基于FCA-ReliefF的融合生理信号情绪识别研究

发布时间：2021-01-14 04:58

　　针对当前情绪识别研究中特征维数多、识别率不高的问题,提出了基于多生理信号（心电、肌电、呼吸、皮肤电）融合及FCA-ReliefF特征选择的情绪识别方法;通过将从时域和频域两个维度提取的生理信号特征进行融合,作为分类器的输入进行情绪分类;为了降低特征维度,首先进行特征相关性分析（FCA）删除相关性较大的特征;再通过ReliefF剔除分类贡献弱的特征,达到降低特征维度的目的;在公开的数据集上进行验证,并与相关研究进行对比;结果表明,提出的方法在特征维度及识别率两个方面均有优势;提出的FCA-ReliefF降维策略有效地将特征从108维减少到60维,并且将识别精度提高到98.40%,验证了方法的有效性。 

【文章来源】：计算机测量与控制. 2020,28(02)

【文章页数】：5 页

【部分图文】：

情绪识别算法流程图

【参考文献】：
期刊论文
[1]基于SAE和LSTM RNN的多模态生理信号融合和情感识别研究[J]. 李幼军,黄佳进,王海渊,钟宁.  通信学报. 2017(12)
[2]基于J48决策树分类器的情绪识别与结果分析[J]. 蒋小梅,张俊然,陈富琴,黄江涛.  计算机工程与设计. 2017(03)
[3]基于生理信号的情感识别技术综述[J]. 陈月芬,崔跃利,王三秀.  系统仿真技术. 2017(01)
[4]一种过滤式多标签特征选择算法[J]. 胡学钢,许尧,李培培,张玉红.  南京大学学报(自然科学). 2015(04)
[5]基于生理信号的情绪识别研究进展[J]. 张迪,万柏坤,明东.  生物医学工程学杂志. 2015(01)
[6]基于改进功率谱熵的抑郁症脑电信号活跃性研究[J]. 王凯明,钟宁,周海燕.  物理学报. 2014(17)
[7]基于多标签ReliefF的特征选择算法[J]. 黄莉莉,汤进,孙登第,罗斌.  计算机应用. 2012(10)
[8]改进的蚁群系统在心电信号情感识别中的应用[J]. 马长伟,刘光远,鲁舜.  计算机工程与应用. 2010(31)

硕士论文
[1]情感识别脉搏信号特征分类研究[D]. 杜昭慧.吉林大学 2017
[2]基于皮肤电信号的情感识别与调节研究[D]. 刘峰.西南大学 2015
[3]肌电信号在情感状态识别中的研究[D]. 程颖.西南大学 2011
[4]基于心电信号的情感识别研究[D]. 徐亚.西南大学 2010



本文编号：2976260