本文關(guān)鍵詞：基于智能移動終端觸屏行為的情緒識別研究

  更多相關(guān)文章： 情緒識別 人機交互 觸屏行為 特征選擇 情緒誘導

【摘要】：當今是一個互聯(lián)網(wǎng)高速發(fā)展的信息時代,智能移動終端已經(jīng)被廣泛應用于我們的日常生活中,成為了HCI(人機交互)的一種新的形式。很多應用都紛紛從臺式機遷移到基于觸屏的智能移動終端上。隨著用戶要求持續(xù)提升智能移動終端應用的交互體驗,使我們提出了一個問題:能否通過基于智能移動終端的觸屏行為來感知用戶情緒。這項研究不僅對移動終端應用開發(fā)者是一個有價值的評估指標,同時也能成為應用的一種實時個性化服務(wù)。本文以用戶在使用智能終端時的滑屏行為為出發(fā)點,首先從理論上討論了滑屏行為識別情緒的可行性�；谶@種可行性,本文通過設(shè)計相關(guān)的數(shù)據(jù)收集實驗,并定義了一組對滑屏行為的描述特征,由此構(gòu)建分類器來自動地區(qū)別情緒。完成的主要研究工作如下:首先,本文研究了滑屏行為數(shù)據(jù)的獲取技術(shù),利用結(jié)合IADS-2的Android的拼圖游戲獲取實驗數(shù)據(jù)。通過獲取的數(shù)據(jù)改進了描述滑屏行為的特征,提出了間隔時間特征。最后使用判別分析法對特征進行相關(guān)性分析。其次,結(jié)合ReliefF特征選擇算法和ANN、SVM分類算法構(gòu)建了ReliefF-ANN和ReliefF-SVM分類模型,以此來自動地區(qū)分四種情緒類別(輕松、興奮、煩躁和無聊),以及兩層愉悅度和兩層喚醒度。分類效果表明,基于本文提取出的特征能夠較為準確地識別情緒分類。同時基于ReliefF特征選擇的分類算法比傳統(tǒng)的分類算法在識別率上有了一定的提高。最后考慮性別因素,在性別和情緒兩種因素下對樣本特征進行分析,分析結(jié)果表明,長度和壓力特征對于不同性別下的情緒識別有著相似的影響,而速度和時間間隔特征受到性別的影響則較大�？紤]性別因素后的數(shù)據(jù)樣本具有多個標簽,傳統(tǒng)的單標簽分類算法不能夠滿足分類要求,因此提出了多標簽分類算法。本文使用基于java的多標簽分類工具mulan對數(shù)據(jù)樣本進行了分類,并給出了相關(guān)評價指標。本文情緒識別的仿真實驗模型的建立對于后續(xù)的實際應用具有重要作用。
【關(guān)鍵詞】：情緒識別 人機交互 觸屏行為 特征選擇 情緒誘導
【學位授予單位】：重慶郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN929.53;TP11
【目錄】：

• 摘要3-4
• Abstract4-11
• 注釋表11-12
• 第1章 引言12-20
• 1.1 研究背景12-15
• 1.1.1 智能設(shè)備的飛速發(fā)展12-13
• 1.1.2 情緒13-14
• 1.1.3 情緒識別14-15
• 1.2 研究意義15
• 1.3 研究現(xiàn)狀15-18
• 1.4 研究目標和主要內(nèi)容18-19
• 1.4.1 研究目標18
• 1.4.2 研究內(nèi)容18-19
• 1.5 論文組織結(jié)構(gòu)19-20
• 第2章 背景理論20-23
• 2.1 社會科學環(huán)境下通過觸摸感知情緒20
• 2.2 觸摸作為情緒識別方式的人機交互20-21
• 2.3 智能觸屏設(shè)備反應情緒觸摸的特征行為21-22
• 2.4 本章小結(jié)22-23
• 第3章 數(shù)據(jù)收集和相關(guān)性分析23-36
• 3.1 問卷調(diào)查23-24
• 3.2 應用的選擇24-27
• 3.2.1 觸屏設(shè)備24
• 3.2.2 基于Android平臺的應用選擇24-26
• 3.2.3 情緒誘導26-27
• 3.3 數(shù)據(jù)收集27-28
• 3.3.1 實驗內(nèi)容27
• 3.3.2 實驗被試27
• 3.3.3 實驗平臺27-28
• 3.4 特征提取28-29
• 3.5 數(shù)據(jù)分析29-35
• 3.5.1 判別分析31-32
• 3.5.2 結(jié)果分析32-35
• 3.6 本章小結(jié)35-36
• 第4章 基于智能移動終端觸屏行為的情緒識別算法36-45
• 4.1 Relief F特征選擇算法36-38
• 4.2 ANN和SVM分類算法38-40
• 4.2.1 ANN分類算法38-39
• 4.2.2 SVM分類算法39-40
• 4.3 Relief F-ANN算法和ReliefF-SVM算法40-43
• 4.3.1 Relief F-ANN算法40-42
• 4.3.2 Relief F-SVM算法42-43
• 4.4 分類結(jié)果與分析43-44
• 4.5 本章小結(jié)44-45
• 第5章 性別對情緒識別的影響和多標簽分類45-52
• 5.1 性別對情緒識別的影響45-48
• 5.2 多標簽分類算法48-49
• 5.2.1 問題轉(zhuǎn)換法48-49
• 5.2.2 算法適應法49
• 5.3 分類平臺和結(jié)果分析49-51
• 5.3.1 mulan49-50
• 5.3.2 結(jié)果分析50-51
• 5.4 本章小結(jié)51-52
• 第6章 總結(jié)與展望52-54
• 6.1 工作總結(jié)52-53
• 6.2 工作展望53-54
• 參考文獻54-59
• 致謝59-61
• 攻讀碩士學位期間從事的科研工作及取得的成果61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 婁彥磊;;智能手機操作系統(tǒng)發(fā)展現(xiàn)狀及前景展望[J];電子技術(shù)與軟件工程;2015年15期

2 王海鶴;陸捷榮;詹永照;毛啟容;;基于增量流形學習的語音情感特征降維方法[J];計算機工程;2011年12期

3 朱遠楓;章晶;史娜;;基于改進的ReliefF算法的神經(jīng)網(wǎng)絡(luò)集成分類模型[J];電腦知識與技術(shù);2009年07期

，

本文編號：1038253