曲线拟合及蜂群算法用于皮肤电信号的情感识别

摘要

基于生理信号的情感识别研究具有更好的鲁棒性和客观性，是情感计算的一项重要研究内容。本文在前人研究的基础上对皮肤电的瞬时变化特征进行研究，主要针对人在高兴(happy)、愤怒(angry)、悲伤(grief)和恐惧(fear)四种情感状态下的皮肤电信号采用曲线拟合与蜂群算法相结合的方法进行分析，具体工作如下:
　　(1)情感生理反应实验设计及情感生理信号的采集。为了激发四种目标情感，经过反复的测试、比较，实验设计小组从30多个相关电影片段和视频短片中选择出了分别对应四种基本目标情感的素材各一条，建立了情感诱发素材库。之后又完善了整个实验流程，并采用美国BIOPAC公司提供的MP150多通道生理信号记录仪采集被试的皮肤电信号。
　　(2)对包含可靠情感生理反应的生理信号的定位。在对原始数据进行分析时，情感识别的可靠性与准确性在很大程度上依赖于目标GSR信号片段的准确选取。针对此问题，文中结合了被试问询、情感体验按键报告、实验视频、带标记的生理信号、相关性数据分析等多种方法，选择了较为准确的有明显情感唤起的时间区间内的GSR信号作为研究对象。
　　(3)利用曲线拟合的方法根据定位好的GSR信号进行情感识别特征提取。由于待拟合的GSR信号存在明显的波峰、波谷，呈现出较为显著的非线性特征，参照Lim等人提出的四参数S型指数模型，同时根据MATLAB中各种方法的拟合效果比较，文中选用幂函数、指数函数两个非线性函数的复合函数来自定义拟合函数的模型，并根据此模型对截取的GSR片段完成拟合，计算出相应拟合参数的数值以及演变值作为情感特征，并以此为原始特征集合分别对高兴、愤怒、悲伤和恐惧四种情感进行“一对一”和“一对多”识别，取得了良好的情感分类效果，正确识别率普遍优于基于传统皮肤电信号统计特征的情感识别。
　　(4)基于改进的人工蜂群算法的皮肤电信号的特征组合选择及分类。提取相同皮肤电信号的30个传统统计特征，与之前计算的5个曲线拟合参数特征一起作为原始特征集，采用引入了定向搜索策略以及禁忌搜索思想的人工蜂群算法与SVM分类器相结合的方法，再次对高兴、愤怒、悲伤和恐惧四种情感进行二分类识别，获得了比单一使用传统统计特征或者曲线拟合参数特征都要好的识别效果。
　　实验结果表明，采用曲线拟合GSR生理信号中上升沿波形的方法提取其情感特征是可行的。在对基于传统统计特征与曲线拟合参数特征所组成的混合特征集合进行特征选择分类时，曲线拟合参数特征在大多数情况下都会被选中用于目标情感的分类识别，均有较高的贡献度，且会得到更优的分类效果。

目录

声明

摘要

第一章 引言

1．1 研究背景及意义

1．2 国内外研究现状

1．3 目前研究存在的问题

1．4 论文的创新点

1．5 工作安排及具体内容

第二章 皮肤电信号的采集及选取方案

2．1 皮肤电信号的特点

2．2 皮肤电信号的采集方案

2．2．1 实验对象选取

2．2．2 情感诱发素材选取

2．2．3 实验过程

2．3 对包含可靠情感生理反应的生理信号的定位方法

2．3．1 情感评分问卷

2．3．2 被试视频

2．3．3 带标记的生理信号

2．3．4 被试问询

2．3．5 情感体验按键报告

2．3．6 相关性分析

2．3．7 小结

2．4 皮肤电信号的预处理

2．4．1 皮肤电信号的去噪

2．4．2 皮肤电信号的归一化

第三章 基于曲线拟合的情感识别特征提取

3．1 曲线拟合的定义

3．2 目标GSR信号的截取

3．3 拟合函数的比较及选取

3．4 参数特征提取

3．5 拟合参数特征的分类效果分析

第四章 皮肤电信号的特征组合选择及分类

4．1 皮肤电信号常用数值统计特征介绍

4．2 人工蜂群智能算法介绍

4．3 人工蜂群算法的改进

4．4 基于改进的人工蜂群算法的特征组合选择

4．4．1 愤怒情感的识别结果与分析

4．4．2 高兴情感的识别结果与分析

4．4．3 悲伤情感的识别结果与分析

4．4．4 恐惧情感的识别结果与分析

4．4．5 结果比较

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

攻读硕士期间研究成果及发表的学术论文

攻读硕士期间参与的研究项目