生理信號情感識別中的特征組合選擇研究.pdf

1、生理信號情感識別實驗采用視頻作為喚起材料，以激發(fā)高興、驚奇、厭惡、悲傷、憤怒和恐懼六種情感，記錄被試的皮膚電反應(yīng)(GSR)、心率(HR)、脈搏(Pluse)、呼吸(RSP)、心電(ECG)和面部肌電(EMG)等信號作為情感生理反應(yīng)樣本。
　　 針對生理信號情感識別中特征組合選擇的問題，在前期工作中采用具有模擬退火機制的遺傳算法、最大最小蟻群算法和粒子群算法等智能算法對從200余名大學(xué)生被試樣本中提取的初始特征進行特征組合的選擇，

2、發(fā)現(xiàn)很難得到一致的解，且維數(shù)偏高等問題。針對這類特征選擇算法的不足，在后期工作中采用mRMR、SVM-REF、▽SVM-REF和SVM-Weighted算法對從400余名大學(xué)生被試的樣本中提取的初始特征進行特征組合的選擇，并用Fisher分類器和SVM分類器對六種情感進行分類，獲得了較高的識別率。最后找出了對情感識別系統(tǒng)模型的構(gòu)建具有較好性能且穩(wěn)定的特征組合。具體做了以下工作：
　　 (1)對皮膚電反應(yīng)、心率、呼吸、心電、脈搏和

3、面部肌電等生理信號進行預(yù)處理：利用解卷積算法將皮膚電反應(yīng)信號分解為突變信號和緩變信號，利用小波變換技術(shù)將面部肌電和心電進行多層分解并且重構(gòu)，對呼吸信號和脈搏信號進行濾波去噪，然后提取以上幾種生理信號的頻域特征和時域統(tǒng)計特征。
　　 (2)由于對情感識別缺乏相應(yīng)的先驗知識，所以不得不提取大量的原始特征，遍歷特征空間中所有的特征組合顯然是不可能的。所以針對特征組合搜索空間過于龐大的問題，在前期工作中采用具有模擬退火機制的遺傳算法、最

4、大最小蟻群算法和粒子群算法等智能算法進行特征組合的選擇，想利用該類型算法較強的遍歷策略，能夠較好地進行廣度和深度的搜索。但在實際應(yīng)用中發(fā)現(xiàn)由于該類型算法的隨機性，很難使得到的特征組合收斂(即算法每次運行的結(jié)果都不一致)，并且由于算法本身要進行大量的迭代，使得時間耗費過大(通常是數(shù)十小時)。
　　 (3)針對上述問題，并參考國內(nèi)外主流的特征選擇算法，采用了mRMR、SVM-REF、▽SVM-REF、SVM-Weighted算法進行