1.基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，具体步骤为：

1)数据采集：采集若干被试者观看每张人像照片所产生面孔吸引力等级yn，以及被试者的心电信号V1和光电容积脉搏波V2；

2)数据预处理：将步骤1)中采集的心电信号V1和光电容积脉搏波V2进行去噪处理得到不包含干扰信号的心电信号V1'和光电容积脉搏波V2'，根据照片出现的时间点以△T为时间间隔对V1'和V2'分段，得到心电信号段Epochs1和光电容积脉搏波信号段Epochs2；

3)特征提取：分别提取步骤2)中心电信号段Epochs1和光电容积脉搏波信号段Epochs2的时域、频域以及非线性特征，分别构建心电信号特征数据集F1和光电容积脉搏波特征数据集F2；

4)异常值剔除：使用中位数绝对偏差MAD方法剔除步骤3)中特征数据集F1和F2中的异常数据，得到不含异常特征数据的心电信号特征数据集F1'和光电容积脉搏波特征数据集F2'；

5)选择特征子集：使用序列浮动前向选择SFFS算法分别从步骤4)中心电信号特征集F1'、光电容积脉搏波信号特征集F2'以及F1'与F2'串联后的特征集F3'中选择出一个最优的特征子集ZF1、ZF2和ZF3；

6)构建模型：采用分类算法AdaBoost分别对步骤5)中的特征子集ZF1、ZF2和ZF3进行建模，得到面孔吸引力分类识别结果；再采用自定义算法判定被试者接受刺激时产生面孔吸引力等级。

2.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤2)中数据预处理的具体步骤为：

2‑1)采用小波阈值去噪方法分别对步骤1)中采集的心电信号V1和光电容积脉搏波V2进行去噪处理，得到不包含干扰信号的心电信号V1'和光电容积脉搏波V2'；

2‑2)将与刺激材料具有锁时关系的标签mi作为原点，向后截取△T时间段的信号段，将连续的心电信号V1'和光电容积脉搏波V2'切割为具有相同时间规格的心电信号段Epochs1和光电容积脉搏波信号段Epochs2。

3.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤3)中特征提取的具体步骤为：

3‑1)提取时域特征：对心电信号段Epochs1使用峰值检测算法定位R波峰，获得RR间隔，计算RR间隔的统计特征量，包括：均值、标准差、方差、均方根和四分位数偏差；

对光电容积脉搏波信号段Epochs2使用峰值检测算法定位P波峰，获得NN间隔，计算NN间隔的统计特征量，包括：连续差的均方根、标准差、逐次差分的标准差、最大NN间隔和最小NN间隔的差值；

3‑2)提取频域特征：使用傅里叶变换将心电信号段Epochs1和光电容积脉搏波信号段Epochs2变换到频域，再通过不同频率范围分别提取心电信号段Epochs1和光电容积脉搏波信号段Epochs2的频域特征，包括：低频、高频、低频与高频之比、NN间隔以及RR间隔的总能量、归一化低频功率、归一化高频功率；

3‑3)提取非线性特征：分别提取心电信号段和光电容积脉搏波信号段的庞加莱图特征SD1、SD2、SD1/SD2、L‑Z复杂度、心脏交感神经指数CSI、心脏迷走神经的指数CVI；

3‑4)根据提取的时域特征、频域特征、非线性特征，分别构建心电信号特征数据集F1和光电容积脉搏波特征数据集F2。

4.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤4)中使用中位数绝对偏差MAD分别剔除特征数据集F1和F2中的异常数据的具体方法为：

分别计算特征数据集F1和F2中的绝对偏差值的中位数MAD：MAD＝mediani(abs(xi‑medianj(xj)))                    (1)式(1)中，xj代表n个样本值，mediani代表序列的中值，abs(xi‑medianj(xj))为每个观察点与中位数的绝对偏差值；

利用得到的绝对偏差值的中位数剔除异常值：利用式(2)分别剔除特征数据集F1和F2中的异常值。

5.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤5)中选择特征子集的具体步骤为：+

5‑1)从空集F＝φ开始，使用序列前向选择SFS方法从{F‑FK}中选择最重要的特征f 与+

FK构成新的特征子集FK+1，FK+1＝FK+f ，其中FK＝{fi:1≤i≤K}是从原始特征集F中选择K个特征所组成的特征子集；

‑ ‑ ‑

5‑2)从FK+1中找到最重要的特征f ，若J(FK+1‑f)＜J(FK)，则返回步骤5‑1)，若f是FK+1中‑ ‑

最重要的特征且J(FK+1‑f)＞J(FK)，则将f从FK+1中删除，构成一个新的特征子集FK′，FK′＝‑

FK+1‑f，其中J(.)为最优特征子集评价函数；

5‑3)设置k＝k‑1，若k等于预期的特征个数，则停止。否则，设置Fk＝Fk′，J(FK)＝J(FK′)返回步骤5‑1)。

6.如权利要求1所述的基于心电信号和光电容积脉搏波的面孔吸引力识别方法，其特征在于，步骤6)中的构建模型的具体步骤为：分别将特征子集ZF1、ZF2和ZF3数据xi及其对应的面孔吸引力等级yi作为分类算法AdaBoost的输入构建模型，分别获得面孔吸引力等级模型F1(x)、F2(x)、F3(x)，建模过程为：n

输入的训练集样本为D＝{(x1,y1),...,(xn,yn)}，其中xi∈R ，yi∈{0，1,2，3}，训练集在第k个弱学习器的输出权值为：

第k个弱分类器Hk(x)在训练集的分类误差率为：第k个弱分类器Hk(x)的权值系数为：根据训练集的分类误差率更新权值系数，得到第k+1个弱分类器的权值系数为：最后，可得到面孔吸引力等级Fm(x)为：式(7)中，m∈{1,2，3}；

根据基于心电信号的面孔吸引力等级F1(x)、基于光电容积脉搏波的面孔吸引力等级F2(x)、基于心电信号与光电容积脉搏波串联后信号的面孔吸引力等级F3(x)，计算得到面孔吸引力F(x)为：

F(x)＝max(F1(x),F2(x)，F3(x))                      (8)。