电影情感剪辑驱动的生理反应样本库：相关性分析与情感识别系统构建

本文主要探讨了情感生理反应样本库的建立以及数据相关性分析在情感计算和情感识别领域的应用。研究者利用高收视率电影片段作为情感唤起材料，通过实验设计激发了被试者的六种基本情绪：高兴、惊奇、厌恶、悲伤、愤怒和恐惧。实验中，收集了300名普通大学生在观看这些材料时的多种生理信号数据，包括皮肤电导（EDA）、心率、脉搏、心电图（ECG）、呼吸、面部肌电（EMG）和额叶的两种脑电图（EEG）。 关键步骤是采用随机矩阵理论对这些生理信号数据进行分析。通过对比分析，研究发现皮肤电导、心率、心电图和呼吸信号的相关矩阵最大特征值及其对应的特征向量分布与随机矩阵理论的预测存在显著偏差，这表明这些生理信号在情感刺激下呈现出集体的相互关联性，反映了情感因素对生理反应的影响。相比之下，脉搏、面部肌电和额叶的两种脑电数据的相关矩阵特征值和特征向量并未显示出明显的偏离，说明这些信号间的相关性更多是由非情感因素的随机噪声引起的。 在数据分析过程中，研究人员首先从皮肤电导和心率数据中提取了110个初始特征，然后通过后向选择方法筛选出能最好代表情感生理反应的信号特征子集。接着，使用Fisher映射对情感生理反应样本进行分类，构建了一个具有较高预测性能的情感识别系统。最终，研究得出了每种情感相对其他情感的特有生理信号特征组合，这对于理解和建模人类情感的生理基础具有重要意义。 这项研究的重要贡献在于，它提供了一种基于随机矩阵理论的数据分析方法，用于分离情感因素与非情感因素对生理信号的影响，从而为情感计算和情感识别技术的发展奠定了坚实的基础。同时，它也展示了如何通过生理信号来揭示和区分不同情感状态，为未来在医疗、人机交互等领域的情感识别应用提供了新的研究方向。