皮肤电反应信号在情感状态识别中的研究

皮肤电反应信号在情感状态识别中的研究

论文摘要

生理信号的情感识别具有广泛的研究和应用前景,作为一个重要的研究领域,。通过对生理信号的分析,我们可以识别出人类内在的情感和情绪变化,因此情感识别中最可靠的方法是采集比较理想的符合真实环境的生理数据。其中皮肤电反应信号(GSR)随着情感的不同有着明显的差异,其皮肤电导值与情感状态和注意力密切相关。在目前基于生理信号特征的情感识别研究中,还存在较多局限性,如很难像面部表情等找到一种可以代表情感的生理信号特征,且识别效果不佳,鲁棒性较差等。由于研究多种生理信号有一定的复杂性和难度,论文针对研究中的不足之处,对研究方法进行改进和创新,仅采用一种生理信号进行情感识别的研究。皮肤电反应信号(GSR)蕴含着丰富的情感信息,可以较明显的反映出人类的情感变化,因此论文主要研究基于皮肤电反应信号(GSR)的情感状态识别,阐述了GSR数据采集,数据预处理,特征提取,特征选择和情感(高兴、惊奇、厌恶、悲伤、愤怒和恐惧)分类的整个实验方法。数据采集是整个研究过程的第一步,目标情感能否被激发是能否获得相应情感数据的关键。因此,与特征提取和特征选择一样,数据采集有同样重要的地位。论文对245个被试展示六种情感状态的电影片段,激发被试的情感并且采集了相应情感状态下的GSR信号,得到了反应真实情感的有效GSR信号。在特征提取的过程中,针对GSR信号自身的特点,从信号中获得大量原始特征。然而并不是所有特征都能在情感识别有所贡献,可见从中找到反应情感的特征非常重要,这个过程就是特征选择。情感识别中的特征选择是NP-hard问题,因此是组合优化问题,可以使用一种有效的智能优化算法找到问题的满意解,与传统的特征选择方法相比,有较低的计算复杂度。禁忌搜索算法(Tabu Search, TS)是一种高效的智能优化算法,与其他智能优化算法相比,具有更高的全局搜索能力。论文根据研究的具体问题,将禁忌搜索算法进行改进,使其能够更好地搜索到识别效果好的特征组合。通过改进的TS算法选出来的特征需要用分类识别效果评价其优劣,评价过程是一次分类识别的过程。由于在多次调用分类识别的特征搜索过程中,Fisher分类算法快捷高效。因此,论文将Fisher分类识别算法作为特征搜索过程中的评价函数,以提高计算速度。采用论文的方法对GSR信号的情感识别进行研究,研究结果表明将改进的禁忌搜索算法引入生理信号的情感识别具有可行性,并且GSR信号中包含大量能够识别六种情感的特征信息,能达到较好的识别效果,更重要的是找到了六种情感与GSR信号某些特征的映射关系。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 引言
  • 1.2 研究意义
  • 1.3 研究现状与研究存在的问题
  • 1.3.1 研究现状
  • 1.3.2 研究中存在的问题
  • 1.4 论文的创新之处
  • 1.5 论文的具体工作及内容安排
  • 第二章 GSR信号的采集及特征提取
  • 2.1 皮肤电反应(GSR)信号的介绍
  • 2.2 实验方法
  • 2.2.1 GSR数据采集
  • 2.2.2 数据有效性分析
  • 2.3 GSR的预处理
  • 2.3.1 数据的归一化
  • 2.3.2 去除噪声干扰
  • 2.4 GSR有效特征提取
  • 2.4.1 时域特征
  • 2.4.2 频域特征
  • 2.4.3 特征提取
  • 2.5 小结
  • 第三章 特征选择
  • 3.1 特征选择作为组合优化问题
  • 3.2 特征选择的方法
  • 3.3 禁忌搜索算法
  • 3.3.1 算法的基本思想
  • 3.3.2 算法的优点:
  • 3.3.3 算法的关键技术
  • 3.3.4 禁忌搜索算法的应用
  • 3.4 改进的TS算法解决GSR情感识别的特征选择问题
  • 3.4.1 封装式特征子集搜索思想
  • 3.4.2 论文中用于情感特征选择的禁忌搜索改进算法
  • 3.4.3 算法实现过程
  • 3.5 小结
  • 第四章 分类器的设计
  • 4.1 分类器设计概述
  • 4.1.1 分类步骤
  • 4.1.2 分类方法
  • 4.1.3 分类器的选择
  • 4.1.4 训练与学习
  • 4.2 基于皮肤电反应信号的情感识别分类器(Fisher)
  • 4.2.1 采用Fisher分类器的原因
  • 4.2.2 Fisher分类器
  • 4.2.3 Fisher分类器在研究中的应用
  • 4.3 小结
  • 第五章 GSR情感识别结果及分析
  • 5.1 改进的TS算法仿真结果
  • 5.2 "一对一"情感识别
  • 5.2.1 识别结果分析
  • 5.2.2 验证识别率效果分析
  • 5.2.3 情感特征分析
  • 5.3 "一对多"情感识别
  • 5.3.1 识别结果分析
  • 5.3.2 验证识别率效果分析
  • 5.3.3 情感特征分析
  • 5.4 小结
  • 第六章 总结与展望
  • 6.1 总结
  • 6.2 展望
  • 参考文献
  • 致谢
  • 攻读硕士期间研究成果及发表的学术论文
  • 相关论文文献

    • [1].情感识别技术在轻度认知障碍中的应用现状[J]. 护理研究 2020(10)
    • [2].基于层次注意力机制的维度情感识别方法[J]. 计算机工程 2020(06)
    • [3].基于知网数据的情感识别国内研究情况综述[J]. 网络新媒体技术 2018(06)
    • [4].基于模糊核聚类的多模式情感识别算法研究[J]. 电子设计工程 2016(20)
    • [5].音乐情感识别研究进展[J]. 复旦学报(自然科学版) 2017(02)
    • [6].深度学习在脑电情感识别方面的应用研究进展[J]. 计算机时代 2020(08)
    • [7].情感识别综述[J]. 电脑知识与技术 2018(08)
    • [8].情感识别算法应用现状及发展趋势研究[J]. 电子世界 2019(15)
    • [9].语音与文本情感识别中愤怒与开心误判分析[J]. 计算机技术与发展 2018(11)
    • [10].基于语音、表情与姿态的三模态普通话情感识别[J]. 控制工程 2020(11)
    • [11].一种基于深度学习的面部视频情感识别方法[J]. 现代计算机 2020(28)
    • [12].多视角判别分析的情感识别[J]. 信号处理 2018(08)
    • [13].基于皮肤电信号与文本信息的双模态情感识别系统[J]. 计算机系统应用 2018(11)
    • [14].情感化设计与品牌情感识别[J]. 时代人物 2008(11)
    • [15].触觉手势情感识别的超限学习方法[J]. 智能系统学报 2019(01)
    • [16].情感识别与教育[J]. 人工智能 2019(03)
    • [17].基于图像分析的教育视觉情感识别[J]. 现代教育技术 2020(02)
    • [18].融合人类认知网络优化的中国画情感识别[J]. 模式识别与人工智能 2020(02)
    • [19].一种基于行为上下文的视频情感识别方法[J]. 微电子学与计算机 2019(05)
    • [20].基于音乐情感识别的舞台灯光控制方法研究[J]. 计算机测量与控制 2020(11)
    • [21].基于模糊专家规则的音乐情感识别检索研究[J]. 年轻人 2019(12)
    • [22].全球首个具有情感识别功能的家用机器人[J]. 传感器世界 2014(06)
    • [23].基于长短时记忆网络的多模态情感识别和空间标注[J]. 复旦学报(自然科学版) 2020(05)
    • [24].多文化场景下的多模态情感识别[J]. 软件学报 2018(04)
    • [25].脑电情感信号正确提取仿真[J]. 计算机与现代化 2017(01)
    • [26].复合时空特征的双模态情感识别[J]. 中国图象图形学报 2017(01)
    • [27].基于深度学习的音乐情感识别[J]. 电脑知识与技术 2019(11)
    • [28].基于多层特征描述及关系学习的智能图像情感识别[J]. 陕西师范大学学报(自然科学版) 2019(05)
    • [29].基于专利申请的音乐识别技术分析[J]. 科技创新与应用 2019(21)
    • [30].基于两层迁移卷积神经网络的抽象图像情感识别[J]. 中国科学技术大学学报 2019(01)

    标签:;  ;  ;  ;  ;  

    皮肤电反应信号在情感状态识别中的研究
    下载Doc文档

    猜你喜欢