改进的支持向量机用于脉搏信号的情感识别研究

发布时间：2017-05-10 03:06

  本文关键词：改进的支持向量机用于脉搏信号的情感识别研究，由笔耕文化传播整理发布。

【摘要】：随着社会的发展,人机交互的理论和技术日益成熟,应用范围已然深入到人类生活的各个领域。情感识别研究是人机交互的一个重要分支,计算机能够实时的识别人类的情感,并可以作出相应的情感调节,这对营造一个和谐的人机交互环境具有重要作用。脉搏信号是生理信号的一种,其本身蕴含着丰富的生理病理信息,因此,基于脉搏信号的情感识别研究具有重要意义。情感识别中分类器的好坏直接影响识别的准确性,支持向量机的关键参数如惩罚因子C、核函数参数γ取不同值时,分类器的性能受到了很大影响。本文采用群智能优化算法对支持向量机参数进行自动寻优,将萤火虫算法应用于支持向量机关键参数的优化中,使情感的识别率比未经任何处理的支持向量机高出7.9%。论文主要从以下几个部分展开基于脉搏信号的情感识别研究:(1)设计了一块光电式脉搏信号采集板,制定了一个较为合理的采集方案,采集了在校健康大学生的脉搏信号共80个样本作为实验的数据库,为后续研究工作奠定了基础。(2)采用经验模态分解(Empirical Mode Decomposition,EMD)算法对采集到的脉搏信号进行预处理,针对EMD算法存在的端点效应影响分解结果的问题,本文采用最大相关性延拓的方式对其进行改进。结果表明,改进的EMD在一定程度上抑制了端点效应,得到了较为理想的去噪效果。从脉搏信号中提取与情感密切相关的三类特征,即统计值特征、脉图面积特征量K值及经验模态能量熵特征。(3)阐述了支持向量机及其关键参数(C和γ)对分类器性能的影响,分析了传统参数优化方法的弊端。本文选取了群智能优化算法中的粒子群算法和萤火虫算法,测试表明萤火虫算法收敛速度快,鲁棒性较高,优化精度高于粒子群算法。因此,本文采用萤火虫算法优化支持向量机的参数C和γ。情感分类结果表明,经萤火虫算法优化后的支持向量机对样本进行分类的识别率比未经任何处理的支持向量机要高出7.9%。因此,该方法在一定程度上提高了情感的识别率,使计算机能更加准确的识别人类的情感。
【关键词】：脉搏信号 EMD算法 支持向量机 萤火虫算法 情感识别
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R443
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-17
• 1.1 情感识别研究的意义9-11
• 1.2 基于生理信号的情感识别研究现状11-14
• 1.2.1 国外研究现状11-13
• 1.2.2 国内研究现状13-14
• 1.3 论文的研究内容及创新点14-17
• 2 脉搏信号的采集及处理17-25
• 2.1 脉搏信号18-19
• 2.2 脉搏信号的采集装置19-21
• 2.3 脉搏信号采集方案21-24
• 2.3.1 脉搏信号的采集方案21
• 2.3.2 情感诱发21-22
• 2.3.3 实验数据采集22-24
• 2.4 本章小结24-25
• 3 改进的EMD算法对脉搏信号的预处理及特征提取25-35
• 3.1 小波变换对脉搏信号的处理25-26
• 3.1.1 小波变换25-26
• 3.1.2 小波变换对脉搏信号的去噪处理26
• 3.2 EMD算法及其改进26-27
• 3.2.1 经验模态分解算法26-27
• 3.2.2 EMD分解存在的问题及改进27
• 3.3 改进的EMD算法对脉搏信号的预处理27-30
• 3.4 脉搏信号的特征提取30-33
• 3.4.1 统计特征值30-31
• 3.4.2 脉图面积特征量K值31-32
• 3.4.3 模态能量熵特征32-33
• 3.5 本章小结33-35
• 4 SVM算法及其改进35-49
• 4.1 SVM算法35-37
• 4.2 SVM存在的问题及改进思路37-40
• 4.3 PSO算法和FA算法40-47
• 4.3.1 PSO算法40-42
• 4.3.2 FA算法42-46
• 4.3.3 算法比较46-47
• 4.4 本章小结47-49
• 5 改进的SVM算法对情感的分类识别49-55
• 5.1 SVM扩展49-50
• 5.2 FA算法优化SVM参数50-51
• 5.3 情感分类结果分析51-54
• 5.4 本章小结54-55
• 6 结论及展望55-57
• 6.1 总结55
• 6.2 未来工作的展望55-57
• 致谢57-59
• 参考文献59-63
• 个人简历、在学期间发表的学术论文及取得的研究成果63

【相似文献】

中国期刊全文数据库 前10条

1 行鸿彦;许瑞庆;王长松;;基于经验模态分解的脉搏信号特征研究[J];仪器仪表学报;2009年03期

2 王静;徐斌;郁冬炎;;基于嵌入式技术的脉搏信号测试系统[J];计算机与现代化;2011年05期

3 陈晓;;基于压电传感器和个人计算机构成的脉搏信号实时监测系统[J];中国组织工程研究与临床康复;2008年35期

4 张爱华;余冬;;基于相关分析的多维脉搏信号获取[J];中国生物医学工程学报;2006年06期

5 许瑞庆;行鸿彦;;基于Hilbert-Huang变换的脉搏信号分析[J];中国组织工程研究与临床康复;2008年04期

6 程光伟;蒲瑞瑞;;基于SOPC的人体脉搏信号的测量[J];工业仪表与自动化装置;2012年06期

7 齐淑敏;杜丽;张蔚波;;基于Matlab的脉搏信号参数提取[J];山东建筑大学学报;2010年01期

8 王炳和,郭红霞;从脉搏信号中准确提取呼吸和心率信息的新方法[J];陕西师范大学学报(自然科学版);2005年01期

9 王大才;王英健;范必双;吴利清;顾星;;基于改进方法EEMD的HHT脉搏信号分析[J];计算技术与自动化;2011年01期

10 刘磊;吴秋峰;张宏志;张大鹏;王宽全;;脉诊客观化研究综述[J];智能计算机与应用;2013年03期

中国重要会议论文全文数据库 前7条

1 熊运霞;苗德华;邓三鹏;;用于人体疲劳状态检测的脉搏信号监测系统的设计[A];2009全国虚拟仪器大会论文集（二）[C];2009年

2 张爱华;蔡海燕;;VDT作业过程中脉搏信号的动态分析[A];中国生物医学工程学会成立30周年纪念大会暨2010中国生物医学工程学会学术大会报告论文[C];2010年

3 韩清鹏;;应用小波变换的脉搏信号去噪处理与特征点提取[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 杨风健;;基于LabVIEW的脉搏信号检测与分析系统[A];2010振动与噪声测试峰会论文集[C];2010年

5 王炳和;张建伟;相敬林;;基于小波变换的人体脉搏信号时-频分布与心脏功能检测[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

6 于璐;沙宪政;;Labview和Matlab平台下的脉搏信号分析[A];中国生物医学工程学会成立30周年纪念大会暨2010中国生物医学工程学会学术大会报告论文[C];2010年

7 杨玉芳;熊继平;谭黎;;基于单片机的光电脉搏检测系统[A];第九届全国信息获取与处理学术会议论文集Ⅰ[C];2011年

中国博士学位论文全文数据库 前3条

1 王鹏;脉搏信号获取与分析的研究[D];哈尔滨工业大学;2014年

2 刘磊;基于多普勒超声信号的脉象分析与分类研究[D];哈尔滨工业大学;2013年

3 韩清鹏;脉搏信号的非线性分析及其不同情绪和环境的影响研究[D];浙江大学;2007年

中国硕士学位论文全文数据库 前10条

1 孙霞;人体脉搏信号的采集与分析[D];哈尔滨理工大学;2009年

2 唐铭一;脉搏信号数据分析与管理的研究[D];北京服装学院;2010年

3 程旭敏;可穿戴眼镜中脉搏和运动信号的分析处理及应用研究[D];东南大学;2015年

4 王莹莹;基于手机的脉搏信号无线监护系统的研究[D];燕山大学;2016年

5 汤欣;三基色环境下多通道脉搏信号影响分析系统设计与实现[D];燕山大学;2016年

6 何慧敏;基于脉搏特征参数和面部温度分布特性的女性气血病理的决策分析[D];昆明理工大学;2016年

7 王浩良;基于SC0073A的脉搏信号获取与基于周期脉搏熵的脉搏信号分析[D];重庆大学;2016年

8 曾建梅;改进的支持向量机用于脉搏信号的情感识别研究[D];重庆理工大学;2016年

9 王国力;智能化脉搏信号测试系统研究[D];山东大学;2005年

10 焦洋;指端脉搏信号测试系统研究[D];长春理工大学;2007年

  本文关键词：改进的支持向量机用于脉搏信号的情感识别研究，，由笔耕文化传播整理发布。

本文编号：353860