雙重結(jié)構(gòu)粒子群和K近鄰法用于生理信號情感狀態(tài)識別的研究.pdf

1、當(dāng)代信息科學(xué)技術(shù)的飛速發(fā)展使得人類對計算機的依賴程度不斷增強，人機交互能力越來越受到研究者的重視。如何實現(xiàn)計算機的擬人化，使其能夠感知周圍環(huán)境、氣氛、對象的態(tài)度、情感等內(nèi)容，適時做出響應(yīng)與并與用戶進行和諧的情感交流，已成為“人機情感交互”領(lǐng)域研究的一個熱點課題。讓計算機具有人類情感，首先就是要使計算機能夠理解人的情感狀態(tài)，并改善計算機識別情感狀態(tài)的能力，也就是進行情感計算。情感識別是情感計算的一個關(guān)鍵問題，是建立和諧人機環(huán)境的基礎(chǔ)之一。

2、 情感計算是當(dāng)前新興的課題之一，它是關(guān)于情感方面的計算，目的是賦予計算機識別、理解、表達和適應(yīng)人情感的能力。情感識別是情感計算的一個重要組成部分，情感識別研究的內(nèi)容包括面部表情、語音、姿勢、文本和生理信號識別等方面。生理信號是伴隨著的情感變化由人體內(nèi)部器官產(chǎn)生的生物電信號，更能客觀真實的反映出當(dāng)時的情感狀態(tài)。Ekman等人通過所做的一系列實驗得出的結(jié)論表明，至少對某些情感來說，其生理反應(yīng)是特異的，Picard教授帶領(lǐng)的MIT媒體

3、實驗小組證明應(yīng)用生理信號對情感識別的方法是可行的，因而為生理信號情感識別的進一步研究提供了可靠的理論支撐。 在情感狀態(tài)識別中，大量無關(guān)或冗余的特征往往會影響識別的速度和準(zhǔn)確率，因此需要特征選擇。特征選擇問題實質(zhì)上是組合優(yōu)化問題，雖然有一些學(xué)者提出了許多搜索算法，但是到目前為止還沒有公認(rèn)有效的搜索算法。雙重結(jié)構(gòu)粒子群(Dual—Structure ParticleSwarm Optimization，DSPSO)算法是一種基于群智

4、能的全局優(yōu)化算法，其獨特的結(jié)構(gòu)使得連續(xù)粒子群可以用于解決組合優(yōu)化問題，且具有編碼簡單、個體數(shù)目少、計算速度快、種群多樣性好、易于理解、易于實現(xiàn)等特點。因此，論文研究將DSPSO算法應(yīng)用于情感生理信號的特征選擇問題，以提高情感狀態(tài)的識別率。 在特征搜索過程中需要對所選特征組合進行評價，評價過程是一次分類識別的過程。由于K近鄰(K-Nearest Neighbors，KNN)分類算法快捷高效，在需要多次調(diào)用分類識別的特征搜索過程中，

5、KNN有其獨特的優(yōu)勢。因此，論文研究將KNN分類識別算法作為特征搜索過程中的評價函數(shù)，以提高計算速度。 本文首先以德國奧格斯堡大學(xué)多媒體與信號處理實驗室的數(shù)據(jù)為例(四種情感狀態(tài)(高興(Joy)、憤怒(Anger)、悲傷(Sadness)、愉悅(Pleasure))下的四種生理信號(肌電(Electromyogram，EMG)、皮膚電(Skin Conductivity,SC)、心電(Electrocardiogram,ECG)、

6、呼吸(Respiration，RSP)))，對基于生理信號情感識別進行了研究，針對德國數(shù)據(jù)本文主要做了以下四方面的工作： (1)針對生理信號情感識別中的特征冗余問題，研究將計算智能的思想引入到情感生理信號的特征選擇中，以期證明能否提高情感狀態(tài)的正確識別率。采用DSPSO-KNN方法進行情感生理信號的特征選擇，使用單一生理信號以及多種生理信號對單一情感以及多種情感進行了識別研究。 (2)針對DSPSO-KNN在原始特征維數(shù)

7、較多時效果不好的情況。利用基于混沌變異小生境多種群的DSPSO-KNN進行情感生理信號的特征選擇，以改善高維的特征選擇效果。對單一生理信號識別單一情感及多種情感進行了研究，同時，在單一生理信號的基礎(chǔ)上，研究了多種生理信號識別單一情感及多種情感。 (3)針對研究過程中出現(xiàn)多類識別時的不可分類現(xiàn)象，本文提出了增量K的KNN多類識別算法；由于在算法趨近于收斂時會出現(xiàn)大量的重復(fù)粒子，本文將查找表方法應(yīng)用到搜索過程中以期減少不必要的計算。

8、 (4)為了體現(xiàn)論文方法的優(yōu)越性，采用DSPSO-KNN和傳統(tǒng)的順序浮動前向搜索(Sequential Floating Forward Selection，SFFS)和順序浮動后向搜索(Sequential FloatingBackword Selection，SFBS)特征選擇方法進行情感狀態(tài)識別的效果對比。 為了進一步開展研究工作，我們測試了391名在校大學(xué)生(兩種情感狀態(tài)(高興(Joy)和悲傷(Sadness))

9、下的心電信號(ECG))，并使用效果較好的150個樣本進行識別研究，做了以下工作： 對測得的心電數(shù)據(jù)預(yù)處理后，運用小波變換進行P-QRS-T波定位后提取統(tǒng)計特征，采用提取的特征進行特征選擇以及情感識別。 論文通過大量仿真實驗證實了上述工作的正確性，取得了如下幾方面的研究成果： (1)從四種生理信號中提取了193個原始特征，采用DSPSO-KNN方法進行特征選擇。單一生理信號中，肌電信號識別四種情感效果最好，達到8

10、3％；皮膚電信號識別效果最差，只有51％；四種生理信號識別四種情感得到了93％。 (2)通過仿真實驗得知：在特征維數(shù)較少時，改進的DSPSO-KNN沒有優(yōu)勢，但是特征維數(shù)較多時，改進的DSPSO-KNN效果明顯更好。比如肌電信號和皮膚電信號的原始特征維數(shù)為21個，改進前后兩者的識別率基本一樣；而心電信號原始特征維數(shù)為84個，改進前最好識別率為69％，改進后最好識別率為73％。通過對DSPSO-KNN特征選擇的統(tǒng)計發(fā)現(xiàn)一些特征確實

11、在識別某些情感時有特殊的貢獻，其中肌電信號的二階差分中值不論是在單一信號還是多個信號識別愉悅時幾乎都是百分之百被選中。 (3)增量K的KNN多類分類算法不僅解決了不可分現(xiàn)象，而且識別率得到了提高，比如肌電信號識別四種情感時識別率為83％，而傳統(tǒng)的兩種方法分別為79.4％和80％：采用查找表方法后，以肌電信號識別四種情感為例，固定迭代200代，由原來的75.54秒減少到15.21秒。 (4)采用四種生理信號識別四種情感狀態(tài)

12、時，SFFS的最好識別率為93％，33個特征，SFBS的最好識別率為92％，23個特征，改進后的DSPSO-KNN最好識別率為93％，12個特征。 (5)通過實驗室自測的ECG信號對高興和悲傷兩種情感進行了識別研究，ECG信號識別高興和悲傷的最優(yōu)特征組合包含7個特征。識別率達到87.33％。 通過本文的研究可以看出，DSPSO和KNN結(jié)合的方法(DSPSO-KNN)是一種較好的情感生理信號特征選擇方法，通過使用該方法可以