论文部分内容阅读
情感计算是让计算机具有人类的情感，并且使它具有识别情感状态的能力。情感识别是情感计算的重要领域，在基于生理信号的情感识别中，心电信号是主要的研究对象。心电信号的变化状况是人类情感最重要且最真实的表现之一，因此通过对心电信号的研究，我们就可以识别出人们内在的情感和情绪变化，从而为情感识别系统的建模奠定坚实的基础。
在以ECG为对象的情感识别中，提取能有效区分不同情感状态的特征，是进行情感识别的关键。而小波分析是一种广泛应用于生物医学信号处理领域的信号分析技术，由于它具有良好的时频局部特性，不仅能够对各种时变信号进行有效的分解，从而较好地将信号与噪声加以分离，达到对信号降噪的目的，而且通过小波变换的多尺度分解，可以从分解后的小波系数中提取信号的细节特征。本文以心电信号为研究对象，采用德国Augsburg大学情感生理信号数据库中的ECG数据，进行基于单一生理信号的情感识别研究，主要做了以下工作：
首先用小波变换的非线性阈值去噪法对原始ECG进行了小波分解和高频系数的阈值处理，在去除噪声的同时重构ECG信号，取得了较好的去噪效果。用Db7小波函数对去噪后的ECG信号进行7层分解，从小波系数中提取Joy、Sadness、Anger、Pleasure四种情感状态下心电信号的特征，并分析特征值大小与情感状态的关系。对同一天采集的四种情感数据的同一特征，比较其相对大小关系，得出大小关系一致的特征作为情感识别的依据。对选取的特征进行归一化处理之后，直接采用阈值判别的方法，对四种情感状态进行两两之间的识别，结果显示，小波分解的低频系数中包含较多的情感信息，其中，对Joy和Sadness两类情感分类效果较好，平均识别率可达95.1％，验证了小波变换提取心电信号情感特征的有效性。
在对四种情感状态两两进行识别时，找出识别率较高的部分特征进行分析，可以发现，对于每种情感状态，都有特定的一些特征能够较好地表征其状态的变化。其中Joy在与其他三类情感进行识别时的识别率都比较高，说明对于ECG信号来说，Joy这种情感状态比较容易与其他情感状态相区分。
在对两种情感状态进行识别的基础上，用筛选出来的特征，进行了四种情感状态之间的识别，得到79.9％的平均识别率，其中Joy的识别率达到92.3％，这说明用一种生理信号识别四种不同情感也可以达到较好的识别效果，同时证明了提取ECG信号的小波分解系数来分析情感心电信号，并进行情感状态的识别是可行且有效的。