【心电信号ECG】基于心率变异性（HRV）的维度情感识别技术解析（含 sSOM 与 ELM 实现）Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、技术背景：情感识别的生理信号选择与维度建模需求

情感识别作为人机交互、心理健康监测、智能座舱等领域的核心技术，其输入信号可分为主观报告（如情感量表评分）、行为信号（如面部表情、语音语调）与生理信号（如心率、脑电、皮肤电）三类。其中，心率变异性（HRV，Heart Rate Variability）作为反映自主神经系统活性的生理指标，具有客观无扰、抗伪装性强的独特优势 —— 人类无法主动控制 HRV 的波动（如呼吸性窦性心律不齐），且 HRV 与情感状态存在明确的生理关联（如焦虑时交感神经兴奋导致 HRV 降低，放松时副交感神经主导导致 HRV 升高），成为情感识别的理想生理输入源。

传统情感识别多采用 “离散分类模型”（如将情感划分为 “喜、怒、哀、惧”），但现实中情感存在连续变化的 “维度特性”—— 心理学研究表明，情感可通过唤醒度（Arousal）（情绪的兴奋程度，如平静→兴奋）与效价（Valence）（情绪的正负倾向，如愉悦→厌恶）两个核心维度描述，更能精准捕捉情感的细微变化。针对这一需求，emoHR 技术提出 “基于 HRV 的维度情感识别方案”，通过监督式自组织映射（sSOM）与极限学习机（ELM）的融合模型，实现对唤醒度与效价的连续值预测，为高精度情感量化提供了技术路径。

二、emoHR 的核心技术框架：sSOM 与 ELM 的协同设计

emoHR 技术的核心是 “特征提取→特征映射→维度预测” 的三级架构，其中监督式自组织映射（sSOM）负责 HRV 特征的非线性映射与可视化，两种极限学习机（kELM 核极限学习机、nELM 正则化极限学习机）负责唤醒度与效价的回归预测，具体架构如下：

（一）HRV 特征提取：从生理信号到情感关联特征

HRV 的核心是心率信号中相邻心跳间隔（RR 间期）的时间序列差异，emoHR 从 RECOLA 数据集（情感计算领域经典生理数据集）中提取 HRV 特征，分为时域特征、频域特征与非线性特征三类，确保覆盖 HRV 与情感状态的多维度关联：

1. 时域特征：反映 HRV 的整体波动程度，如 RR 间期的标准差（SDNN）、相邻 RR 间期差值的均方根（RMSSD）—— 唤醒度升高时，交感神经兴奋导致心率变异性降低，SDNN 与 RMSSD 均减小；

1. 频域特征：通过傅里叶变换或小波变换得到 HRV 的频率分布，如低频段功率（LF，0.04-0.15Hz，反映交感与副交感神经协同作用）、高频段功率（HF，0.15-0.4Hz，仅反映副交感神经活性）—— 效价为负（如厌恶）时，LF/HF 比值升高，体现交感神经主导；

1. 非线性特征：反映 HRV 的复杂动态特性，如 RR 间期序列的近似熵（ApEn）、样本熵（SampEn）—— 情感越稳定（如平静），HRV 的复杂性越高，熵值越大；情感越激烈（如愤怒），熵值越小。

若需自行提取 HRV 特征，可在 emoHR 代码中设置forceFeatureExtraction=true，代码将自动从 RECOLA 数据集的 “recordings_physio” 文件夹中读取原始心率信号，按上述三类特征的计算标准生成特征矩阵，存储于 “features/” 文件夹中（需遵循现有数据结构，确保后续模型调用兼容性）。

（二）监督式自组织映射（sSOM）：特征映射与情感可视化

传统自组织映射（SOM）是无监督聚类算法，通过竞争学习将高维特征映射到低维网格，实现特征降维与聚类；emoHR 采用的监督式自组织映射（sSOM） 在无监督 SOM 基础上引入情感标签（唤醒度 / 效价评分），使映射后的低维网格不仅保留特征的拓扑结构，还能与情感维度关联，实现 “特征 - 情感” 的可视化解读：

1. 网络结构设计：sSOM 采用 “输入层 - 竞争层” 双层结构，输入层节点数等于 HRV 特征维度（如提取 20 个 HRV 特征则输入层为 20 节点），竞争层为二维网格（如 10×10 节点，共 100 个神经元）；

1. 监督式学习过程：

• 初始化：随机初始化竞争层神经元的权重向量（维度与输入层一致）；

• 样本输入：每次输入一个 HRV 特征向量与对应的唤醒度 / 效价标签；

• 竞争选择：计算输入向量与所有竞争层神经元权重的欧氏距离，选择距离最小的神经元作为 “获胜神经元”；

• 权重更新：不仅更新获胜神经元及其邻域神经元的权重（使权重向输入向量靠拢，保留特征拓扑），还引入标签误差项（获胜神经元的预测标签与真实标签的差值），调整权重以降低标签误差，实现 “特征映射 + 情感预测” 的双重目标；

1. 可视化输出：训练完成后，竞争层每个神经元对应一组 HRV 特征模式与情感标签（唤醒度 / 效价均值），通过热力图将竞争层网格的唤醒度 / 效价分布可视化 —— 例如，网格左上角神经元对应 “低唤醒度 - 高效价”（平静愉悦），右下角对应 “高唤醒度 - 低效价”（愤怒厌恶），直观呈现 HRV 特征与情感维度的关联规律。

⛳️ 运行结果

📣 部分代码

% Feature extraction if 'features' folder is empty or forced (may take some

% time). 

if length(dir(featDir))<=2 || forceFeatureExtraction

    fprintf('Feature extraction\n')

    featureExtraction([dataDir,'recordings_physio/filtered/'],[dataDir,'ratings_gold_standard/'],featDir);    

end

sessionFiles={};

dirs=dir(featDir);

for f=1:length(dirs)

    if ~dirs(f).isdir

        sessionFiles=[sessionFiles; sprintf('%s%s',featDir,dirs(f).name)];

    end

end

% RECOLA partitions

trainPartition=sessionFiles(19:27);

devPartition=sessionFiles(1:9);

results={'Classifier','Target','CCC_Train','CCC_Dev','Outputs','Reference'};

targets={'Arousal','Valence'};

classifiers={'sSOM','nELM','kELM'};

for classifier=classifiers

    classifier=classifier{:};

    for target=targets

        target=target{:};

        fprintf('Running: %s-%s\n',classifier,target);

        % Load hyperparameters

        load(sprintf('config/%s-%s',classifier,target(1)));

        % Gen train/test partitions =======================================

        % Train/dev

        trainData0=makeDataStruct(trainPartition,parameters);

        % Original labels were used for the competence. As our features are

        % framed at 2hz, we use a subsampled version of labels.

        testData0=makeDataStruct(devPartition,parameters,'includeOriginal',1);

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码