。在本發明的一實施例中，資訊擷取裝置102例如是量測受試者的心電圖訊號，因此資訊擷取裝置102可例如是心電圖機或可攜式心電圖監測器等，用以取得受試者的心電圖訊號。處理器104耦接於資訊擷取裝置102，用以從資訊擷取裝置102接收心電圖訊號，從前述心電圖訊號取得心律訊號，隨後對所取得的心律訊號進行分析，並且藉由分析的結果來判斷受試者或心電圖訊號所反映的情緒狀態。在本發明的一實施例中，處理器104可例如是微控制器（micro-controller）、嵌入式控制器（embedded controller）、中央處理器（central processing unit, CPU）或類似的元件，而本發明不在此限制。
值得一提的是，本發明實施例的電子裝置100還例如是包括儲存單元(未繪示)、通訊介面(未繪示)以及輸出入介面(未繪示)。儲存單元用於儲存資料、數據、模組、軟體、應用程式，並且可以是任何型態的固定或可移動隨機存取記憶體（Random access memory, RAM）、唯讀記憶體（Read-only memory, ROM）、快閃記憶體（Flash memory）或類似元件或上述元件的組合。輸出入介面包括顯示器、揚聲器、鍵盤、滑鼠、觸控面板等用於輸出或輸入訊息、資料的元件。通訊介面支援各類有線通訊標準與無線通訊標準，使得電子裝置100能與其他裝置相互通訊。
值得一提的是，本發明實施例的電子裝置100可外接或以網路連接至資料庫106以組成情緒分析系統200，而資料庫106用以儲存各項資料，但本發明不限於此。在本發明另一實施例中，資料庫106可包含於電子裝置100，並且耦接至處理器104。在本發明又一實施例中，情緒分析系統300分別包括資訊擷取裝置102、處理器104與資料庫106，但處理器104與資料庫106是包括於一個主機系統302當中，而資訊擷取裝置102獨立實施於不同裝置或元件內。
圖4是本發明的一實施例中情緒分析方法的流程圖。圖5是本發明的一實施例中心電圖訊號的示意圖。
請參照圖4，在步驟S401中，處理器104會取得心律訊號作為分析目標。在本發明的一實施例中，資訊擷取裝置102例如是可攜式心電圖監測器，用以偵測受試者在一段時間間隔(例如，90秒)內的心電圖訊號，並將其回傳至處理器104去分析出心律訊號。圖5的示意圖僅擷取繪示所偵測的90秒心電圖訊號中的其中3秒，以便作示例性的說明。在本發明的另一實施例中，處理器104也可以例如是藉由資料庫106或其他的方式取得心律訊號以作為分析目標。在步驟S403中，處理器104更由資料庫106界定多個候選情緒。隨後，在步驟S405中，處理器104對心律訊號經由分析與運算獲得多個目標情緒參數。
參照圖5，一般來說，心電圖訊號500的橫軸代表時間，縱軸代表電壓大小。通常情況下，在90秒的心電圖訊號中會包括多個如QRS波群501，其中出現時間接續在負向電壓之後的第一個正向電壓的波峰標記為R，而在心電圖訊號500中兩兩相鄰的波峰R的時間間隔稱之為波峰間距(R-R Interval, RRI)，代表心跳之週期。在本發明的一實施例中，處理器104藉由資訊擷取裝置102取得90秒的心電圖訊號500，並且分析心電圖訊號500來取得如QRS波群501的心律訊號，然後計算心律訊號在時域、頻域、統計分析與潘凱圖(Poincare Plot)的多個參數以作為多個初始情緒參數。
詳細而言，在時域中的初始情緒參數包括心律訊號的多個波峰間距的平均值(Average Value)、心律訊號的多個波峰間距的變異係數(Coefficient of Variation)、心律訊號的多個波峰間距的標準差(Standard Deviation)與心律訊號的多個波峰間距的連續長度差的標準差(Standard Deviation of Successive Differences)。具體而言，處理器104直接針對在時域中取得的心電圖訊號(例如是心電圖訊號500)與心律訊號進行計算即可取得時域中的初始情緒參數。
在本發明的一實施例中，處理器104更將所取得的心律訊號轉換至頻域進行分析以獲得多個初始情緒參數。例如，處理器104可藉由快速傅立葉轉換(fast Fourier transform, FFT)將心律訊號轉換至頻域，並且分別計算心律訊號在低頻區間(0.04赫茲(Hz)至0.15赫茲)以及高頻區間(0.15赫茲至0.4赫茲)的功率，以分別獲得心律訊號的低頻(low frequency power, LF)功率以及高頻(high frequency power, HF)功率作為初始情緒參數。另一方面，處理器104還可計算心律訊號的低頻功率與高頻功率的比值(Ratio)來作為初始情緒參數。
值得注意的是，在本發明的另一實施例中，處理器104也可以是藉由傅立葉轉換(Fourier transform)或拉普拉斯轉換(Laplace transform)等其他的方式將心律訊號轉換至頻域，本發明不在此作限制。
在本發明的一實施例中，處理器104還例如是以統計分析的方式計算多個初始情緒參數。更詳細而言，處理器104分別統計計算心律訊號的多個波峰間距的峰度(Kurtosis)與偏態(Skewness)來作為多個初始情緒參數。
在本發明的一實施例中，處理器104更基於心律訊號在潘凱圖的標準差SD1(第一標準差)、標準差SD2(第二標準差)以及標準差SD2與標準差SD1的比值來作為初始情緒參數。潘凱圖擁有簡單運算和適合短時間資料分析的優點。標準差SD1為垂直於心率均等線(Line of Identity)的多個資料點間的標準差，而標準差SD2為沿心率均等線的多個資料點間的標準差。值得注意的是，在心律訊號之中的其他特徵或統計數值也可以做為初始情緒參數，而不限於前述。
在取得前述初始情緒參數後，處理器104選擇至少部分的初始情緒參數作為目標情緒參數。在本發明的一實施例中，處理器104例如是將所有的初始情緒參數作為目標情緒參數以進行後續的情緒分析，但本發明不限於此。於另一實施例中，處理器104以主成分分析(Principal Components Analysis, PCA）來分析，挑選出部分的初始情緒參數作為目標情緒參數。
在主成分分析之中，處理器104比較初始情緒參數的多個特徵向量以及心律訊號的特徵值，藉以選擇部分的初始情緒參數作為目標情緒參數。具體而言，在本實施例中，經PCA選擇的初始情緒參數通常為較易造成資料變異的情緒參數。在本發明的一實施例中，被選擇的初始情緒參數例如是心律訊號的多個波峰間距的變異係數(Coefficient of Variation)、心律訊號的低頻(low frequency power, LF)功率、心律訊號的高頻(high frequency power, HF)功率、低頻功率與高頻功率的比值(Ratio)以及心律訊號在潘凱圖的標準差SD1(第一標準差)，但本發明不以此為限。
參照圖4，取得目標情緒參數後，處理器104更利用情緒分析模型分析目標情緒參數以決定心律訊號在候選情緒中所對應的一者(步驟S407)。一般來說，一或多數個目標情緒參數的變化可能對應到某種類型情緒的變化，因此，在本發明的實施例中，處理器104藉由複數個目標情緒參數的數值組合，可以判斷心律訊號所對應的情緒類型。換句話說，即是藉由多個心律訊號判斷受試者目前最有可能的情緒類型。
在本發明的一實施例中，處理器104利用一個經訓練的情緒分析模型來協助判定心律訊號在候選情緒中所對應的一者。更詳細而言，在決定候選情緒後，並且於正式辨識心律訊號所對應的候選情緒之前，處理器104首先對應決定的候選情緒，分別取得多個訓練心律訊號，由訓練心律訊號分別取得多個訓練情緒參數，然後以該些訓練情緒參數訓練分類器以取得情緒分析模型。在本實施例中，訓練心律訊號例如是先前量測並儲存於電子裝置100的儲存單元的心律訊號，又或者是先前量測並儲存於資料庫106的心律訊號。
具體而言，每個訓練心律訊號都明確地對應至一個候選情緒類型，例如是哀傷、生氣、害怕、高興或平靜放鬆。換言之，訓練心律訊號是受試者在特定情緒下的心律訊號。另一方面，訓練心律訊號的訓練情緒參數相同於前述實施例所提及之初始情緒參數的類型，故在此不再贅述。藉由多個訓練心律訊號的多個訓練情緒參數，處理器104例如是採取支持向量機（Support Vector Machine, SVM）的方式訓練分類器而取得情緒分析模型。此後，藉由情緒分析模型，處理器104即可判斷每一個取得的心律訊號是對應於哪一個候選情緒。
在本發明的一實施例中，針對較為細項的候選情緒，例如是哀傷、生氣、害怕、高興或平靜放鬆等候選情緒，也粗略分析正面情緒與負面情緒。正面情緒包括高興、平靜放鬆等，而負面情緒包括哀傷、生氣、害怕。此時，藉由情緒分析模型，處理器104即可判斷每一個取得的心律訊號是對應於正面情緒或負面情緒，進而判斷受試者是處在正面情緒還是負面情緒。換言之，在本實施例中，用於訓練情緒分析模型的訓練情緒參數僅分類為正面情緒或負面情緒，並且利用情緒分析模型分析取得的心律訊號來判斷受試者為正面情緒還是負面情緒。
綜上所述，本發明實施例所提出的情緒分析方法與其電子裝置，藉由分析心律訊號，獲得多個目標情緒數，然後針對所選擇的候選情緒，利用情緒分析模型判斷心律訊號最有可能對應的情緒種類。藉此，相較於傳統的情緒分析方法與種類，能夠綜合評量更多不同的目標情緒參數，更詳細的分析出多種不同的情緒。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100‧‧‧電子裝置
102‧‧‧資訊擷取裝置
104‧‧‧處理器
106‧‧‧資料庫
200、300‧‧‧情緒分析系統
302‧‧‧主機系統
500‧‧‧心電圖訊號
501‧‧‧QRS波群
RRI‧‧‧波峰間距
S401、S403、S405、S407‧‧‧情緒分析方法的步驟
圖1是本發明的一實施例中電子裝置的方塊圖。 圖2是本發明的一實施例中情緒分析系統的方塊圖。 圖3是本發明的另一實施例中情緒分析系統的方塊圖。 圖4是本發明的一實施例中情緒分析方法的流程圖。 圖5是本發明的一實施例中心電圖訊號的示意圖。
S401、S403、S405、S407‧‧‧情緒分析方法的步驟

Claims (10)

  1. 一種情緒分析方法，適於具有一資料庫或連接至該資料庫的電子裝置，藉以分析受試者的情緒，該情緒分析方法包括： 取得該受試者的一心律訊號； 由該資料庫界定多個候選情緒； 分析該心律訊號以獲得多個目標情緒參數；以及 利用一情緒分析模型分析該些目標情緒參數以決定該心律訊號在該些候選情緒中所對應的一者。
  2. 如申請專利範圍第1項所述的情緒分析方法，其中分析該心律訊號以獲得該些目標情緒參數的步驟，包括： 計算該心律訊號在時域、頻域、統計分析與潘凱圖(Poincare Plot)的多個參數以作為多個初始情緒參數；以及 選擇至少部分的該些初始情緒參數作為該些目標情緒參數。
  3. 如申請專利範圍第2項所述的情緒分析方法，其中選擇至少該部分的該些初始情緒參數作為該些目標情緒參數的步驟，包括： 進行主成分分析(Principal Components Analysis, PCA）以挑選至少該部分的該些初始情緒參數作為該些目標情緒參數。
  4. 如申請專利範圍第2項所述的情緒分析方法，其中該些初始情緒參數包括該心律訊號的多個波峰間距(RR-Interval)的平均值(Average Value)、該心律訊號的該些波峰間距的變異係數(Coefficient of Variation)、該心律訊號的該些波峰間距的標準差(Standard Deviation)、該心律訊號的該些波峰間距的連續長度差的標準差(Standard Deviation of Successive Differences)、該心律訊號的低頻(Low Frequency, LF)功率、該心律訊號的高頻(High Frequency, HF)功率、該心律訊號的該低頻功率與該高頻功率的比值(Ratio)、該心律訊號的峰度(Kurtosis)、該心律訊號的偏態(Skewness)、該心律訊號在該潘凱圖的第一標準差、該心律訊號在該潘凱圖的第二標準差以及該心律訊號在該潘凱圖的該第二標準差與該第一標準差的比值。
  5. 如申請專利範圍第1項所述的情緒分析方法，其中利用該情緒分析模型分析該些目標情緒參數以決定該心律訊號在該些候選情緒中所對應的該者的步驟前，更包括： 對應該些候選情緒，分別取得多個訓練心律訊號； 由該些訓練心律訊號分別取得多個訓練情緒參數；以及 以該些訓練情緒參數訓練一分類器以取得該情緒分析模型。
  6. 一種電子裝置，用於分析受試者的情緒，該電子裝置包括： 一資訊擷取裝置，由該受試者取得一心電圖訊號；以及 一處理器，耦接至該資訊擷取裝置， 其中該處理器由該心電圖訊號取得該受試者的一心律訊號，並且由一資料庫界定多個候選情緒， 其中該處理器分析該心律訊號以獲得多個目標情緒參數，並且利用一情緒分析模型分析該些目標情緒參數以決定該心律訊號在該些候選情緒中所對應的一者。
  7. 如申請專利範圍第6項所述的電子裝置，其中該處理器計算該心律訊號在時域、頻域、統計分析與潘凱圖(Poincare Plot)的多個參數以作為多個初始情緒參數，並且選擇至少部分的該些初始情緒參數作為該些目標情緒參數。
  8. 如申請專利範圍第7項所述的電子裝置，其中該處理器進行主成分分析(Principal Components Analysis, PCA）以挑選至少該部分的該些初始情緒參數作為該些目標情緒參數。
  9. 如申請專利範圍第7項所述的電子裝置，其中該些初始情緒參數包括該心律訊號的多個波峰間距(RR-Interval)的平均值(Average Value)、該心律訊號的該些波峰間距的變異係數(Coefficient of Variation)、該心律訊號的該些波峰間距的標準差(Standard Deviation)、該心律訊號的該些波峰間距的連續長度差的標準差(Standard Deviation of Successive Differences)、該心律訊號的低頻(Low Frequency, LF)功率、該心律訊號的高頻(High Frequency, HF)功率、該心律訊號的該低頻功率與該高頻功率的比值(Ratio)、該心律訊號的峰度(Kurtosis)、該心律訊號的偏態(Skewness)、該心律訊號在該潘凱圖的第一標準差、該心律訊號在該潘凱圖的第二標準差以及該心律訊號在該潘凱圖的該第二標準差與該第一標準差的比值。
  10. 如申請專利範圍第6項所述的電子裝置，其中在利用該情緒分析模型分析該些目標情緒參數以決定該心律訊號在該些候選情緒中所對應的該者之前，該處理器對應該些候選情緒，分別取得多個訓練心律訊號，由該些訓練心律訊號分別取得多個訓練情緒參數，並且以該些訓練情緒參數訓練一分類器以取得該情緒分析模型。
TW105120706A 2016-06-30 2016-06-30 情緒分析方法與其電子裝置 TW201801037A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW105120706A TW201801037A (zh) 2016-06-30 2016-06-30 情緒分析方法與其電子裝置
US15/233,940 US20180005137A1 (en) 2016-06-30 2016-08-10 Emotion analysis method and electronic apparatus thereof
EP16198048.7A EP3263024A1 (en) 2016-06-30 2016-11-09 Emotion analysis method and electronic apparatus thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105120706A TW201801037A (zh) 2016-06-30 2016-06-30 情緒分析方法與其電子裝置

Publications (1)

Publication Number Publication Date
TW201801037A true TW201801037A (zh) 2018-01-01

Family

ID=57288178

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105120706A TW201801037A (zh) 2016-06-30 2016-06-30 情緒分析方法與其電子裝置

Country Status (3)

Country Link
US (1) US20180005137A1 (zh)
EP (1) EP3263024A1 (zh)
TW (1) TW201801037A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715250B (zh) * 2019-10-17 2021-01-01 宏碁股份有限公司 特徵識別方法與電子裝置
CN114334090A (zh) * 2022-03-02 2022-04-12 博奥生物集团有限公司 一种数据分析方法、装置及电子设备
TWI897662B (zh) * 2024-01-22 2025-09-11 智能資安科技股份有限公司 基於超維運算加速器之情緒識別系統

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136743A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 基于声音采集的健康状态监控方法、装置及存储介质
WO2022065446A1 (ja) * 2020-09-24 2022-03-31 シチズン時計株式会社 感情判定装置、感情判定方法及び感情判定プログラム
CN112370058A (zh) * 2020-11-11 2021-02-19 西北工业大学 一种基于移动端对用户的情感进行识别与监测方法
CN113143274B (zh) * 2021-03-31 2023-11-10 中国科学院心理研究所 基于摄像头的情绪预警方法
CN113741702B (zh) * 2021-11-03 2022-03-04 北京智精灵科技有限公司 基于情绪监测的认知障碍人机交互方法及系统
TWI845959B (zh) * 2022-06-06 2024-06-21 國立大學法人橫濱國立大學 感情推定裝置、可攜式終端、可攜式感情推定裝置、及控制感情推定裝置之程式
CN119833079B (zh) * 2024-11-26 2025-09-02 山东电子职业技术学院 基于心理学信息大数据的内在情绪分析系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100455286B1 (ko) * 2002-01-11 2004-11-06 삼성전자주식회사 생리신호획득 및 해석을 이용한 동물의 상태 파악 방법 및장치
EP2007277A4 (en) * 2006-04-18 2010-06-02 Susan Mirow METHOD AND APPARATUS FOR ANALYZING PSYCHIATRIC AND PHYSICAL CONDITIONS
WO2010038217A1 (en) * 2008-10-03 2010-04-08 University Of Cape Town Neonatal brain well-being monitor
US20110263946A1 (en) * 2010-04-22 2011-10-27 Mit Media Lab Method and system for real-time and offline analysis, inference, tagging of and responding to person(s) experiences
US9642536B2 (en) * 2010-06-07 2017-05-09 Affectiva, Inc. Mental state analysis using heart rate collection based on video imagery
US9301695B2 (en) * 2013-01-18 2016-04-05 Fujitsu Limited Stress model based on RR integral average

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI715250B (zh) * 2019-10-17 2021-01-01 宏碁股份有限公司 特徵識別方法與電子裝置
US11844633B2 (en) 2019-10-17 2023-12-19 Acer Incorporated Feature identifying method and electronic device
CN114334090A (zh) * 2022-03-02 2022-04-12 博奥生物集团有限公司 一种数据分析方法、装置及电子设备
CN114334090B (zh) * 2022-03-02 2022-07-12 博奥生物集团有限公司 一种数据分析方法、装置及电子设备
TWI897662B (zh) * 2024-01-22 2025-09-11 智能資安科技股份有限公司 基於超維運算加速器之情緒識別系統

Also Published As

Publication number Publication date
EP3263024A1 (en) 2018-01-03
US20180005137A1 (en) 2018-01-04

Similar Documents

Publication Publication Date Title
TW201801037A (zh) 情緒分析方法與其電子裝置
JP6679005B2 (ja) 生体情報分析装置、システム、及び、プログラム
Venkatesan et al. Mobile cloud computing for ECG telemonitoring and real-time coronary heart disease risk detection
TWI725255B (zh) 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法
Agrafioti et al. ECG pattern analysis for emotion detection
CN109276241B (zh) 一种压力识别方法及设备
Yan et al. Emotion classification with multichannel physiological signals using hybrid feature and adaptive decision fusion
JP6513005B2 (ja) 疲労度計
US11075009B2 (en) System and method for sympathetic and parasympathetic activity monitoring by heartbeat
Mikuckas et al. Emotion recognition in human computer interaction systems
Cecchi et al. Physical stimuli and emotions: EDA features analysis from a wrist-worn measurement sensor
Akhter et al. Heart-based biometrics and possible use of heart rate variability in biometric recognition systems
Chen et al. Artificial neural networks-based classification of emotions using wristband heart rate monitor data
Udhayakumar et al. Measurement of stress-induced sympathetic nervous activity using multi-wavelength PPG
Bellante et al. Emocy: Towards physiological signals-based stress detection
Zhou et al. Investigating the generalizability of physiological characteristics of anxiety
CN104112055A (zh) 情绪分析显示系统及方法
KR102403404B1 (ko) 호흡-심전도 신호를 사용한 정신적 스트레스 검출 방법 및 시스템
TW201924600A (zh) 非侵入式疼痛監測系統與非侵入式疼痛監測方法
Choi et al. Physiological sensing and feature extraction for emotion recognition by exploiting acupuncture spots
KR101137402B1 (ko) 오실로매트릭 동맥 혈압 측정에 기반한 개인 식별 장치 및 방법
Singh et al. An alternative approach to approximate entropy threshold value (r) selection: application to heart rate variability and systolic blood pressure variability under postural challenge
Nawasalkar et al. Study of comparison of human bio-signals for emotion detection using HCI
Abd Halim et al. Stress recognition using photoplethysmogram signal
KR101657539B1 (ko) 혈압 측정에 근거한 개인적인 특성 분석 장치 및 방법