论文部分内容阅读
论文将改进的支持向量机用于基于生理信号的情感识别。支持向量机作为一种具有坚实数学基础的分类器在情感计算领域被广泛的使用。但是,支持向量机的三个关键参数——核函数参数σ、惩罚系数γ和损失参数ε对识别效果的影响很大,而如何基于情感识别的特点对这些参数进行针对性的改进尚未引起足够的重视。因此,本文以改进用于情感识别的支持向量机为目标,引入两种群智能算法用以优化支持向量机的关键参数。仿真实验表明,优化的支持向量机识别效果提升明显,使最高正确识别率(TPR)达到85.6%,命中率与误报率的差值(TPR-FPR)达到57.1%,同时运算速度与默认参数的支持向量机相近。最终基于优化的支持向量机实现了情感的实时识别。具体工作步骤如下:(1)制定可靠的情感诱发与生理信号采集方案。本方案采用美国BIOPAC公司的生理信号记录仪MP150作为主采集设备,采集心电、皮肤电、脉搏等生理信号。为得到有效的唤起素材,通过反复的评价、对比,从大量视频中筛选出了用于唤起目标情感的视频片段;为确保被试在情感唤起之前处于平静,在播放视频之前会播放轻音乐与风景画;为得到准确的情感唤起时间,采用了情感记录按钮、主试问询以及视频监控三种方式,来精准锁定情感唤起的时间;被试观看视频后须填写调查问卷来说明自己的唤起情感以及唤起强度。(2)建立情感生理信号样本库。招募超过200名身体健康、无心理疾病的大一学生志愿者作为被试,通过唤起实验,分别采集Happy(高兴)、Grief(悲伤)、Fear(恐惧)、Anger(愤怒)四种情感的生理信号,并以观看风景画时的平静情感为对照情感。根据情感锁定按钮的记录以及被试问询文件,准确锁定时长为15秒的情感唤起时间段,建立情感生理信号样本库。(3)构建两种智能算法优化的支持向量机。构建两种改进的群智能算法——模拟退火优化的粒子群算法和模拟退火优化的蚁群算法,并用改进后的智能算法分别优化支持向量机,得到两种新的优化的支持向量机。(4)通过对比选择最优的支持向量机。用得到的两种优化的支持向量机对生理信号样本库中的数据进行分类,并与默认参数支持向量机以及模拟退火优化的支持向量机比较,根据分类效果选出最优的分类算法。(5)构建先进的实时情感识别系统。基于得到的优化的支持向量机,以及BIOPAC公司的采集设备,开发出与MP150配合使用的实时情感识别系统,并预留情感调节接口。情感识别效果良好,平均识别率达到78.9%,平均TPR-FPR达到49.4%,是一套能够有效的实时识别人类情感的系统,为实现实时情感调节打下了基础。实验结果表明:(1)智能算法优化的支持向量机能够明显优化该分类器的分类效果,能明显提高情感识别的准确度;(2)粒子群算法优化的支持向量机比蚁群算法优化的效果明显,识别效果更优;(3)情感实时识别的效果与所取时间窗长度有关,其中5秒长度的时间窗效果较好。