皮膚電信號下學(xué)習(xí)焦慮的識別與調(diào)節(jié)技術(shù)研究.pdf

1、在心理學(xué)和教育學(xué)領(lǐng)域的研究中，學(xué)習(xí)焦慮一直受到廣大學(xué)者和研究人員的重視，但是也存在很多的問題。目前，還不能夠準確定量的反映出個體是否存在學(xué)習(xí)焦慮情緒，大多是通過量表和生理檢測手段對學(xué)習(xí)焦慮狀態(tài)進行定性的刻畫，缺乏能夠定量分析的可靠方法和技術(shù)手段。同時，對學(xué)習(xí)焦慮缺乏有效的實時監(jiān)測與調(diào)節(jié)策略改善，這使得調(diào)節(jié)者不能準確掌握個體的適應(yīng)度、接受度，這些都極大的降低了情感調(diào)節(jié)的可操作性。由于生理信號的客觀真實性，基于生理信號的學(xué)習(xí)焦慮識別成為了情

2、感計算領(lǐng)域的重要研究方向。本文主要是利用設(shè)計的一套實驗方案來采集被試的皮膚電信號，并針對皮膚電的學(xué)習(xí)焦慮識別提出了一種改進的離散二進制粒子群算法做特征選擇，并使用BP神經(jīng)網(wǎng)絡(luò)做學(xué)習(xí)焦慮的識別；在情感調(diào)節(jié)方面，參考Gross的情感調(diào)節(jié)模型，提出了人機交互環(huán)境下學(xué)習(xí)焦慮的調(diào)節(jié)模型，最后根據(jù)研究的理論成果設(shè)計和開發(fā)了基于Android的學(xué)習(xí)焦慮識別與調(diào)節(jié)助手。具體工作如下：
　?。?）實驗數(shù)據(jù)采集和特征提取。根據(jù)采集設(shè)備Shimme r

3、3 GSR的特點以及情感誘發(fā)方案設(shè)計了一個采集學(xué)習(xí)焦慮的GSR信號的實驗，實驗設(shè)置兩組實驗場景，一組實驗場景為模擬的外語課堂環(huán)境，該組主要是采集被試的學(xué)習(xí)焦慮的10min數(shù)據(jù)；另一組為觀看輕松、緩和的視頻的環(huán)境，該組主要是采集被試正常狀態(tài)下的10min數(shù)據(jù)。接下來進行數(shù)據(jù)預(yù)處理，即根據(jù)被試在實驗過程中反應(yīng)，截取了20S被試在學(xué)習(xí)焦慮狀態(tài)下和非學(xué)習(xí)焦慮狀態(tài)下的信號，實驗過程中，總共有43個被試參加，經(jīng)篩選，最終有35個被試的實驗數(shù)據(jù)合格，

4、即35個學(xué)習(xí)焦慮的實驗樣本數(shù)據(jù)以及35個非學(xué)習(xí)焦慮的樣本數(shù)據(jù)。因此本文實驗中產(chǎn)生了70個原始樣本數(shù)據(jù)。然后對原始樣本進行小波去噪以作為新的樣本，并提取每個樣本的30個時頻域統(tǒng)計特征。
　?。?）特征組合優(yōu)化與學(xué)習(xí)焦慮的識別。主要是建立特征優(yōu)化模型和分類器模型。在特征組合優(yōu)化過程中，本文采用了離散二進制粒子群優(yōu)化算法(PSO)，并從增強粒子多樣性、提高收斂速度以及跳出局部最優(yōu)等方面改進了離散二進制粒子群算法；在學(xué)習(xí)焦慮的識別過程中，

5、采用了BP神經(jīng)網(wǎng)絡(luò)作為識別模型，并在基礎(chǔ)上確定了特征優(yōu)化的適應(yīng)度目標函數(shù)。最終給出了特征組合優(yōu)化結(jié)果和學(xué)習(xí)焦慮的識別結(jié)果。實驗結(jié)果表明改進的粒子群算法選擇的最優(yōu)特征子集在BP神經(jīng)網(wǎng)絡(luò)中收斂效果要好、識別率較高。
　?。?）建立學(xué)習(xí)焦慮的調(diào)節(jié)模型。建立了基于Gros s情感調(diào)節(jié)模型的人機交互下的學(xué)習(xí)焦慮調(diào)節(jié)模型，這種調(diào)節(jié)模型能從環(huán)境控制、注意力改變、用戶認知重評、用戶能力與表達抑制等方面綜合考慮并對學(xué)習(xí)焦慮情緒進行調(diào)節(jié)。