典型生理信號綜合測量及情緒識別研究.pdf

1、情緒在人類的感知、推理、決策的過程中扮演著極其重要的角色，長期以來，對情緒的研究只存在于心理學和認知科學領(lǐng)域。近年來，隨著人工智能的發(fā)展，情緒研究與新興的機器學習方法相結(jié)合產(chǎn)生了基于機器學習的情緒識別這一嶄新的研究方向。目前，用于情緒識別的對象一般有面部表情、語音、語義、姿態(tài)和生理信號，其中生理信號作為人類最真實的情緒體現(xiàn)，攜帶著豐富的情緒信息。
　　在機器學習方面，基于統(tǒng)計學習理論的支持向量機的實現(xiàn)解決了神經(jīng)網(wǎng)絡(luò)等機器學習方法遇

2、到一些重要的困難，比如如何確定網(wǎng)絡(luò)結(jié)構(gòu)、過學習與欠學習問題、局部極值問題等，因此其在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出特有的優(yōu)勢。論文即采用了支持向量機算法對生理信號進行訓練和識別，主要工作內(nèi)容如下：
　　(1)對德國 Augsburg大學提供的心電、肌電、呼吸、皮膚電四種情緒生理信號進行分析、處理，構(gòu)造了193個情緒特征向量，并建立了包含高興、憤怒、悲傷和喜悅四種情緒的情緒模型。
　　(2)將支持向量機算法和留一

3、法結(jié)合，對單個生理信號及其四個信號的組合分別進行訓練來識別情緒模型中的四種情緒，單個以及四種生理信號對所有情緒的識別率最低可達65％和73%。
　　(3)對四種生理信號構(gòu)造一對多、一對一、二叉樹方法的多類情緒分類器并用留一法交叉驗證?？紤]容錯識別時，高興的最低識別率為76%，憤怒的最低識別率為84%，悲傷和喜悅的最低識別率為52%和56%。
　　(4)利用集成化的傳感器和自主設(shè)計的檢測電路，設(shè)計了植入智能服飾的便攜移動式測量