基于多生理信号的情绪分类方法研究

论文摘要

生理信号作为人体最易通过传感器获得的信号,蕴藏着人体大量的生理和心理的重要信息,获取并识别多种生理信号,对计算机识别人类情绪具有重要意义。受限于脑电,皮肤电,呼吸,脉搏等生理信号的复杂性,从这些生理信号中提取有用的特征并对情绪做出准确的分类预测一直是个难点。随着“情感计算”概念的提出,学者们致力于将情绪这一概念数学化,使计算机能够识别和处理,并对情绪状态做出识别和分类。传统的情绪分类方法通常是人工提取相关的特征并利用机器学习模型进行分类学习。随着深度学习等拥有表征学习能力的模型提出,出现了一些利用深度学习模型自动学习特征并进行分类学习的方法。本文针对这些研究方向做了一些相关的探索,其中主要研究内容和贡献包括:详细综述了国内外对生理信号进行分析建模和特征提取的方法。其次基于DEAP数据集,使用脑电信号,皮肤电信号,呼吸信号,脉搏信号这些生理信号,提取小波熵,样本熵,统计特征等多种特征,并使用KNN,SVM和Xgboost对情绪进行二分类实验。结果表明在效价分类准确率上相比DEAP论文实验结果最高提高了9.7%,在唤醒度准确率上最高提高了1.4%。为了改善传统情绪识别方法需要对生理信号进行深入了解,且需要人工提取相关特征的缺点。提出一种基于深度森林的多粒度扫描表征学习方法,并对DEAP数据集脑电信号,皮肤电信号,呼吸信号,脉搏信号的时域数据进行自动特征提取。同时提出一种融合32通道脑电信号特征向量的方法,并通过级联森林对特征进行进一步学习。结果表明在效价分类准确率上相比DEAP论文实验结果最高提高了14.9%,在唤醒度准确率上最高提高了6.1%。实验表明深度森林能在一定程度上对信号进行自动特征提取,并进行分类预测。

论文目录

摘要

ABSTRACT

第1章绪论

1.1 情绪

1.1.1 研究背景及意义

1.1.2 情绪模型

1.2 国内外研究现状

1.3 论文的主要研究内容

1.4 论文的组织结构

第2章生理信号情绪识别基础

2.1 DEAP情感数据集

2.1.1 情绪激发

2.1.2 SAM情绪标注

2.2 实验相关生理信号

2.2.1 脑电信号（EEG）

2.2.2 皮肤电信号（GSR）

2.2.3 呼吸信号（RSP）

2.2.4 脉搏波信号（PPG）

2.3 样本划分

2.4 本章小结

第3章基于人工特征的情绪识别

3.1 引言

3.2 EEG信号特征提取

3.2.1 EEG时域特征

3.2.2 EEG频域特征

3.2.3 EEG小波熵特征

3.2.4 EEG样本熵特征

3.3 GSR信号特征提取

3.4 RSP信号特征提取

3.5 PPG信号特征提取

3.6 情绪分类模型

3.6.1 特征预处理

3.6.2 特征选择算法

3.6.3 KNN分类器

3.6.4 SVM分类器

3.6.5 xgboost分类器

3.7 实验结论

3.7.1 实验环境

3.7.2 模型衡量标准

3.7.3 实验数据

3.7.4 结论与对比

3.8 本章小结

第4章基于深度森林的情绪识别

4.1 表征学习和深度学习

4.2 基于深度森林的表征学习

4.2.1 深度森林模型

4.2.2 原始数据多粒度扫描

4.3 多通道EEG信号向量融合算法

4.4 级联森林

4.5 深度森林实验结果

4.5.1 模型衡量标准

4.5.2 实验数据

4.5.3 实验结论

4.5.4 数据对比

4.6 本章小结

第5章总结与展望

5.1 总结

5.2 展望

致谢

参考文献

附录

文章来源

类型: 硕士论文

作者: 金雨鑫

导师: 骆懿

关键词: 脑电,皮肤电,呼吸,脉搏,深度森林,表征学习

来源: 杭州电子科技大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,电信技术

单位: 杭州电子科技大学

分类号: R318;TN911.7

总页数: 59

文件大小: 5139K

下载量: 359

基于多生理信号的情绪分类方法研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢