本文關(guān)鍵詞：基于高光譜成像的負性情感識別

  更多相關(guān)文章： 面部血氧圖 負性情感 情感識別 Beer-Lambert law 光學模型算法

【摘要】：傳統(tǒng)的生理信號情感識別主要是通過分析皮膚電、心電、呼吸等信號來實現(xiàn),屬于直接性測量,在應(yīng)用上會帶來不便之處。本文提出的基于高光譜成像技術(shù)的遠距離檢測方法能夠非接觸地提取被試的生理信號。經(jīng)研究表明,由高光譜相機檢測出的面部血氧濃度(StO2)隨著人類情感變化會產(chǎn)生較為顯著的差異,其原因是StO2濃度值與當前情感狀態(tài)密切相關(guān),依然有著客觀準確性。本文對采用高光譜技術(shù)識別人類負性情感的若干問題進行了較為深入的研究,并對情感識別過程中使用到的兩種不同的血氧濃度計算方法做了比較,就人臉面部血氧濃度與人類當前情緒狀態(tài)間的關(guān)系做了相應(yīng)解讀。在經(jīng)過嚴格實驗之后,得到了相對精確的結(jié)果并進行了總結(jié)與分析,最后由實驗結(jié)果來對理論依據(jù)做出驗證。具體工作與結(jié)論如下：(1)制定信號采集方案并調(diào)試相應(yīng)的實驗儀器。從IAPS(國際情感圖片庫)中選取能夠激發(fā)被試偏負性情感以及維持被試情緒穩(wěn)定的兩類圖片,在一定順序規(guī)定的情況下逐一對被試展示,中途被試會有相應(yīng)的休息時間來調(diào)整情緒。同時在實驗過程中要保證被試受到均勻的光照才能夠成功達到拍攝效果,而且在拍攝期問被試還需保持靜止,同時將相機的轉(zhuǎn)動速度、角度、焦距以及一系列參數(shù)做合理調(diào)整,直到被拍攝物體清晰可見。(2)初步建立血氧濃度情感樣本庫。從20名被試當中采集其在平靜狀態(tài)以及負面狀態(tài)下的面部血氧濃度,并將誘發(fā)對比度較明顯區(qū)域的濃度值記錄下來,從而得到不同被試在兩種情緒狀態(tài)下的區(qū)域血氧濃度,最終建立樣本庫。研究結(jié)果表明：被試在受到不同的情感刺激并產(chǎn)生負性和平靜的情感狀態(tài)后,其面部血氧濃度會根據(jù)該情感發(fā)生一系列的變化,尤其在負性情感狀態(tài)下血氧濃度會得到顯著提升。同時面部的不同區(qū)域當中對情感狀態(tài)的相應(yīng)程度也不一樣,負性情感主要會在面頰(人眼下方)部位引起最明顯的血氧濃度變化,所以最終選取面頰來作為平均血氧濃度的計算區(qū)域。(3)比較血氧濃度計算方法。采用基于Beer-Lambert law的一層模型算法和二層光學皮膚模型的兩種算法來計算手掌血氧信息,發(fā)現(xiàn)用一層皮膚模型計算出選定區(qū)域內(nèi)的面部血氧濃度準確性和效率更高。(4)不同情感狀態(tài)下的血氧濃度矩陣的統(tǒng)計檢驗。在選取特定區(qū)域并計算出該區(qū)域的平均血氧濃度之后,將其分為中性情感和負性情感兩類,對其作T檢驗來驗證血氧濃度與情感狀態(tài)的關(guān)系,并由此得出人在負性情感的狀態(tài)下面部血氧濃度會相對受到提升的結(jié)論。綜上分析,人類的面部血氧濃度是可以用來鑒別當前是否處于平靜或者負性情感狀態(tài)的一個依據(jù),對情感識別的模型有著一定的幫助。
【關(guān)鍵詞】：面部血氧圖 負性情感 情感識別 Beer-Lambert law 光學模型算法
【學位授予單位】：西南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：B842.6;TN911.7
【目錄】：

• 摘要5-7
• Abstract7-9
• 第一章 引言9-15
• 1.1 研究背景及意義9-12
• 1.2 論文具體工作12
• 1.3 論文的整體結(jié)構(gòu)12-15
• 第二章 高光譜成像與血氧理論基礎(chǔ)15-19
• 2.1 高光譜理論基礎(chǔ)15-17
• 2.1.1 高光譜成像15-16
• 2.1.2 高光譜情感識別的優(yōu)勢16-17
• 2.2 血氧理論基礎(chǔ)17-18
• 2.3 小結(jié)18-19
• 第三章 反射率轉(zhuǎn)換與血氧濃度算法19-29
• 3.1 反射率轉(zhuǎn)換19-20
• 3.2 一層皮膚模型20-24
• 3.3 二層光學皮膚模型24-27
• 3.3.1 模型原理24-25
• 3.3.2 模型計算方法25-27
• 3.4 小結(jié)27-29
• 第四章 實驗方案設(shè)計與實驗過程29-39
• 4.1 實驗方案介紹29-38
• 4.1.1 實驗儀器原理29-30
• 4.1.2 實驗參數(shù)調(diào)節(jié)30-35
• 4.1.3 實驗過程設(shè)計35-38
• 4.2 小結(jié)38-39
• 第五章 數(shù)據(jù)采集與結(jié)果分析39-47
• 5.1 實驗數(shù)據(jù)采集39-40
• 5.2 算法選擇40-41
• 5.3 基于面部血氧濃度的負性情感識別41-46
• 5.4 小結(jié)46-47
• 第六章 總結(jié)與展望47-49
• 6.1 總結(jié)47
• 6.2 展望47-49
• 參考文獻49-53
• 致謝53-55
• 附錄55-59
• 攻讀碩士期間發(fā)表的論文59-61
• 攻讀碩士期間參與的項目61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 王海寧;孫守遷;吳劍鋒;;基于混合智能優(yōu)化算法的生理信號情感識別[J];電信科學;2010年09期

2 韓玉芹 ,雍德卿;脈沖血氧定量法原理及運動期間脈沖血氧計測定值的精確度[J];國外醫(yī)學(物理醫(yī)學與康復學分冊);1995年01期

3 劉燁;付秋芳;傅小蘭;;認知與情緒的交互作用[J];科學通報;2009年18期

4 溫萬惠;邱玉輝;劉光遠;程南璞;黃希庭;;情感生理反應(yīng)樣本庫的建立與數(shù)據(jù)相關(guān)性分析[J];中國科學:信息科學;2011年01期

5 郝勇;朗伯－比爾定律在定量計算中的活用[J];數(shù)理醫(yī)藥學雜志;1996年04期

6 劉燁;陶霖密;傅小蘭;;基于情緒圖片的PAD情感狀態(tài)模型分析[J];中國圖象圖形學報;2009年05期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 趙臘生;語音情感特征提取與識別方法研究[D];大連理工大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 劉敏;基于改進遺傳算法的最優(yōu)潮流問題的研究[D];中南大學;2010年

，

本文編號：567849