论文部分内容阅读
近年来情感计算在人机交互领域已经成为热点和主要方向,其研究重点就在于通过各种传感器获取由人的情感所引起的生理和行为特征信号,建立能识别和理解人类情感的情感模型。情感识别是情感计算的一个重要组成部分,主要通过人们的面部表情,语言,动作以及生物信号等方法进行情感识别。由于心电信号在不同情感状态下有着明显的变化,本文利用心电信号的情感特征值进行快乐和悲伤两种情感的识别,形成了一套完整的基于心电信号情感识别的模型。情感识别模型建立的难点有以下几部分:首先是国内外没有一个公认的情感识别数据库,这就要求我们再进行实验之前,要采集到足够且合理的实验数据;其次由于心电信号在采集过程中很容易受到噪声的干扰,为了使心电信号特征值更准确,我们需要对采集到的数据进行去噪;第三对于情感特征值的筛选,目前研究还没有准确证明特征值与情感的对应关系;第四是对于分类器的选择,不同的特征值结合不同的分类器对于区分不同的情绪有着不同的效果,我们需要找到他们的对应关系。本文实验选择天津理工大学在校学生为数据采集对象,用喜剧或悲剧的各个电影片段来诱发情感,并在数据采集之后以问卷调查的形式对采集到的数据进行分类,把情感诱发强烈波形稳定的心电信号作为实验的主要数据。然后采取小波阈值去噪法对采集到的情感信号进行去噪,并利用pan-tompkins算法与最大值搜索的联用检测心电信号的P-QRS-T点,提取出相应的时域以及频域特征值。根据所提取出的情感特征值的分类结果发现,其中包含不相关特征值和冗余特征值,本文根据心电特征值的特点分别选取ANOVA(方差分析)法和SFFS(顺序浮动搜索)方法去除这两种特征值。在进一步的实验中发现,这两种方法又各自陷入各自的缺陷中影响实验结果,所以本文又进一步改进,克服了两种方法各自的缺陷将他们结合在一起。在分类器的选择上,本文对比了LDA(线性鉴别分类器)和SVM(支持向量机)两种分类器,同时为了验证本文筛选出的特征值子集对于快乐和悲伤两种情感识别的鲁棒性,本文又用德国Augsburg大学采集的情感数据进行验证。实验结果显示,本文提出情感识别模型可以快速准确的识别快乐和悲伤两种情感,且利用改进的ANOVA-SFFS算法提取出的情感特征值结合SVM分类器在实际应用中有良好的表现,并验证得出本文的情感特征值对于快乐和悲伤两种情感的分类可以满足不同数据来源。