PCANet在情感识别中的应用：构建高效情感识别模型

"基于PCANet的情感识别研究，利用生理信号，特别是心电信号，进行情感识别的毕业设计论文。" 本文主要探讨了情感识别在人工智能中的重要性，特别是在驾驶员情绪检测、情感辅助机器人以及课堂学生听课状态监测等场景的应用。由于生理信号，尤其是脑电图（EEG）和心电信号（ECG），可以提供更为真实和可靠的情感信息，因此，基于这些信号的情感识别研究越来越受到关注。然而，尽管脑电图情感识别取得了进步，但其采集方式限制了其实用性。相比之下，随着可穿戴设备的发展，心电信号成为了更便于日常情感监护的研究对象。 本文提出了一种名为PCAMI-Net的新模型，该模型是基于主成分分析网络（PCANet）的互信息特征选择情感识别系统。PCANet通过PCA卷积层提取深度特征，但高维特征可能会导致冗余问题，影响识别准确性。为了解决这些问题，PCAMI-Net引入了互信息理论，旨在挑选出与情感类别关联性更强的特征，以减少冗余并提升识别准确率。 在AMIGOS情感数据集上进行的实验显示，PCAMI-Net在用户依赖和用户独立实验中均表现出优于PCANet的情感识别性能，尤其在唤醒和效价两个情感维度的识别准确率上有显著提升。此外，PCAMI-Net还具有较短的训练时间，这使得它在实际应用中更具优势。 本研究工作为生理信号情感识别提供了新的方法，特别是在心电信号处理方面，对于优化深度学习模型的特征选择策略和提高情感识别效率具有重要意义。未来的研究方向可能包括进一步改进特征选择算法，优化模型结构，以及扩大实验数据集以验证模型的泛化能力。