非线性情感特征提取：基于皮肤电导的研究与SVM分类

"这篇论文是2014年发表在《西南大学学报(自然科学版)》第36卷第6期的科研成果，主要探讨了利用皮肤电导进行非线性情感特征提取的研究。作者通过实验室的情感诱发实验，采用两遍情感视频播放，收集被试者的情感皮肤电信号，并在第二次观看时获取“情感重评按键文件”。论文中应用了多种非线性分析技术，包括最大Lyapunov指数、关联维、近似熵、递归定量分析和多重去趋势波动分析等，来提取情感特征。在情感识别性能的比较中，研究发现支持向量机（SVM）作为分类器表现出更高的精度。此外，通过SVM分类器对比传统统计特征和非线性特征，证实非线性特征对于情感识别的准确性更优。研究结论强调，基于非线性特征构建情感识别模型是一种有效的方法。该研究对于情感计算领域，尤其是基于生理信号的情感识别具有重要意义。" 本文是一篇自然科学类的学术论文，重点关注在信息技术和生物医学工程领域的交叉应用。研究的核心是利用皮肤电导变化这一生理信号来探究和识别个体的情感状态。通过设计实验，研究人员发现皮肤电导的变化可以反映个体的情绪变化，而且非线性分析方法在提取这些情感特征方面更为有效。实验方法包括播放情感视频，让被试者在观看过程中产生情绪反应，然后通过“情感重评按键文件”记录他们的主观感受，从而获取相关皮肤电导数据。 在特征提取阶段，论文涉及了多个非线性分析工具。最大Lyapunov指数用于评估系统的混沌程度，关联维则揭示信号的复杂性和维度，近似熵反映了信号的自相似性和随机性，递归定量分析和多重去趋势波动分析则用于分析信号的动态特性。这些非线性特征被认为更能准确地捕捉到情感变化的细微差异。 在后续的情感识别环节，研究者运用了多种机器学习算法，包括KNN（K最近邻）、Fisher判别和SVM（支持向量机）。实验结果表明，SVM在分类准确性上优于其他方法，这表明非线性特征在情感识别任务中具有优势。此外，通过对比SVM下非线性特征与传统统计特征的效果，进一步证明了非线性特征在情感识别中的优越性。 此研究对于理解和开发情感计算系统有重大意义，特别是在人机交互、生物信号处理、心理健康监测等领域，可能为未来的情感识别技术和智能设备提供理论基础和技术支持。