一种基于混沌特征及优化CHAID决策树的情绪识别方法
发布时间：2021-10-16 15:00
基于生物电产生的生理信号进行情绪识别,并将其应用于医疗、人工智能等领域,具有巨大的发展前景。生理信号是非线性信号,不易被处理,且常常因为样本数量少而难以进行情绪识别,为解决此问题,针对皮肤电导信号（SC）、心电信号（ECG）、呼吸信号（RSP）,提出一种新的情绪识别方法,该方法基于生理信号的最大李雅普诺夫指数、复杂度和盒维数三种混沌特征,同时构建CHAID（chi-square automatic interaction detection）决策树并对其优化。采用德国Augsburg大学国际生理信号数据库作为数据来源进行喜、怒、哀三种情绪识别,在此基础上,采用引导聚集算法对CHAID决策树模型进行优化,提高其稳定性。研究结果表明,基于优化后的CHAID决策树的情绪识别率和结果置信度等各项指标明显高于优化前的CHAID决策树,优化后喜、怒、哀三种情绪的识别率分别为88%、100%、100%。
【文章来源】：计算机应用研究. 2020,37(S2)北大核心CSCD
【文章页数】：3 页
【部分图文】：
优化前的CHAID决策树
图2是CHAID决策树优化前基于混沌特征的情绪识别结果。由图2的第一部分可知，根据从生理信号中提取的三种混沌特征进行情绪识别，CHAID模型正确识别了58个样本，错误识别了17个，情绪总识别率为77.33%，误识率为22.67%。图中第二部分显示了生理信号对不同情绪识别的混淆矩阵，其中行表示实际情绪，可以具体得知，识别错误的17个样本中有5个把joy识别为anger，有12个把sadness识别为joy。图2第三部分是情绪识别的置信度报告，显示样本的置信度取值为0.5～0.895，识别正确的58个样本的置信度平均值为0.716，其中置信度大于0.588的样本预测值视为正确（占观测值的38.67%）；识别错误的17个样本的置信度平均值为0.588，其中置信度小于0.5的样本预测值视为错误（占观测值的0%）；置信度未达到等级要求的样本中有80%均识别正确；置信度高于0.77的样本占总数的58.82%，它们的预测正确率比样本总体正确率提高了1.5倍，应为93.33%(93.33%=80%+(100%-80%）÷1.5）。图3是使用Bagging算法优化CHAID决策树后，CHAID决策树通过SC、ECG、RSP多生理信号的混沌特征识别joy、anger、sadness生成的多叉树，树深为4,RSP的复杂度对整个识别过程具有重要作用。
图3是使用Bagging算法优化CHAID决策树后，CHAID决策树通过SC、ECG、RSP多生理信号的混沌特征识别joy、anger、sadness生成的多叉树，树深为4,RSP的复杂度对整个识别过程具有重要作用。图4是CHAID决策树优化后基于混沌特征的情绪识别结果。从图中表格数据可知，使用从SC、ECG、RSP中提取的最大Lyapunov指数、盒维数和L-Z复杂度特征，通过基于Bagging算法优化的CHAID决策树识别joy、anger、sadness，情绪识别率、置信度范围等各项指标显著提高。
【参考文献】：
期刊论文
[1]基于数据挖掘和决策树的测试用例重用技术研究[J]. 刘伟,安鹏伟,王嬴超. 导航定位与授时. 2019(05)
[2]基于概率阈值Bagging算法的不平衡数据分类方法[J]. 张忠林,吴挡平. 计算机工程与科学. 2019(06)
[3]非线性动力学分析方法在神经康复领域中的应用进展[J]. 翟晓雪,张皓. 中国康复医学杂志. 2019(04)
[4]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁. 统计与决策. 2019(06)
[5]基于混沌理论的音乐信号非线性特征研究[J]. 赵志成,方力先. 振动与冲击. 2019(03)
[6]多视角判别分析的情感识别[J]. 李超,赵文萍,赵子平. 信号处理. 2018(08)
[7]一种改进的图像盒子维计算方法[J]. 薛松,蒋新生,段纪淼,张培理. 中国科学技术大学学报. 2018(06)
[8]基于递归定量分析的生理信号情感识别[J]. 李才隆,叶宁,黄海平,王汝传. 计算机技术与发展. 2018(11)
[9]基于优化的LSTSVM的多模态生理信号情感识别[J]. 金纯,陈光勇. 电子技术应用. 2018(03)
[10]粗糙集二进制布谷鸟算法在情感识别中的应用[J]. 金纯,陈光勇. 微电子学与计算机. 2018(03)
博士论文
[1]碳纳米管的分散取向及其数字化图像量化研究[D]. 梁晓宁.东华大学 2016
硕士论文
[1]基于深度强化学习机制的棋盘类游戏算法的设计与实现[D]. 邓航宇.南京大学 2018
[2]CHAID算法并行化及其在信用风险分析中的应用[D]. 杨友星.长春工业大学 2016
[3]基于混沌特征提取的多生理信息融合的情绪识别方法研究[D]. 贺方.长春理工大学 2016
[4]基于多生理信号的情绪识别方法研究[D]. 何成.浙江大学 2016
本文编号：3440020
【文章来源】：计算机应用研究. 2020,37(S2)北大核心CSCD
【文章页数】：3 页
【部分图文】：
优化前的CHAID决策树
图2是CHAID决策树优化前基于混沌特征的情绪识别结果。由图2的第一部分可知，根据从生理信号中提取的三种混沌特征进行情绪识别，CHAID模型正确识别了58个样本，错误识别了17个，情绪总识别率为77.33%，误识率为22.67%。图中第二部分显示了生理信号对不同情绪识别的混淆矩阵，其中行表示实际情绪，可以具体得知，识别错误的17个样本中有5个把joy识别为anger，有12个把sadness识别为joy。图2第三部分是情绪识别的置信度报告，显示样本的置信度取值为0.5～0.895，识别正确的58个样本的置信度平均值为0.716，其中置信度大于0.588的样本预测值视为正确（占观测值的38.67%）；识别错误的17个样本的置信度平均值为0.588，其中置信度小于0.5的样本预测值视为错误（占观测值的0%）；置信度未达到等级要求的样本中有80%均识别正确；置信度高于0.77的样本占总数的58.82%，它们的预测正确率比样本总体正确率提高了1.5倍，应为93.33%(93.33%=80%+(100%-80%）÷1.5）。图3是使用Bagging算法优化CHAID决策树后，CHAID决策树通过SC、ECG、RSP多生理信号的混沌特征识别joy、anger、sadness生成的多叉树，树深为4,RSP的复杂度对整个识别过程具有重要作用。
图3是使用Bagging算法优化CHAID决策树后，CHAID决策树通过SC、ECG、RSP多生理信号的混沌特征识别joy、anger、sadness生成的多叉树，树深为4,RSP的复杂度对整个识别过程具有重要作用。图4是CHAID决策树优化后基于混沌特征的情绪识别结果。从图中表格数据可知，使用从SC、ECG、RSP中提取的最大Lyapunov指数、盒维数和L-Z复杂度特征，通过基于Bagging算法优化的CHAID决策树识别joy、anger、sadness，情绪识别率、置信度范围等各项指标显著提高。
【参考文献】：
期刊论文
[1]基于数据挖掘和决策树的测试用例重用技术研究[J]. 刘伟,安鹏伟,王嬴超. 导航定位与授时. 2019(05)
[2]基于概率阈值Bagging算法的不平衡数据分类方法[J]. 张忠林,吴挡平. 计算机工程与科学. 2019(06)
[3]非线性动力学分析方法在神经康复领域中的应用进展[J]. 翟晓雪,张皓. 中国康复医学杂志. 2019(04)
[4]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁. 统计与决策. 2019(06)
[5]基于混沌理论的音乐信号非线性特征研究[J]. 赵志成,方力先. 振动与冲击. 2019(03)
[6]多视角判别分析的情感识别[J]. 李超,赵文萍,赵子平. 信号处理. 2018(08)
[7]一种改进的图像盒子维计算方法[J]. 薛松,蒋新生,段纪淼,张培理. 中国科学技术大学学报. 2018(06)
[8]基于递归定量分析的生理信号情感识别[J]. 李才隆,叶宁,黄海平,王汝传. 计算机技术与发展. 2018(11)
[9]基于优化的LSTSVM的多模态生理信号情感识别[J]. 金纯,陈光勇. 电子技术应用. 2018(03)
[10]粗糙集二进制布谷鸟算法在情感识别中的应用[J]. 金纯,陈光勇. 微电子学与计算机. 2018(03)
博士论文
[1]碳纳米管的分散取向及其数字化图像量化研究[D]. 梁晓宁.东华大学 2016
硕士论文
[1]基于深度强化学习机制的棋盘类游戏算法的设计与实现[D]. 邓航宇.南京大学 2018
[2]CHAID算法并行化及其在信用风险分析中的应用[D]. 杨友星.长春工业大学 2016
[3]基于混沌特征提取的多生理信息融合的情绪识别方法研究[D]. 贺方.长春理工大学 2016
[4]基于多生理信号的情绪识别方法研究[D]. 何成.浙江大学 2016
本文编号：3440020
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3440020.html
