论文部分内容阅读
在基于生理信号的情感识别研究中,对信号进行特征提取通常是研究的关键所在。据此,为了进行有效的情感识别,达到提高识别率的目的,本文将准确提取能够反映真实情感变化规律的特征作为研究的重点。本文根据生理信号的不可掩饰性,在唤起被试高兴(happy)、悲伤(grief)、恐惧(fear)、愤怒(angry)四种真实情感的基础上截取可靠的皮肤电信号,建立情感生理信号数据库。根据皮肤电的非线性特性,首次提出利用Volterra非线性预测的方法对情感状态下皮肤电信号的非线性规律进行模拟,设计了Volterra级数预测模型;并针对预测滤波系数不易收敛及预测结果存在时延的缺点,提出利用神经网络来求解Volterra级数各阶核的方法,以改进系数矢量计算方式,加快滤波系数收敛并提高了预测精度,完成了对于该预测模型的改进。之后本文根据改进的预测模型提取了有效非线性特征,对目标情感进行分类识别研究,得到了提高识别率的效果,证明了该方法对情感识别的有效性。最后本文采用蚁群优化算法结合随机森林分类器对本文提取的所有线性、非线性特征进行特征选择,在保证识别率的基础上降低了特征维数,最终结果中四种情感识别效果均达到百分之八十以上,效果最佳的悲伤情感识别率达到95%,与之前相关研究所得出的结果相比有了明显改善。本文具体做了以下工作:(1)确定数据采集方案并建立情感生理信号样本数据库。选择了具有较高唤起度的电影片段与平静视频进行剪辑,充分激发被试愤怒、恐惧、高兴、悲伤四种目标情感,详细记录实验过程,分析采集到的数据,截取诱发效果较好的信号建立样本库。(2)皮肤电非线性、可预测性分析。用替代数据法证明皮肤电的非线性特性;通过对非线性信号及随机信号的预测结果进行对比,证明复杂系统中运用非线性预测方法对系统进行预测可以还原其原本规律,而随机信号根本不存在可预测性。(3) Volterra级数的预测模型设计。通过对皮肤电时间序列进行向空间重构,在高维空间中恢复出混沌吸引子,利用Volterra级数的展开式构造新的函数逼近原函数,找出隐藏在混沌吸引子中的演化规律,使现有数据纳入某种可描述的框架之下,由系统当前状态获得下一时刻的状态,构造Volterra级数的预测模型。(4)改进预测模型,构造含有较强情感规律的时间序列。提出利用神经网络来求解Volterra级数的各阶核,改进系数矢量计算方式,从而加快了滤波系数收敛并提高了预测精度,重构出含有明显情感变化规律的非线性时间序列,在此基础上进行特征提取,保证所提取特征的真实有效性。(5)对情感状态下皮肤电信号的非线性特征进行分析及提取。在对采集到的皮肤电信号进行滤波、归一化等预处理之后,计算其根据改进的预测模型得出的时间序列,采用非线性的方法分别对皮肤电原始信号以及预测后重构的时间序列进行非线性特征分析,比较其熵、维数等非线性参数,并用特征验证证明提出的这些非线性特征可以用来做情感识别。(6)蚁群优化算法结合随机森林分类器进行特征选择及情感识别。加入情感识别效果较好的线性特征,利用改进后的蚁群优化算法对所有的非线性特征以及加入的线性特征进行特征选择,并利用随机森林分类器对结果进行分类,从愤怒、恐惧、高兴、悲伤四种混合情感中识别出目标情感。实验结果表明:(1)皮肤电信号为非线性信号,存在较强的非线性规律并有较强的可预测性。(2) Volterra级数预测法可以较好的对情感状态下皮肤电的运动趋势作出短期预测,并在一定程度上还原了皮肤电的情感规律,导致非线性特征在原始信号和预测信号计算结果中的存在差异。(3)在经过Volterra级数预测处理后的皮肤电时间序列加强了自身非线性规律,应用预测后所提的非线性特征可提高目标情感的正确识别率;表明Volterra级数预测在情感识别中具有一定的研究价值与意义。(4)蚁群优化算法对本文提出的线性、非线性特征进行特征选择,结果中改进预测方法后的皮肤电信号提取的非线性特征入选率较高。(5)本文所提的所有特征对信号的线性及非线性规律都有了详细的描述,最终得到了高兴(80.44%)愤怒(81.21%)悲伤(95.33%)恐惧(84.85%)的较好识别率。