一种用于心电特征选择的禁忌搜索方法技术领域
本发明涉及一种生理信号情感识别方法，尤其涉及一种心电特征
选择方法。
背景技术
情感识别是情感计算领域中的一个重要组成部分，如果要让计算
机能从面部、姿势、语音和生理信号中识别出人类的情感，首先必须
让计算机能识别情感，所以情感识别就显得非常重要。情感识别主要
包括肢体情感识别、面部表情情感识别和语音情感识别和生理信号情
感识别等方面。在“心率变异性在心身疾病和情绪障碍研究中的应用
(心理学进展，2006，14(2)：261-265)”一文中，提出面部表情、
语言姿势等流露出来的情感状态主要受神经系统控制，容易受到主观
意识的控制。而生理信号是伴随着人的情感变化由人体内部器官产生
的一种生物电信号，不易受主观意识的控制，所以更能客观真实的反
映人的情感状态，更有鲁棒性和客观性，但基于生理信号情感识别的
研究最困难的。
心电(ECG)信号是重要的生理信号之一，在“Affective Pattern
Classification(Perceptual Computing Section Technical Report，1998，
473)”一文中，美国MIT实验室的Picard教授采用四种生理信号(EMG、
ECG、GSR、RSP)率先证明从生理信号中提取特征模式来进行情感
识别是有效的，并且研究表明，ECG信号能够体现情感状态的变化，
从中提取的特征能够反映情感状态的差异。由于心电、心率信号的研
究技术相当成熟，而且在人们在经历情感变化时，心电信号会有不同
程度的变化趋势，因此，以心电信号作为研究对象进行情感识别的学
者举不胜举。在“Affective Wearable(In Proceedings of the First
International Symposium on Wearable Computers，Oct，1997，Cambridge，
MA)”一文中，美国的麻省理工学院媒体实验室曾经从心电信号
P-QRS-T波各波的间隔、幅度等计算六种统计特征(均值、中值、方
差、最大值、最小值和范围)采用SFFS、Fisher投影特征选择算法和
DFA、QDF分类器对8种情感进行分类，取得了较好的识别结果。在
“Emotion Recognition System using Short-term Monitoring of
Physiological Signals(Medical Biology Engine Computer，2004，
42：419-427)”一文中，韩国的K.H.Kim采集175个被试的情感心电信号
通过一定的设计方法，直接从心电信号提取出心率信号以及心率变异
率信号(HRV)，从中提取特征后直接用支持向量机(SVM)对悲伤、
愤怒、压力和惊奇四种情感进行分类；德国奥森堡大学的多媒体与信
号处理实验室也是主要从心电信号提取出特征，着重比较了用SBS、
SFS、ANOA这些特征选择方法和KNN、LDF、MLP不同分类器相结合的情
感识别效果，并研究发现：较低的心率变异率(HRV)表明是放松的
状态，而增强的HRV表明可能是精神紧张和受到挫折的状态。
在特征选择中，研究者大多采用传统的特征选择方法，有得甚至
直接将提取的特征用于情感分类；而分类器的选择也是根据经验选择
分类效果好的分类器，所以各种各样的分类器也就被应用在情感分类
中。对特征的提取也多采用提取统计特征的方法。
在特征选择中，采用传统的禁忌搜索算法，常常会引发维数灾难，
导致特征选择不能覆盖在所有可能的解，使得最终特征选择出的结果
不为最优解。
发明内容
本发明的目的是提供一种有效避免维数灾难的用于心电特征选
择中禁忌搜索方法。
本发明为实现上述目的，采用如下技术方案：一种用于心电特
征选择的禁忌搜索方法，其特征在于：所述方法包括如下步骤：
采用序列后向算法，形成一个N-1行，N列的二维表L，其中N为
选择的特征总维数，每一列代表一个特征，每一行称为一个空间，其
中第n个空间选择有n个特征，1≤n≤N-1；表内每个元素的值用“0”
或“1”表示，“0”代表在进行特征选择时该元素没有被选中，“1”
代表该元素被选中；
对每一空间内的选中的特征采用禁忌搜索算法进行求解，得到每
个空间的解组成的表S；
选择各个空间中适应度函数最大的作为最终特征选择结果。
其中每个空间中禁忌搜索算法的步骤为：
S1：初始设禁忌表T＝Ф，设置禁忌长度，设置最大迭代步数；
将此空间内通过序列后向算法得到的值作为初始解，并把它作为该空
间的暂定全局最优解Bestsofar和迭代搜索的起点，即当前局部最优
解cand，计算初始解的适应度函数值；其中ratA
和ratB分别代表目标情感的正确识别率和非目标情感的正确识别率；
S2：判断是否满足最大迭代步数的停止准则，如满足则终止该空
间的计算，将把Bestsofar放入表S中，结束此空间计算；
如不满足，则将当前局部最优解cand为下次的迭代起点；
S3：生成N个与该空间具有相同特征选择个数的候选解集；
S4：寻优：计算出每个候选解的适应度函数f的值，从候选解集
中选出适应度函数值最大的解，
将该解与禁忌表中的解比较；如果该解不在禁忌表中，将其中较
大的值作为当前局部最优解和Bestsofar的值；则转S5；
如果该解在禁忌表中，且不满足特赦准则，将适应度函数值第二
大的解作为局部最优解；
如果该解在禁忌表中，且满足特赦准则，将禁忌表中的该解提前
释放，并作为局部最优解，并将该解的适应度函数值与Bestsofar的
适应度函数值比较，如大于，则用该解作为Bestsofar；其中特赦准
则指的是，禁忌表中的某个值在迭代过程中作为局部最优解出现规定
次数；
S5：更新禁忌表：将当前局部最优解写入禁忌表，转S2。
所述S3步骤中生成候选解集的方法为：分别将cand的第i位
cand(i)值变为1-cand(i)，从第i位的下一位开始查找，遇到值等
于1-cand(i)的p位，将其值变为1-cand(p)后结束；若P＝N，则P
从1开始继续查，遇到值等于1-cand(i)的p位，将其值变为1-cand(p)
后结束；
其中1≤i≤N，1≤P≤N，N为特征总维数。
本发明采用在禁忌搜索算法中采用划分空间的方法结合Fisher
分类器完成选择过程，克服了基本禁忌搜索算法容易陷入局部最优的
缺点。实验仿真结果表明，将相关性分析和改进的智能优化算法用于
生理信号的情感识别领域是完全可行的。
说明书附图
图1为Fisher分类器中中间数据分布图；
图2为Fisher分类器中最终测试数据分布图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的阐述。
一种基于心电信号的情感识别特征选择方法，包括下列步骤：
1.情感心电信号数据采集流程；
实验设备采用美国Biopac公司提供的多导生理记录仪MP150。
实验对象为年龄17-20岁本科一年级的391个在校学生，所有预约被
试自愿参加本实验，身体健康，无心脏疾病和精神疾病病史。实验素
材是从大量电影中挑选出的分别对高兴、惊奇、厌恶、悲伤、愤怒、
恐惧六种情感具有很好诱发效果的片段。实验前，主试要让被试填写
个人信息、自愿测试的同意书和一份测试被试是否有述情障碍的问卷
调查。实验过程中，每个情感诱发片段后会让被试填写问卷调查来测
试其是否有该种情感，并用5个尺度(如1代表“很弱”，5代表“很
强”)来对情感强度作出评价。
2.ECG信号去噪；
在完成数据的采集后能够得到原始数据，心电信号的采集中，有
来自自身的干扰如肌电干扰，也有来自外界的干扰如工频干扰等，从
而导致信号的信噪比下降。而且不同被试针对同一个素材的ECG信
号不一致，存在个体差异性；针对上述问题对采集的ECG数据进行
去噪、标准化和归一化。
(2-1)去噪
采用小波变换的方法对心电信号进行P-QRS-T波检测，主要是
通过合适的小波函数对心电信号进行连续小波变换来准确定位R波，
在R波定位后相继检测Q波、S波、P波和T波。
小波变换的含义是：将基本小波ψ(t)作位移τ，在不同尺度α下
与信号f(t)作内积：
WT f ( a , τ ) = 1 a ∫ - ∞ + ∞ f ( t ) ψ * ( t - τ a ) dt , α > 0 - - - ( 1 ) ]]>
其在频域的等效表示为：
WT f ( a , τ ) = α 2 π ∫ F ( ω ) ψ * ( αω ) e jωτ dω , α > 0 - - - ( 2 ) ]]>
其中，F(ω)，ψ(ω)分别是f(t)，ψ(t)的傅立叶变换。小波变换相当
于把ψ(t)当作镜头对信号f(t)放大或缩小。τ的作用相当于让镜头对
目标平行移动，α的作用相当于镜头向目标推进或远离。
由于强噪声干扰会引起虚假R峰，从而导致异常R-R间隔出现。
文中通过异常R-R间隔作为强噪声干扰的标志，避免相应信号段的
特征提取。Q、S、P、T波根据R波位置从原始心电信号中定位。一
个心电周期中，Q、S波对应于该周期R波位置左，右波谷位置。P、
T波需要在相邻QRS波群之间经过3次几何平均平滑降噪处理后定
位。消除高频噪声后，分别检测R-R间隔17％-50％和75％-83.3
％间的最大值处即为T波和P波位置。
在相邻QRS波群直接采用几何平均进行高频降噪处理，其几何
平均公式(3)如下，x(n)表示原始心电信号。
x ( n ) = x ( n - 1 ) + x ( n + 1 ) 2 - - - ( 3 ) ]]>
下面举例来说明去噪过程：
首先对原始心电信号进行采样，以恐惧信号为例，对该信号截取
了80秒，合计16000个采样点的情感生理信号，n的最大值为16000。
对一个被试采集得到的心电信号进行抽样的第一个采样点值为
790.15，第三个采样点值为792.16，然后降噪后第二个采样点值为
(790.15+792.17)/2＝791.16，然后依次类推进行平滑，得到经过降噪
后的恐惧的心电信号。
(2-2)数据的标准化：由于招募的被试者不同，其ECG信号存在
着个体差异性，这种差异性体现在不同的人在同一个时间面对相同的
环境，以及同一个人在不同时间面对不同环境下得出的。为了建立通
用的基于ECG信号的情感识别系统，必须去除这种个体差异性后，
得到的模型才能被推广，具体的操作如式4所示：
Do＝Demotion-Dcalm (4)
其中，Demotion为降噪后的原始数据，Dcalm为同一个被试者在由
素材中的风景画和轻音乐环境下记录的ECG信号数据，得到的D0即
为经过标准化之后的数据。
(2-3)归一化处理
提取数据统计特征时，情感特征取值用数据基线的相应统计量进
行归一化。
具体公式如下：
设其中一个特征数据为x＝(x1，x2，.....，xm)，m表示被试人数，x为特
征数据，建立映射f如下：
f ( k ) = x k - x min x max - x min ]]>
公式中的参数表示为xmax＝max(x)＝max(x1，x2，...，xm)，
xmin＝min(x)＝min(x1，x2，...，xm)，xk是原始特征数据。
下面以恐惧情感例举一个样本数据的具体处理过程如下：
提取恐惧的1号特征(‘ecg-mean’)的一个被试的值为785.9091，
在1号特征的204个被试的数值值中最大值为1165.7，最小值为
501.3782，然后将该被试的1号特征值归一化值＝
(785.9091-501.3782)/(1165.7-501.3782)＝0.4283
3.ECG信号特征提取
在准确定位P-QRS-T波后，从中提取可能反映情感变化的111个
统计特征作为原始特征集构成原始特征集合。其中包括：相邻P、Q、
R、S和T波间隔，P-Q、Q-S、S-T间隔，P、Q、R、S和T波峰值，相
邻R、T波幅度的一阶差分以及它们的一阶差分的绝对值，QRS波群、
P波和T波各波能量的均值，中值，标准差，最小值，最大值，最大范
围(最大与最小值之差)。采用在“基于LabVIEW的小波变换在心电
信号分析中的应用研究(合肥：合肥工业大学，2008.10-20)”一硕士
论文中，提到的Daubechies6(db6)小波对原始心电信号做离散小波变
换8层分解。将第3和4层的细节系数进行重构，计算其QRS波群位置的
重构信号的平均值和方差分别占整个重构信号的比值；同时，将第3、
4和5层的细节系数进行重构，计算其QRS波群和T位置的重构信号的平
均值和方差分别占整个重构信号的比值，并将其比值作为特征。
心电信号的主要特征提取公式：
1)均值
μ x = 1 N Σ n = 1 N x n - - - ( 5 ) ]]>
2)均方差
σ x = ( 1 N - 1 Σ n = 1 N ( Xn - μx ) 2 ) 1 / 2 - - - ( 6 ) ]]>
3)一阶差分绝对值的均值
Diff 1 ( x ) = 1 N - 1 Σ n = 1 N - 1 | X n + 1 - X n | - - - ( 7 ) ]]>
4)二阶差分绝对值的均值
Diff 2 f ( x ) = 1 N - 2 Σ n = 1 N - 2 | X n + 2 - X n | - - - ( 8 ) ]]>
5)最大最小值之差
rangei＝Max-Min (9)
7)一阶差分的均方根
rSD = Σ i = 1 N ( X n - X n - 1 ) 2 N - - - ( 10 ) ]]>
4.相关性分析
在“Optimal discriminant analysis using the rank decomposition
(Pattern Recognition，1992，25(1)：101-111)”一文中，Cheng、Zhang和
Yang讨论了最佳鉴别矢量的维数与分类能力的关系，从理论上和实
验结果分别证明出在原特征集合中增加或者删除相关特征并不改变
最优特征子集的分类能力。
该方法用公式(11)计算出111个原始特征两两特征的相关系数，
(rxy表示线性相关系数；X，Y表示其中两个特征；xi为X第i个样本
值；yi为Y第i个样本值；为X均值；为Y均值；n表示特征集的
样本个数)
r xy = | ( 1 n Σ i n ( x i - x ‾ ) ( y i - y ‾ ) ) / ( 1 n Σ i n ( x i - x ‾ ) 1 n Σ i n ( y i - y ‾ ) ) | - - - ( 11 ) ]]>
得到一个相关系数矩阵后，采用单独最优特征组合排序方法对
111个特征对分类能力贡献大小进行排序，将rxy＞δ(0≤δ≤1)的两个特
征中删除一个排序相对靠后的特征，但当遇到两个特征中已有一个特
征被删除时，要保留与被删除特征相关的哪个特征。
相关性分析步骤如下：
Step 1：删除原始特征集Mm×n(m是样本个数，n是特征维数为
111)中畸形的样本，并且将特征矩阵归一化，得到特征矩阵Ml×n(l
为删除样本后的样本个数)。
Step 2：采用在“特征选择算法研究综述(模式识别与人工智能，
2007，4：V01.20 No.2)”一文中记录的后向算法计算111个原始特
征在分别以Anger、Disgust、Fear、Grief、Joy和Surprise为目标
情感状态下的适应度函数值，并结合Fisher分类器，逐个度量单个
特征的分类能力，以此对特征矩阵Ml×n进行排序。
Step 3：计算出经过Step 1处理后的111个特征之间的线性相
关系数矩阵。
Step 4：假定一个阀值δ(0≤δ≤1)，如果rxy＞δ(0≤δ≤1)，参照Step 2
的结果，保留最优的特征，剔除其余特征，将保留下来的特征构成一
个降维后的特征矩阵Ml×p(p为经过删除后的特征维数)。设置不同的
门限值δ可调节入选特征的数目，门限值越小，入选特征个数越少，
特征间的相关性也越小。
这里举个4个特征的实例来说明该处理过程：
Step1：去除畸形样本和对样本进行标准化后得到4个样本数据
如下：
表1采集的样本数据
Step2：对以上四个样本进行归一化，计算过程如下：
例如：1号特征的第一个样本数据进行归一化：
其它计算方法相同，得到归一化后的表如下：
表2归一化后的样本数据
Step3：将单个特征送入后向算法结合Fisher分类器中进行计算
每个特征的分类识别率，然后采用识别率从大到小的方式对特征进行
排序如下：
表3采用后向算法对特征贡献从大到小的排序
特征贡献排序
4
2
3
1
Step4：得到相关系数表为
表4特征之间的相关性系数表
特征号
1
2
3
4
1
1.00
0.30
0.47
0.92
2
0.30
1.00
0.45
0.37
3
0.47
0.45
1.00
0.09
4
0.92
0.37
0.09
1.00
Step5：这里取阀值δ(0≤δ≤1)为0.91，可看出1号特征和4号特
征相关程度为0.92，大于0.91，所以要在1号和4号特征中删除一
个特征，这时参考排序表，应该删除1号特征。
经过相关性分析后留下了2、3、4号特征。
5.基于改进的禁忌搜索算法进行心电信号的特征选择
禁忌搜索(Tabu Search，简称TS)是对人类思维过程本身的一
种模拟，它通过对一些局部最优解的禁忌(也可以说是记忆)达到接
纳一部分较差解，从而达到跳出局部搜索的目的。其最重要的思想是
采用了禁忌技术，同时为了尽可能不错过产生最优解的“移动”，禁
忌搜索还采用“藐视准则”策略，则可以无视其禁忌属性而仍采纳其
为当前选择，以避免遗失优良状态。
该算法与传统的优化算法相比具有很好的爬山能力且区域集中
搜索与全局分散搜索能较好平衡，为克服基本算法的不足，提出了一
种改进的禁忌搜索算法应用于肌电信号的情感识别。该算法将搜索空
间分解分为多个子空间，利用序列后向算法在每个子空间得到的解作
为禁忌搜索的初始解，分类时，选用“图像模式识别(杨淑莹，清华
大学出版社，2006，95-101)”一书中记录的线性判别函数Fisher分
类器，适应度函数定义成分类正确识别率，并将需要分出来的一类情
感看作目标情感，把其余五类情感看作非目标情感，如要对高兴与其
它五类情感进行分类，则高兴为目标情感，其它五类情感为非目标情
感，然后从每个初始解出发在对应的子空间开始搜索，得到每个子空
间的最优特征子集，最后对这些解进行评价，找出整个空间的最优特
征子集。
5.1适应度函数
评价得到的特征子集组合的优劣的依据是选用“图像模式识别
(杨淑莹，清华大学出版社，2006，95-101)”一书中记录的线性判别
函数Fisher分类器计算出的两类正确识别率，将适应度函数定义如
下所示：
f = ( ratA 2 + ratB 2 ) ]]>
其中设ratA和ratB分别代表目标情感的正确识别率和非目标情感
的正确识别率。下面举例说明ratA和ratB值在Fisher线性分类器中的
计算过程。
Fisher分类的基本原理就是找到一个最合适的投影轴，使两类样
本在该轴上的类间距尽可能大，样本类内间距尽可能小，这样可以达
到最佳的分类效果，如何找到这个投影轴，就是要解决的首要问题。
Step 1：设置包含目标和非目标情感的样本数据集，用于求出最
优的投影轴。设置数据如下：
目标情感包括4个样本和2个特征，数据如下：
w 1 = 16.69 26.66 27.95 6.07 12.15 6.99 7.36 13.94 ]]>
非目标情感包括7个样本和2个特征，数据如下：
w 2 = - 9.88 - 24.14 10.58 - 6.94 2.22 - 13.91 - 7.93 3.29 - 3.88 5.98 - 4.86 1.47 4.28 - 1.01 ]]>
Step 2：计算出各类样本均值向量mi，其中mi是各类样本的均值，Ni
是第ωi类的样本个数：
m i = ( 1 N i Σ X ∈ W i X ) T ]]>
(16.69+27.95+12.15+7.36)/4＝16.0375；
计算出
m 1 = 16.0375 13.4150 ]]>
m 2 = - 1.3529 - 5.0371 ]]>
Step 3：计算样本类内离散度矩阵Si和总类间离散度矩阵Sw：
S i = Σ X ∈ ω i ( X - m i ) ( X - m i ) T , i = 1,2 ]]>
Sw＝S1+S2
16.69-16.0375＝0.6525；26.66-13.4150＝13.245
S 1 = 0.6525 11.9125 - 3.8875 - 8.6775 13.245 - 7.3450 - 6.4250 0.5250 × 0.6525 13.2450 11.9125 - 7.345 - 3.8875 - 6.425 - 8.6775 0.525 = 232.7451 - 58.4334 - 58.4334 270.9353 ]]>
S 2 = 321.5449 25.7370 25.7370 696.5471 ]]>
S w = 554.2900 - 32.6965 - 31.6964 967.4824 ]]>
Step 4：计算最佳向量
w * = 554.2900 - 32.6965 - 32.6965 967.4824 - 1 × ( 16.0375 + 1.3529 13.4150 + 5.0371 ) = 0.0326 0.0202 ]]>
Step 5：计算阈值y0：
倘若2维样本投影到一维Y空间中，那么它的均值为：
m ~ i = 1 N i Σ y ∈ ζ i Y = 1 N i Σ x ∈ w i w T x = w T ( 1 N i Σ x ∈ w i x ) = w T m i ]]>
y 0 = m ~ 1 2 + m ~ 2 2 ]]>
m ~ 1 = 0.0326 0.0202 × 16.0375 13.4150 = 0.7929 ]]>
m ~ 2 = - 0.1457 ]]>
y 0 = 0.7929 2 + - 0.1457 2 = 0.3236 ]]>
Step 6：画出取极大值的向量解如图1所示，：
x＝[-40:0.1:40]为X轴
y＝x*0.0202/0.0326为Y轴
直线为要求出的投影轴，“□”表示目标情感的数据，“×”表示非
目标情感的数据。
Step 7：给出测试数据，测试该模型的目标情感和非目标情感的正确
识别率ratA和ratB值：
目标情感包括4个样本和2个特征，数据如下：
p 1 = - 8.5714 - 11.6228 14.1014 2.5585 7.4654 8.6988 14.4700 13.9620 ]]>
非目标情感包括6个样本和2个特征，数据如下：
p 2 = 21.4747 6.5058 3.9631 4.7515 - 2.6728 - 9.4298 - 10.4147 - 0.3655 - 14.2857 - 3.8743 - 14.8387 - 6.7982 ]]>
测试数据分布图如图2所示：
“□”代表阈值，是分割两类情感的，投影大于阈值为目标情感，
投影小于阈值为非目标情感，“○”代表目标情感，“☆”代表非目标
情感，从图中可看出4个目标情感样本中有1个被识别成了非目标情
感，所以
ratA = 3 4 × 100 % = 75 % ]]>
6个非目标情感样本中有2个样本被识别成了目标情感，所以
ratB = 4 6 × 100 % = 66.67 % ]]>
5.2改进的禁忌搜索算法进行特征选择的步骤如下：
Step 1：将运行“特征选择算法研究综述(毛勇，周晓波.特征选
择算法研究综述.模式识别与人工智能[J]，2007，4：V01.20 No.2)”
一文中记录的序列后向算法，采用序列后向算法与Fisher分类器结
合，进行计算后，将得到的结果中的每个元素用“0”或“1”表示(“0”
代表在进行特征选择时该元素没有被选中，“1”代表该元素被选中)，
并把该结果放在表L中；j表示表L的行数，设j＝1，为表L的第一
行；
Step 2：初始化：禁忌表T＝Ф，设置禁忌长度，设置最大迭代步数；
初始解x(j)＝L(j，：)(把表L的第j行作为禁忌搜索算法的第j个空
间的初始解)，并把它作为该空间的暂定全局最优解Bestsofar和迭
代搜索的起点(当前局部最优解(cand))，计算初始解的适应度函数
f(x(j))＝sqrt(ratA2+ratB2)值。
Step 3：单个搜索空间的终止条件：判断是否满足最大迭代步数的
停止准则，如满足则终止该空间的计算，并把Bestsofar放在表S的
第j行，然后转Step 7，如不满足，则将当前局部最优解(cand)为下
次的迭代起点；
Step 4：生成N个候选解集：分别将cand的第i(1≤i≤N，N为特
征总维数)位cand(i)值变为1-cand(i)，从第i位的下一位开始查
找，遇到值等于1-cand(i)的p位，将其值变为1-cand(p)后结束；
若P＝N，则P从1开始继续查找，遇到值等于1-cand(i)的p位，将
其值变为1-cand(p)后结束；
Step 5：寻优：计算出每个候选解的适应度函数f的值，从候选解
集中选出适应度函数值最大的解，将该解与禁忌表中的解比较，如果
该解在禁忌表中，若不满足特赦准则，将较差解作为局部最优解，若
满足特赦准则，将禁忌表中的该解提前释放，并作为局部最优解，并
将该解的适应度函数值与Bestsofar的适应度函数值比较，如大于，
则用该解作为Bestsofar；其中特赦准则指的是，禁忌表中的某个值
在迭代过程中作为局部最优解出现规定次数；
如果该解不在禁忌表中，将其中较大的值作为当前局部最优解和
Bestsofar的值；
Step 6：更新禁忌表：将当前局部最优解写入禁忌表，转Step 3；
Step 7：转到下一个空间搜索：j＝j+1；如果j不等于特征总维数
转Step 2；
Step 8：比较每个空间的解：选出S表中Max(f)对应的解作为
最优解(Y)，输出最优解。
下面以原始特征只包含4个特征选择过程为例进行具体介绍：
将运行序列后向算法选出的较好特征组合，放在L表中，j表示
L的第j行，此时j＝1：
表4序列后向算法进行特征选择的结果
‘1’表示该特征被选中，‘0’表示该特征没有被选中。
初始化：设置禁忌表为空，空表如表5，设置禁忌长度为2，特赦
准则规定的次数为2，设置最大迭代步数为2，将后向算法得出的解
“0001”作为暂定的最优解Bestsofar和迭代搜索的起点(当前局
部最优解)，采用fisher分类器计算出该初始解的适应度函数值为
0.62；
表5禁忌表
|
|
空间1的终止条件：判断是否满足最大迭代步数，因为此时未进
行迭代，因此不满足；则将当前局部最优解为下次的迭代起点；
根据迭代起点“0001”生成候选解集：
第一个候选集：i＝1，cand(1)的值为0，将cand(1)改为1-0，
即1，从第二位开始查找，遇到第4位为1，将其变为0结束；第一
个候选集的结果为“1000”；
第二个候选集：i＝2，cand(2)的值为0，将cand(2)改为1-0，
即1，从第三位开始查找，遇到第4位为1，将其变为0结束；第二
个候选集得结果为“0100”；
第三个候选集：i＝3，cand(3)的值为0，将cand(3)改为1-0，
即1，从第四位开始查找，遇到第4位为1，将其变为0结束；第二
个候选集得结果为“0010”；
第四个候选集：i＝4，cand(4)的值为1，将cand(4)改为1-1，
即0，此时，p的初始值为4，因此重新从第一位开始查找，遇到第1
位为0，将其变为1-0，即1结束，；第四个候选集得结果为“1000”；
因为第一个候选集与第四个候选集重复，此时只取三个候选集即可。
为“1000”，“0100”，“0010”；
寻优：计算候选解集每个解的适应度函数值，“1000”，“010
0”，“0010”的适应度函数值分别为0.63，0.55，0.65，可看出“0
010”的适应度函数值最大，将“0010”作为当前局部最优解，
将“0010”与Bestsofar的适应度函数值比较，发现“0010”
适应度函数值大，则将“0010”作为Bestsofar；
更新禁忌表：将“0010”写入禁忌表如下。
表6禁忌表
0
0
1
0
|
此时只迭代1次，不满足终止条件，将当前局部最优解作为下次
迭代的起点，即从“0010”开始进行再次迭代，得到三个候选解
集“1000”“0100”“0001”，进行适应度函数值计算后，
发现“0010”适应度函数值最大，但是此时“0010”在禁忌
表中，选择一个较差的候选解“1000”作为局部最优解，将其与
Bestsofar比较，发现“1000”的适应度函数值较小，不替换
Bestsofar中的值；
更新禁忌表，将“1000”加入禁忌表，
表7禁忌表
1
0
0
0
0
0
1
0
对“1000”进行迭代，得到候选解集“0100”“0010”
“0001”，进行适应度函数值计算后，发现“0010”适应度函
数值最大，将其与禁忌表中的解做比较，发现其已经存在于禁忌表中，
满足特赦准则，提前释放“0010”，将其作为局部最优解和迭代的
起点，将局部最优解与Bestsofar比较，发现一致，无需替换
Bestsofar，并将“0010”再次放入禁忌表，此时，禁忌表更新为
表8禁忌表
0
0
1
0
1
0
0
0
迭代了3次，符合单个搜索空间的终止条件，把Bestsofar放在表S
的第一行，如下表所示：
表9放置各空间最好解的表
转到j＝2的空间搜索：得到第二个空间的解为
表10放置各空间最好解的表
转到j＝3的空间搜索，得到第三个空间的解，
表11放置各空间最好解的表
转到下一个空间搜索：j＝4，j等于特征总维数，结束。
比较每个空间的解：选出“0111”的适应度函数最大，所以
将其作为最优解(Y)，输出最优解“0111”。
6.ECG信号的情识别结果
(6-1)相关性分析降维后的特征子集维数
表12相关性降维后的特征子集维数
目标情感
降维后的特征子集维数
Anger(愤怒)
67
Disgust(厌恶)
65
Fear(恐惧)
67
Grief(悲伤)
68
Joy(高兴)
65
Surprise(惊奇)
65
(6-2)ECG信号的情感识别结果
将有效特征或特征组合进行分析比较。随机划分采集得到的数据
样本，按照3∶1的比例得到训练、测试。把每类情感生理反应样本分
别分为两份：随机抽取其中的3/4构成Xa*n，用于训练分类器；在剩余
数据构成Tb*n，用于测试，完成特征选择；其中a、b是样本个数，n
是特征维数。并且规定，分类时将情感数据分为目标情感和非目标情
感，如恐惧情感的数据为目标情感时，非目标情感即为其它五类(高
兴、惊奇、厌恶、悲伤和愤怒)情感的数据。最后总结出能够区分六
种情感状态的特征或特征组合，得出六种情感到ECG信号生理特征的
映射。
表13相关性降维后基于改进的禁忌搜索算法的ECG信号情感识别
表14基于改进的禁忌搜索算法选择的最优特征子集
击中率(TPR)和虚报率(FPR)来表示，它们分别定义为：
表12是经过相关性分析降维后得到的特征维数，表13经过相关
性降维后采用改进的禁忌搜索进行特征选择得到的结果，包括识别六
种情感的测试识别率及得到的最优特征子集维数。这些特征能在一定
程度上体现情感的变化，对情感的识别有较大的贡献度。表14是经
过相关性降维后进行特征选择得到的每种情感的特征名称，实验证明
采用表14的特征组合区分某一情感和非某一情感时，识别效果比较
好，而且特征维数也较少。因此，找到了识别六种情感状态与心电信
号特征的一种映射关系。从以上实验结果可看出ECG包含丰富的情
感信息，采用ECG信号用于情感识别研究是可行的，而且经过相关
性分析后特征维数减少，运行时间也会减少，得到的实验结果也较好。
所以通过相关性分析降维再结合改进的禁忌搜索算法进行特征选择
具有明显的优势。