發(fā)布時間：2020-03-23 20:02

【摘要】：情感是人類的一種復(fù)雜心理和生理現(xiàn)象,情感滲透進了人類生存和生活的方方面面,通過生理信號進行情感計算的研究目的是為了通過對生理信號進行分析從而識別人們的情感狀態(tài)。本文的主要創(chuàng)新點可以概括為以下幾個方面:(1)用希爾伯特黃變換方法提取腦電信號時頻域特征,隨后通過高斯核函數(shù)支持向量機方法對特征進行情感分類識別研究。具體的過程是,首先我們用經(jīng)驗?zāi)B(tài)分解法對原始腦電信號進行分解,隨后對本征模函數(shù)按照不同的時長進行時間窗口劃分,隨后提取窗口內(nèi)信號的功率譜作為生理特征。在對生理特征進行情感分類階段,用高斯核函數(shù)支持向量機的方法進行分類識別。將此方法用在DEAP數(shù)據(jù)集上進行驗證發(fā)現(xiàn),我們的方法對應(yīng)的情感分類精度比之前的研究和其它基線方法的分類精確度更高。同時,對不同個體被試的情感分類結(jié)果進行對比分析發(fā)現(xiàn)不同被試對于相同的刺激產(chǎn)生的情感是有差別的;同時,通過對同一被試不同頻段腦電信號對應(yīng)的情感分類精確度進行對比分析發(fā)現(xiàn),在清醒狀態(tài)下,被試腦電信號高頻率子波提取出的生理特征對應(yīng)的情感分類準(zhǔn)確度比低頻子波對應(yīng)的分類精確度更高。(2)提出了腦電信號多維度特征的平面融合方法,以及相對應(yīng)的平面特征提取方法和情感分類識別方法。腦電信號的多維度特征包括頻域維度特征、空間維度特征和時間維度特征。腦電多維度特征平面融合方法包含三個步驟:第一步,提取不同時間窗口內(nèi)腦電信號在不同測試電極的頻域特征;第二步,通過我們提出的映射方法,將頻域特征按照腦電電極空間分布規(guī)律映射成一個二維圖片;第三步,根據(jù)時間窗口的先后順序?qū)⑸傻亩S圖片進行排列,從而形成一個圖片序列來表現(xiàn)腦電信號在不同刺激狀態(tài)下的特征。腦電多維度特征的提取方法采用了深度卷積神經(jīng)網(wǎng)絡(luò)進行特征的自動提取,提取出的特征通過LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)進行情感分類識別。文中將深度卷積神經(jīng)網(wǎng)絡(luò)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)進行融合,形成了一個混合深度神經(jīng)網(wǎng)絡(luò)。模型驗證階段采用DEAP數(shù)據(jù)集作為訓(xùn)練集、測試集和驗證集進行訓(xùn)練。為了增加訓(xùn)練樣本,我們采用了向原有圖像訓(xùn)練集添加噪聲的方法將原有的圖像集進行了擴展。通過對比情感識別精確度,結(jié)果說明本文提出的方法有效。對于實驗結(jié)果的分析發(fā)現(xiàn),以3秒鐘為時長窗口生成的腦電特征序列對應(yīng)了較高的情感分類準(zhǔn)確率;其次,腦電特征幀中FP1點和FP2點的細節(jié)變化對于整個情感分類準(zhǔn)確率的影響較大。(3)對于通過多模態(tài)生理信號進行情感識別的研究,本文提出了一種用棧式自編碼神經(jīng)網(wǎng)絡(luò)的方法對多模態(tài)生理特征進行信息融合和信息壓縮。在特征融合階段,首先提取不同模態(tài)生理信號的頻域特征作為原始生理特征,隨后對不同模態(tài)的特征進行拼接,對拼接后的特征通過棧式自編碼神經(jīng)網(wǎng)絡(luò)進行信息壓縮和特征融合;對融合特征本文采用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)對其進行情感分類識別。結(jié)果發(fā)現(xiàn),多模態(tài)融合特征的對應(yīng)的情感分類識別準(zhǔn)確率比單模態(tài)特征情感分類識別準(zhǔn)確率要高。說明通過多模態(tài)生理特征融合方法得到了更加豐富的情感分類特征,特征融合的方法是有效的。(4)本文設(shè)計了一個基于可穿戴腦電采集設(shè)備和智能移動設(shè)備的腦電信號采集系統(tǒng),主要的功能是用來記錄被試長周期實驗過程中的腦電信號和POMS量表。隨后,將腦電信號的相關(guān)特征與POMS量表的相關(guān)指標(biāo)進行關(guān)聯(lián)分析,以期發(fā)現(xiàn)人們在無刺激狀態(tài)下通過腦電信號反映出來的精神變化。實驗一共采集了8個被試7天的靜息態(tài)腦電信號,通過關(guān)聯(lián)分析得到腦電特征與POMS量表分量之間的Pearson相關(guān)系數(shù)。實驗結(jié)果表明前額葉FP_1位置點的腦電信號與POMS情緒狀態(tài)量表的情緒分量之間存在顯著相關(guān)關(guān)系。例如,憤怒分量與腦電特征之間呈現(xiàn)出了顯著正相關(guān)的關(guān)系,自我分量有4個出現(xiàn)顯著的負相關(guān),而其它的分量并沒有出現(xiàn)顯著相關(guān)。
【圖文】：

維度情感空間中進行了映射，例如在二維情感空間中，“快樂”屬于高喚醒度，高正效價的情感，而“悲傷”則屬于低喚醒度，高負效價的情感。迄今為止，研究者依據(jù)對情感的不同認識提出了不同的維度情感理論。圖1-1展示了二維情感模型，其中將基本情感模型中的一些具體的基本情感在不同維度中進行了映射。圖 1-1 效度和喚醒度二維情感模型Figure 1-1. The valence and arousal tow dimensional emotion model圖 1-1 中，二維情感模型依據(jù)喚醒度和效度的高低，組合之后分為四個維度，分別為高效度高喚醒度（HVHA）、低效度高喚醒度（LVHA）、低效度低喚醒度（LVLA）和高效度低喚醒度（HVLA）。在將一些基本情感映射到不同的情感維度的時候，我們可以看到“愉悅”情感位于第一象限，而“抑郁”情感則位于第三象限。除了二維情感維度模型，[22]中描述了一種三維情感維度模型，[23]中描述了一種四維情感維度模型。維度情感模型的研究難點在于情感維度含義的確定，而具體的情感可以通過精確的維度向量進行表達。1.3.3 情感計算中生理信號的數(shù)據(jù)采集通過人體生理信號進行情感識別計算的數(shù)據(jù)基礎(chǔ)

北京工業(yè)大學(xué)工學(xué)博士學(xué)位論文點（pre-auricularpoints，緊靠中部耳翼前面的凹陷點，標(biāo)記為 A1 和 A，在 lz 和 Nz 之間畫一條經(jīng)線（longitudeline），再將這條經(jīng)線按 10%例進行等分，在這些等分點加上與赤道同軸的緯線（latitudeline）。數(shù)的電極點可以放置在沿著這些緯線的 10%或 20%的整數(shù)倍位置上上就形成了標(biāo)準(zhǔn)的國際 10-20 系統(tǒng)。在這個系統(tǒng)中，每個電極名稱的或者兩個字母來表示大的電極區(qū)域，例如 Fp=額極（frontal pole）、al）、C=中央（central）、P=頂（parietal）；O=枕（occipital）、T=顳(temp電極名稱后用一個數(shù)字或者字母來表示與中心的距離，，左腦半球為奇球為偶數(shù)。數(shù)字越大表示離中線越遠，中線位置用標(biāo)志“z”來代表數(shù)字字母 O 區(qū)別。國際 10-20 系統(tǒng)的使用確保了研究者在進行腦電測試腦電電極命名的一致性。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：R33;TN911.7

【參考文獻】

相關(guān)期刊論文 前8條

1 宿云;胡斌;徐立新;張曉煒;陳婧;;面向腦電數(shù)據(jù)的知識建模和情感識別[J];科學(xué)通報;2015年11期

2 熊勰;劉光遠;溫萬惠;;基于智能算法的生理信號情感識別[J];計算機科學(xué);2011年03期

3 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(xué):信息科學(xué);2011年01期

4 劉靜霞;史云兵;徐魯強;;情感狀態(tài)模糊識別的研究[J];四川師范大學(xué)學(xué)報(自然科學(xué)版);2010年05期

5 李曉明;傅小蘭;鄧國峰;;中文簡化版PAD情緒量表在京大學(xué)生中的初步試用[J];中國心理衛(wèi)生雜志;2008年05期

6 楊瑞請;劉光遠;;基于BPSO的四種生理信號的情感狀態(tài)識別[J];計算機科學(xué);2008年03期

7 陳繼華;李嵐;錢坤喜;;基于多生理信號的情緒初步識別[J];生物醫(yī)學(xué)工程研究;2006年03期

8 馮文;盧晶梅;劉旭紅;;家庭護理干預(yù)對產(chǎn)后抑郁癥發(fā)病影響的研究[J];中國實用護理雜志;2007年19期

本文編號：2597196