基于多生理信号的情绪分类方法研究

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

    相关论文文献

    • [1].基于多种生理信号的情绪识别研究[J]. 中国医疗器械杂志 2020(04)
    • [2].基于生理信号的情绪识别腕戴设备[J]. 电子技术应用 2017(02)
    • [3].基于插值的准周期电生理信号样本构建的研究[J]. 电子测量与仪器学报 2013(12)
    • [4].皮肤电在情绪识别研究中的应用进展[J]. 健康研究 2019(01)
    • [5].基于FPGA的多通道生理信号监护仪的设计[J]. 电子技术应用 2013(11)
    • [6].基于外周生理信号的疲劳驾驶监测研究[J]. 汽车实用技术 2018(02)
    • [7].多生理信号参数检测电路设计[J]. 生物医学工程学杂志 2009(06)
    • [8].疲劳应用评估技术综述[J]. 生命科学仪器 2018(Z1)
    • [9].多路医学生理信号无线监护仪设计及应用[J]. 现代电子技术 2013(05)
    • [10].基于PVDF的可穿戴生理信号监测系统[J]. 压电与声光 2020(04)
    • [11].周期性电生理信号一种融合方法的研究[J]. 中国医疗器械杂志 2010(03)
    • [12].用于情绪识别的无线生理信号采集传输系统[J]. 电气电子教学学报 2009(05)
    • [13].基于多生理信号特征的大学生情绪测试[J]. 通讯世界 2017(21)
    • [14].基于LabVIEW的神经电生理信号实验平台的开发研究[J]. 医疗装备 2012(05)
    • [15].基于生理信号的二分类情感识别系统特征选择模型和泛化性能分析[J]. 计算机科学 2011(05)
    • [16].基于心理生理信号的个人音乐情感体验识别(英文)[J]. Frontiers of Information Technology & Electronic Engineering 2019(07)
    • [17].动物生理信号遥测系统的国内研究进展[J]. 黑龙江畜牧兽医 2014(03)
    • [18].基于自适应邻域禁忌搜索的情感生理信号特征选择研究[J]. 计算机与现代化 2013(02)
    • [19].基于混合智能优化算法的生理信号情感识别[J]. 电信科学 2010(09)
    • [20].呼吸信号的非接触式测量[J]. 计算机科学 2015(10)
    • [21].一种基于虚拟仪器的生理信号测量系统[J]. 传感器与微系统 2012(01)
    • [22].生理信号时间序列周期性和平稳性对近似熵和样本熵算法的影响分析[J]. 北京生物医学工程 2012(02)
    • [23].生理信号情感识别的遗传算法研究[J]. 计算机工程与应用 2009(02)
    • [24].基于生理信号的图书馆资源发现管理系统用户体验评价研究——以超星发现系统为例[J]. 图书情报导刊 2018(07)
    • [25].多种生理信号的采集及其在情绪分析中应用[J]. 长春大学学报 2016(06)
    • [26].基于RPPG的生理信号(心率)测量技术的探究[J]. 科技创新导报 2019(13)
    • [27].基于USB接口的三道生理信号检测仪电路设计[J]. 河南机电高等专科学校学报 2008(04)
    • [28].基于生理信号的观众情感状态识别模型[J]. 浙江大学学报(工学版) 2012(06)
    • [29].基于生理信号的照度水平对矿工影响研究[J]. 煤矿安全 2018(09)
    • [30].飞行员多生理信号主成分分析[J]. 电光与控制 2017(01)

    标签:;  ;  ;  ;  ;  ;  

    基于多生理信号的情绪分类方法研究
    下载Doc文档

    猜你喜欢