基于生物電產(chǎn)生的生理信號(hào)進(jìn)行情緒識(shí)別,并將其應(yīng)用于醫(yī)療、人工智能等領(lǐng)域,具有巨大的發(fā)展前景。生理信號(hào)是非線性信號(hào),不易被處理,且常常因?yàn)闃颖緮?shù)量少而難以進(jìn)行情緒識(shí)別,為解決此問(wèn)題,針對(duì)皮膚電導(dǎo)信號(hào)（SC）、心電信號(hào)（ECG）、呼吸信號(hào)（RSP）,提出一種新的情緒識(shí)別方法,該方法基于生理信號(hào)的最大李雅普諾夫指數(shù)、復(fù)雜度和盒維數(shù)三種混沌特征,同時(shí)構(gòu)建CHAID（chi-square automatic interaction detection）決策樹(shù)并對(duì)其優(yōu)化。采用德國(guó)Augsburg大學(xué)國(guó)際生理信號(hào)數(shù)據(jù)庫(kù)作為數(shù)據(jù)來(lái)源進(jìn)行喜、怒、哀三種情緒識(shí)別,在此基礎(chǔ)上,采用引導(dǎo)聚集算法對(duì)CHAID決策樹(shù)模型進(jìn)行優(yōu)化,提高其穩(wěn)定性。研究結(jié)果表明,基于優(yōu)化后的CHAID決策樹(shù)的情緒識(shí)別率和結(jié)果置信度等各項(xiàng)指標(biāo)明顯高于優(yōu)化前的CHAID決策樹(shù),優(yōu)化后喜、怒、哀三種情緒的識(shí)別率分別為88%、100%、100%。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用研究. 2020,37(S2)北大核心CSCD

【文章頁(yè)數(shù)】：3 頁(yè)

【部分圖文】：

優(yōu)化前的CHAID決策樹(shù)

圖2是CHAID決策樹(shù)優(yōu)化前基于混沌特征的情緒識(shí)別結(jié)果。由圖2的第一部分可知，根據(jù)從生理信號(hào)中提取的三種混沌特征進(jìn)行情緒識(shí)別，CHAID模型正確識(shí)別了58個(gè)樣本，錯(cuò)誤識(shí)別了17個(gè)，情緒總識(shí)別率為77.33%，誤識(shí)率為22.67%。圖中第二部分顯示了生理信號(hào)對(duì)不同情緒識(shí)別的混淆矩陣，其中行表示實(shí)際情緒，可以具體得知，識(shí)別錯(cuò)誤的17個(gè)樣本中有5個(gè)把joy識(shí)別為anger，有12個(gè)把sadness識(shí)別為joy。圖2第三部分是情緒識(shí)別的置信度報(bào)告，顯示樣本的置信度取值為0.5～0.895，識(shí)別正確的58個(gè)樣本的置信度平均值為0.716，其中置信度大于0.588的樣本預(yù)測(cè)值視為正確（占觀測(cè)值的38.67%）；識(shí)別錯(cuò)誤的17個(gè)樣本的置信度平均值為0.588，其中置信度小于0.5的樣本預(yù)測(cè)值視為錯(cuò)誤（占觀測(cè)值的0%）；置信度未達(dá)到等級(jí)要求的樣本中有80%均識(shí)別正確；置信度高于0.77的樣本占總數(shù)的58.82%，它們的預(yù)測(cè)正確率比樣本總體正確率提高了1.5倍，應(yīng)為93.33%(93.33%=80%+(100%-80%）÷1.5）。圖3是使用Bagging算法優(yōu)化CHAID決策樹(shù)后，CHAID決策樹(shù)通過(guò)SC、ECG、RSP多生理信號(hào)的混沌特征識(shí)別joy、anger、sadness生成的多叉樹(shù)，樹(shù)深為4,RSP的復(fù)雜度對(duì)整個(gè)識(shí)別過(guò)程具有重要作用。

圖3是使用Bagging算法優(yōu)化CHAID決策樹(shù)后，CHAID決策樹(shù)通過(guò)SC、ECG、RSP多生理信號(hào)的混沌特征識(shí)別joy、anger、sadness生成的多叉樹(shù)，樹(shù)深為4,RSP的復(fù)雜度對(duì)整個(gè)識(shí)別過(guò)程具有重要作用。圖4是CHAID決策樹(shù)優(yōu)化后基于混沌特征的情緒識(shí)別結(jié)果。從圖中表格數(shù)據(jù)可知，使用從SC、ECG、RSP中提取的最大Lyapunov指數(shù)、盒維數(shù)和L-Z復(fù)雜度特征，通過(guò)基于Bagging算法優(yōu)化的CHAID決策樹(shù)識(shí)別joy、anger、sadness，情緒識(shí)別率、置信度范圍等各項(xiàng)指標(biāo)顯著提高。

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)挖掘和決策樹(shù)的測(cè)試用例重用技術(shù)研究[J]. 劉偉,安鵬偉,王嬴超.  導(dǎo)航定位與授時(shí). 2019(05)
[2]基于概率閾值Bagging算法的不平衡數(shù)據(jù)分類(lèi)方法[J]. 張忠林,吳擋平.  計(jì)算機(jī)工程與科學(xué). 2019(06)
[3]非線性動(dòng)力學(xué)分析方法在神經(jīng)康復(fù)領(lǐng)域中的應(yīng)用進(jìn)展[J]. 翟曉雪,張皓.  中國(guó)康復(fù)醫(yī)學(xué)雜志. 2019(04)
[4]機(jī)器學(xué)習(xí)分類(lèi)問(wèn)題及算法研究綜述[J]. 楊劍鋒,喬佩蕊,李永梅,王寧.  統(tǒng)計(jì)與決策. 2019(06)
[5]基于混沌理論的音樂(lè)信號(hào)非線性特征研究[J]. 趙志成,方力先.  振動(dòng)與沖擊. 2019(03)
[6]多視角判別分析的情感識(shí)別[J]. 李超,趙文萍,趙子平.  信號(hào)處理. 2018(08)
[7]一種改進(jìn)的圖像盒子維計(jì)算方法[J]. 薛松,蔣新生,段紀(jì)淼,張培理.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2018(06)
[8]基于遞歸定量分析的生理信號(hào)情感識(shí)別[J]. 李才隆,葉寧,黃海平,王汝傳.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(11)
[9]基于優(yōu)化的LSTSVM的多模態(tài)生理信號(hào)情感識(shí)別[J]. 金純,陳光勇.  電子技術(shù)應(yīng)用. 2018(03)
[10]粗糙集二進(jìn)制布谷鳥(niǎo)算法在情感識(shí)別中的應(yīng)用[J]. 金純,陳光勇.  微電子學(xué)與計(jì)算機(jī). 2018(03)

博士論文
[1]碳納米管的分散取向及其數(shù)字化圖像量化研究[D]. 梁曉寧.東華大學(xué) 2016

碩士論文
[1]基于深度強(qiáng)化學(xué)習(xí)機(jī)制的棋盤(pán)類(lèi)游戲算法的設(shè)計(jì)與實(shí)現(xiàn)[D]. 鄧航宇.南京大學(xué) 2018
[2]CHAID算法并行化及其在信用風(fēng)險(xiǎn)分析中的應(yīng)用[D]. 楊友星.長(zhǎng)春工業(yè)大學(xué) 2016
[3]基于混沌特征提取的多生理信息融合的情緒識(shí)別方法研究[D]. 賀方.長(zhǎng)春理工大學(xué) 2016
[4]基于多生理信號(hào)的情緒識(shí)別方法研究[D]. 何成.浙江大學(xué) 2016



本文編號(hào)：3440020