基于多生理信号的情绪分类方法研究

发布时间：2020-05-25 09:59

【摘要】：生理信号作为人体最易通过传感器获得的信号,蕴藏着人体大量的生理和心理的重要信息,获取并识别多种生理信号,对计算机识别人类情绪具有重要意义。受限于脑电,皮肤电,呼吸,脉搏等生理信号的复杂性,从这些生理信号中提取有用的特征并对情绪做出准确的分类预测一直是个难点。随着“情感计算”概念的提出,学者们致力于将情绪这一概念数学化,使计算机能够识别和处理,并对情绪状态做出识别和分类。传统的情绪分类方法通常是人工提取相关的特征并利用机器学习模型进行分类学习。随着深度学习等拥有表征学习能力的模型提出,出现了一些利用深度学习模型自动学习特征并进行分类学习的方法。本文针对这些研究方向做了一些相关的探索,其中主要研究内容和贡献包括:详细综述了国内外对生理信号进行分析建模和特征提取的方法。其次基于DEAP数据集,使用脑电信号,皮肤电信号,呼吸信号,脉搏信号这些生理信号,提取小波熵,样本熵,统计特征等多种特征,并使用KNN,SVM和Xgboost对情绪进行二分类实验。结果表明在效价分类准确率上相比DEAP论文实验结果最高提高了9.7%,在唤醒度准确率上最高提高了1.4%。为了改善传统情绪识别方法需要对生理信号进行深入了解,且需要人工提取相关特征的缺点。提出一种基于深度森林的多粒度扫描表征学习方法,并对DEAP数据集脑电信号,皮肤电信号,呼吸信号,脉搏信号的时域数据进行自动特征提取。同时提出一种融合32通道脑电信号特征向量的方法,并通过级联森林对特征进行进一步学习。结果表明在效价分类准确率上相比DEAP论文实验结果最高提高了14.9%,在唤醒度准确率上最高提高了6.1%。实验表明深度森林能在一定程度上对信号进行自动特征提取,并进行分类预测。
【图文】：

模型图,情绪唤醒,模型,情绪

德国奥格斯堡大学也采集了相关情感数据集。在国内，中国科学院心理研究等均设立相关机构并在情感计算方面取得了一定进展。逡逑绪模型逡逑心理学上对情绪的分类问题，即采用什么划分标准来区分不同的情绪一直以争论焦点。通常较为常用的情绪分类模型理论有基本情绪理论和维度空间情情绪理论认为人们的主观情绪感受应该被划分为若干种离散的基本情绪，是要有代表性的划分标准有Ｅｋｍａｎ［８］得到的六种基本情绪：愤怒，，厌恶，恐惧，讶。Ｐｌｍｃｈｉｋ［９］认为基于情感进化价值的特性，情绪可以分解为八种基本情绪：伤，恐惧，快乐，好奇，接受和惊喜。逡逑情绪间彼此存在一定的相关性，维度空间情感论认为情绪并不能简单用离散的划分。情绪的维度空间模型认为几个评价维度共同组成的空间可以量化表示评价维度是连续的。因此，空间中不同的位置代表了不同情绪，情绪间的量化近，则情绪越相似，不同情绪间可以相互平滑过渡和转换。这种模型在近些情感计算的主导地位，其中使用最多的是由效价（ｖａｌｅｎｃｅ，又称愉悦度和唤成的二维空间模型［１１］，其二维平面上情绪大致分布如图１．１所示。逡逑高唤醒度逡逑

数据集,属性,内容,生理信号

ＤＥＡＰ是由伦敦大学玛丽女王学院的Ｋｏｅｌｓｔｒａ等学者建立的一个包含多通道生理信号，面部逡逑表情视频，以及使用ＳＡＭ（ｓｅｌｆ－ａｓｓｅｓｓｍｅｎｔ邋ｍａｎｉｋｉｎｓ）表建立的情绪自我评价标签的数据集，其逡逑数据公开在互联网上，研究者只需签署相关协议即可获得下载权限，其采集过程图片如图２．逡逑１。数据集一共包括３２名被试者，男女各１６名，所有实验者年龄分布为１９－３７岁，平均年龄逡逑为２６．９岁。针对每一次情绪触发实验，数据采集者使用ＭＰ１５０多导生理信号记录仪记录４０逡逑通道生理信号，其中包括３２通道的脑电信号，８个通道的生理信号。每次实验记录先记录３逡逑ｓ的基线记录，接着使用６０秒时长的音视频情绪刺激物进行相应的情绪触发实验，并同时记逡逑录对应的４０通道生理信号，每次实验结束后被试者根据自己的主观评价对当前情绪状态做出逡逑评分。记录的情绪评价维度由效价（ｖａｌｅｎｃｅ），唤醒度（ａｒｏｕｓａｌ）和支配度（ｄｏｍｉｎａｎｃｅ）组成。ＤＥ逡逑ＡＰ数据集主要属性如表２－１所示。逡逑逦Ｉ邋＿逡逑图２．１邋ＤＥＡＰ数据集采集过程逡逑表２－１邋ＤＥＡＰ数据集属性简介逡逑数据集属性逦｜属性内容逡逑被试者数量逦３２名（１６名男性，１６名女性）逡逑实验样本数量逦１２８０邋（３２名被试者
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R318;TN911.7

【参考文献】