情感识别脉搏信号特征分类研究

发布时间：2018-05-07 04:42

本文选题：情感识别 + 脉搏信号　；参考：《吉林大学》2017年硕士论文

【摘要】：当今社会发展飞快,科技日新月异,给人们带来便利的同时也增添了现代人的生活压力。现在情绪问题已经成为危害人类健康的超级杀手。因此本文对情感进行研究,试图通过人机交互,应用计算机对人体脉搏信号进行处理,智能化的从人体生理信号中获取此人此时情感。这样获取的情感状态是最真实的,可以避免人们表象情感表露的可伪装性。研究表明可以利用便携式医疗设备实时采集人体脉搏信号,通过程序分析及时获取人此时的情感状态,提醒当事人注意情感变化,必要时通知医生及监护人进行帮助保护。脉搏信号属于比较传统的生物电信号,自中国古代起就用于分析人体气血、内脏等生理状态。相比于其他生理信号,脉搏信号采集容易,而且采集过程中受到的干扰较少。大量研究表明,通过脉搏信号进行情感识别效果较好,具有其可行性,因此我们可以从脉搏信号中找出与情感相关的特征。进而通过这些特征建立起情感与脉搏信号之间的的映射关系,这样就可以通过脉搏信号识别出不同的情感类型。研究脉搏信号的情感识别对当今人类的心理,以及未来人工智能的发展都具有重要意义。本次实验通过从美国麻省理工情感识别数据库中提取了在愤怒、兴奋、悲伤、平静四种情感状态下的脉搏信号用以进行课题研究。研究主要分为以下几部分:1)脉搏信号的预处理:为准确获取脉搏波的特征,首先对脉搏波进行去噪处理。采用了小波变换的方式,通过小波的分解与重构去除了基线漂移等噪声,同时保留脉搏信号有效信息。2)脉搏信号的特征提取:不同特征的选取影响着最后分类识别准确率,因此特征选取很重要。单一特征存在局限性,很难保证最后的分类准确性,因此本次研究采用组合特征,包括脉搏波时域的统计特征与小波特征。通过差分阈值法进行特征点检测,准确地提取到脉搏波主峰值点、降中峡(重搏波切迹)等特征点,获取其时域统计特征;通过‘db7’小波对其进行五层小波分解获取各层高低频的小波系数及能量。3)情感识别特征分类处理:构建更具优势的结合层次支持向量机模型的情感识别算法,解决了支持向量机(SVM)模型分类所需的支持向量机数目多、训练集样本多、占用内存多、运算时间长等问题。该算法结合了二维情感模型搭建层次结构,按照情感本身的维度特点对提取出的携带情感信息的脉搏信号特征进行分类,以达到对不同情感进行识别的目的。区分n种类型时,一对一的支持向量机分类需要n(n-1)/2个分类器,一对多的支持向量机分类需要n个分类器,且训练样本较多。运用层次SVM分类只需要构造n-1个SVM分类器,且训练样本减少。实验结果表明,对于四分类问题层次支持向量机模型只需3个支持向量机,小于一对多SVM分类需要的4个支持向量机,小于一对一SVM分类需要的6个支持向量机数目,同时减少了训练过程中的样本数。本文模型可以在保证分类的准确性的同时,减少支持向量机个数,降低训练样本数,因此提升了训练分类速度,能够更好地完成情感识别应用的需要。
[Abstract]:This paper makes a study on emotion recognition by means of wavelet transform in order to obtain the characteristic of pulse wave . The results show that only 3 support vector machines are needed for classification of four classification problems . The results show that only 3 support vector machines are needed for classification of four classification problems . The number of support vector machines is less than that of one - to - one SVM classification . The model can reduce the number of support vector machines and reduce the number of training samples .

【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R318;TN911.7

【相似文献】