生理信号情感识别中的特征组合选择研究

摘要

生理信号情感识别实验采用视频作为唤起材料，以激发高兴、惊奇、厌恶、悲伤、愤怒和恐惧六种情感，记录被试的皮肤电反应(GSR)、心率(HR)、脉搏(Pluse)、呼吸(RSP)、心电(ECG)和面部肌电(EMG)等信号作为情感生理反应样本。
　　 针对生理信号情感识别中特征组合选择的问题，在前期工作中采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法等智能算法对从200余名大学生被试样本中提取的初始特征进行特征组合的选择，发现很难得到一致的解，且维数偏高等问题。针对这类特征选择算法的不足，在后期工作中采用mRMR、SVM-REF、▽SVM-REF和SVM-Weighted算法对从400余名大学生被试的样本中提取的初始特征进行特征组合的选择，并用Fisher分类器和SVM分类器对六种情感进行分类，获得了较高的识别率。最后找出了对情感识别系统模型的构建具有较好性能且稳定的特征组合。具体做了以下工作：
　　 (1)对皮肤电反应、心率、呼吸、心电、脉搏和面部肌电等生理信号进行预处理：利用解卷积算法将皮肤电反应信号分解为突变信号和缓变信号，利用小波变换技术将面部肌电和心电进行多层分解并且重构，对呼吸信号和脉搏信号进行滤波去噪，然后提取以上几种生理信号的频域特征和时域统计特征。
　　 (2)由于对情感识别缺乏相应的先验知识，所以不得不提取大量的原始特征，遍历特征空间中所有的特征组合显然是不可能的。所以针对特征组合搜索空间过于庞大的问题，在前期工作中采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法等智能算法进行特征组合的选择，想利用该类型算法较强的遍历策略，能够较好地进行广度和深度的搜索。但在实际应用中发现由于该类型算法的随机性，很难使得到的特征组合收敛(即算法每次运行的结果都不一致)，并且由于算法本身要进行大量的迭代，使得时间耗费过大(通常是数十小时)。
　　 (3)针对上述问题，并参考国内外主流的特征选择算法，采用了mRMR、SVM-REF、▽SVM-REF、SVM-Weighted算法进行特征组合的选择。这些方法比起前期所采用的算法来说，在评价标准上做了大量有意义的研究工作，而在搜索策略上并没有采用过于复杂的算法。这样下来，算法在准确度和时间耗费上就达到了平衡，在实际应用中取得了很好的结果。