论文部分内容阅读
随着科技的发展,人们对智能技术的要求也越来越高。情感计算也顺势产生,情感计算是赋予计算机能够对人类的情感进行侦测、分类、组织和回应的能力,从而使使用者获得高效而又亲切的感觉。人类感情通过表情、语音、手势和生理信号等方式表达,其中表情、语音和手势于物理表达方式,不一定能够很准确表达出人的情感。生理信号是由人体自然产生且易用传感器获得的信号,蕴含丰富的人类情感信息,这些信息变化能直接反映人类情绪状态。生理情感识别,能够识别出人的情感,充分了解人的情绪和心理状态,帮助人们更好的生活。本文从生理信号情感特征提取方法以及生理情感识别等方面做出一些探索,为了改善传统的特征提取和情感识别中相关缺点,分别采用传统特征提取算法和深度学习算法对生理信号进行特征提取和情感识别。其主要研究工作及成果总结如下:1.为了探索传统型特征提取方法在DataSet I生理库和DEAP公开生理库的识别效果,本文分别采用SVM和KNN分类器对其提取的生理特征进行情感识别。本文主要采用时域特征提取方法和频域特征提取。时域特征提取主要提取DataSet I生理库和DEAP公开生理库中生理信号的平均值、标准偏差、一阶差值的绝对值的平均值、归一化信号的一阶差值的绝对值的平均值、二阶差值的绝对值的平均值、归一化信号的二阶差值的绝对值的平均值六种统计特征。频域特征提取分别采用PSD和基于傅里叶变换的特征提取方法。2.提出傅里叶系数模型的生理信号特征提取方法,并应用于生理情感识别。本文基于傅里叶系数模型,分别提取生理信号的傅里叶系数特征、傅里叶系数特征的一阶差分和二阶差分以及全局特征(最大值、最小值、方差、中值和平均值)共计450个参数特征,采用支持向量机对DEAP库中生理信号进行情感识别,通过与统计值和PSD比较,实验表明傅里叶系数特征对生理信号情感识别是有效的。3.提出A-LSTM和C-LSTM模型的生理信号识别方法。本文将Attention机制与LSTM结合以及在LSTM模型中加入卷积层对生理信号信号进行特征提取和情感识别。Attention机制通过权重将模型的注意力集中在特征比较明显的生理信号段上,可以使模型更好对生理信号进行情感识别。而卷积层能够快速捕捉信号的局部信息,同时通过对一维向量的卷积后会降低特征维度,且通过实验发现在喜爱度这位标签上识别效果很好。图[21]表[12]参[79]