【摘要】：生理信號(hào)作為人體最易通過(guò)傳感器獲得的信號(hào),蘊(yùn)藏著人體大量的生理和心理的重要信息,獲取并識(shí)別多種生理信號(hào),對(duì)計(jì)算機(jī)識(shí)別人類情緒具有重要意義。受限于腦電,皮膚電,呼吸,脈搏等生理信號(hào)的復(fù)雜性,從這些生理信號(hào)中提取有用的特征并對(duì)情緒做出準(zhǔn)確的分類預(yù)測(cè)一直是個(gè)難點(diǎn)。隨著“情感計(jì)算”概念的提出,學(xué)者們致力于將情緒這一概念數(shù)學(xué)化,使計(jì)算機(jī)能夠識(shí)別和處理,并對(duì)情緒狀態(tài)做出識(shí)別和分類。傳統(tǒng)的情緒分類方法通常是人工提取相關(guān)的特征并利用機(jī)器學(xué)習(xí)模型進(jìn)行分類學(xué)習(xí)。隨著深度學(xué)習(xí)等擁有表征學(xué)習(xí)能力的模型提出,出現(xiàn)了一些利用深度學(xué)習(xí)模型自動(dòng)學(xué)習(xí)特征并進(jìn)行分類學(xué)習(xí)的方法。本文針對(duì)這些研究方向做了一些相關(guān)的探索,其中主要研究?jī)?nèi)容和貢獻(xiàn)包括:詳細(xì)綜述了國(guó)內(nèi)外對(duì)生理信號(hào)進(jìn)行分析建模和特征提取的方法。其次基于DEAP數(shù)據(jù)集,使用腦電信號(hào),皮膚電信號(hào),呼吸信號(hào),脈搏信號(hào)這些生理信號(hào),提取小波熵,樣本熵,統(tǒng)計(jì)特征等多種特征,并使用KNN,SVM和Xgboost對(duì)情緒進(jìn)行二分類實(shí)驗(yàn)。結(jié)果表明在效價(jià)分類準(zhǔn)確率上相比DEAP論文實(shí)驗(yàn)結(jié)果最高提高了9.7%,在喚醒度準(zhǔn)確率上最高提高了1.4%。為了改善傳統(tǒng)情緒識(shí)別方法需要對(duì)生理信號(hào)進(jìn)行深入了解,且需要人工提取相關(guān)特征的缺點(diǎn)。提出一種基于深度森林的多粒度掃描表征學(xué)習(xí)方法,并對(duì)DEAP數(shù)據(jù)集腦電信號(hào),皮膚電信號(hào),呼吸信號(hào),脈搏信號(hào)的時(shí)域數(shù)據(jù)進(jìn)行自動(dòng)特征提取。同時(shí)提出一種融合32通道腦電信號(hào)特征向量的方法,并通過(guò)級(jí)聯(lián)森林對(duì)特征進(jìn)行進(jìn)一步學(xué)習(xí)。結(jié)果表明在效價(jià)分類準(zhǔn)確率上相比DEAP論文實(shí)驗(yàn)結(jié)果最高提高了14.9%,在喚醒度準(zhǔn)確率上最高提高了6.1%。實(shí)驗(yàn)表明深度森林能在一定程度上對(duì)信號(hào)進(jìn)行自動(dòng)特征提取,并進(jìn)行分類預(yù)測(cè)。
【圖文】：

德國(guó)奧格斯堡大學(xué)也采集了相關(guān)情感數(shù)據(jù)集。在國(guó)內(nèi)，中國(guó)科學(xué)院心理研究等均設(shè)立相關(guān)機(jī)構(gòu)并在情感計(jì)算方面取得了一定進(jìn)展。逡逑緒模型逡逑心理學(xué)上對(duì)情緒的分類問(wèn)題，即采用什么劃分標(biāo)準(zhǔn)來(lái)區(qū)分不同的情緒一直以爭(zhēng)論焦點(diǎn)。通常較為常用的情緒分類模型理論有基本情緒理論和維度空間情情緒理論認(rèn)為人們的主觀情緒感受應(yīng)該被劃分為若干種離散的基本情緒，是要有代表性的劃分標(biāo)準(zhǔn)有Ｅｋｍａｎ［８］得到的六種基本情緒：憤怒，，厭惡，恐懼，訝。Ｐｌｍｃｈｉｋ［９］認(rèn)為基于情感進(jìn)化價(jià)值的特性，情緒可以分解為八種基本情緒：傷，恐懼，快樂(lè)，好奇，接受和驚喜。逡逑情緒間彼此存在一定的相關(guān)性，維度空間情感論認(rèn)為情緒并不能簡(jiǎn)單用離散的劃分。情緒的維度空間模型認(rèn)為幾個(gè)評(píng)價(jià)維度共同組成的空間可以量化表示評(píng)價(jià)維度是連續(xù)的。因此，空間中不同的位置代表了不同情緒，情緒間的量化近，則情緒越相似，不同情緒間可以相互平滑過(guò)渡和轉(zhuǎn)換。這種模型在近些情感計(jì)算的主導(dǎo)地位，其中使用最多的是由效價(jià)（ｖａｌｅｎｃｅ，又稱愉悅度和喚成的二維空間模型［１１］，其二維平面上情緒大致分布如圖１．１所示。逡逑高喚醒度逡逑

ＤＥＡＰ是由倫敦大學(xué)瑪麗女王學(xué)院的Ｋｏｅｌｓｔｒａ等學(xué)者建立的一個(gè)包含多通道生理信號(hào)，面部逡逑表情視頻，以及使用ＳＡＭ（ｓｅｌｆ－ａｓｓｅｓｓｍｅｎｔ邋ｍａｎｉｋｉｎｓ）表建立的情緒自我評(píng)價(jià)標(biāo)簽的數(shù)據(jù)集，其逡逑數(shù)據(jù)公開(kāi)在互聯(lián)網(wǎng)上，研究者只需簽署相關(guān)協(xié)議即可獲得下載權(quán)限，其采集過(guò)程圖片如圖２．逡逑１。數(shù)據(jù)集一共包括３２名被試者，男女各１６名，所有實(shí)驗(yàn)者年齡分布為１９－３７歲，平均年齡逡逑為２６．９歲。針對(duì)每一次情緒觸發(fā)實(shí)驗(yàn)，數(shù)據(jù)采集者使用ＭＰ１５０多導(dǎo)生理信號(hào)記錄儀記錄４０逡逑通道生理信號(hào)，其中包括３２通道的腦電信號(hào)，８?jìng)�(gè)通道的生理信號(hào)。每次實(shí)驗(yàn)記錄先記錄３逡逑ｓ的基線記錄，接著使用６０秒時(shí)長(zhǎng)的音視頻情緒刺激物進(jìn)行相應(yīng)的情緒觸發(fā)實(shí)驗(yàn)，并同時(shí)記逡逑錄對(duì)應(yīng)的４０通道生理信號(hào)，每次實(shí)驗(yàn)結(jié)束后被試者根據(jù)自己的主觀評(píng)價(jià)對(duì)當(dāng)前情緒狀態(tài)做出逡逑評(píng)分。記錄的情緒評(píng)價(jià)維度由效價(jià)（ｖａｌｅｎｃｅ），喚醒度（ａｒｏｕｓａｌ）和支配度（ｄｏｍｉｎａｎｃｅ）組成。ＤＥ逡逑ＡＰ數(shù)據(jù)集主要屬性如表２－１所示。逡逑邐Ｉ邋＿逡逑圖２．１邋ＤＥＡＰ數(shù)據(jù)集采集過(guò)程逡逑表２－１邋ＤＥＡＰ數(shù)據(jù)集屬性簡(jiǎn)介逡逑數(shù)據(jù)集屬性邐｜屬性內(nèi)容逡逑被試者數(shù)量邐３２名（１６名男性，１６名女性）逡逑實(shí)驗(yàn)樣本數(shù)量邐１２８０邋（３２名被試者
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R318;TN911.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 孫志軍;薛磊;許陽(yáng)明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

2 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

3 鄒吉林;張小聰;張環(huán);于靚;周仁來(lái);;超越效價(jià)和喚醒——情緒的動(dòng)機(jī)維度模型述評(píng)[J];心理科學(xué)進(jìn)展;2011年09期

4 王群;樂(lè)建威;金頌揚(yáng);田福英;王莉;;腦電信號(hào)高階譜分析技術(shù)的研究[J];中國(guó)醫(yī)療器械雜志;2009年02期

5 季忠,秦樹(shù)人,彭麗玲;基于匹配跟蹤的腦電睡眠紡錘波的時(shí)頻分析[J];上海交通大學(xué)學(xué)報(bào);2003年09期

相關(guān)博士學(xué)位論文 前1條

1 李皙茹;基于光電容積描記法的人體生理參數(shù)動(dòng)態(tài)測(cè)量技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 李鶴;基于雙譜的頭表腦電網(wǎng)絡(luò)構(gòu)建研究[D];電子科技大學(xué);2017年

2 陳明;基于腦電信號(hào)的情緒識(shí)別[D];杭州電子科技大學(xué);2017年

3 胡盼;基于獨(dú)立分量分析的在線腦-機(jī)接口系統(tǒng)研究與實(shí)現(xiàn)[D];安徽大學(xué);2016年

4 雷沛;基于多生理信號(hào)的焦慮情緒識(shí)別方法研究[D];上海交通大學(xué);2014年

5 李強(qiáng);改進(jìn)的支持向量機(jī)用于生理信號(hào)的情感識(shí)別[D];西南大學(xué);2014年

6 郭漩;基于人工神經(jīng)網(wǎng)絡(luò)的多生理信號(hào)情緒識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];華東師范大學(xué);2014年

7 杜英舉;腦電雙譜分析與特征分類識(shí)別[D];西安電子科技大學(xué);2014年

8 李純菊;動(dòng)態(tài)腦電圖機(jī)系統(tǒng)設(shè)計(jì)及高頻振蕩信號(hào)提取算法研究[D];廣東工業(yè)大學(xué);2013年

9 孫洪央;基于多生理信號(hào)的壓力狀態(tài)下情緒識(shí)別方法研究[D];上海交通大學(xué);2013年

10 潘聞特;基于生理信號(hào)的情感識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D];上海交通大學(xué);2012年

本文編號(hào)：2679980