运用蚁群优化算法筛选情感生理信号特征

摘要

情感在人类的感知、决策等过程中扮演着重要角色。近年来随着人工智能的发展，情感智能与计算机技术结合产生了情感计算这一崭新的研究课题，这将大大地促进计算机技术的发展。随着人们在认知领域的不断探索，在情感状态领域的研究也将进一步的发展。目前，情感识别的信号多采用面部表情、身体姿态、语音，其结果一般会受到主观因素的影响，而无法完全反映出真实的情感状态。生理变化只受人的自主神经系统和内分泌系统支配，不受人的主观控制，因此，采用生理信号作为情感识别的研究对象，所得的数据更加客观，也能更好的识别内在的情感和情绪变化。美国MIT媒体实验室情感计算研究小组的Picard教授率先从生理信号中提取特征来进行情感状态识别方面的研究，证明了该方法是可行的。然而，现有的生理信号情感识别的研究中还存在较多的难题，如无法得到最有效的特征组合，且识别效果欠佳，鲁棒性较差等。因此，在生理信号的情感识别研究中，仍有许多问题需加以解决，尤其是信号的特征选择是情感识别中的一个重要问题。 蚁群优化算法(Ant Colony Optimization，ACO)是通过模拟自然界蚂蚁觅食搜索路径的行为，产生的一种新型的模拟进化算法，该算法不仅具有很好的鲁棒性，良好的正反馈特性，并且具有并列分布计算的特点，并且蚁群优化算法在没有任何先验知识的情况下比其他优化算法的执行效率要高，系统收敛速度要快。论文将ACO算法应用于生理信号的特征选择问题，主要研究内容如下： (1)生理信号的数据采集：实验通过生理信号记录仪(MP150)采集被试在高兴和悲伤状态下的ECG信号，并随机选取150组特征进行分析。 (2)生理信号的特征提取：对原始的ECG信号进行离散小波变换，去除带外噪声和基线漂移，提取ECG信号的高频部分，计算统计特征；并在ECG信号中提取具有代表性的特征，构成原始特征矩阵。 (3)生理信号的特征选择及分类：运用蚁群优化算法与K近邻分类算法相结合进行特征选择和分类，识别高兴和悲伤两种情感状态，得出分类情感状态最有效的特征组合。 (4)对Augsburg大学情感数据库进行仿真，验证ACO算法与kNN分类器相结合用于生理信号情感识别的可行性。分析蚁群优化算法参数设置，对比其它智能优化算法的结果，得出不同情感状态识别下的最有效特征子集。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2研究背景及意义

1.3国内外研究现状

1.4小结

第二章 生理信号的情感识别

2.1生理信号情感识别系统

2.1.1生理信号的采集

2.1.2生理信号的预处理

2.1.3生理信号的特征提取

2.1.4生理信号的特征选择和分类

2.2小结

第三章 基于蚁群优化的特征选择

3.1蚁群优化算法

3.1.1基于蚂蚁系统的特征选择

3.1.2基于蚁群系统的特征选择

3.1.3基于最大最小蚂蚁系统的特征选择

3.2改进的蚁群优化算法

3.3 K近邻分类算法

3.4小结

第四章实验结果与分析

4.1实验室数据结果分析

4.1.1 ACS算法的结果分析

4.1.2 MMAS算法的结果分析

4.2 Augsburg大学数据的仿真

4.3小结

第五章总结与展望

5.1总结

5.2展望

参考文献

致谢

附录

攻读硕士期间发表的论文