论文部分内容阅读
情绪对人们日常生活和工作有重要的影响,基于生理信号监测及分析能客观评估个体情绪状态,对健康监测、人机交互等起着重要的作用。已有的穿戴式设备已具备采集心率和单导联心电信号的功能,探索基于穿戴式心率信号监测及单导联心电信号的情绪识别具有重要意义。目前,基于心率和单导联心电信号的情绪识别研究中主要存在着以下局限性:(1)现有的穿戴式设备及其算法仅监测佩戴者心率数据并进行简单统计,无法提供准确的情绪识别;(2)基于单导联心电信号的情绪识别研究较少考虑从心电信号中提取出的瞬时心率特征对情绪的表征能力,且算法较为复杂,未考虑单导联穿戴式设备运算能力的局限性;(3)目前开展的情感识别研究多数设置了前提条件,使数据集处于一个相对平衡状态,较少考虑个体出现不同情绪的次数和持续时间差异造成的数据样本不平衡问题,这会限制算法的实用性。针对上述问题,本文进行了以下的研究:1、提出了一种利用可穿戴手环采集心率数据进行情绪识别的方法。设计中性+“目标”情感的实验范式,使用中国情绪影像素材库中的中性、悲伤、快乐等三种刺激素材,建立25名受试者的心率数据集。采用中性情绪对应数据作为基线对目标情感进行归一化,四种类型最高识别率超过80%。该方法验证了“中性+目标”的实验范式对基于心率来进行识别情绪的有效性,可应用到穿戴消费电子设备,用于评估佩戴者的情绪状态。2、在基于单导联心电信号的情感识别中,将基于穿戴式心率信号的情绪识别方法引入,在分析心率变异性特征的同时加入瞬时心率特征,共同作为表征情绪变化的生理指标。设计了RF-Light GBM的情绪分类算法框架,在正负向情绪的二分类识别和融合识别中,快乐与悲伤的识别准确率达88.75%,五分类的准确率为66.75%。相比相关文献算法,本文所提算法过程更加简单,识别准确率也较高。3、提出了基于非平衡数据的情绪分类优化算法。针对原始心电数据集中数据不平衡问题,使用SMOTE+ENN算法对数据进行混合采样,可解决原始数据类间分布差异过大的问题,快乐与悲伤识别准确率为93.3%,五分类最高准确率88.08%。该方案能够提高情绪识别的准确性,也更贴近实际应用场景中个体情绪差异现象。本文所使用的算法,综合运用单导联心电和心率的特征来刻画情绪,且结合实际的应用场景对非平衡数据进行优化,为在穿戴设备端实现情绪识别提供了一种新思路。