智能算法在生理信号情感识别中的应用

"基于智能算法的生理信号情感识别" 本文探讨了利用智能算法进行生理信号情感识别的问题，主要关注如何通过模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法进行特征选择，以提高情感分类的准确性。在情感识别的研究中，作者们针对高兴、惊奇、厌恶、悲伤、愤怒和恐惧这六种基本情感，利用Fisher分类器进行了分类任务。 首先，模拟退火机制的遗传算法是一种优化方法，它结合了遗传算法的全局搜索能力和模拟退火算法的跳出局部最优解的能力，用于在大量特征中寻找最能代表情感状态的特征子集。这种算法能够处理复杂的优化问题，通过不断迭代和适应度函数的评价，找到最优特征组合。 其次，最大最小蚁群算法是一种群体智能优化算法，受到蚂蚁寻找食物路径的行为启发。在特征选择过程中，该算法通过信息素更新和蒸发机制，寻找最佳特征组合，以达到最佳的情感分类效果。 再者，粒子群算法同样是一种基于群体智能的优化技术，模拟鸟群或鱼群的集体行为。每个粒子代表一种可能的解决方案，通过迭代更新其速度和位置，逐渐接近全局最优解。在本研究中，粒子群算法被用来寻找对情感识别最有贡献的特征组合。 接着，Fisher分类器是一种基于线性判别分析的统计方法，它通过最大化类间距离和最小化类内距离来构建分类超平面。在情感识别中，Fisher分类器能够有效地将不同情感状态的生理信号数据分离，从而实现高精度的情感分类。 通过对这些智能算法的应用，研究者们成功地提高了情感识别系统的识别率，并找到了构建高效情感识别模型的特征组合。这表明，结合智能算法和生理信号可以有效地理解和预测人类的情绪状态，对于情感计算、人机交互以及心理健康等领域具有重要意义。 关键词：情感识别，特征选择，智能算法，模拟退火机制，遗传算法，最大最小蚁群算法，粒子群算法，Fisher分类器，生理信号 中图法分类号：TP391.41 文献标识码：A 这篇论文是2011年由熊勰、刘光远和温万惠合作完成的，得到了国家自然科学基金和西南大学国家重点学科基础心理学科研基金的支持。三位作者分别在智能信息处理和情感计算领域有深入研究，他们的工作为生理信号的情感识别提供了新的视角和方法。