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 ......