發(fā)布時間：2017-03-20 10:15

  本文關(guān)鍵詞：基本情感生理信號的非線性特征提取研究，由筆耕文化傳播整理發(fā)布。

【摘要】：情感識別是情感計算中最為基礎(chǔ)與核心問題之一。與面部表情、語音等外顯生理指標(biāo)相比,生理信號能夠更加真實、客觀的反應(yīng)用戶內(nèi)心的體驗,因此基于生理信號的情感識別受到研究者的廣泛關(guān)注。以往基于生理信號的情感識別主要是基于生理信號在時域或頻域上的統(tǒng)計特征,很少關(guān)注生理信號的非線性特性。為了進一步擴展前人的研究工作,本文主要考察了以生理信號的非線性特征為基礎(chǔ)的情感識別任務(wù)。本人所開展的研究工作以及主要結(jié)論有：(1)針對獲取情感生理信號較為困難的問題,采用了“回憶”的實驗范式來誘發(fā)被試的情感,并采用BIOPAC MP150采集被試的皮膚電(GSR)和心率(HR)兩路生理信號。該范式的特點是,通過“回憶”的方法采集被試對目標(biāo)情感誘發(fā)效果的評價,獲得被試對目標(biāo)情感誘發(fā)與否以及誘發(fā)強度的內(nèi)在情緒體驗。通過e該實驗采集了200人次的生理信號,最終提取的有效數(shù)據(jù)為：高興96個,悲傷87個,憤怒36個,恐懼59個。(2)為了能夠提取皮膚電和心率的非線性特征,首先需要確定這兩路生理信號具有非線性特性。本文采用替代數(shù)據(jù)法生成各類情感生理信號時間序列的替代數(shù)據(jù),采用時間反轉(zhuǎn)不可逆量T1和高階自相關(guān)函數(shù)T2作為統(tǒng)計檢驗的特征項,檢驗原始數(shù)據(jù)和替代數(shù)據(jù)是否差異顯著。結(jié)果顯示四種情感的GSR和HR信號均差異顯著。由此證明皮膚電和心率信號具有非線性特性。(3)針對具有非線性特性的皮膚電和心率信號,采用多種非線性數(shù)據(jù)值分析方法提取情感生理信號的非線性特征。這些數(shù)據(jù)分析方法和提取特征分別是：相空間重構(gòu),采用C-C方法計算嵌入維和延遲時間,采用Wolf方法計算最大Lyapunov指數(shù),采用GP算法計算關(guān)聯(lián)維,采用改進的Lempel-Ziv復(fù)雜度計算方法計算一階和二階Lempel-Ziv復(fù)雜度,計算一階和二階近似熵,采用移動平均算法計算多重分形譜以及相應(yīng)的譜特征,采用遞歸定量分析計算一系列關(guān)于遞歸圖的特征,計算心率的龐加萊圖以及相應(yīng)的圖特征。最后采用主成份分析(PCA)對以上提取的45組非線性特征進行了降維處理,最后得到10個主要特征用于后期分類。(4)針對最初采集的數(shù)據(jù)集不均衡的問題(高興96個,悲傷87個,憤怒36個,恐懼59個),在經(jīng)典模糊支持向量機FSVM的基礎(chǔ)上,提出了針對非平衡數(shù)據(jù)集的模糊支持向量機的算法-——IBFSVM。該算法主要是將代價敏感的思想融入到隸屬度函數(shù)的設(shè)計中,從而有效提高少數(shù)類的分類精度。通過在3個人工數(shù)據(jù)集和6個UCI數(shù)據(jù)集上的運行,比較了經(jīng)典的SVM算法(C_SVM)、傳統(tǒng)的模糊支持向量機(FSVM)和基于非平衡數(shù)據(jù)集的IBFSVM,結(jié)果顯示在正負(fù)類樣本相差不大的情況,IBFSVM的性能與C_SVM和FSVM相差不大,隨著正負(fù)類不平衡比逐漸增加,IBFSVM算法的優(yōu)越性逐漸體現(xiàn)出來。在不平衡比為為39.55的Abanole數(shù)據(jù)集,IBFSVM在少數(shù)類的識別率為78.25%,而C_SVM和FSVM分別為5.16%和5.79%�？梢娫谏贁�(shù)類和多數(shù)類樣本數(shù)量差異較大的情況下,IBFSVM能顯著提高少數(shù)類的分類性能,從而提高數(shù)據(jù)集的整體分類性能。采用IBFSVM對四種情感進行分類,分別得至(?)g-mean值為：高興97.33%,悲傷94.18%,恐懼87.9%,憤怒83.51%。(5)以IBFSVM算法為基礎(chǔ),比較傳統(tǒng)的統(tǒng)計特征和非線性特征在識別性能上的差異。結(jié)果顯示非線性特征獲得了更好的識別精度。在高興情緒的識別率上,統(tǒng)計特征是80%,非線性特征是97.33%；在悲傷情緒的識別率上,統(tǒng)計特征是77.41%,非線性特征是94.18%；在憤怒情緒的識別上,統(tǒng)計特征是78.76%,非線性特征是83.51%；在恐懼情緒的識別上,統(tǒng)計特征是80.1%,非線性特征是87.9%。
【關(guān)鍵詞】：情感識別 生理信號 情感誘發(fā)實驗設(shè)計 非線性特征 IBFSVM算法
【學(xué)位授予單位】：西南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：B842.6;TN911.7
【目錄】：

• 中文摘要10-12
• Abstract12-14
• 第1章 引言14-28
• 1.1 情感計算與情感識別14-19
• 1.1.1 情感計算14-16
• 1.1.2 情感識別16-19
• 1.2 基于生理信號情感識別的現(xiàn)狀19-24
• 1.3 非線性數(shù)值分析方法在生理信號上的應(yīng)用24-25
• 1.4 論文的主要研究內(nèi)容、組織結(jié)構(gòu)和主要創(chuàng)新點25-28
• 1.4.1 論文的主要研究內(nèi)容25-26
• 1.4.2 論文的結(jié)構(gòu)26-27
• 1.4.3 論文的創(chuàng)新點27-28
• 第2章 情感生理信號的采集和預(yù)處理28-44
• 2.1 情感生理信號采集的實驗協(xié)議28-34
• 2.1.1. 被試的篩選28
• 2.1.2. 實驗誘發(fā)的目標(biāo)情感28
• 2.1.3. 情感誘發(fā)素材的選擇28-29
• 2.1.4. 采集多路生理信號29
• 2.1.5. 回憶的實驗范式29-31
• 2.1.6. 情感體驗量表31-33
• 2.1.7. 實驗流程33-34
• 2.2 采集皮膚電和心電34-37
• 2.2.1. 選擇皮膚電和心電信號和的原因34-35
• 2.2.2 皮膚電的采集35
• 2.2.3 心電的采集35-37
• 2.3 皮膚電信號和心電信號的預(yù)處理37-39
• 2.3.1. 皮膚電去噪與歸一化37
• 2.3.2. 心電去噪和R波檢測37-39
• 2.4 截取與情感對應(yīng)的生理信號39-42
• 2.5 本章小結(jié)42-44
• 第3章 替代數(shù)據(jù)法檢驗心率和皮膚電的非線性特性44-58
• 3.1 替代數(shù)據(jù)法的基本原理44-46
• 3.1.1. 零假設(shè)44-45
• 3.1.2. FT算法與AAFT算法45-46
• 3.1.3. 統(tǒng)計檢驗量46
• 3.1.4. 檢驗統(tǒng)計量是否差異顯著46
• 3.2 采用替代數(shù)據(jù)法檢驗已知數(shù)據(jù)46-50
• 3.3 采用替代數(shù)據(jù)法檢驗四種情感生理信號50-56
• 3.4 本章小結(jié)56-58
• 第4章 非線性分析方法提取非線性特征58-92
• 4.1 相空間重構(gòu)和C_C方法58-60
• 4.2 計算最大LYAPUNOV指數(shù)60-62
• 4.3 GP算法計算關(guān)聯(lián)維62-63
• 4.4 復(fù)雜度的計算63-73
• 4.4.1 Lempel-Ziv復(fù)雜度63-64
• 4.4.2 加窗Lempel-Ziv復(fù)雜度64-67
• 4.4.3 多尺度Lempel-Ziv復(fù)雜度67-69
• 4.4.4 二階Lemple-Ziv復(fù)雜度69-71
• 4.4.5 近似熵和二階近似熵71-72
• 4.4.6 計算四種情緒的復(fù)雜度72-73
• 4.5 多重去趨勢波動分析和多重分形譜73-81
• 4.5.1 經(jīng)典的多重去趨勢波動分析(MF-DFA)算法73-75
• 4.5.2 移動平均算法計算多重分形75-80
• 4.5.3 采用CMA算法計算四種情緒的多重分形特性80-81
• 4.6 遞歸圖和遞歸下降分析81-85
• 4.6.1 遞歸圖81-82
• 4.6.2 遞歸定量分析82-84
• 4.6.3 采用遞歸定量分析計算情感生理信號的特征84-85
• 4.7 HR的龐加萊圖85-87
• 4.8 采用PCA進行特征降維87-90
• 4.9 本章小結(jié)90-92
• 第5章 基于非平衡數(shù)據(jù)分類的情感識別92-116
• 5.1 標(biāo)準(zhǔn)支持向量機(C-SVM)92-93
• 5.2 模糊支持向量機(FSVM)93-96
• 5.3 非平衡數(shù)據(jù)集分類的相關(guān)問題96-100
• 5.4 設(shè)計基于非平衡數(shù)據(jù)集的模糊支持向量機100-105
• 5.4.1 類別補償模糊因子的設(shè)計100-103
• 5.4.2 去噪模糊因子的設(shè)計103-104
• 5.4.3 算法步驟104-105
• 5.5 基準(zhǔn)數(shù)據(jù)集上的實驗105-109
• 5.6 采用IBFSVM識別四種情感的生理數(shù)據(jù)109-111
• 5.7 統(tǒng)計特征和非線性特征在分類性能上的比較111-114
• 5.8 本章小結(jié)114-116
• 第6章 小結(jié)和展望116-118
• 6.1 小結(jié)116-117
• 6.2 展望117-118
• 參考文獻118-134
• 致謝134-136
• 讀博期間發(fā)表的論文136-138
• 讀博期間參加的科研項目138

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 謝紀(jì)剛;裘正定;;非平衡數(shù)據(jù)集Fisher線性判別模型[J];北京交通大學(xué)學(xué)報;2006年05期

2 張雨;任成龍;;確定重構(gòu)相空間維數(shù)的方法[J];國防科技大學(xué)學(xué)報;2005年06期

3 劉立霞;馬軍海;;中國小麥期貨市場的非線性檢驗[J];中國農(nóng)機化;2009年02期

4 宋亦旭,賈培發(fā);基于人工情感的擬人機器人控制體系結(jié)構(gòu)[J];機器人;2004年06期

5 曹淑娟;劉小茂;張鈞;劉振丙;;基于類中心思想的去邊緣模糊支持向量機[J];計算機工程與應(yīng)用;2006年22期

6 吳學(xué)奎;任立紅;丁永生;吳怡之;;面向智能服裝的多生理信息融合的情緒判別[J];計算機工程與應(yīng)用;2009年33期

7 徐琳宏;林鴻飛;;認(rèn)知視角下的文本情感計算[J];計算機科學(xué);2010年12期

8 閔華松;劉冬;王田苗;;智能機器狗的語音控制模型研究[J];計算機工程;2012年01期

9 楊志安，，王光瑞，陳式剛;用等間距分格子法計算互信息函數(shù)確定延遲時間[J];計算物理;1995年04期

10 劉燁;付秋芳;傅小蘭;;認(rèn)知與情緒的交互作用[J];科學(xué)通報;2009年18期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 劉萬里;支持向量機中若干問題及應(yīng)用研究[D];西安電子科技大學(xué);2008年

2 孫榮榮;房性心律失常識別和房顫自發(fā)終止預(yù)測研究[D];復(fù)旦大學(xué);2009年

3 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(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 眭燁;替代數(shù)據(jù)及其應(yīng)用[D];華東師范大學(xué);2011年

2 朱朝暉;虛擬教育環(huán)境中的合成人物及其情緒研究[D];浙江大學(xué);2005年

3 周鈺婷;皮膚電信號的情感特征提取及分類識別研究[D];西南大學(xué);2012年

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

5 王艷超;基于TM_EMD的脈搏信號多模態(tài)特征情感識別方法[D];山東大學(xué);2013年

  本文關(guān)鍵詞：基本情感生理信號的非線性特征提取研究，由筆耕文化傳播整理發(fā)布。

本文編號：257625