近日，广东省技术师范大学人工智能主动健康实验室李亚副教授团队在生物医学和健康信息学顶级期刊《IEEE Journal of Biomedical and Health Informatics》上发表论文“ER-GET: Emotion Recognition based on Global ECG Trajectorry” (Ya Li, Runxi Tan, Tianxin Lin, Qing Liu, Chang-Dong Wang, Min Chen, IEEE Journal of Biomedical and Health Informatics。该工作提出了一种基于全局心电轨迹特征识别情绪的深度学习方法。该方法优化了特征选取，创新性地提出了一种全局心电轨迹特征以替代心跳变异率特征，更进一步地获取心电信号中潜在的情绪信息，并基于全局心电轨迹特征设计了集成分类网络，实现了95%以上的情绪识别准确率，在近年来的心电信号情绪识别工作中，达到了最先进的结果。同时，在其他的性能指标上也优于同领域内的工作，展现了极高的准确度和鲁棒性。

基于生理信号的情绪识别在近年来逐渐成为研究热点，相较于面部，语音，文本领域的情绪识别而言，具有隐私性与真实性的优势。而随着可穿戴式设备的发展，心电信号在生理信号中具有更明显的优势：不受时间、空间的限制，具有较好的舒适性，低功耗等。然而现有的基于心电信号的情绪识别的工作中，大多数方法仍依赖于两种特征：局部特征心率变异率或是对心电图图形表征，这导致网络只能关注局部波形的信息或是无法有效地对捕获时频特征。

该工作提出的全局心电轨迹特征通过经验模式分解，分离出一段时间内的心电信号中不同频率等级的子信号，并基于这些子信号构建全局心电轨迹图。由于情绪的变化往往是维持一段时间的，而局部的特征选取无法关注到这一信息。全局心电方法的优势在于抽取了时频特征，并且更加关注一段时间内心电信号的总体特征。