非線性預測在皮膚電信號情感識別中的研究.pdf

1、在基于生理信號的情感識別研究中，對信號進行特征提取通常是研究的關鍵所在。據(jù)此，為了進行有效的情感識別，達到提高識別率的目的，本文將準確提取能夠反映真實情感變化規(guī)律的特征作為研究的重點。本文根據(jù)生理信號的不可掩飾性，在喚起被試高興(happy)、悲傷(grief)、恐懼(fear)、憤怒（angry）四種真實情感的基礎上截取可靠的皮膚電信號，建立情感生理信號數(shù)據(jù)庫。根據(jù)皮膚電的非線性特性，首次提出利用Volterra非線性預測的方法對情感

2、狀態(tài)下皮膚電信號的非線性規(guī)律進行模擬，設計了Volterra級數(shù)預測模型;并針對預測濾波系數(shù)不易收斂及預測結果存在時延的缺點，提出利用神經(jīng)網(wǎng)絡來求解Volterra級數(shù)各階核的方法，以改進系數(shù)矢量計算方式，加快濾波系數(shù)收斂并提高了預測精度，完成了對于該預測模型的改進。之后本文根據(jù)改進的預測模型提取了有效非線性特征，對目標情感進行分類識別研究，得到了提高識別率的效果，證明了該方法對情感識別的有效性。最后本文采用蟻群優(yōu)化算法結合隨機森林分類

3、器對本文提取的所有線性、非線性特征進行特征選擇，在保證識別率的基礎上降低了特征維數(shù)，最終結果中四種情感識別效果均達到百分之八十以上，效果最佳的悲傷情感識別率達到95％，與之前相關研究所得出的結果相比有了明顯改善。
　　本文具體做了以下工作:
　　(1)確定數(shù)據(jù)采集方案并建立情感生理信號樣本數(shù)據(jù)庫。選擇了具有較高喚起度的電影片段與平靜視頻進行剪輯，充分激發(fā)被試憤怒、恐懼、高興、悲傷四種目標情感，詳細記錄實驗過程，分析采集到的數(shù)

4、據(jù)，截取誘發(fā)效果較好的信號建立樣本庫。(2)皮膚電非線性、可預測性分析。用替代數(shù)據(jù)法證明皮膚電的非線性特性;通過對非線性信號及隨機信號的預測結果進行對比，證明復雜系統(tǒng)中運用非線性預測方法對系統(tǒng)進行預測可以還原其原本規(guī)律，而隨機信號根本不存在可預測性。
　　(3) Volterra級數(shù)的預測模型設計。通過對皮膚電時間序列進行向空間重構，在高維空間中恢復出混沌吸引子，利用Volterra級數(shù)的展開式構造新的函數(shù)逼近原函數(shù)，找出隱藏在混

5、沌吸引子中的演化規(guī)律，使現(xiàn)有數(shù)據(jù)納入某種可描述的框架之下，由系統(tǒng)當前狀態(tài)獲得下一時刻的狀態(tài)，構造Volterra級數(shù)的預測模型。
　　(4)改進預測模型，構造含有較強情感規(guī)律的時間序列。提出利用神經(jīng)網(wǎng)絡來求解Volterra級數(shù)的各階核，改進系數(shù)矢量計算方式，從而加快了濾波系數(shù)收斂并提高了預測精度，重構出含有明顯情感變化規(guī)律的非線性時間序列，在此基礎上進行特征提取，保證所提取特征的真實有效性。
　　(5)對情感狀態(tài)下皮膚電信

6、號的非線性特征進行分析及提取。在對采集到的皮膚電信號進行濾波、歸一化等預處理之后，計算其根據(jù)改進的預測模型得出的時間序列，采用非線性的方法分別對皮膚電原始信號以及預測后重構的時間序列進行非線性特征分析，比較其熵、維數(shù)等非線性參數(shù)，并用特征驗證證明提出的這些非線性特征可以用來做情感識別。
　　(6)蟻群優(yōu)化算法結合隨機森林分類器進行特征選擇及情感識別。加入情感識別效果較好的線性特征，利用改進后的蟻群優(yōu)化算法對所有的非線性特征以及加入

7、的線性特征進行特征選擇，并利用隨機森林分類器對結果進行分類，從憤怒、恐懼、高興、悲傷四種混合情感中識別出目標情感。
　　實驗結果表明:
　　(1)皮膚電信號為非線性信號，存在較強的非線性規(guī)律并有較強的可預測性。
　　(2) Volterra級數(shù)預測法可以較好的對情感狀態(tài)下皮膚電的運動趨勢作出短期預測，并在一定程度上還原了皮膚電的情感規(guī)律，導致非線性特征在原始信號和預測信號計算結果中的存在差異。
　　(3)在經(jīng)過V

8、olterra級數(shù)預測處理后的皮膚電時間序列加強了自身非線性規(guī)律，應用預測后所提的非線性特征可提高目標情感的正確識別率;表明Volterra級數(shù)預測在情感識別中具有一定的研究價值與意義。
　　(4)蟻群優(yōu)化算法對本文提出的線性、非線性特征進行特征選擇，結果中改進預測方法后的皮膚電信號提取的非線性特征入選率較高。
　　(5)本文所提的所有特征對信號的線性及非線性規(guī)律都有了詳細的描述，最終得到了高興(80.44％)憤怒(81.2