基于GSR的多通道情感识别
发布时间：2021-05-06 05:27
情感和人格在人们的日常学习生活诸如认知、创造力、注意力、决策、心理健康等方面起着重要的作用。积极的情感可以促使个体加快学习、工作效率,可以使人际交往更融洽和谐,而消极的情感则不利于个体的发展。随着经济的飞速发展,人们的生活节奏不断加快、生活成本提高,个体的生活压力、职场压力不断上升。研究人员通过对文本、图像、语言建模进行情感识别,并取得了突破性的进步。生理信号是人体组织器官向大脑传达信息的载体,生理信号包含大量的个人生理和心理信息,这些信息具有不可隐藏性和不可欺骗性。基于生理信号数据进行深度学习建模是目前计算机研究领域的一个研究热点。本文对生理信号情感计算和人格检测进行了介绍,包括概念、研究背景及意义、研究问题和挑战以及研究现状,并基于多模态数据集,对个体进行深度学习情感分类建模和人格检测建模。主要工作如下:（1）生理信号数据集:基于情感激发视频采集了一个包含皮肤电阻、脉搏、图像、语音等通道的实时情感人格多模态数据集。（2）面向生理信号,提出了将皮肤电阻数据转化成频谱图的方法。（3）面向生理信号,将数据增强技术应用于生理信号和频谱图。（4）面向情感计算,建立了基于皮肤电阻的传统机器学习...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.1.1 生理信号情感分类
1.1.2 生理信号人格检测
1.2 研究问题和挑战
1.2.1 生理信号建模
1.3 本文组织结构
1.4 本章小结
第二章 皮电脉搏情感分类和人格检测相关技术
2.1 生理信号情感分类和人格检测
2.1.1 皮电脉搏情感分类
2.1.2 皮肤电阻人格检测
2.2 国内外研究现状
2.2.1 生理信号情感分类
2.2.2 生理信号人格检测
2.3 本章小结
第三章 基于皮肤电阻的情感计算和人格检测
3.1 采集多模态数据集
3.1.1 多模态数据集概览
3.1.2 多模态数据集框架
3.1.3 数据预处理
3.1.4 数据标准化和信号频谱图
3.1.5 数据增强
3.2 情感分类模型展示
3.2.1 支持向量机模型
3.2.2 卷积神经网络模型
3.2.3 长短时记忆网络模型
3.2.4 注意力机制
3.2.5 卷积神经网络-长短时记忆网络训练模型
3.2.6 卷积神经网络长短时记忆网络联合训练模型
3.3 情感分类实验结果
3.3.1 支持向量机模型实验结果
3.3.2 卷积神经网络模型实验结果
3.3.3 长短时记忆网络模型实验结果
3.3.4 双向LSTM模型实验结果
3.3.5 CNN-LSTM模型实验结果
3.3.6 混合数据集下的具有注意力机制的LSTM模型实验结果
3.3.7 方法评估与对比分析
3.4 大五人格检测
3.4.1 大五人格检测
3.4.2 人格分类模型
3.4.3 人格回归模型
3.5 大五人格实验结果
3.6 本章小结
第四章 基于皮肤电阻和脉搏的多模态情感分类
4.1 脉搏预处理
4.1.1 脉搏信号去噪
4.1.2 小波变换
4.2 脉搏信号特征提取
4.2.1 Pan Tompkins算法
4.2.2 特征提取
4.3 基于皮肤电阻和脉搏的情感分类模型展示
4.3.1 基于皮肤电阻和脉搏的投票法分类器模型
4.3.2 基于皮肤电阻和脉搏的单维度长短时记忆网络模型
4.3.3 基于皮电和脉搏的联合长短时记忆网络模型
4.3.4 具有注意力机制的双模态联合长短时记忆网络模型
4.4 多模态情感分类实验结果
4.4.1 基于皮肤电阻和脉搏的机器学习模型实验结果
4.4.2 基于皮肤电阻和脉搏的集成学习模型实验结果
4.4.3 基于皮肤电阻和脉搏的深度学习模型实验结果
4.5 本章小结
第五章 总结与展望
5.1 本文工作总结
5.2 未来工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况
本文编号：3171327
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.1.1 生理信号情感分类
1.1.2 生理信号人格检测
1.2 研究问题和挑战
1.2.1 生理信号建模
1.3 本文组织结构
1.4 本章小结
第二章 皮电脉搏情感分类和人格检测相关技术
2.1 生理信号情感分类和人格检测
2.1.1 皮电脉搏情感分类
2.1.2 皮肤电阻人格检测
2.2 国内外研究现状
2.2.1 生理信号情感分类
2.2.2 生理信号人格检测
2.3 本章小结
第三章 基于皮肤电阻的情感计算和人格检测
3.1 采集多模态数据集
3.1.1 多模态数据集概览
3.1.2 多模态数据集框架
3.1.3 数据预处理
3.1.4 数据标准化和信号频谱图
3.1.5 数据增强
3.2 情感分类模型展示
3.2.1 支持向量机模型
3.2.2 卷积神经网络模型
3.2.3 长短时记忆网络模型
3.2.4 注意力机制
3.2.5 卷积神经网络-长短时记忆网络训练模型
3.2.6 卷积神经网络长短时记忆网络联合训练模型
3.3 情感分类实验结果
3.3.1 支持向量机模型实验结果
3.3.2 卷积神经网络模型实验结果
3.3.3 长短时记忆网络模型实验结果
3.3.4 双向LSTM模型实验结果
3.3.5 CNN-LSTM模型实验结果
3.3.6 混合数据集下的具有注意力机制的LSTM模型实验结果
3.3.7 方法评估与对比分析
3.4 大五人格检测
3.4.1 大五人格检测
3.4.2 人格分类模型
3.4.3 人格回归模型
3.5 大五人格实验结果
3.6 本章小结
第四章 基于皮肤电阻和脉搏的多模态情感分类
4.1 脉搏预处理
4.1.1 脉搏信号去噪
4.1.2 小波变换
4.2 脉搏信号特征提取
4.2.1 Pan Tompkins算法
4.2.2 特征提取
4.3 基于皮肤电阻和脉搏的情感分类模型展示
4.3.1 基于皮肤电阻和脉搏的投票法分类器模型
4.3.2 基于皮肤电阻和脉搏的单维度长短时记忆网络模型
4.3.3 基于皮电和脉搏的联合长短时记忆网络模型
4.3.4 具有注意力机制的双模态联合长短时记忆网络模型
4.4 多模态情感分类实验结果
4.4.1 基于皮肤电阻和脉搏的机器学习模型实验结果
4.4.2 基于皮肤电阻和脉搏的集成学习模型实验结果
4.4.3 基于皮肤电阻和脉搏的深度学习模型实验结果
4.5 本章小结
第五章 总结与展望
5.1 本文工作总结
5.2 未来工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况
本文编号：3171327
本文链接：https://www.wllwen.com/shekelunwen/xinlixingwei/3171327.html
