基于呼吸信号的情感识别研究

论文摘要

情感计算是让计算机具有人类的情感,以及能够理解人类的情感状态,并且使它具有识别情感状态的能力。情感识别是情感计算的重要领域,是建立和谐人机环境的基础之一。情感识别的研究内容包括面部表情、语音、姿势、文本和生理信号情感识别等方面,其中生理信号方面的研究是最困难的。在基于生理信号的情感识别中,呼吸信号(Respiratory, RSP)是主要的研究对象之一。RSP信号的变化状况是人类情感最重要且最真实的表现之一,因此通过对RSP信号的研究,我们就可以识别出人们内在的情感和情绪变化,从而为情感识别系统的建模奠定坚实的基础。正是由于情感RSP信号蕴含着丰富的情感信息,能够较明显地反映出人类的情感状态变化,因此论文对采集到的RSP信号进行特征提取,并采用智能优化算法来进行RSP信号的情感特征选择,在一定程度上有效的解决了以往传统方法处理特征选择的诸多局限性。在此基础上,进一步深入地研究了基于RSP信号中能代表特定情感的特征组合。基于RSP信号的情感识别过程包括四个方面：RSP信号的采集、RSP信号特征提取、特征选择以及分类识别。采集到有效的RSP信号是情感识别的第一步。实验通过采集设备MP150采集了被试在高兴、惊奇、厌恶、悲伤、愤怒和恐惧六种情感状态下的RSP信号,从而建立了情感RSP信号数据库。激发素材选用富含情感的电影片段,所需的被试均来自西南大学的在校大一学生。提取RSP信号有效的情感特征对情感状态识别的研究是至关重要的。本文在提取特征之前,对采集到RSP信号进行了预处理,以去掉噪声干扰。预处理方法是利用Butterworth低通滤波器进行滤波处理,并将数值根据基线值进行归一化。小波变换(Wavelet Transform)具有很好的时频特性,作为一种有效的时频分析方法,能够有效的提取信号的细节特征进行多分辨率分析。本文利用小波变换方法,从情感RSP信号中提取出84个小波系数特征,并通过对RSP信号自身的特点进行分析,提取出87个统计特征,最后形成171维的原始特征集,用于情感识别的研究。特征选择实际上是一个组合优化问题,因此可以采用解决优化问题的方法来解决特征选择问题。智能优化算法来解决组合优化问题是一个很好的选择。遗传算法是通过模拟自然进化过程进行搜索最优解的方法。由于遗传算法的整体搜索策略和优化搜索方法只需要知道搜索方向的目标函数和相应的适应度函数,所以遗传算法提供了一种求解复杂系统问题的通用框架,在函数优化、组合优化、生产调度问题、自动控制、机器人学、图象处理、人工生命和遗传编码等方面获得了广泛的运用。模拟退火算法在搜索时会在搜索空间上下移动而不依赖初始条件,擅长解决多维问题,它能处理任意程度的非线性、不连续和随机的问题。模拟退火算法已成功应用于组合优化、神经网络、图像处理和代码设计。遗传算法把握总体搜索的能力较强,但局部搜索能力较差；模拟退火算法具有较强的局部搜索能力,因此可以将遗传算法和模拟退火算法相互结合,取长补短,形成遗传模拟退火算法。论文中在引入降维策略的基础上,将遗传模拟退火算法与Fisher分类器相结合,以Fisher分类器的正确识别率作为遗传算法的评价准则函数,对六种情感进行分类识别,选择出能代表特定情感状态的有效特征组合。论文通过对情感数据的实验仿真,采用“一对一”和“一对多”的分类识别方法,验证了将遗传模拟退火算法与Fisher分类器相结合用于RSP信号情感识别是有效的,不但取得了较好的情感识别率,并且提供了识别情感状态的有效特征子集。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究背景及意义
• 1.2 研究现状与存在的问题
• 1.3 论文的具体工作及内容安排
• 1.4 论文创新点
• 第二章 呼吸信号采集
• 2.1 呼吸信号简介
• 2.2 情感呼吸信号采集
• 2.3 小结
• 第三章 呼吸信号特征提取
• 3.1 信号预处理
• 3.1.1 下采样
• 3.1.2 滤波处理
• 3.1.3 数据归一化
• 3.2 统计特征提取
• 3.3 小波特征提取
• 3.3.1 小波变换理论
• 3.3.2 小波特征
• 3.4 小结
• 第四章 特征选择优化算法及分类器设计
• 4.1 特征选择算法
• 4.1.1 遗传算法简介
• 4.1.2 模拟退火算法简介
• 4.1.3 遗传模拟退火算法原理
• 4.1.4 降维策略
• 4.2 分类器设计
• 4.2.1 设计线性分类器的主要步骤
• 4.2.2 Fisher分类器设计
• 4.3 基于遗传模拟退火算法的特征选择及分类过程
• 4.4 小结
• 第五章 基于呼吸信号的情感识别
• 5.1 呼吸信号的情感识别
• 5.2 呼吸信号数据实验结果及分析
• 5.2.1 "一对一"情感识别结果及分析
• 5.2.2 "一对多"情感识别结果及分析
• 5.2.3 特征选择方法对比分析
• 5.3 情感特征对比分析
• 5.3.1 "一对一"情感识别的特征选择结果及分析
• 5.3.2 "一对多"情感识别的特征选择结果及分析
• 5.4 小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 附录
• 致谢
• 研究生期间研究成果及发表的学术论文