基于用户独立模型的生理情感识别.pdf

基于用户独立模型的生理情感识别.pdf独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名: 签字日期: 年月日学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明) 学位论文作者签名: 导师签名: 签字日期: 年月日签字日期: 年月日摘要由于生理信号在情感识别中的优势,基于生理信号的情感识别的研究成果已经在人机交互、教育、医疗护理等方面得到应用。用户依赖的情感识别系统已能达到令人满意的结果。然而,实际应用中需要用户独立的识别系统,对新加入系统的用户数据识别率不高。因此构建用户独立模型,选择用户普适的、分类能力良好的生理特征是亟待解决的问题。针对上述问题,文章提出性化归一处理的用户独立模型,对多名被试者观看中性、悲伤、恐惧和高兴四种情感的音视频诱导源时的心电(ECG)和皮肤电反应(GSR)信号,预处理,提取特征,构成情感生理特征库。对被试者各自的四类样本的除以其标准差进行归一化处理,然后PCA降维,并根据样本在主元空间的分布,计算情感样本的聚集度,最后进行分类。对5名被试者的数据实验, 结果显示,样本类内聚集度高,类间散度大。交叉验证的识别率高达99%,留一被试验证的平均识别率不足50%,说明该用户独立模型适用用户全采样识别系统, 在小采样率空间中识别率不高。本文使用相关性分析和谱聚类算法分析特征冗余度,使用成对约束评分准则对特征分类能力定级。对Aubt、一名被试者和12名被试者的实验结果显示,心电的P、Q、R、S、T间期特征几乎完全相关,可以使用一个特征代替;GSR特征也可以由若干特征组合代替。Aubt和一名被试者的特征库的评分显示,心电信号的周期特征分类能力较强,皮电特征较弱,然而每个特征的分类能力具有个体的差异性。12名被试者特征库的所有特征评分没有明显差异。这说明,个体具有个性的情感生理空间,文章提取的统计特征普适性不高。本文提出的用户独立模型在固定用户的识别系统中有很高的识别率,在小采样率的系统中的不适用的缺陷,可以通过增加样本覆盖率,对被试者群体分类归一化进行改善。文章提取的特征冗余性较大,适当选择特征子集可减少特征维度; 特征普适性不高,对构建普适模型产生困难,未来研究工作有必要加入生理基线校准、去量纲的过程,并将个体特征空间映射到通用特征空间。关键词: 情感识别;生理信号;用户独立模型;特征选择 ABSTRACT Emotion recognition technology using physiological signals has been applied in education, medical care and other aspectsand the system based on users-dependent model achievedsatisfactory results. But theperformance ofuser-independent system that the practical applications required wasnot good added by a new person’s test data, the system classifying rate decreasessignificantly. So, buildinga user-independent model and choosing common featureswith good classification ability are pervasive problems to be solved. Aiming tosolve the problem referred above,several volunteers’ECGand GSR were collected, during the experience of four kinds of basic emotionsinducedby videos. After preprocessing, features were extracted, and build