上海中医药大学在校大学生不同情感状态脉图特征参数分析与识别

刘璐 马泽慧 陈聪 王忆勤 燕海霞 郭睿

摘要：目的  对上海中医药大学在校大学生不同情感状态下脉图特征参数进行分析与识别，以期为大学生情感状态的辨识提供客观的参考依据。方法  选择上海中医药大学11名身心健康的大学生，以中医情志脉象理论为基础，通过素材诱导，激发受试者不同情感表达。采用ZBOX-Ⅰ型脉象数字化采集分析仪采集受试者平静、喜悦、恐惧、悲伤4种不同情感状态下的脉图共224人次，提取4组情感状态下脉图时域参数和多尺度熵参数，采用非参数检验统计4组脉图特征参数差异，随机森林分类器对情感状态进行分类识别。结果  4组脉图时域参数及多尺度熵参数差异有统计学意义（P<0.05）;基于脉图时域参数对不同情感状态进行识别，识别率为70.52%，基于脉图时域和多尺度熵参数进行识别，识别率提高至74.52%。结论  脉图特征参数可为情感状态的辨识提供客观参考依据，脉图时域参数结合多尺度熵参数可提高情感状态识别率。

关键词：脉图;时域分析;多尺度熵分析;情感识别;大学生

中图分类号：R241.1    文献标识码：A    文章编号：1005-5304（2019）04-0019-05

《素问·经脉别论篇》云：“黄帝问曰：‘人之居处动静勇怯，脉亦为之变乎？岐伯对曰：‘凡人之惊恐恚劳动静，（脉）皆为变也。”表明情志的变化会引起脉象改变。《脉象图说》云：“过喜则脉缓，暴怒则脉急，悲伤则脉短，大恐则脉沉。”表明人的心理活动可通过脉象显现。张仲景亦对癫、狂、痫、心烦、狐惑、脏躁、百合病、羞愧等多种心理现象和脉象进行了阐述。现代医学认为，人的情感受大脑意识控制，其表达可能受意识干扰，难以进行客观的识别分析[1]。脉象由植物神经支配，作为人体内部产生的一种生物信号，是窥视情志变化的窗口，避免了意识的干扰[2]。因此，分析脉象变化与情志活动的相关性，从脉象探索情志因素变化具有独到的优势。我们在前期相关研究中分析了平静、喜悦、悲伤3组情感状态的脉象[3]，本研究增加恐惧状态的诱导，并在影片诱导某情绪的多个高潮时段多次同步采集受试者脉图，以人次统计样本量，以减少个体差异的影响。现报道如下。

1  资料与方法

1.1  一般资料

选择上海中医药大学身心健康在校大学生11名（男性5名，女性6名），平均年龄（22±5）岁，无感染，体温35.9～37 ℃，受试者检测前30 min內禁饮食，并避免体力劳动、运动和大量汗出，使用症状自评量表（SCL90）[4]进行评分。不同情感状态的受试者基本为同一受试人群，共采集数据224人次，包括平静状态66人次，喜悦状态48人次，恐怖状态50人次，悲伤状态60人次。

影片素材选取主要参考网评及通过问卷咨询同学意见，最终选取认可度较高的影片片段作为素材，分别为喜悦素材《万万没想到》、悲伤素材《七号房的礼物》及恐怖素材《闪灵》，影像素材总时长100 min，采集时间分为2个节点，平静状态脉图在影片放映前10 min采集[3]，其余脉象在不同高潮片段多次播放期间采集。

1.2  纳入标准

①无精神病史，女生在非月经期，且平素月经正常;②SCL90评分正常（总分<160分，或阳性项目数<43项，或任一因子分<2分）;③受试者均签署知情同意书。

1.3  排除标准

①入组前已观看过相关影片素材，或已参与过相关研究;②近半个月内发生过可能会影响情绪的负性事件。

1.4  研究流程

所有受试者在安静密闭房间内单独测试，检测时避免操作者及协助人员走动，以及噪音等客观干扰因素。

脉象采集时间为晚餐后1 h（18：00-21：00），试验前介绍相关流程及注意事项，排除受试者好奇或紧张的情绪，使受试者调节到平静状态，于测试前检测受试者情绪和脉图参数的基线值，确保观看影片时能够真实表达出内在情感，提升数据有效性。

影片放映间隔期间，受试者可通过调整坐姿及适当活动来放松情绪，嘱受试者清空之前情绪的影响，再次测试前由受试者填写SCL90，对当前情绪状态进行自我评价，操作者检测受试者情绪和脉图参数的基线值。

1.5  脉象采集方法

采用上海中医药大学与中电科软件信息服务有限公司联合研制的ZBOX-Ⅰ型脉象数字化采集分析仪采集脉象样本。ZBOX-Ⅰ型脉象数字化采集分析仪在脉象采集时，可调节压力、实时显示波形、智能采集引导、数据优劣判断，对人体脉象进行数字化及自动化智能分析，得出客观化脉象指标如时域参数。该型号脉象仪器已广泛应用于临床研究[5-7]。

脉象采集时，受试者取端坐位，取脉部位为左手关部，将压力传感器探头安置在受试者左手关部，采集60 s，采集的最佳脉图用于后续脉图参数的提取与分析。

1.6  研究方法

1.6.1  时域分析

时域分析法主要分析脉搏波波幅的高度和脉动时相的关系[3]。脉图可以反映心脏射血活动和脉搏波沿血管传播途径中携带的各种信息。脉图上的曲线和每一个拐点都有其独特的生理意义，通过时域分析可提取脉图信号特征参数，进而探寻脉象与疾病、心理状态的内在联系。

时域分析的主要内容是读出脉图的波、峡的高度（h）及相应时值（t）、脉图面积（As，Ad）等多项参数，详见图1、图2。为更好地反映脉图特征，计算各项参数的比值作为脉图特征参数，如h3/h1、h4/h1、h5/h1等。

注：h1.主波幅度，为主波峰顶到脉搏波图基线的高度（基线与时间轴平行时）;h3.重搏前波幅度，为重搏前波峰顶到脉搏波图基线的高度（基线与时间轴平行时）;h4.降中峡幅度，为降中峡谷底到脉搏波图基线的高度;h5.重搏波波幅，指从降中峡到重搏波波峰的垂直距离，主要反映大动脉的顺应性;t4.脉图起始点到降中峡间的时值;t5.降中峡到脉图终止点之间的时值;t.脉图起始点到终止点的时值;w.主波上1/3的宽度

1.6.2  多尺度熵分析

由于脉搏波等生理信号具有非线性的特点，熵值作为非线性动力学中常用到的特征量，被广泛应用于生理信号的分析研究中。样本熵等传统的熵方法是在单个尺度上衡量时间序列的复杂性，无法衡量时间序列复杂性与长距离时间相关性间的关系。Costa等[8-9]提出了基于样本熵的多尺度熵（MSE）方法，其基本思想是在不同的尺度下計算信号时间序列的样本熵值，运用多尺度熵分析能发现其在尺度上的自相似性。

本实验中选择最大的尺度因子为5，可得到5个尺度下的样本熵值，分别用MSE1、MSE2、MSE3、MSE4、MSE5表示，用来分析脉象信号在不同尺度下的复杂度。

1.6.3  模式识别方法

随机森林是一种估计与统计学习理论的组合分类算法[10]，是在决策树算法的基础上，利用bootstrap重抽样的方法从原始样本中抽取多个样本，对每个bootstrap样本进行决策树建模，然后将多个单决策树集成在一起，通过投票得出最终预测结果。采用随机森林分类算法对大学生不同情感状态的脉图特征参数进行分类识别。

1.7  统计学方法

采用SPSS20.0统计软件分析大学生平静、喜悦、恐惧、悲伤4组不同情感状态下的脉图时域参数（h1，h3，h4，t，w，As，Ad，h3/h1，h4/h1，h5/h1，w/t）及多尺度熵参数（MSE1，MSE2，MSE3，MSE4，MSE5）。4组脉图特征参数分布不满足正态和方差齐性条件，故选用非参数检验法，将其转换成秩次后行方差分析，以M（QR）表示。

2  结果

2.1  不同情感状态脉图参数比较

由表1、表2可见，不同情感状态下脉图时域参数差异有统计学意义。与喜悦组比较，悲伤组时域参数差异有统计学意义（P<0.05）;与悲伤组比较，恐惧组时域参数h1、h3、h4和As差异有统计学意义（P<0.05）;与平静组比较，悲伤组、恐惧组时域参数差异有统计学意义（P<0.05），如悲伤组的h3/h1、h5/h1及恐惧组的h3/h1与平静组比较差异均有统计学意义（P<0.05）。由表3可见，不同情感状态下脉图的多尺度熵参数差异有统计学意义。与平静组比较，喜悦组4个尺度的样本熵（MSE5除外）均高于平静组（P<0.05）;悲伤组MSE1高于平静组（P<0.05）。与平静组比较，多尺度熵参数对喜悦情绪、悲伤情绪的表达更为明显，说明心理变化引起生理变化，脉象也会发生变化。

2.2  基于不同脉图参数的情感状态识别分析

基于脉图时域参数和多尺度熵参数，运用随机森林分类器建立情感状态辨别模型，采用3倍交叉验证方式，确定测试样本的输出类别，识别结果见表4、表5。

3  讨论

寿小云[11-12]对脉象与情志进行了深入研究，包括心理脉象和病脉的联系与鉴别、心理脉象的临床识别、临床常见心理脉象的形态特征等，认为脉象振动觉以脉搏的谐波分量为感觉主体，通过谐波振动特征识别，感知脏腑的功能状态和各类心理活动。章道宁等[13]认为，《黄帝内经》有关情志脉象的论述表明情志和脉象的形成基础均与气血密切相关。喜、怒、思、悲、恐5种基本情志脉象的形成基础和脉象特点也与相应的脏腑功能密切相关。张晶[14]对743例情志致病症分类医案中的情志因子与左尺脉象进行典型相关分析，总结出恐、烦、精神萎靡、郁、狂与左尺脉象的相关性，为情志相关脉诊临床实践提供依据。陈君臻等[15]通过临床诊疗提出郁闷不舒病理状态下的临床常见的特征脉象以涩、沉、短、伏、弦、紧为多见，分析其脉象特征，并以具体病案析之。本研究显示，脉图时域特征参数、多尺度熵组间存在显著差异，如与喜悦组比较，悲伤组时域参数差异显著;与悲伤组比较，恐惧组时域参数具有显著差异。说明悲伤、恐惧等心理情绪对于人体生理的影响更为明显，可通过外在的脉象变化反映。熵是新信息的产生率，多尺度熵反映系统的复杂度，熵值越大表示系统产生的信号越复杂，生理系统的适应能力越强。本研究结果显示，喜悦状态下脉图信号4个尺度的多尺度熵显著大于平静组，表明喜悦情绪状态下脉象信号序列的复杂度显著增高，生理系统适应能力随之增强，表明适度喜悦的心情有助于健康。

本研究显示，基于脉图时域特征参数，运用随机森林分类算法对大学生不同情志脉图特征参数进行分类识别，平均识别率为70.52%;结合脉图时域参数和多尺度熵参数对大学生情感状态进行识别，平均识别率提高至74.52%。研究结果表明，脉图特征参数可为情感状态的识别提供客观的参考依据，脉图时域参数结合多尺度熵参数可提高情感状态识别率。

情志因素对人体生理和心理的影响较为显著。寻找快速、无创、客观地监测负面情绪的方法尤为重要。中医情志脉象对于研究心理性疾病及心理疾病致病因素具有重要意义。

参考文献：

[1] 葛臣，刘光远，龙正吉.情感识别中脉搏信号的特征提取与分析[J].西南师范大学学报（自然科学版），2010，35（3）：243-246.

[2] 何成.基于多生理信号的情绪识别方法研究[D].杭州：浙江大学， 2016.

[3] 邵慧江，杨蔚，潘纬榕，等.大学生不同情感状态的脉图分析[J].世界科学技术-中医药现代化，2017，19（7）：1214-1218.

[4] 唐秋萍，程灶火，袁爱华，等.SCL-90在中国的应用与分析[J].中国临床心理学杂志，1999，7（1）：19-23.

[5] 李娜，邹小娟，王忆勤.支气管哮喘与慢性胃炎患者寸口6部脉图的比较研究[J].世界科学技术-中医药现代化，2015，17（2）：343-349.

[6] 程悦蕾，朱惠蓉，杨琼，等.100例湿热蕴结型大肠癌患者治疗前后舌脉象参数特征分析[J].辽宁中医杂志，2015，42（2）：230-235.

[7] 郭睿，王忆勤，燕海霞，等.脉图的递归定量分析及对冠心病颈动脉血管硬化程度的评价[J].中华中医药杂志，2016，31（5），1695-1699.

[8] COSTA M， GOLDBERGER A L， PENG C K. Multiscale entropy analysis of complex physiologic time series[J]. Physical Review Letters， 2002，89（6）：068102.

[9] COSTA M， GOLDBERGER A L， PENG C K. Multiscale entropy analysis of biological signals[J]. Physical Review E，2005，71（2）：021906.

[10] BREIMAN L. Random forests[J]. Machine Learning，2001，45（1）：5-32.

[11] 寿小云.中医心理脉象的临床识别[J].北京中医药大学学报，1997，20（3）：16-20.

[12] 寿小云.中医脉象振动觉临床识别[J].北京中医药大学学报，1999，22（2）：14-16.

[13] 章道宁，王天芳.《黄帝内经》情志脉象浅析[J].安徽中医药大学学报，2015，34（3）：4-6.

[14] 张晶.古代情志相关医案中情志因子与脉象的典型相关分析[J].四川中医，2011，29（7）：26-27.

[15] 陈君臻，滕晶.郁闷不舒状态临床脉势分析[J].山东中医杂志， 2017，36（10）：898-899.

（收稿日期：2018-11-14）

（修回日期：2018-12-07;编辑：季巍巍）