学位论文 > 优秀研究生学位论文题录展示

两种改进的粒子群算法在皮肤电信号情感识别中的研究

作　者: 吴光华
导　师: 刘光远
学　校: 西南大学
专　业: 信号与信息处理
关键词: GSR信号 情感识别 HPSO IH-PSO 后向序列选择算法 特征组合 Fisher分类器
分类号: TN911.7
类　型: 硕士论文
年　份: 2011年
下　载: 52次
引　用: 1次
阅　读: 论文下载
 

内容摘要


目前可以采用相关的皮肤电导监控系统来检测人的生理状态,但是有关GSR信号中蕴含的情感信息方面的研究还很少。本文主要研究的是六种情感状态(高兴、惊奇、厌恶、悲伤、愤怒和恐惧)和GSR信号特征之间的对应关系,研究的过程主要分为训练和验证两个阶段。为建立丰富的GSR情感生理数据库,长期招募被试,并利用精心挑选的能够代表高兴、惊奇、厌恶、悲伤、愤怒和恐惧情感色彩的电影片段激发相应情感,采用Biopac公司生产的多通道生理信号采集仪MP150记录各被试的GSR信号,实验过程中,为确保数据的有效性,主试应该密切关注被试在观看影片时的情况并实时标注,再对采集到的原始GSR信号数据进行滤波、标准化和归一化处理。根据主试的标记和电影片段最能激发相应情感的时间段,选取了若干组有效数据,包括：194组高兴数据、159组惊奇数据、82组厌恶数据、221组悲伤数据、224组愤怒数据和189组恐惧数据,并对上述各组数据进行特征提取,提取了能够代表GSR信号变化的30个统计特征,为下一步的特征选择过程做好准备。在特征选择过程中,选用了传统的序列后向选择(SBS)算法和两种改进的粒子群智能优化算法,并选用Fisher分类器。在上述过程中,将目标情感看做第一类,而将其他情感看做第二类。针对基本PSO算法容易陷入局部极小的情况,选用改进的两种PSO算法,其中一种是在添加了惯性权重、邻域搜索和交叉变异算子的混合粒子群(Hybrid Particle Swarm Optimization, HPSO)算法,另一种是将生物免疫系统的自调节理念引入到HPSO算法中,将惯性权重设置成自适应调节形式的免疫混合粒子群算法(Immune Hybrid Particle Swarm Optimization, IH-PSO)1。对比分析上述各特征选择算法寻找到的最优特征组合的验证识别效果,得到的结论如下：(1)SBS算法和PSO算法均在识别恐惧和惊奇情感时效果尤为明显,在识别厌恶情感时效果不佳；(2)在识别特定情感时,智能优化算法PSO获得的验证识别效果都优于传统的SBS算法;(3)采用IH-PSO寻找到的解识别目标情感的正确识别率、第二类情感的正确识别率、最优特征组合的验证适应度都高于HPSO的情况,表明在添加了免疫机制后,能够有效地解决HPSO算法容易陷入局部极值的缺点。(4)从六种情感中任意挑选两种进行一对一识别研究,共比较了15种组合,将与每种情感相关的最优特征组合结果进行对比,找出了在相应情感识别中的较优特征,然后将其与IH-PSO选择到的最优特征组合中特征组成成分进行了比较,找出相同特征,分析出这些特征时最能够反映各情感变化。

全文目录


摘要  5-7
ABSTRACT  7-9
第一章 绪论  9-17
  1.1 情感识别  9-11
  1.2 基于皮肤电信号的情感识别研究进展  11-14
  1.3 论文的创新之处  14
  1.4 论文整体结构  14-17
第二章 皮肤电信号的采集和特征提取  17-23
  2.1 认识皮肤电(GSR)信号  17-18
  2.2 皮肤电(GSR)信号的采集  18-20
    2.2.1 采集系统  18-19
    2.2.2 实验安排  19-20
  2.3 皮肤电(GSR)信号的预处理  20-21
    2.3.1 去躁过程  20-21
    2.3.2 数据的标准化过程  21
  2.4 皮肤电(GSR)信号的特征提取  21-22
  2.5 小结  22-23
第三章 基于GSR信号的特征选择  23-35
  3.1 特征选择问题  23-24
  3.2 特征选择的方法  24-34
    3.2.1 序列后向选择算法  24
    3.2.2 粒子群优化算法  24-34
  3.3 小结  34-35
第四章 解决基于GSR信号情感识别问题的FISHER分类器设计  35-39
  4.1 分类器的设计原理及其分类  35
  4.2 线性FISHER分类器  35-37
  4.3 适应度函数的选择  37-38
  4.4 小结  38-39
第五章 基于GSR信号的情感识别结果分析  39-57
  5.1 权重系数对情感识别研究的影响  39-41
  5.2 后向选择算法进行情感识别的效果  41-44
  5.3 改进的粒子群算法进行情感识别的效果  44-56
    5.3.1 两种改进粒子群算法识别单一情感时的效果比较  45-50
    5.3.2 IH-PSO进行一对一情感识别效果  50-56
  5.4 小结  56-57
第六章 总结与展望  57-59
  6.1 总结  57
  6.2 展望  57-59
参考文献  59-63
附录  63-65
致谢  65-67
攻读硕士期间研究成果及发表的学术论文  67

相似论文

  1. 基于多重分形的语音情感识别研究,TN912.34
  2. 语音情感识别的特征选择与特征产生,TP18
  3. 基于高斯特征的人体运动情感识别研究,TP391.41
  4. 基于脑电的情感识别,TP391.4
  5. 智能化教学中的情感识别方法研究,TP391.41
  6. 语音情感识别研究,TN912.34
  7. 音乐情感识别方法的研究,TP391.4
  8. 基于语言混合特征的情感识别研究,TN912.3
  9. 基于加工特征的零件设计方法研究,TH161.1
  10. 多特征结合的语音情感识别方法研究,TN912.3
  11. 小波变换提取ECG信号情感特征的研究,TP391.41
  12. 脑电信号在情感识别中的研究,TP391.4
  13. 现代汉语会话过程中的预示语列研究,H146
  14. 基于独立分量分析的语音情感识别研究,TN912.34
  15. 多源遥感图像配准技术研究,TP751
  16. 基于多特征组合和SVM的视频内容自动分类算法研究,TP391.41
  17. 人脸表情识别中的跟踪与识别方法研究,TP391.41
  18. 面向动漫素材的特征提取与分类识别,TP391.41
  19. 基于特征参数的语音情感识别,TN912.34
  20. 基于脉搏信号的情感识别研究,TP18

中图分类: > 工业技术 > 无线电电子学、电信技术 > 通信 > 通信理论 > 信号处理
© 2012 www.xueweilunwen.com