论文部分内容阅读
随着计算机技术的发展，人们在日常生活中越来越多与各种机器和电子设备打交道。然而，人们并不满足于仅仅与冷冰冰的电子设备打交道，而是希望更好的与这些机器进行交流互动。近年来，人工智能技术发展迅猛，为机器赋予情感理解的能力，并让机器能够表达情感，成为人们的一个梦想。情感识别已经引起越来越多研究者的兴趣，许多学者试图从不同的角度去研究情感识别问题，目前常见的情感识别方式有语音、面部表情、姿态以及生理信号等等。由于生理信号与情感之间存在内在关联，具有客观、不易伪装的特性，而且脑电信号作为生理信号的其中一种，比其他外围生理信号对情感的反应更加迅速而灵敏。因此本文主要是研究基于人体脑电信号的情感识别问题。 本文利用DEAP生理数据库来研究脑电信号的情感识别问题。首先，使用聚类算法来确定情感状态的目标类别，分别探讨了情感二分类和情感四分类问题。然后分别比较了两种不同的特征提取方法:一种是小波变换;另一种是非线性动力学。其中非线性动力学方法包括近似熵和样本熵两种方法。同时，研究了基线特征对情感识别效果的影响，分别在使用基线特征和不使用基线特征的情形下对情感识别的效果进行了比较。接下来，研究了五种特征降维算法对情感识别效果的影响。比较了四种不同模型的情感识别效果，包括k-最近邻(k-Nearest Neighbor,KNN)、朴素贝叶斯(Naive Bayes，NB)、支持向量机(Support Vector Machine，SVM)和随机森林(Random Forest，RF)。研究结果表明，核谱回归判别分析(Kernel Spectral Regression discriminant analysis，KSR)降维方法和随机森林分类器的组合对情感状态的分类效果最好。在脑电信号的五种节律中，Gamma节律与情感状态联系最为紧密。在非线性动力学特征中，将近似熵脑电特征和样本熵脑电特征联合使用时要比分别使用单一特征时效果更好。最后，通过对脑区与情感关系的研究发现，只使用部分脑区的少量电极也可以达到90％以上的分类准确度，这些电极主要分布在额叶皮层。