论文部分内容阅读
由于生理信号的真实性和客观性,基于生理信号的情感识别已经成为情感计算领域的一个重要研究内容。该研究主要是:通过对采集到的生理信号进行分析,提取能够代表特定情感的特征,建立情感识别模型。皮肤电信号(GSR)作为一种重要的生理信号,已经被证明包含可靠的情感生理反应特征,另外相对于其他信号皮肤电的采集方法不仅简单而且信号噪声更少。如果能够准确提取出皮肤电情感信号的特征便更能有效的进行情感识别,最终建立情感识别模型。本文在前人研究的基础上对皮肤电的非线性特征进行研究,主要是对人在高兴(happy)、惊奇(surprise)、悲伤(grief)、厌恶(disgust)、愤怒(anger)和恐惧(fear)的情感状态下的皮肤电导(GSR)的分析。包括皮肤电生理信号的采集、信号预处理、情感特征提取和分类等一系列的工作,最终建立皮肤电信号的情感识别模型。具体工作如下:(1)信号采集实验方案的制定。选择能够唤起单一情感的电影片段作为唤起材料,视频材料包含以上述六种情感为目标情感的6个片段,在片段之问插入中性视频作为过渡情感间的调整,选用美国BIOPAC MP150多通道生理信号记录仪采集被试的皮肤电信号。(2)建立皮肤电信号的情感样本库。实验室招募了大批的实验被试,采集在高兴(happy)、惊奇(surprise)、悲伤(grief)、厌恶(disgust)、愤怒(anger)和恐惧(fear)六种情感状态下的皮肤电信号。通过对数据进行有效的分析并截取诱发性好的80秒数据,最终建立皮肤电信号的情感样本库。(3)GSR信号情感特征提取。对采集的信号进行滤波、标准化和归一化处理,采用非线性方法提取皮肤电信号的时间延迟(time delay)、关联维数(correlation dimension)、最小嵌入维数(nin-embedding dimension)和样本熵(sample entropy)等非线性特征。(4)特征的验证。为确定非线性特征的可用性,引入IH-PSO(免疫混合粒子群)算法来做特征选择,将这些特征混入被证明具有代表性的统计特征中,如果被选中,即可以用来做情感识别。(5)皮肤电信号情感识别模型的建立。利用上述方法提取的非线性特征,完成实验分析,总结出能够代表皮肤电情感信号在高兴、悲伤、愤怒、厌恶、恐惧、惊奇下的特征组合,建立起皮肤电信号各情感的二分类情感识别模型。研究结果表明:(1)通过IH-PSO算法的验证,本文的四种非线性特征是可以用来对皮肤电信号做情感分类识别的。(2)最小嵌入维数和样本熵能够代表高兴情绪的变化特点;时延和最小嵌入维数能代表悲伤情绪的变化;最小嵌入维数对识别愤怒的情感的贡献最大;时延能够反应惊奇情绪的变化;样本熵在识别厌恶的情感时有很大贡献;样本熵、关联维数和最小嵌入维数的组合最能反应恐惧情绪的变化。综合考虑上述分析,GSR信号可以用最小嵌入维(min-embedding dimension)、样本熵(sample entropy)、时延(time delay)和关联维(correlation dimension)等非线性特征来进行相关情感的分类识别研究,最终建立情感模型。