论文部分内容阅读
情绪是对一系列主观认知经验的通称,是多种感觉、思想和行为综合产生的心理及生理状态。社会竞争的日益激烈和生活节奏的不断加快,使得越来越多的人长期处于紧张状态,承受较大的精神压力,甚至患有抑郁症、躁狂症等心理疾病。情绪具有一定的生理调节作用,在神经科学、心理学、社会科学等领域有着广泛的应用。随着生活水平的提高,人们越来越重视情绪对于个体健康和社会发展的影响。有效的情绪识别能够对当前不良的精神状态进行预警,也有助于心理疾病的治疗。另外,信息技术的飞速发展使得人们对计算机的依赖性越来越大,同时也对人机交互功能的要求越来越高,促进了情感计算的研究与发展。作为情感计算的重要环节,情绪识别在众多领域具有良好的发展前景和应用价值。基于生理信号的情绪识别研究中,特征的提取一般基于时域分析、频域分析和非线性分析。相比于前两种,生理信号的非线性分析不够完善,还有很大的研究空间。本文在此基础上,提出基于符号动力学理论的不同情绪下心电信号分析方法。以心率变异信号为研究对象,提取符号动力学特征,探讨不同情绪下特征的差异性并进行情绪分类。通过与传统特征的识别结果作比较,验证符号动力学分析应用于情绪识别研究的可行性。本文的主要研究内容如下:(1)设计情绪激发实验,通过多通道生理信号采集装置采集60名学生在平静、恐惧、悲伤、高兴、愤怒和厌恶这六种情绪状态下的心电数据。结合中值滤波和平滑滤波,选取sym小波对心电信号进行降噪预处理。通过自适应差分阈值法较为准确地识别了R波,从而获得RR间期时间序列以供后续的特征提取研究。(2)对心率变异性信号进行符号动力学分析。研究了动态法、静态法及庞加莱法三种符号化方法,选择各方法较优参数将RR间期序列变换为对应的符号序列。计算符号序列的信息熵,作为符号熵特征。对于通过静态法和庞加莱法变换得到的符号序列,分析序列中不同模式的比值,同样作为符号动力学特征。通过提取的14个符号特征,探究了六种情绪状态的差异性。(3)建立情绪分类模型进行一对一情绪识别。提取14个符号动力学特征形成符号特征组矩阵,构建基于支持向量机和随机森林的情绪分类模型,并通过十折交叉验证和网格寻优确定参数,实现一对一情绪状态的识别,最高识别率为74.44%。随后提取了情感生理信号研究中广泛应用的1 1个时域、频域及非线性特征形成传统特征组矩阵,与符号特征融合形成组合特征矩阵,同样构建基于支持向量机和随机森林的情绪分类模型进行一对一情绪识别,组合特征的最高识别率为75.13%。比较不同特征组的识别率,可以看到符号特征在情绪识别中具有一定的优越性。以Gini指数为指标,对不同类型的特征进行了重要性评估,结果表明符号化模式比特征和熵特征用于情绪分类效果较好。