一种能识别情感状态的遗传算法及应用

将离散的情感状态的识别看成模式识别问题,运用组合优化的思想,从4种生理信号心电(ECG)、肌电(EMG)、皮肤电(SC)、呼吸信号(RSP)中抽取情感特征,将遗传算法和最近邻算法相结合构造出一种新的方法,以最近邻为准则,遗传算法寻优,尝试找出最能"代表"某一情感状态joy、anger、sadness、pleasure的最优情感特征组合模式.仿真实验表明,用肌电信号(EMG)来识别4种情感状态效果要好于用其他3种生理信号,按唤醒度轴方向识别情感状态较按效价轴方向识别情感状态效果好.     

基于生理设备的情感研究方法探析

情感因其自身的复杂性及其研究的多层次性和多模态性,必然会导致对其研究的多取向性.文章对基于脑电、皮肤电、心电、呼吸和肌电等多种生理设备的情感研究方法进行了归纳和总结.研究结果表明,生理信号与情感状态存在明显的映射关系,能更真实地反应出人的情感.并且随着人工智能的不断发展,这些生理信号在情感研究领域将会发挥更加显著的作用.另外,国内外针对该方面的研究,不管是理论方法还是应用领域等,都已经迈入了逐步成熟的阶段.     

基于XGBoost的多种生理信号评估心理压力等级方法

基于生理信号客观评估心理压力状态成为目前的研究热点,但最佳评估算法有待进一步探索.本文选择心算任务诱发受试者的心理压力,采集了21位在校大学生的脑电、心电、皮肤电导、脉搏波4种生理信号.提取各生理信号时域和频域的多种特征,使用方差分析(ANOVA)、最大相关最小冗余(mRMR)、单个特征支持向量机(SVM)分类准确率、随机森林(RF)特征重要性、梯度上升决策树(GBDT)特征重要性、极端梯度提升(XGBoost)特征重要性6种特征选择方法筛选出有效特征,利用SVM、K近邻(KNN)、高斯朴素贝叶斯(GNB)、自适应提升算法(Adaboost)、GBDT、XGBoost 6种分类器对提取的特征进行分类.结果得出,GBDT特征筛选与XGBoost分类器的组合模型对心理压力的等级评估效果最佳.     

基于脑电情绪识别的研究现状

情感分析作为人机交互的一项重要内容,近年来随着人工智能的大热取得了很大的发展.可以通过许多身体特征对人的情感进行计算评估,如血压、心电、肌电、皮肤等,EEG(脑电波)是大脑皮层神经元放电现象的总和,如何从脑电中识别出受试者的情感受到了各研究领域的广泛关注.文首先对人的情感进行了简要的解释,然后介绍了与EEG信号的记录、预处理、特征提取、信号的分类相关的方法、算法及研究现状.     

普适环境下基于脑电的身份及上下文状态识别

为了研究基于脑电的身份识别的具体实现,并满足用户对于普适和上下文状态感知的需求,提出了一种基于脑电的身份及上下文状态识别系统的实现方案.针对一局域范围内身份识别的普适化需求(如各接口身份验证),提出通过采集脑电、信号去噪、特征提取、模式识别各模块进行身份及上下文状态识别方法的普适化实现方案.并设计了具体实验来测试该系统.通过实验采集到5个受试者安静闭眼、听音乐闭眼和玩游戏后闭眼3种上下文状态的脑电信号,分别得到96.43%的身份识别正确率和92.31%的上下文状态识别正确率,证实了此方案的可行性.     

情感状态模糊识别的研究

相比人脸和语音表情识别,生理信号能更客观地反映人们的情感状态.基于生理信号的情感计算研究越来越引起人们的关注.针对情感状态具有模糊特性,提出应用模糊理论从生理信号中选取特征向量进行分类识别.与其他分类方式相比,采用模糊分类识别研究更有助于其他学科的研究人员对情感发生机理的理解和深入研究.比较模糊理论与其他分类方式的识别结果,实验结果表明模糊识别效果总体与其他方式差距不大,但对不同的状态识别效果差距较小.     

电生理诊断中实时数字滤波器的设计与实现

根据视觉电生理信号的特点，采用计算机软件方法实现了一种消除人体５０Ｈｚ工频干扰的实时带阻滤波器．     

实时动态闭环电生理硬件在环平台设计与实现

神经系统电刺激已经成为一种日益重要的神经科学机制探索工具和基本神经系统疾病的治疗手段，但基于期望响应的刺激信号获取需要大量的重复性实验．而且生理实验存在伦理性问题，基于纯软件仿真的电生理实验难以复现对应模拟量信号．利用硬件在环平台获取期望响应的最优刺激可解决上述问题，因此本文设计并实现了一个实时动态闭环电生理硬件在环平台，基于平台可以实现神经系统电生理，通过神经调控策略获取刺激信号，进行神经系统的刺激机制探索和基本神经调控手段的优化．本文设计的平台包括硬件回路和图形用户界面，其中硬件回路主要在数字信号处理器上构建，实现了人工神经系统和闭环控制器的片上集成；上位机图形用户界面的开发实现了人机交互，用户可根据需要进行不同模型、控制算法的闭环电生理实验．基于该平台，本文实现了皮层-基底核-丘脑回路神经网络的实时硬件计算，并获得了期望网络状态的刺激信号．结果表明，相比于I5-8400中央处理器的仿真模拟，该实时动态闭环电生理硬件在环平台可将神经元网络状态的高速计算提升近40倍．而且平台实现的迭代学习控制策略可进一步缓解传统比例积分闭环电生理实验中参数整定的难度，有效提高刺激信号的调控精度．     

基于生理信号感知的个性化复合情绪机器人

为了解决人机情感交互中机器人从感知外界刺激到情绪行为产生过程中的个性化问题,建立了一种基于生理信号感知的个性化复合情绪机器人系统.首先,利用情感空间切比雪夫距离与支持向量机,获取受试者实时的生理情绪状态,作为机器人感知信息的输入;然后,利用二阶阻尼系统生成感知强度;最后,基于大五人格量表实现个性化情绪输出.结果表明,中性激励下正向人格与负向人格的复合情绪出现个性化差异,其中正向人格的快乐情绪维持在高强度0.9附近,负向人格相反.具有正向人格设置的交互机器人输出的平静与快乐行为所占时间百分数分别为54.75%与45.25%.因此,机器人能够根据该系统生成具有不同人格因素的情绪走向,并做出相应的行为决策.     

基于MYO的肌电假肢手控制中手势在线识别系统

表面肌电(surface electromyography,s EMG)信号被广泛应用于临床诊断、康复工程和人机交互等领域中.针对目前控制肌电假肢手的电极成本高、电极佩戴困难以及操作灵活性差等问题,设计一种基于MYO的肌电假肢手手势在线识别系统.通过采集人体上肢前臂的表面肌电信号,在时域上分别提取5种特征值,利用反向传播(back propagation,BP)神经网络分类算法实现对8种手势动作意图的在线实时识别.实验结果证明,利用MYO进行手势识别可以获得较好的识别结果,该系统能够准确识别8种手部动作,平均在线识别率达到92%.     

C5.0决策树算法在基于混沌特征的情绪识别中的应用

生理信号的某些特征参数在不同情绪下会有不同的变化规律,在此基础上,对4种不同情绪(喜、怒、哀、乐)下的多生理信号(心电信号、肌电信号、呼吸信号、皮电信号)的混沌特征参量进行情绪识别。文中采用C5.0决策树分类器算法,以样本的属性作为节点,以属性的取值作为分支的树结构,解决了大样本情况下的机器学习问题。研究结果表明,C5.0决策树这种算法在基于混沌特征参量进行情绪识别方面具有较高的识别率。     

基于韵律语段的语音情感识别方法研究

语音情感识别领域提取情感特征时,普遍采用"不同情感类别,相同时长基准"的做法,忽略了人耳敏感的韵律段长会依情感不同而有所差异的现象。本文首先通过情感识别实验确定各类情感的最佳识别段长,作为人耳敏感韵律段长。并构造了基于韵律段特征的多重Elman网络模型,以期对不同情感基于特定敏感韵律段长进行识别和对多分类器识别结果进行有效融合,实现了对人耳情感辨识规律的模拟。结果表明,使用敏感韵律段特征的系统识别率达到67.9%,与使用定长语段特征相比有了很大的提高。     

EMD结合Teager能量用于语音情感识别

在语音情感识别系统中,语音情感特征的提取尤为重要,本文在前期已有对EMD分解研究的基础上,将EMD分解与Teager能量算子相结合,用于语音情感识别。文中首先利用EMD分解得到一组IMF分量,再对各阶IMF分量提取Teager能量,然后通过对不同语种的不同情感语音的Teager能量在Mel频率的分析,提出了一种新的情感特征：基于EMD分解的Mel频率的Teager能量谱系数(ETMC),最后利用SVM分类方法对不同语种的不同情感进行识别,实验结果表明,该方法有很好的识别结果。     

基于不同语音情绪的三维人脸动画控制参数预测

为提高三维人脸动画的控制精度,设计一种基于不同语音情绪的映射网络,预测三维人脸控制参数.对语音信号进行处理以生成语谱图;针对频域特征提取子网络和时频特征提取子网络,以卷积神经网络为架构融入通道注意力机制,强调语音情绪的特征提取能力;采用多轮交替运算的Mogrifier LSTM替换BiLSTM,强化前后语音情绪与人脸控制参数的对应关系,提高时序关联性.不同方法试验结果表明,本文设计方法能够实现不同情绪、不同人的语音情绪识别和三维人脸控制参数预测,相比于其他4种方法,在数据集的平均误差分别降低了23.9%、40.6%、13.4%和6.0%,在8种不同情绪中,本文方法的平均误差比融合CNN与BiLSTM方法降低了5.4%,在保证较高的时间平滑和控制参数预测精度的同时,进一步加强了三维人脸动画的流畅度和真实度.     

多品牌产品危机中企业应对策略对消费者购买意愿的影响研究——消费者负面情绪的中介作用

基于情绪认知理论,尝试关注多个企业同时陷入不可辩解型的群发性危机情景下,未曝光企业所采取的应对策略对消费者情绪及其品牌购买意愿影响的内在机制.实验选择真实的手机品牌作为刺激物,通过构建两个结构方程模型验证发现:(1)在多品牌产品危机中,未曝光企业选择主动介入与赔偿型措施时,涉事企业可获得消费者更高的品牌购买意愿;(2)涉事企业选择被动介入以及服务型措施时,消费者的介入评价对其负面情绪的影响程度更高;(3)消费者的负面情绪与其品牌购买意愿负相关,且消费者愤怒情绪较无助情绪对其品牌购买意愿影响更大;(4)消费者的负面情绪对消费者的介入评价与品牌购买意愿之间的关系具有部分中介作用.     

基于CNN-BiLSTM的脑电情绪分类模型及验证

情绪在人们的思考、行为和交流方式中起着重要作用。为提高脑电信号的情绪识别准确率,充分利用脑电信号的频率、空间和时间维度上的信息,提出一种基于CNN-BiLSTM(convolutional neural networks-bidrectional long short term memory)的脑电情绪分类神经网络模型。该模型由卷积神经网络和多层特征融合的双向长短时神经网络构成,卷积神经网络用于学习脑电信号的频率和空间特征,双向长短时神经网络则从卷积神经网络的输出中挖掘脑电切片之间的时序信息。借助离散情绪模型的SEED(sjtu emotion eeg dataset)数据集和连续情绪模型的DEAP(database for emotion analysis using physiological signals)数据集来进行情绪分类实验。实验结果表明,在SEED和DEAP两个数据集上,CNN-BiLSTM模型均取得了目前最好的情绪分类性能。此外,该模型的时序信息挖掘模块性能优于单层长短时神经网络,能够学习更多的时序信息。     

数字调制信号识别系统的DSP硬件实现

针对人工的信号识别设备不足,设计了基于DSP的数字调制信号识别系统．使用希尔伯特变换提取信号的瞬时信息,计算得到3个特征参数值,使用决策树分类器对信号进行分类．设计了用于通信信号识别的硬件系统,并制作了实际电路．在CCS软件环境下,使用c语言编程实现了调制信号自动识别算法．DSP硬件仿真结果表明,在信噪比不小于10dB时,系统平均识别正确率超过了98％．最后使用系统对信号发生器产生的调制信号进行了实时离线识别,实验结果表明,系统具有较好的识别正确率和实时性．     

基于改进线性预测基音频率的语音情感识别系统

针对目前常见的语音特征提取方法应用于真实环境中,所提取的语音特征包含有噪声干扰的问题,进而导致情感识别时出现的分类模糊化情况,为此提出一种新的语音特征提取方法,即线性预测基音频率特征提取方法。它主要是基于线性预测系数来构建模型,利用构建的模型消除声道响应信息以及抑制噪声干扰。由于此方法对于分类模糊化问题没有得到较好改善,利用模型相同的LPCMCC(LPC Mel cepstral coefficients,LPC美尔倒频谱系数)来对线性预测基音频率进行改进,并设计基于线性预测基音频率、其改进特征、LPCMCC与SVM(support vector machines,支持向量机)的语音情感识别对比实验。对比实验表明,此改进特征提取方法应用在情感识别领域的平均精度最高为84%,比线性预测基音频率和LPCMCC要高出22%、14%。为了测试此改进特征在真实环境中的分类效果,在此改进特征的基础上设计了一种基于MATLAB GUI技术的语音情感识别系统。实验结果表明这种新的改进特征能有效改善情感识别时出现的分类模糊化情况,基于此改进特征的语音情感系统能广泛地识别出噪声干扰下的说话人情感。     

基于时频空多维融合特征的脑电情感识别

脑电信号(Electroencephalogram,EEG)包含丰富的时间,空间和频率信息,是最能准确反映情感状态的生理信号,在情感识别领域发挥着重要作用。由于单特征的脑电情感识别研究方法存在缺失信息的问题,因此提出了三维融合特征的脑电信息处理方法,将脑电信号的微分熵频域特征和八种时域特征进行融合,按照电极片位置信息进行空间排布,提取脑电信号的三维混合特征。将注意力机制引入多任务卷积神经网络(Multi Task Attention Convolutional Neural Network,MTA-CNN),并将构造的三维特征作为输入进行测试分析。结果表明,所提出模型方法在DEAP数据集的效价维和唤醒维二分类问题准确率均有显著提升。     

基于MSVR和Arousal Valence情感模型的表情识别研究

通常的表情识别方法是对基本情绪进行表情分类,然而基本情绪对情感的表达能力有限。为了丰富情感的表达,研究采用Arousal-Valence情感模型,从心理学的角度对Arousal-Valence模型中Arousal维度和Valence维度之间的相关性进行了分析,并用统计学方法对AVEC2013,NVIE和Recola 3个数据集进行研究,实验结果表明它们之间具有正相关关系。为了利用Arousal-Valence 之间的相关性,采用多输出支持向量回归（multiple dimensional output support vector regression,MSVR）算法作为表情的训练和预测算法,并结合特征融合和决策融合提出了一种基于MSVR的两层融合表情识别方法。实验结果表明提出的表情识别方法比传统的方法能取得更好的识别效果。