论文部分内容阅读
情绪分类识别是对人类情感进行研究,相关技术可以使得智能机器更好的辅助人们工作。尤其随着可穿戴设备的发展,可以实时动态采集生理信号,基于可穿戴式的动态生理信号情绪分类成为可能。但目前基于生理信号的情绪分类研究集中于在实验室条件下基于脑电信号和基于外周生理信号的情绪分类研究,未能将脑电信号与外周生理信号做混合生理信号融合研究,也未做更适应实际场景的基于动态生理信号混合的情绪分类研究,同时对于生理信号的特征提取也未考虑情绪的生理机制。本文基于这些问题进行研究,从情绪脑电的生理机制入手进行特征提取算法研究,并构建混合生理信号的四分类情绪分类模型与基于可穿戴设备的动态生理信号的四分类情绪分类模型。在基于脑电信号情绪分类研究中,本文从情绪脑电的生理机制入手提取时空特征,并对四种情绪进行分析发现,时空特征有最好的识别效果,同时可以减少其他状态情绪误判为高唤醒度高效价(high arousal high valence,HAHV)和高唤醒度低效价(high arousal low valence,HALV)的概率,也可以提升在其他特征下分类结果不好的低唤醒度低效价(low arousal low valence,LALV)状态的识别效果。并在本研究中提出基于独立分量相似性的脑电信号眼电噪声识别算法,识别结果相对于传统独立成分分析方法提升3.33个百分点。对于混合生理信号融合研究,本文提出了基于投票机制的多层感知器的特征层融合算法与多生理信号深度信念网络的特征层融合算法,与传统特征层融合算法对比发现,本文提出两种特征层融合方式可以提高HAHV自身的识别准确率,也可以减少其他状态的情绪误判为HAHV状态;同时也可以较大提高HALV自身识别准确率。基于此,本文提出基于可穿戴设备的动态生理信号的情绪分类方案。通过与脑电信号以及混合生理信号四种情绪分类结果对比,可得基于混合生理信号融合情绪分类模型识别精度最高(0.8333),基于外周生理信号的情绪分类模型识别率(0.8137)低于前一种模型,然而这种方法适用于可穿戴设备采集动态生理信号的情绪识别应用。