情緒,作為一種短暫而強(qiáng)烈的對(duì)外反應(yīng),影響人類(lèi)的生理和心理狀態(tài),在人類(lèi)生活中起著非常重要的作用。情緒識(shí)別研究受到了廣泛關(guān)注,其在醫(yī)療、安全駕駛、社會(huì)安全等領(lǐng)域都有所應(yīng)用。相較于外在的物理信號(hào),生理信號(hào)直接由神經(jīng)系統(tǒng)(中樞神經(jīng)系統(tǒng)、周?chē)窠?jīng)系統(tǒng))產(chǎn)生以及控制,人的主觀意識(shí)難以對(duì)其控制,其識(shí)別結(jié)果更具客觀性。因此,本文的研究?jī)?nèi)容是基于生理信號(hào)的情緒識(shí)別。目前,基于生理信號(hào)的情緒識(shí)別研究存在兩個(gè)局限性。(1)特征局限性:當(dāng)前研究所提取的特征大多對(duì)信號(hào)分析不全面。通過(guò)針對(duì)特定任務(wù)手工構(gòu)造特征或利用深度學(xué)習(xí)方法提取特征,缺乏挖掘生理信號(hào)內(nèi)在的共性信息,以及沒(méi)有考慮生理信號(hào)時(shí)間上下文的信息。(2)融合框架局限性:常見(jiàn)的特征融合和決策融合對(duì)信號(hào)信息利用不充分,影響了最終的識(shí)別準(zhǔn)確率。針對(duì)以上總結(jié)的局限性,本文進(jìn)行了以下三個(gè)工作。(1)提出基于小波變換的多生理信號(hào)情緒識(shí)別算法。針對(duì)生理信號(hào)的非平穩(wěn)非線性特征,采用小波變換對(duì)信號(hào)進(jìn)行處理,并手工構(gòu)造各類(lèi)特征(統(tǒng)計(jì)、能量、熵特征),最后應(yīng)用支持向量機(jī)(SVM)在快樂(lè)悲傷二分類(lèi)實(shí)驗(yàn)中達(dá)到92.68%的準(zhǔn)確率,驗(yàn)證了小波特征與多信號(hào)融合的有效性。(2)提出基于門(mén)...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 情緒誘發(fā)方法
        1.2.2 基于多生理信號(hào)的預(yù)處理
        1.2.3 基于多生理信號(hào)的特征提取
        1.2.4 基于多生理信號(hào)情緒識(shí)別的分類(lèi)算法
        1.2.5 存在問(wèn)題
    1.3 論文主要工作
        1.3.1 研究目標(biāo)及研究?jī)?nèi)容
        1.3.2 主要工作
    1.4 論文組織框架
    1.5 本章小結(jié)
第二章 基于多生理信號(hào)的情緒識(shí)別相關(guān)知識(shí)
    2.1 多生理信號(hào)介紹
        2.1.1 心電信號(hào)
        2.1.2 肌電信號(hào)
        2.1.3 皮電信號(hào)
    2.2 情緒相關(guān)知識(shí)
        2.2.1 情緒的定義
        2.2.2 情緒的分類(lèi)
    2.3 相關(guān)算法介紹
        2.3.1 支持向量機(jī)
        2.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第三章 基于小波變換的多生理信號(hào)情緒識(shí)別算法
    3.1 算法框架
    3.2 Bio Vid Emo DB數(shù)據(jù)庫(kù)
    3.3 預(yù)處理
        3.3.1 數(shù)據(jù)劃分
        3.3.2 信號(hào)去噪
    3.4 小波變換
    3.5 特征提取
        3.5.1 時(shí)域特征
        3.5.2 頻域特征
    3.6 特征選擇
    3.7 實(shí)驗(yàn)結(jié)果與分析
        3.7.1 實(shí)驗(yàn)參數(shù)設(shè)定
        3.7.2 SBFS-SVM有效性驗(yàn)證實(shí)驗(yàn)
        3.7.3 多信號(hào)融合實(shí)驗(yàn)
    3.8 本章小結(jié)
第四章 基于GRU-AE的多生理信號(hào)情緒識(shí)別算法
    4.1 算法框架
    4.2 自編碼器
    4.3 門(mén)控循環(huán)單元
    4.4 門(mén)控循環(huán)單元自動(dòng)編碼機(jī)
    4.5 特征降維
    4.6 實(shí)驗(yàn)結(jié)果與分析
        4.6.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.6.2 對(duì)比實(shí)驗(yàn)一:GRU-AE特征vs小波特征
        4.6.3 對(duì)比實(shí)驗(yàn)二:基于GRU-AE的特征融合vs基于GRU與AE的特征融合
        4.6.4 結(jié)論
    4.7 本章小結(jié)
第五章 基于多生理信號(hào)小波及深度特征分層融合的情緒識(shí)別算法
    5.1 算法框架
    5.2 分層融合策略
    5.3 Platt縮放
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)設(shè)計(jì)
        5.4.2 小波及深度特征融合有效性實(shí)驗(yàn)
        5.4.3 小波及深度特征分層融合框架有效性實(shí)驗(yàn)
        5.4.4 相關(guān)文獻(xiàn)對(duì)比實(shí)驗(yàn)
        5.4.5 結(jié)論
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3806893