DSPSO与KNN：提升生理信号情感识别的高效策略

本文探讨了双重结构粒子群(Dual Structure Particle Swarm Optimization, DSPSO)在生理信号情感识别中的应用，这是一种结合了群体智能与优化算法的优势，旨在提高特征选择的精度和情感识别的准确性。DSPSO通过模拟自然界的群行为，如鸟类迁徙或鱼群觅食，对生理信号数据中的关键特征进行动态优化搜索，从而有效地剔除冗余和噪声信息。 在生理信号情感识别任务中，通常使用的信号包括肌电图(EMG)、皮肤电导(EDA, SC)、心电图(ECG)和呼吸信号(RSP)，这些信号能够反映出人的不同情绪状态，如快乐(Joy)、愤怒(Anger)、悲伤(Sadness)和愉快(Pleasure)。传统的特征选择方法如Sequential Forward Feature Selection (SFFS)可能存在局限性，而Bounded Particle Swarm Optimization (BPSO)虽然在某些情况下有效，但可能在处理多类别问题时遇到不可分现象，即样本难以准确划分到各自类别。 为了克服这些问题，本文提出了一种增量K多类K近邻分类器。这种改进的KNN算法通过动态调整邻居的数量K，针对不同情感类别调整邻域的大小，从而更有效地解决了多类别识别中的困难。这种方法在处理生理信号情感识别时，相比于传统算法，显著提高了识别的准确性和鲁棒性。 研究者们以程德福、刘光远和邱玉辉三位学者为核心，他们分别来自西南大学电子信息工程学院和计算机与信息科学学院，他们的研究领域涵盖了智能信息处理、计算智能和情感计算等多个方面。该研究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。 文章的关键点在于展示了双重结构粒子群优化在生理信号特征选择中的有效性，并通过实验验证了其在情感识别任务中的优越性能，特别是在处理复杂多类分类问题时，提高了识别率。这为生理信号分析领域的研究提供了新的优化策略和技术支持，对于理解和模拟人类情感表达具有重要的实际应用价值。