基于多生理信号的情绪识别方法研究

发布时间：2017-05-30 05:04

  本文关键词：基于多生理信号的情绪识别方法研究，由笔耕文化传播整理发布。

【摘要】：随着计算机的发展,人们希望赋予计算机情感能力,使计算机能与人进行有感情的互动。让计算机可以准确识别人的情绪是实现这一愿景的关键技术。以往的研究多利用人的面部表情、语音语调或姿态手势买现情绪的识别,而人体生理信号与人的情绪也存在着某种内在的联系,且生理信号客观、不易伪装,基于生理信号的情绪识别成为了近年来情绪识别研究的热点。论文研究了一种基于人体心电、呼吸、脉搏波和皮肤电导四种生理信号对人的四种基本情绪状态(平静、开心、悲伤、恐惧)进行识别的方法。采集了17名受试者在平静、开心、悲伤、恐惧情绪状态下的心电、呼吸、脉搏波、皮肤电导生理信号,得到总共668个生理信号样本。对生理信号进行了时域和频域的分析,提取出了信号特征。针对初始特征空间维数过大的问题,研究了一种基于前向浮动搜索技术的特征选择算法,该算法在指定选择的特征数量后可以从初始特征集合中选择出一组关键特征。利用这组关键特征,通过支持向量机对上述四种情绪进行训练和预测。针对支持向量机的性能受惩罚因子和核函数参数很大影响的问题,引入了遗传算法实现惩罚因子和核函数参数的最优化。通过交叉验证的方法对情绪识别算法的准确率进行评估,在31个关键特征下达到71.4%的识别准确率。此外,还将该情绪识别方法应用在德国Augsburg大学提供的情绪生理数据样本上,得到了最高95%的识别准确率。以上结果说明该方法可以有效地识别情绪,并且具有较好的推广性。
【关键词】：生理信号 情绪识别 特征选择 支持向量机 遗传算法
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R33
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-17
• 1.1 引言10-13
• 1.1.1 情感或情绪理论10-11
• 1.1.2 情绪分类和维度11-12
• 1.1.3 情绪的诱发方法12
• 1.1.4 情感计算和情绪识别12-13
• 1.2 研究目的和意义13
• 1.3 国内外研究现状13-15
• 1.4 论文内容和结构15-17
• 2 生理信号和情感数据的采集17-25
• 2.1 生理信号的采集17-21
• 2.1.1 心电和呼吸信号17-18
• 2.1.2 脉搏波18-20
• 2.1.3 皮肤电导20-21
• 2.2 情感数据的采集21-24
• 2.2.1 实验目标21
• 2.2.2 情绪诱发方案21-23
• 2.2.3 数据采集流程23-24
• 2.2.4 情绪诱发结果24
• 2.3 本章小结24-25
• 3 生理信号预处理和特征提取25-35
• 3.1 生理信号预处理26-29
• 3.1.1 心电信号预处理26-27
• 3.1.2 呼吸信号预处理27-28
• 3.1.3 脉搏波信号预处理28
• 3.1.4 皮肤电导信号预处理28-29
• 3.2 生理特征提取29-34
• 3.2.1 心电信号特征29-31
• 3.2.2 呼吸信号特征31-33
• 3.2.3 脉搏波特征33-34
• 3.2.4 皮肤电导特征34
• 3.3 本章小结34-35
• 4 基于前向浮动搜索技术的特征选择算法35-42
• 4.1 特征预处理35-37
• 4.1.1 剔除离群点35-36
• 4.1.2 处理丢失数据36-37
• 4.1.3 特征归一化37
• 4.2 基于前向浮动搜索技术的特征选择算法37-41
• 4.3 本章小结41-42
• 5 基于支持向量机的情绪识别算法42-55
• 5.1 支持向量机42-49
• 5.1.1 线性可分情况下的支持向量机42-45
• 5.1.2 线性不可分情况下的软间隔技术45-46
• 5.1.3 非线性支持向量机46-48
• 5.1.4 支持向量机应用于多分类48-49
• 5.2 基于遗传算法的支持向量机参数优化算法49-52
• 5.3 基于支持向量机的情绪识别算法52-53
• 5.4 本章小结53-55
• 6 基于多生理信号的情绪识别结果和分析55-61
• 6.1 情绪诱导实验数据的情绪识别结果56-58
• 6.1.1 不同特征维度下的四种情绪分类结果56-57
• 6.1.2 最佳特征组合下四种情绪各自的识别效果57-58
• 6.2 奥格斯堡大学情绪生理信号数据的情绪识别结果58-60
• 6.3 本章小结60-61
• 7 总结与展望61-63
• 7.1 总结61-62
• 7.2 展望62-63
• 参考文献63-68
• 附录：生理信号中提取的特征列表68-70
• 作者简历70

【相似文献】

中国期刊全文数据库 前10条

1 崔文生,吴效明,朱斌,王晓航;通用生理信号实时检测与显示模型[J];暨南大学学报(自然科学与医学版);2000年01期

2 杨小冬;何爱军;周勇;宁新宝;;复杂生理信号的多重分形质量指数谱分析[J];科学通报;2010年19期

3 秦廷武，王齐琳;8098单片机生理信号实时记录系统[J];生物医学工程学杂志;1996年01期

4 陈亚光,陈心浩,杨仲乐;动态多道生理信号的实时无线数字传输[J];中南民族学院学报(自然科学版);1996年04期

5 王姝;;浅谈实验动物生理信号的采集与处理[J];中国科技信息;2014年09期

6 沈卫星;姜正林;;大鼠大脑皮层和脊髓电生理信号的记录[J];南通大学学报(医学版);2006年06期

7 黄宇星,程敬之;多功能B型超声诊断仪上四路生理信号监视装置[J];声学技术;1993年03期

8 陈焯明，陈更生，杨怀，郑永驹;DSS－1电生理信号采集、处理系统的设计[J];华南师范大学学报(自然科学版);1995年01期

9 小忻;;吃饭太快会变胖吗?[J];小学科技;2013年12期

10 ;[J];;年期

中国重要会议论文全文数据库 前3条

1 李伟博;吴效明;;基于EZ-USB FX2的生理信号采集接口技术[A];中国仪器仪表学会医疗仪器分会2010两岸四地生物医学工程学术年会论文集[C];2010年

2 李国丽;史利杰;胡存刚;张萍;詹月红;;基于LabVIEW的生理信号处理研究[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（下册）[C];2006年

3 平安;王志良;;基于生理信号的人机情感交互系统应用研究综述[A];2009中国控制与决策会议论文集（3）[C];2009年

中国重要报纸全文数据库 前1条

1 记者 王怡;我研制出人造仿生电子皮肤[N];科技日报;2014年

中国博士学位论文全文数据库 前6条

1 曾彭;生理信号的多尺度复杂性研究[D];南京大学;2015年

2 程静;基本情感生理信号的非线性特征提取研究[D];西南大学;2015年

3 温万惠;基于生理信号的情感识别方法研究[D];西南大学;2010年

4 黄丹飞;基于生理信号关联分析的可组合多通道监护系统的研究[D];长春理工大学;2011年

5 王娆芬;过程控制操作员生理信号分析及功能状态建模[D];华东理工大学;2012年

6 杨照芳;心跳间期和皮肤电信号中的情感响应模式研究[D];西南大学;2015年

中国硕士学位论文全文数据库 前10条

1 王翔;防化兵实训中生理信号动态监测[D];江苏大学;2015年

2 何成;基于多生理信号的情绪识别方法研究[D];浙江大学;2016年

3 刘月华;典型生理信号综合测量及情绪识别研究[D];上海交通大学;2011年

4 孙圣;织物化多生理信号检测装置的设计[D];电子科技大学;2013年

5 侯永捷;面向压力评估的多生理信号采集和分析系统设计[D];燕山大学;2013年

6 李亭亭;运动员生理信号的采集和数据分析系统的研究[D];沈阳工业大学;2008年

7 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

8 程德福;双重结构粒子群和K近邻法用于生理信号情感状态识别的研究[D];西南大学;2009年

9 鲁舜;运用蚁群优化算法筛选情感生理信号特征[D];西南大学;2009年

10 赵子辰;生理信号转换及参数设置软件开发[D];山东师范大学;2015年

  本文关键词：基于多生理信号的情绪识别方法研究，，由笔耕文化传播整理发布。

本文编号：406411