收稿日期 : 2008 - 11 - 14;修回日期 : 2009 - 02 - 21。
基金项目 :国家自然科学基金资助项目
(
60873143
)
;西南大学国家重点学科基础心理学科研基金项目
(
NKSF07003
)
。
作者简介 :程德福
(
1983 -
)
,男 ,四川都江堰人 ,硕士研究生 ,主要研究方向 :智能信息处理 ; 刘光远
(
1961 -
)
,男 ,重庆人 ,教授 ,博士 ,主
要研究方向:计算智能、情感计算 ; 邱玉辉
(
1938 -
)
,男 ,重庆人 ,教授 ,博士生导师 ,博士 ,主要研究方向 :分布式人工智能、计算智能。
文章编号 : 1001 - 9081
(
2009
)
05 - 1423 - 03
双重结构粒子群和 KNN在生理信号情感识别中的应用
程德福
1
,刘光远
1
,邱玉辉
2
(
1. 西南大学 电子信息工程学院 , 重庆 400715; 2. 西南大学 计算机与信息科学学院 , 重庆 400715
)
(
chendf83@ swu. edu. cn
)
摘 要 :将双重结构的粒子群
(
DSPSO
)
应用到生理情感特征的选择中 ,提高了特征选择效果和情感识别的正确
率。提出了增量 K多类 KNN分类器解决 KNN在分多类时出现的不可分现象并改善了多类识别的效果。通过 4种生
理信号
(
EMG、SC、ECG、RSP
)
来识别 4种情感
(
joy、anger、sadness、pleasure
)
,同传统的 SFFS算法以及 BPSO算法相比 ,
识别率有了较大的提高。仿真结果表明 ,DSPSO能较好地完成生理情感特征的选择任务。
关键词 :生理信号 ;粒子群优化 ; K近邻 ;特征选择 ;情感识别
中图分类号 : TP18 文献标志码 : A
Applying dual2structure particle swarm optim ization and KNN
to identify affective states ground on physiological signals
CHENG De2fu
1
, L IU Guang2yuan
1
, Q IU Yu2hui
2
(
1. College of Electronic and Inform ation Engineering, Southwest University, Chongqing 400715, China;
2. College of Com puter and Inform ation Science, Southwest University, Chongqing 400715, China
)
Abstract: Dual2Structure Particle Swarm Optimization
(
DSPSO
)
was app lied to select emotion features of physiological
signals, which improved the effect of feature selection and the correct rate of affective classification. Incremental K algorithm
was proposed to avoid indivisibility formulti2classification, which also advanced multi2identification effect. Compared with the
results of traditional SFFS and BPSO algorithms, the p roposed method obtained better effect in recognizing four affective states
(
joy, anger, sadness, p leasure
)
from four physiological signals
(
EMG, SC, ECG, RSP
)
. Simulation results show, based on
physiological signals, DSPSO can select feature well.
Key words: physiological signal; Particle Swarm Optimization
(
PSO
)
; K2nearest neighbors; feature selection; emotion
recognition
0 引言
情感识别是今后人机情感交流必不可少的环节 ,也是当
今计算机科学界研究的热点 ,主要有面部识别、语音识别、姿
态识别、生理信号识别等 ,其中前几种方法的样本采集比较方
便 ,但是样本伪造也很容易。而生理信号识别的样本基本不
受被试的主观控制 ,这就在很大程度上增加了样本与内在情
感的一致性 ,也使得识别结果更具说服力。基于生理信号的
情感识别需要获得一组最佳特征子集 ,使得识别率最高 ,这是
生理信号情感识别中的重要环节 ,也是最难的部分。目前用
于生 理信 号特 征 选择 的算 法主 要 有 Fisher
[1 ]
、SFS、SBS、
SFFS
[1 - 2]
、SFBS、ANOVA等。
特征选择
[3 ]
算法是从原始的特征集
(
D 维
)
中选出最佳
的特征子集
(
d维 , d < D
)
。
从本质上讲 ,特征选择就是组合优
化问题 ,在解空间较大的情况下使用智能优化算法是最好的
选择。虽然之前很多研究都使用了 SFS或者 SFFS算法等 ,但
这些算法在原始的特征集较大时计算量急速增大 ,而且存在
筑巢效应 ,一旦加入一个特征后很难再将这个特征从子集当
中剔除出去。而智能优化算法不存在上述问题。
在智能算法中 ,粒子群算法
(
Particle Swarm Optim ization,
PSO
)
[4 ]
是模拟鸟群捕食的仿生算法 ,用来解决连续优化问
题 ,后来文献 [5 ]又提出了离散二进制的粒子群算法
(
Binary
Particle W arm Optimization, BPSO
)
,用于组合优化问题。粒子
群优化算法需要进行频繁的适应度评价 ,而 KNN
(
K2Nearest
Neighbors
)
分类算法则简单且高效。
本文将双重结构粒子群算法和 KNN分类算法相结合用
于生理信号情感识别的特征选择。在原始特征集较大时比传
统的 SFFS等非智能优化算法效率更高 ,并且得到了更好的识
别率 ,和 BPSO相比也有较大的优势。在多类识别时 ,本文提
出的 K增量多类 KNN分类器完全避免了传统 KNN识别时出
现的不可分现象 ,并且得到了更好的分类效果。
1 双重结构粒子群的特征选择算法
1. 1 基本粒子群算法
粒子群算法是模拟鸟群觅食的仿生算法 ,由一定数量个
体组成的种群 ,在各自速度参量和位置参量的控制下进行寻
优。假设特征总数为
D个 ,种群个体有 m 个 ,则第 i个粒子的
速度为 V
i
=
(
v
i1
, v
i2
, …, v
iD
)
T
, 位置为 X
i
=
(
x
i1
, x
i2
, x
i3
, …,
x
iD
)
T
,而位置的值就是问题的一个解 ,将第 i个粒子的位置值
X
i
代入适应度函数可以得到第 i个粒子的适应度值 ,根据适
应度值大小的比较可以得到目前为止第 i个粒子所经历的最
优位置 Pbest
i
=
(
pbest
i1
, pbest
i2,
pbest
i3
, …, pbest
iD
)
T
,
通过比
较所有粒子所经历的最优位置可以得到整个种群的最优位置
Gbest =
(
gbest
1
, gbest
2
, gbest
3
, …, gbest
D
)
T
,
这样就可以通过
第 29卷第 5期
2009年 5月
计算机应用
Journal of Computer Applications
Vol. 29 No. 5
May 2009