本文關(guān)鍵詞：基于多生理信號(hào)的焦慮情緒識(shí)別方法研究

  更多相關(guān)文章： 情緒識(shí)別 焦慮 特征選擇 最近鄰算法 支持向量機(jī)

【摘要】：焦慮是一種在感到被威脅的環(huán)境中產(chǎn)生的復(fù)雜的心理過程，是人的生理反應(yīng)、個(gè)人特質(zhì)和社會(huì)影響的綜合反映。人的生理信號(hào)為微弱的生物電信號(hào)、生物阻抗或生理外形特征變化信號(hào)，會(huì)因?yàn)榍榫w的波動(dòng)而產(chǎn)生相應(yīng)的反應(yīng)，由于其受人的植物性神經(jīng)系統(tǒng)控制，能夠更客觀地反映真實(shí)的情緒狀態(tài)。 本文詳細(xì)分析了焦慮情緒產(chǎn)生的特點(diǎn)，并根據(jù)其特點(diǎn)設(shè)計(jì)了相應(yīng)的實(shí)驗(yàn)室誘發(fā)實(shí)驗(yàn)。通過對(duì)實(shí)驗(yàn)采集到的生理信號(hào)均值特征在平靜狀態(tài)和焦慮狀態(tài)兩種情況下的初步比較和分析，驗(yàn)證了實(shí)驗(yàn)的情緒誘發(fā)成功。根據(jù)比較分析的結(jié)果，以及不同信號(hào)與情緒變化的相關(guān)程度，對(duì)進(jìn)行后續(xù)特征選擇和分類的所采用的生理信號(hào)特征做了初步的篩選。本文通過Relief算法進(jìn)行特征選擇，并與最近鄰算法和支持向量機(jī)兩種分類器進(jìn)行了結(jié)合，都得到了較好的分類效果，，而Relief-SVM的綜合分類情況更具優(yōu)勢。結(jié)合對(duì)于各生理特征特征選擇時(shí)權(quán)重值的分析，總結(jié)出最有利于分類的生理信號(hào)特征。最終初步建立了一個(gè)基于多生理信號(hào)的焦慮狀態(tài)下的情緒識(shí)別仿真模型。 本文情緒識(shí)別仿真模型的建立對(duì)于后續(xù)的實(shí)際應(yīng)用以及對(duì)人的焦慮情緒的識(shí)別和調(diào)節(jié)的輔助作用都具有重要的意義。
【關(guān)鍵詞】：情緒識(shí)別 焦慮 特征選擇 最近鄰算法 支持向量機(jī)
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.4;R749.72
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 目錄8-10
• 圖錄10-11
• 表錄11-12
• 第一章 緒論12-22
• 1.1 研究背景12-17
• 1.1.1 情緒12-13
• 1.1.2 情緒識(shí)別13-16
• 1.1.3 焦慮狀態(tài)16-17
• 1.2 研究意義17-18
• 1.3 國內(nèi)外研究現(xiàn)狀18-20
• 1.3.1 國外研究概況18-20
• 1.3.2 國內(nèi)研究概況20
• 1.4 本文具體內(nèi)容與安排20-22
• 第二章 多生理信號(hào)與焦慮情緒變化的相關(guān)性分析22-39
• 2.1 焦慮情緒狀態(tài)研究22-23
• 2.2 情緒誘發(fā)方法23-24
• 2.3 焦慮情緒誘發(fā)實(shí)驗(yàn)24-31
• 2.3.1 實(shí)驗(yàn)內(nèi)容24-25
• 2.3.2 實(shí)驗(yàn)被試25-26
• 2.3.3 實(shí)驗(yàn)平臺(tái)及實(shí)驗(yàn)設(shè)備26-28
• 2.3.4 STAI 問卷28-29
• 2.3.5 實(shí)驗(yàn)過程29-31
• 2.4 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理31
• 2.5 特征提取31-33
• 2.6 去除基線數(shù)據(jù)33-34
• 2.7 數(shù)據(jù)的初步分析34-39
• 2.7.1 焦慮情緒誘發(fā)生理數(shù)據(jù)樣本34
• 2.7.2 平靜狀態(tài)與焦慮情緒下生理數(shù)據(jù)均值特征差異性分析34-37
• 2.7.3 問卷結(jié)果與生理信號(hào)均值特征結(jié)果相關(guān)性分析37-38
• 2.7.4 生理信號(hào)均值間相關(guān)性分析38-39
• 第三章 基于多生理信號(hào)的焦慮情緒狀態(tài)識(shí)別算法39-50
• 3.1 特征選擇39-42
• 3.2 Relief 特征選擇算法42-43
• 3.3 kNN 分類算法43-45
• 3.4 Relief-kNN 算法結(jié)合應(yīng)用45
• 3.5 SVM 算法45-48
• 3.5.1 經(jīng)典支持向量機(jī)算法45-47
• 3.5.2 最小二乘支持向量機(jī)（LS-SVM）47-48
• 3.6 Relief-SVM 算法結(jié)合應(yīng)用48-49
• 3.7 本章小結(jié)49-50
• 第四章 分類結(jié)果與分析50-54
• 4.1 焦慮情緒狀態(tài)生理數(shù)據(jù)樣本50
• 4.2 兩組樣本分類結(jié)果分析50-52
• 4.2.1 Relief-kNN 算法分類結(jié)果分析50-51
• 4.2.2 Relief-SVM 算法分類結(jié)果分析51-52
• 4.3 多組樣本分類結(jié)果分析52-54
• 4.3.1 Relief-kNN 算法分類結(jié)果分析52
• 4.3.2 Relief-SVM 算法分類結(jié)果分析52-54
• 第五章 總結(jié)與展望54-56
• 5.1 總結(jié)54-55
• 5.2 展望55-56
• 參考文獻(xiàn)56-60
• 附錄60-62
• 致謝62-63
• 攻讀碩士學(xué)位期間已發(fā)表或錄用的論文63

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 王國江;王志良;楊國亮;王玉潔;陳鋒軍;;人工情感研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2006年11期

2 高忠江;施樹良;李鈺;;SPSS方差分析在生物統(tǒng)計(jì)的應(yīng)用[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2008年11期

本文編號(hào)：766944