基本情感生理信号的非线性特征提取研究

发布时间：2017-03-20 10:15

  本文关键词：基本情感生理信号的非线性特征提取研究，由笔耕文化传播整理发布。

【摘要】：情感识别是情感计算中最为基础与核心问题之一。与面部表情、语音等外显生理指标相比,生理信号能够更加真实、客观的反应用户内心的体验,因此基于生理信号的情感识别受到研究者的广泛关注。以往基于生理信号的情感识别主要是基于生理信号在时域或频域上的统计特征,很少关注生理信号的非线性特性。为了进一步扩展前人的研究工作,本文主要考察了以生理信号的非线性特征为基础的情感识别任务。本人所开展的研究工作以及主要结论有：(1)针对获取情感生理信号较为困难的问题,采用了“回忆”的实验范式来诱发被试的情感,并采用BIOPAC MP150采集被试的皮肤电(GSR)和心率(HR)两路生理信号。该范式的特点是,通过“回忆”的方法采集被试对目标情感诱发效果的评价,获得被试对目标情感诱发与否以及诱发强度的内在情绪体验。通过e该实验采集了200人次的生理信号,最终提取的有效数据为：高兴96个,悲伤87个,愤怒36个,恐惧59个。(2)为了能够提取皮肤电和心率的非线性特征,首先需要确定这两路生理信号具有非线性特性。本文采用替代数据法生成各类情感生理信号时间序列的替代数据,采用时间反转不可逆量T1和高阶自相关函数T2作为统计检验的特征项,检验原始数据和替代数据是否差异显著。结果显示四种情感的GSR和HR信号均差异显著。由此证明皮肤电和心率信号具有非线性特性。(3)针对具有非线性特性的皮肤电和心率信号,采用多种非线性数据值分析方法提取情感生理信号的非线性特征。这些数据分析方法和提取特征分别是：相空间重构,采用C-C方法计算嵌入维和延迟时间,采用Wolf方法计算最大Lyapunov指数,采用GP算法计算关联维,采用改进的Lempel-Ziv复杂度计算方法计算一阶和二阶Lempel-Ziv复杂度,计算一阶和二阶近似熵,采用移动平均算法计算多重分形谱以及相应的谱特征,采用递归定量分析计算一系列关于递归图的特征,计算心率的庞加莱图以及相应的图特征。最后采用主成份分析(PCA)对以上提取的45组非线性特征进行了降维处理,最后得到10个主要特征用于后期分类。(4)针对最初采集的数据集不均衡的问题(高兴96个,悲伤87个,愤怒36个,恐惧59个),在经典模糊支持向量机FSVM的基础上,提出了针对非平衡数据集的模糊支持向量机的算法-——IBFSVM。该算法主要是将代价敏感的思想融入到隶属度函数的设计中,从而有效提高少数类的分类精度。通过在3个人工数据集和6个UCI数据集上的运行,比较了经典的SVM算法(C_SVM)、传统的模糊支持向量机(FSVM)和基于非平衡数据集的IBFSVM,结果显示在正负类样本相差不大的情况,IBFSVM的性能与C_SVM和FSVM相差不大,随着正负类不平衡比逐渐增加,IBFSVM算法的优越性逐渐体现出来。在不平衡比为为39.55的Abanole数据集,IBFSVM在少数类的识别率为78.25%,而C_SVM和FSVM分别为5.16%和5.79%。可见在少数类和多数类样本数量差异较大的情况下,IBFSVM能显著提高少数类的分类性能,从而提高数据集的整体分类性能。采用IBFSVM对四种情感进行分类,分别得至(?)g-mean值为：高兴97.33%,悲伤94.18%,恐惧87.9%,愤怒83.51%。(5)以IBFSVM算法为基础,比较传统的统计特征和非线性特征在识别性能上的差异。结果显示非线性特征获得了更好的识别精度。在高兴情绪的识别率上,统计特征是80%,非线性特征是97.33%；在悲伤情绪的识别率上,统计特征是77.41%,非线性特征是94.18%；在愤怒情绪的识别上,统计特征是78.76%,非线性特征是83.51%；在恐惧情绪的识别上,统计特征是80.1%,非线性特征是87.9%。
【关键词】：情感识别 生理信号 情感诱发实验设计 非线性特征 IBFSVM算法
【学位授予单位】：西南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：B842.6;TN911.7
【目录】：

• 中文摘要10-12
• Abstract12-14
• 第1章 引言14-28
• 1.1 情感计算与情感识别14-19
• 1.1.1 情感计算14-16
• 1.1.2 情感识别16-19
• 1.2 基于生理信号情感识别的现状19-24
• 1.3 非线性数值分析方法在生理信号上的应用24-25
• 1.4 论文的主要研究内容、组织结构和主要创新点25-28
• 1.4.1 论文的主要研究内容25-26
• 1.4.2 论文的结构26-27
• 1.4.3 论文的创新点27-28
• 第2章 情感生理信号的采集和预处理28-44
• 2.1 情感生理信号采集的实验协议28-34
• 2.1.1. 被试的筛选28
• 2.1.2. 实验诱发的目标情感28
• 2.1.3. 情感诱发素材的选择28-29
• 2.1.4. 采集多路生理信号29
• 2.1.5. 回忆的实验范式29-31
• 2.1.6. 情感体验量表31-33
• 2.1.7. 实验流程33-34
• 2.2 采集皮肤电和心电34-37
• 2.2.1. 选择皮肤电和心电信号和的原因34-35
• 2.2.2 皮肤电的采集35
• 2.2.3 心电的采集35-37
• 2.3 皮肤电信号和心电信号的预处理37-39
• 2.3.1. 皮肤电去噪与归一化37
• 2.3.2. 心电去噪和R波检测37-39
• 2.4 截取与情感对应的生理信号39-42
• 2.5 本章小结42-44
• 第3章 替代数据法检验心率和皮肤电的非线性特性44-58
• 3.1 替代数据法的基本原理44-46
• 3.1.1. 零假设44-45
• 3.1.2. FT算法与AAFT算法45-46
• 3.1.3. 统计检验量46
• 3.1.4. 检验统计量是否差异显著46
• 3.2 采用替代数据法检验已知数据46-50
• 3.3 采用替代数据法检验四种情感生理信号50-56
• 3.4 本章小结56-58
• 第4章 非线性分析方法提取非线性特征58-92
• 4.1 相空间重构和C_C方法58-60
• 4.2 计算最大LYAPUNOV指数60-62
• 4.3 GP算法计算关联维62-63
• 4.4 复杂度的计算63-73
• 4.4.1 Lempel-Ziv复杂度63-64
• 4.4.2 加窗Lempel-Ziv复杂度64-67
• 4.4.3 多尺度Lempel-Ziv复杂度67-69
• 4.4.4 二阶Lemple-Ziv复杂度69-71
• 4.4.5 近似熵和二阶近似熵71-72
• 4.4.6 计算四种情绪的复杂度72-73
• 4.5 多重去趋势波动分析和多重分形谱73-81
• 4.5.1 经典的多重去趋势波动分析(MF-DFA)算法73-75
• 4.5.2 移动平均算法计算多重分形75-80
• 4.5.3 采用CMA算法计算四种情绪的多重分形特性80-81
• 4.6 递归图和递归下降分析81-85
• 4.6.1 递归图81-82
• 4.6.2 递归定量分析82-84
• 4.6.3 采用递归定量分析计算情感生理信号的特征84-85
• 4.7 HR的庞加莱图85-87
• 4.8 采用PCA进行特征降维87-90
• 4.9 本章小结90-92
• 第5章 基于非平衡数据分类的情感识别92-116
• 5.1 标准支持向量机(C-SVM)92-93
• 5.2 模糊支持向量机(FSVM)93-96
• 5.3 非平衡数据集分类的相关问题96-100
• 5.4 设计基于非平衡数据集的模糊支持向量机100-105
• 5.4.1 类别补偿模糊因子的设计100-103
• 5.4.2 去噪模糊因子的设计103-104
• 5.4.3 算法步骤104-105
• 5.5 基准数据集上的实验105-109
• 5.6 采用IBFSVM识别四种情感的生理数据109-111
• 5.7 统计特征和非线性特征在分类性能上的比较111-114
• 5.8 本章小结114-116
• 第6章 小结和展望116-118
• 6.1 小结116-117
• 6.2 展望117-118
• 参考文献118-134
• 致谢134-136
• 读博期间发表的论文136-138
• 读博期间参加的科研项目138

【参考文献】

中国期刊全文数据库 前10条

1 谢纪刚;裘正定;;非平衡数据集Fisher线性判别模型[J];北京交通大学学报;2006年05期

2 张雨;任成龙;;确定重构相空间维数的方法[J];国防科技大学学报;2005年06期

3 刘立霞;马军海;;中国小麦期货市场的非线性检验[J];中国农机化;2009年02期

4 宋亦旭,贾培发;基于人工情感的拟人机器人控制体系结构[J];机器人;2004年06期

5 曹淑娟;刘小茂;张钧;刘振丙;;基于类中心思想的去边缘模糊支持向量机[J];计算机工程与应用;2006年22期

6 吴学奎;任立红;丁永生;吴怡之;;面向智能服装的多生理信息融合的情绪判别[J];计算机工程与应用;2009年33期

7 徐琳宏;林鸿飞;;认知视角下的文本情感计算[J];计算机科学;2010年12期

8 闵华松;刘冬;王田苗;;智能机器狗的语音控制模型研究[J];计算机工程;2012年01期

9 杨志安，，王光瑞，陈式刚;用等间距分格子法计算互信息函数确定延迟时间[J];计算物理;1995年04期

10 刘烨;付秋芳;傅小兰;;认知与情绪的交互作用[J];科学通报;2009年18期

中国博士学位论文全文数据库 前3条

1 刘万里;支持向量机中若干问题及应用研究[D];西安电子科技大学;2008年

2 孙荣荣;房性心律失常识别和房颤自发终止预测研究[D];复旦大学;2009年

3 赵腊生;语音情感特征提取与识别方法研究[D];大连理工大学;2010年

中国硕士学位论文全文数据库 前5条

1 眭烨;替代数据及其应用[D];华东师范大学;2011年

2 朱朝晖;虚拟教育环境中的合成人物及其情绪研究[D];浙江大学;2005年

3 周钰婷;皮肤电信号的情感特征提取及分类识别研究[D];西南大学;2012年

4 孙洪央;基于多生理信号的压力状态下情绪识别方法研究[D];上海交通大学;2013年

5 王艳超;基于TM_EMD的脉搏信号多模态特征情感识别方法[D];山东大学;2013年

  本文关键词：基本情感生理信号的非线性特征提取研究，由笔耕文化传播整理发布。

本文编号：257625