第 1 章 情感估計問題與方法

為了構(gòu)建智能而和諧的人機(jī)交互環(huán)境、提高精神疾病的診斷精確性以及揭示人類情感心理生理的機(jī)制，從直接的觀測數(shù)據(jù)來檢測人體的情感狀態(tài)是關(guān)鍵的第一步[1–10]。人機(jī)交互領(lǐng)域中，能夠自動檢測個體情感狀態(tài)并與人進(jìn)行情感交流的計算機(jī)、機(jī)器人以及玩具等能夠提升人機(jī)交流的質(zhì)量，最大化用戶的愉悅感體驗[3–5, 11]，如麻省理工大學(xué)的可穿戴情感計算機(jī)，歐洲的感知成長機(jī)器人 Nao 以及索尼公司的 AIBO 狗等。精神疾病的診斷中，依賴于直接觀測的數(shù)據(jù)和技術(shù)設(shè)備來檢測病人情感狀態(tài)的方式可以輔助目前通常采用的問卷方法來診斷精神疾病，提供相對客觀、量化和自動的檢測結(jié)果[7, 8, 10]。此外，情感計算領(lǐng)域中發(fā)展出來的用于檢測人體情感的方法、模型以及結(jié)論能夠為其他領(lǐng)域的研究者們?nèi)ソ沂厩楦行睦砩淼臋C(jī)制提供有益的幫助，進(jìn)而增進(jìn)人類心理健康[2–4, 8, 12]。本章將陳述情感檢測中的情感估計問題和論文的具體思路，綜述以往解決情感估計的研究方法。首先，論文明確陳述情感估計問題以及論文的研究思路、主要結(jié)果和創(chuàng)新點。然后，論文簡要地綜述目前已有的多元線性回歸分析、偏最小二乘回歸、遺傳優(yōu)化的支持向量回歸、人工神經(jīng)網(wǎng)絡(luò)以及雙向長短時間記憶的神經(jīng)網(wǎng)絡(luò)方法。最后，給出論文的組織結(jié)構(gòu)。

......

第 2 章 實驗設(shè)計與數(shù)據(jù)采集系統(tǒng)

2.1 情感實驗設(shè)計

在解決情感估計問題時，人們最常用的情感模型是環(huán)形情感模型 (效價-喚醒度模型, Circumplex Model of Affects[7, 19, 84–87])。環(huán)形情感模型 (圖 4) 是情感的維度模型之一(因為基本情感的不統(tǒng)一分類和這些情感類別的漢語譯文怪異，所以圖中保留了英文名形式)， 以兩個獨立的神經(jīng)生理系統(tǒng)為基礎(chǔ) (欲望性和防御性環(huán)路)，是通過對被試所報告的情感詞匯、面部表情以及體驗等進(jìn)行多尺度因子分析而得到的，包含了效價 (Valence) 和喚醒度 (Arousal) 兩個維度 (對應(yīng)于其神經(jīng)生理系統(tǒng))[88]。效價維度表征情感的正、負(fù)性屬性，從負(fù)性到正性的變化；喚醒度維度表征情感的強(qiáng)烈程度屬性，從平靜到興奮的變化。每一情感狀態(tài)由其效價和喚醒度的值決定，在環(huán)形情感模型中占據(jù)一空間位置，例如，高興 (Happy) 被認(rèn)為是一種神經(jīng)系統(tǒng)的中等喚醒，并伴隨高的正性效價的情感狀態(tài)。

2.2 綜合數(shù)據(jù)采集系統(tǒng)
通過 60 次的測試，電擊按鈕和圖片開始呈現(xiàn)的時間誤差均值和標(biāo)準(zhǔn)差分別為 10.2105 毫秒和 0.5312毫秒。因此，論文認(rèn)為情感誘發(fā)圖片的播放、被試生理信號的采集以及面部視屏的監(jiān)控在誤差范圍內(nèi)是同步的。情感誘發(fā)實驗中，盡管采集了脈搏、皮膚電導(dǎo)以及心電這 3 路情感生理信號，但是論文僅基于皮膚電導(dǎo)信號來建模。對于皮膚電導(dǎo)信號的記錄，論文采用標(biāo)準(zhǔn)測試方式 (standardmethodology) 來采集信號[56, 95]。采集皮膚電導(dǎo)信號的低通濾波器設(shè)置我 10 Hz，高通濾波器設(shè)置為直流 (DC, 0Hz)，采樣率為 1000Hz。此外，還設(shè)置了 50Hz 的陷波濾波器來排除交流電的影響。情感評價的實驗程序中，除了實驗指導(dǎo)語的呈現(xiàn)外，同樣分為了實驗訓(xùn)練和正式實驗兩部分。實驗訓(xùn)練和正式實驗的過程和評價操作完全一樣，只是訓(xùn)練時候不記錄效價和喚醒度評分。正式實驗開始時候，，按照設(shè)計要求，被試根據(jù) SAM 量表來評價圖片所誘發(fā)的情感狀體，獲得并記錄效價和喚醒度得分。軟件系統(tǒng)為整合各個硬件、實現(xiàn)情感誘發(fā)和評價的實驗、獲得情感心理生理信號提供了高效的控制程序。

第 3 章 情感心理生理數(shù)據(jù)集 ........23

3.1 非線性曲線擬合..... 23 
3.2 數(shù)據(jù)擴(kuò)容...... 31 
3.3 討論.......35
3.4 小結(jié).....38
第 4 章 情感估計的高階多元多項式建模 ........39
4.1 高階多元多項式建模..... 39 
4.2 模型比較........... 55 
4.3 方法圖譜..........  68 
4.4 討論.......... 71
4.5 小結(jié) ..........  77
第 5 章 全文總結(jié) 78
5.1 研究結(jié)論........ 78
5.2 研究展望........ 80

第 4 章 情感估計的高階多元多項式建模

4.1 高階多元多項式建模

基于高階多元多項式建模的理論，論文設(shè)計了高階多元多項式建模的算法(圖 18)。 高階多元多項式建模的算法 (圖 18) 主要包括了三個部分：“尋找顯著模型的優(yōu)化回歸部分、尋找合適多項式函數(shù)階數(shù)的優(yōu)化函數(shù)部分以及實驗數(shù)據(jù)集上的模型驗證部分�！� 算法開始后，首先，以論文的仿真數(shù)據(jù)集 (附錄 表 20) 為起點，選擇其增益和衰減時間常數(shù)兩列為算法的自變量，選擇效價或喚醒度列 (V 或 A) 為算法的因變量，設(shè)置初始多項式函數(shù)為 1-階多元多項式，矩陣奇異值準(zhǔn)則，預(yù)設(shè)一個多元多項式的最高階數(shù)M。其次，算法進(jìn)入多元多項式回歸，對回歸所得結(jié)果進(jìn)行模型顯著性和模型所含項的顯著性的t-檢驗。如果存在不顯著項，則去掉最小的不顯著項后從新執(zhí)行多元多項式回歸，直至模型的所有項都顯著才進(jìn)入存儲模型結(jié)果以及將階數(shù) p 增高一階。判斷新的階數(shù)是否超過預(yù)先設(shè)定的最高階數(shù) M，如果小于此最高階數(shù)，則以此新階數(shù)為階的多項式函數(shù)作為模型函數(shù)，返回到多元多項式回歸步驟，再尋找新階數(shù)下的顯著模型，直至多項式的階數(shù)超過最高階數(shù)。以各個顯著模型的 Index 為準(zhǔn)，選擇具有最大 Index 的模型作為算法的最優(yōu)模型。然后，選擇實驗數(shù)據(jù)集的對應(yīng)數(shù)據(jù)列作為算法的驗證集合，對所獲得的最優(yōu)模型進(jìn)行驗證，得到衡量和評價最優(yōu)模型的模型表現(xiàn)：“相關(guān)系數(shù)、均方誤差以及指數(shù)。” 最后，結(jié)束算法。

4.2 模型比較

以仿真數(shù)據(jù)集和實驗數(shù)據(jù)集為共同基礎(chǔ)，本節(jié)主要是將所獲得的情感高階多元多項式模型與應(yīng)用已有研究方法所獲得的模型進(jìn)行比較。近十年來已有一些研究提出了一些方法來處理情感估計問題，比如：多元線性回歸 (MLR) 方法、偏最小二乘回歸 (PLSR) 方法、遺傳算法優(yōu)化的支持向量回歸 (GA-SVR) 方法、人工神經(jīng)網(wǎng)絡(luò) (ANN) 方法以及雙向長短期記憶的人工神經(jīng)網(wǎng)絡(luò)方法 (LSTM-NNs)[47–53]，其中多元線性回歸和偏最小二乘回歸方法獲得系統(tǒng)的線性模型，其余方法獲得系統(tǒng)的非線性模型 (各自方法處理非線性能力和方法的難易程度有所不同)。這些方法針對其具體問題都取得了相對較好的成果，并且為論文的開展奠定了良好的基礎(chǔ)。鑒于上述各個方法的適用背景有所不同，下面主要將高階多元多項式模型與多元線性回歸模型、偏最小二乘模型、支持向量回歸模型以及人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比。結(jié)果表明：“高階多元多項式建模方法 (HMPR) 能夠在模型直觀性和計算精確性間取得良好平衡�！�
.....

第 5 章 全文總結(jié)

5.1 研究結(jié)論

情感生理心理系統(tǒng)無疑是復(fù)雜的非線性系統(tǒng)，并且其復(fù)雜的神經(jīng)生理機(jī)制目前仍沒能得到很好的揭示。在人工智能領(lǐng)域、人機(jī)交互領(lǐng)域、精神疾病診斷和治理以及情感心理生理機(jī)制研究中，弄明白產(chǎn)生觀測信號的生理結(jié)構(gòu)是如何決定情感維度的情感估計問題，或依賴于直接的觀測數(shù)據(jù)來估計連續(xù)情感狀態(tài)的問題本身非常重要，而且在開發(fā)可穿戴的情感智能設(shè)備中，情感估計的可計算模型具有核心的地位。近十年來，對于解決情感估計問題，多元線性回歸分析方法、偏最小二乘回歸方法、遺傳優(yōu)化的支持向量回歸方法、人工神經(jīng)網(wǎng)絡(luò)方法以及雙向長短時間記憶的神經(jīng)網(wǎng)絡(luò)方法都已被提出。這些方法在解決他們對應(yīng)的具體問題時都取得了相對較好的效果，為更好地解決情感估計問題提供了良好基礎(chǔ)。但是，目前，還沒有一種能夠在模型計算精確性和直觀性之間取得良好平衡的方法。為進(jìn)一步提高估計情感的模型預(yù)測精度、簡化模型形式、增強(qiáng)模型實用性，論文引入了高階多元多項式建模的新穎方法作為情感估計方法學(xué)的重要補(bǔ)充。

5.2 研究展望

開發(fā)情感測量的區(qū)間標(biāo)尺或比例標(biāo)尺：研究情感的中樞屬性，希望開發(fā)情感測試的區(qū)間或比例標(biāo)尺，為實時而精確的測量情感心理狀態(tài)提供幫助。這或許是最為困難的問題了，但也是最有意義的，因為如果能夠以區(qū)間標(biāo)尺或比例標(biāo)尺來測量心理狀態(tài)的話，描述心理過程以及過程間的關(guān)系或許就可進(jìn)步到動力系統(tǒng)模型的成面上，揭示他們的系統(tǒng)規(guī)律。論文采用開發(fā)國際情感圖片數(shù)據(jù)庫的開發(fā)者所用量表 (SAM) 來測量被試的情感狀態(tài)，獲得效價和喚醒度的等級評分。事實上，目前流行的等級評分量表所能獲得數(shù)據(jù)是順序標(biāo)尺 (有等級、高低以及大小之區(qū)分，但是不具有等區(qū)間性，即情感狀態(tài)的 9分與 8 分之間的差距所代表的心理意義實際上是不等同于情感狀態(tài)的 2 分與1 分之間的差距所代表的心理意義)，而不是區(qū)間標(biāo)尺 (既具有順序，又具有等區(qū)間性質(zhì))。理論上，順序標(biāo)尺是不能做平均的，只有區(qū)間標(biāo)尺或比例標(biāo)尺 (比區(qū)間標(biāo)尺多一個絕對零) 才能做平均。目前，心理測量中，絕大多數(shù)量表也都盡量的想解決這一問題；獲得的等級評分基本上、粗略地被認(rèn)為是區(qū)間標(biāo)尺。伴隨科技的進(jìn)步、人腦機(jī)制的越來越深刻的被解釋，論文也希望能夠開發(fā)情感測量的區(qū)間標(biāo)尺或比例標(biāo)尺。

......

參考文獻(xiàn)（略）

本文編號：234768