基于心率变异性信号的情感识别emoHR系统开源代码发布

emoHR使用了两种技术：监督自组织映射（sSOM）和两种类型的极限学习机（kELM和nELM）。该软件包主要关注于如何通过HRV信号识别情感的两个维度：唤醒和化合价。项目遵循GNU GPL许可证，允许学术用途的使用、修改和分发。 emoHR的核心代码文件"main.m"，需要在Matlab R2013或更高版本中运行，能够训练和测试情感识别模型，并输出相关一致性系数（ccc）、分类器输出以及sSOM的图形解释。这些输出为研究者提供了对情感状态识别准确性的量化评估。 软件中的分类器超参数设定位于"config/"目录下，提供了易于修改的参数结构，允许用户根据自己的实验需求调整模型。此外，"功能/"目录可用于添加新的特征提取方法，用户只需要遵循现有的数据结构即可实现这一功能。 项目引用了文献《HRV的维度影响识别：一种基于监督的SOM和ELM的方法》，该文献即将发表在IEEE Transactions on Affective Computing上，文献作者为LA Bugnon, RA Calvo和DH Milone。该软件的开发是基于RECOLA数据集，这个数据集提供了用于训练和测试的简化特征集。 在学术领域，emoHR项目为研究者提供了开源工具，以进行HRV信号和情感识别之间的关系研究。该项目使用的技术sSOM和ELM均为机器学习中的高级技术，sSOM可以用于数据的非线性降维和可视化，而ELM则是一种用于快速学习和高准确性的神经网络方法。通过这样的工具，研究者可以更进一步探索生理信号与心理状态之间的复杂联系，并对持续情感的动态变化进行量化分析。" 知识点详细说明如下： 1. 心率变异性（HRV）信号与情感识别：HRV是心率在一段时间内自然变化的测量，被广泛认为是情感状态变化的一个关键生物标志。研究发现HRV的某些特征与情感的唤醒度和化合价有很强的相关性。 2. 极限学习机（ELM）：ELM是一种单层前馈神经网络的学习算法，其特点是训练速度快，泛化能力好。ELM网络在处理非线性问题方面具有优势，因此在心电信号处理和情感识别领域得到应用。 3. 监督自组织映射（sSOM）：SOM是一种无监督学习算法，用于数据的降维和可视化。而sSOM则是在SOM的基础上引入了监督学习的概念，使得在特征空间中保留类别信息，使得降维后的特征能够更好地反映情感状态的不同类别。 4. 情感的维度模型：情感的维度模型是分析情感的方法，它将情感划分为不同的维度（例如唤醒度和化合价）进行量化分析，以此来描述情感状态的复杂性。 5. RECOLA数据集：RECOLA是一个公开可用的情感识别数据库，包含了多种生物信号数据，如心率、面部表情和语音，用于支持情感识别研究。 6. GNU GPL许可证：这是一种广泛使用的自由软件许可证，它允许用户自由使用、复制、分发软件，并可以对软件进行修改和扩展，只要修改后的版本也遵守相同的许可证条款。 7. Matlab软件环境：Matlab是一个高性能的数值计算和可视化环境，广泛应用于工程计算、数据分析和算法开发等领域。在emoHR项目中，Matlab用于实现算法、执行数据分析和展示结果。 8. 开源系统：开源系统指的是源代码对公众开放，允许其他开发者或用户自由使用、修改和分发软件的系统。在学术研究中，开源软件促进了研究方法的共享和知识的累积，有助于推动科学技术的进步。