|
1.吉林大學 儀器科學與電氣工程學院，吉林 長春130061。摘要： 情緒與人類的行為、家庭及社會密切相關(guān)。情緒不僅能反映人類的各種感覺、思想和行為，而且也是各種外部刺激所產(chǎn)生的心理和生理反應(yīng)，所以在很多領(lǐng)域中對情緒的正確識別十分重要。情緒的變化會導致腦電圖(EEG)信號發(fā)生變化，反之，這些變化也反映了情緒狀態(tài)?；贒EAP數(shù)據(jù)庫，對EEG信號進行時域特征和頻域特征提取，通過PCA主成分分析法對特征進行降維處理。利用加權(quán)KNN算法進行5折交叉驗證訓練，最終對興奮(excited)、放松(relaxed)、沮喪(depressed)、憤怒(angry)4種情緒狀態(tài)的識別準確率達到80%。情緒是人們對客觀事物的一種反饋方式，更是人們情感的表現(xiàn)方式，故而情緒識別被廣泛應(yīng)用于人工智能、心理學、情感計算、計算機視覺和醫(yī)學治療等領(lǐng)域[1]。生理信號是由人體內(nèi)的自主神經(jīng)系統(tǒng)活動而產(chǎn)生的，既不會受到人為意志的控制，也不會被偽裝，可以客觀地反映人體的生理和心理活動狀態(tài)，因而可以作為一種能夠較準確判斷情緒狀態(tài)的依據(jù)。隨著科學技術(shù)的發(fā)展，基于生理信號(腦電、心電、脈搏、呼吸、皮溫、肌電、皮膚電導)的情緒識別的研究取得了大量的成果。文獻表明，與大腦活動最密切的EEG信號可以最真實地反映出人的情緒狀態(tài)[2]。近年來，基于腦電信號的情緒識別是當前關(guān)于情緒研究領(lǐng)域和人機交互領(lǐng)域的熱門課題。Pane等人提出了一種將情緒側(cè)化和整體學習相結(jié)合的策略，對DEAP數(shù)據(jù)集采用隨機森林的方法進行分類，分類準確率為75.6%[3]；Verma等人基于DEAP數(shù)據(jù)庫使用支持向量機(Support Vector Machine，SVM)進行多模態(tài)情緒識別[4]；Kolodyazhniy利用K-近鄰算法和交叉驗證的方法對34名參與者的數(shù)據(jù)集進行分析，對恐懼、悲傷及中性3種情緒狀態(tài)的識別準確率最高達73.2%[5]。但這些方法識別情緒種類不多且準確率較低，對此，本文提出一種采用加權(quán)KNN算法、基于DEAP數(shù)據(jù)庫的5折交叉驗證的方法實現(xiàn)對興奮(excited)、放松(relaxed)、沮喪(depressed)、憤怒(angry)4種情緒的準確識別，識別準確率高達80%。文章來源：《電子技術(shù)應(yīng)用》雜志9月刊
|
