情感估计的高阶多元多项式建模方法研究

发布时间：2017-01-05 08:31

第 1 章 情感估计问题与方法

为了构建智能而和谐的人机交互环境、提高精神疾病的诊断精确性以及揭示人类情感心理生理的机制，从直接的观测数据来检测人体的情感状态是关键的第一步[1–10]。人机交互领域中，能够自动检测个体情感状态并与人进行情感交流的计算机、机器人以及玩具等能够提升人机交流的质量，最大化用户的愉悦感体验[3–5, 11]，如麻省理工大学的可穿戴情感计算机，欧洲的感知成长机器人 Nao 以及索尼公司的 AIBO 狗等。精神疾病的诊断中，依赖于直接观测的数据和技术设备来检测病人情感状态的方式可以辅助目前通常采用的问卷方法来诊断精神疾病，提供相对客观、量化和自动的检测结果[7, 8, 10]。此外，情感计算领域中发展出来的用于检测人体情感的方法、模型以及结论能够为其他领域的研究者们去揭示情感心理生理的机制提供有益的帮助，进而增进人类心理健康[2–4, 8, 12]。本章将陈述情感检测中的情感估计问题和论文的具体思路，综述以往解决情感估计的研究方法。首先，论文明确陈述情感估计问题以及论文的研究思路、主要结果和创新点。然后，论文简要地综述目前已有的多元线性回归分析、偏最小二乘回归、遗传优化的支持向量回归、人工神经网络以及双向长短时间记忆的神经网络方法。最后，给出论文的组织结构。

......

第 2 章 实验设计与数据采集系统

2.1 情感实验设计

在解决情感估计问题时，人们最常用的情感模型是环形情感模型 (效价-唤醒度模型, Circumplex Model of Affects[7, 19, 84–87])。环形情感模型 (图 4) 是情感的维度模型之一(因为基本情感的不统一分类和这些情感类别的汉语译文怪异，所以图中保留了英文名形式)， 以两个独立的神经生理系统为基础 (欲望性和防御性环路)，是通过对被试所报告的情感词汇、面部表情以及体验等进行多尺度因子分析而得到的，包含了效价 (Valence) 和唤醒度 (Arousal) 两个维度 (对应于其神经生理系统)[88]。效价维度表征情感的正、负性属性，从负性到正性的变化；唤醒度维度表征情感的强烈程度属性，从平静到兴奋的变化。每一情感状态由其效价和唤醒度的值决定，在环形情感模型中占据一空间位置，例如，高兴 (Happy) 被认为是一种神经系统的中等唤醒，并伴随高的正性效价的情感状态。

2.2 综合数据采集系统
通过 60 次的测试，电击按钮和图片开始呈现的时间误差均值和标准差分别为 10.2105 毫秒和 0.5312毫秒。因此，论文认为情感诱发图片的播放、被试生理信号的采集以及面部视屏的监控在误差范围内是同步的。情感诱发实验中，尽管采集了脉搏、皮肤电导以及心电这 3 路情感生理信号，但是论文仅基于皮肤电导信号来建模。对于皮肤电导信号的记录，论文采用标准测试方式 (standardmethodology) 来采集信号[56, 95]。采集皮肤电导信号的低通滤波器设置我 10 Hz，高通滤波器设置为直流 (DC, 0Hz)，采样率为 1000Hz。此外，还设置了 50Hz 的陷波滤波器来排除交流电的影响。情感评价的实验程序中，除了实验指导语的呈现外，同样分为了实验训练和正式实验两部分。实验训练和正式实验的过程和评价操作完全一样，只是训练时候不记录效价和唤醒度评分。正式实验开始时候，，按照设计要求，被试根据 SAM 量表来评价图片所诱发的情感状体，获得并记录效价和唤醒度得分。软件系统为整合各个硬件、实现情感诱发和评价的实验、获得情感心理生理信号提供了高效的控制程序。

第 3 章 情感心理生理数据集 ........23

3.1 非线性曲线拟合..... 23 
3.2 数据扩容...... 31 
3.3 讨论.......35
3.4 小结.....38
第 4 章 情感估计的高阶多元多项式建模 ........39
4.1 高阶多元多项式建模..... 39 
4.2 模型比较........... 55 
4.3 方法图谱..........  68 
4.4 讨论.......... 71
4.5 小结 ..........  77
第 5 章 全文总结 78
5.1 研究结论........ 78
5.2 研究展望........ 80

第 4 章 情感估计的高阶多元多项式建模

4.1 高阶多元多项式建模

基于高阶多元多项式建模的理论，论文设计了高阶多元多项式建模的算法(图 18)。 高阶多元多项式建模的算法 (图 18) 主要包括了三个部分：“寻找显著模型的优化回归部分、寻找合适多项式函数阶数的优化函数部分以及实验数据集上的模型验证部分。” 算法开始后，首先，以论文的仿真数据集 (附录 表 20) 为起点，选择其增益和衰减时间常数两列为算法的自变量，选择效价或唤醒度列 (V 或 A) 为算法的因变量，设置初始多项式函数为 1-阶多元多项式，矩阵奇异值准则，预设一个多元多项式的最高阶数M。其次，算法进入多元多项式回归，对回归所得结果进行模型显著性和模型所含项的显著性的t-检验。如果存在不显著项，则去掉最小的不显著项后从新执行多元多项式回归，直至模型的所有项都显著才进入存储模型结果以及将阶数 p 增高一阶。判断新的阶数是否超过预先设定的最高阶数 M，如果小于此最高阶数，则以此新阶数为阶的多项式函数作为模型函数，返回到多元多项式回归步骤，再寻找新阶数下的显著模型，直至多项式的阶数超过最高阶数。以各个显著模型的 Index 为准，选择具有最大 Index 的模型作为算法的最优模型。然后，选择实验数据集的对应数据列作为算法的验证集合，对所获得的最优模型进行验证，得到衡量和评价最优模型的模型表现：“相关系数、均方误差以及指数。” 最后，结束算法。

4.2 模型比较

以仿真数据集和实验数据集为共同基础，本节主要是将所获得的情感高阶多元多项式模型与应用已有研究方法所获得的模型进行比较。近十年来已有一些研究提出了一些方法来处理情感估计问题，比如：多元线性回归 (MLR) 方法、偏最小二乘回归 (PLSR) 方法、遗传算法优化的支持向量回归 (GA-SVR) 方法、人工神经网络 (ANN) 方法以及双向长短期记忆的人工神经网络方法 (LSTM-NNs)[47–53]，其中多元线性回归和偏最小二乘回归方法获得系统的线性模型，其余方法获得系统的非线性模型 (各自方法处理非线性能力和方法的难易程度有所不同)。这些方法针对其具体问题都取得了相对较好的成果，并且为论文的开展奠定了良好的基础。鉴于上述各个方法的适用背景有所不同，下面主要将高阶多元多项式模型与多元线性回归模型、偏最小二乘模型、支持向量回归模型以及人工神经网络模型进行对比。结果表明：“高阶多元多项式建模方法 (HMPR) 能够在模型直观性和计算精确性间取得良好平衡。”
.....

第 5 章 全文总结

5.1 研究结论

情感生理心理系统无疑是复杂的非线性系统，并且其复杂的神经生理机制目前仍没能得到很好的揭示。在人工智能领域、人机交互领域、精神疾病诊断和治理以及情感心理生理机制研究中，弄明白产生观测信号的生理结构是如何决定情感维度的情感估计问题，或依赖于直接的观测数据来估计连续情感状态的问题本身非常重要，而且在开发可穿戴的情感智能设备中，情感估计的可计算模型具有核心的地位。近十年来，对于解决情感估计问题，多元线性回归分析方法、偏最小二乘回归方法、遗传优化的支持向量回归方法、人工神经网络方法以及双向长短时间记忆的神经网络方法都已被提出。这些方法在解决他们对应的具体问题时都取得了相对较好的效果，为更好地解决情感估计问题提供了良好基础。但是，目前，还没有一种能够在模型计算精确性和直观性之间取得良好平衡的方法。为进一步提高估计情感的模型预测精度、简化模型形式、增强模型实用性，论文引入了高阶多元多项式建模的新颖方法作为情感估计方法学的重要补充。

5.2 研究展望

开发情感测量的区间标尺或比例标尺：研究情感的中枢属性，希望开发情感测试的区间或比例标尺，为实时而精确的测量情感心理状态提供帮助。这或许是最为困难的问题了，但也是最有意义的，因为如果能够以区间标尺或比例标尺来测量心理状态的话，描述心理过程以及过程间的关系或许就可进步到动力系统模型的成面上，揭示他们的系统规律。论文采用开发国际情感图片数据库的开发者所用量表 (SAM) 来测量被试的情感状态，获得效价和唤醒度的等级评分。事实上，目前流行的等级评分量表所能获得数据是顺序标尺 (有等级、高低以及大小之区分，但是不具有等区间性，即情感状态的 9分与 8 分之间的差距所代表的心理意义实际上是不等同于情感状态的 2 分与1 分之间的差距所代表的心理意义)，而不是区间标尺 (既具有顺序，又具有等区间性质)。理论上，顺序标尺是不能做平均的，只有区间标尺或比例标尺 (比区间标尺多一个绝对零) 才能做平均。目前，心理测量中，绝大多数量表也都尽量的想解决这一问题；获得的等级评分基本上、粗略地被认为是区间标尺。伴随科技的进步、人脑机制的越来越深刻的被解释，论文也希望能够开发情感测量的区间标尺或比例标尺。

......

参考文献（略）

本文编号：234768