论文部分内容阅读
在科学技术相对发达的今天,人一机交互话题已经不再陌生,情感计算作为其关键技术也得到了广泛发展。在情感计算的研究内容中,情感识别作为其重要组成部分之一已然受到高度重视。目前的情感识别主要通过采集并分析图像信号、语音信号、文本信号和生理信号来进行。它们各有所长、互为补充,因为还没有哪一种方式能十分准确地判断情感的特征。图像信号、语音信号和文本信号一般通过多媒体方法获取,而由生理信号由传感器通过非侵入方式来获得,这些信号都可以用计算机来加以分析计算。显然,当人们有了情感时,从身体上直接得到的生理信号更能准确地判断其情感,甚至是潜在的情感,即前三种方式不能观察到的情感特征。脉搏信号作为生理信号之一,在已有文献中的相关研究较少,论文将针对脉搏信号的情感识别问题展开研究工作。
从文献可知,脉搏信号是一种微弱的生物电信号,是神经细胞传导信息时在血管内部或皮肤表面电活动的总体反映,蕴含着人体许多生理和病理信息。假如能从脉搏信号中找出能代表某种情感的特征或特征组合,建立起情感生理特征与情感之间的一种映射关系,就可以通过脉搏信号的情感生理特征来进行情感识别。具体工作实现如下:
(1)信号采集:设计恰当的脉搏信号采集实验方案,采用视觉和听觉同时刺激的方式得到情感脉搏信号的情感生理反应样本。包括平静、高兴、惊奇、厌恶、悲伤、愤怒、恐惧7种情感激发状态下的脉搏信号,共计242组样本。
(2)特征提取:由于原始信号通常都受到各种因素的干扰,为了使数据源更加可靠,在特征提取之前对原始样本信号进行预处理。然后提取20个时域特征和84个小波系数特征(104个统计特征),并对特征数据进行去除异常数值、归一化等处理后得到包括六类情感的1165个样本作为原始特征集合。
(3)特征选择:论文中提出了一种相关性分析和蚁群优化算法相结合的两阶段特征选择方法。首先将原始特征用序列后向选择(SBS)方法排序,然后利用线性相关系数分析法计算特征间的相关度,并根据排序结果去除部分相关度较大的特征,最后针对筛选后的特征子集用一种蚁群优化算法——最大最小蚁群进行特征选择,并以Fisher分类识别率和特征选择维数两个因素确定适应度函数,对高兴、惊奇、厌恶、悲伤、愤怒和恐惧六种情感进行分类。此外,再选用一种非智能算法——基于凸优化的支持向量机特征选择方法进行脉搏信号情感特征的选择,以便与文中所提方法的结果进行对比。
(4)模型建立:利用上述方法完成实验分析,总结出能够代表脉搏情感信号高兴、惊奇、厌恶、悲伤、愤怒、恐惧的特征组合,建立起脉搏信号各个情感的二分类情感识别模型。
所有实验结果表明:采用相关性分析及蚁群优化算法并结合Fisher分类器的方式用于情感脉搏信号的情感识别是有效的,该方法能在原始特征集合中找出更稳定有效的特征组合,从而形成脉搏信号的情感生理特征与情感之间的一种映射关系,继而建立起有效的情感识别模型。