没有合适的资源?快使用搜索试试~ 我知道了~
首页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。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88478286/bgc.jpg)
第 1 章 绪论
5
两个情感维度上,在开源数据集 DEAP 上进行实验。脑电信号情感分类的平均
准确率为 89.68% 和 89.19%,外围生理信号情感分类的平均准确率为 63.06%
和 62.41%,组合特征情感分类的平均准确率为 93.06% 和 91.95%。
Arjun 等人
[38]
提出了一种带通道注意自编码器的无监督长短时记忆网络
( LSTM ),用于得到一个不随主体变化的潜在向量子空间。其次,提出了一种基
于注意力框架的卷积神经网络,用于对基于信道注意力自编码器的 LSTM 编码
得到的低维隐空间表示进行用户独立的情感识别。使用 DEAP 数据集的脑电信号
进行验证,唤醒、效价的识别准确率分别为 69.5 %和 65.9 %。
Cui 等人
[39]
提出了 DE-CNN-BiLSTM 情感识别模型。通过计算不同频段不同
时间片的微分熵来提取脑电信号的复杂度属性,从而获得大脑位置的 4D 特征张
量。随后,将 4D 张量输入卷积神经网络,学习大脑结构,输出时间序列;之后,
使用双向长短期记忆网络学习时间序列的信息。该算法对 DEAP 数据集的平均准
确率达到 94%,对 SEED 数据集的平均准确率达到 94.82%。
表 1.3 基于深度学习的情感识别研究
作者
生理信号
模型
准确率
Qiao 等人
[33]
脑电信号
CNN
87.27%
Yang 等人
[34]
脑电信号
BiLSTM
四类情感 84.21%
Liao 等人
[35]
脑电信号
六种外围生
理信号
CNN、LSTM
脑电信号:
唤醒 95.21%、效价 94.58%
外围生理信号:
唤醒 89.65%
效价 89.00%
Zeng 等人
[36]
脑电信号
心电信号
LSTM
脑电信号:76.67%
心电信号:75.00%
Liao 等人
[37]
脑电信号
六种外围生
理信号
CNN、LSTM
脑电信号:89.68% 89.19%
外围生理信号:
63.06% 和 62.41%
融合信号:
93.06% 和 91.95%
Arjun 等人
[38]
脑电信号
带通道注意自编
码器的无监督长
短时记忆网络,基
于注意力框架的
卷积神经网络
唤醒 69.5 %
效价 65.9 %
Cui 等人
[39]
脑电信号
DE-CNN-BiLSTM
94%、94.82%
基于深度学习的情感识别研究如表 1.3 所示。基于深度学习的情感识别依靠
![](https://csdnimg.cn/release/download_crawler_static/88478286/bgd.jpg)
吉林大学硕士学位论文
6
多层网络结构,挖掘生理信号与情感的深层关系,在训练的过程中不断优化特征
质量。深度特征具有抽象的特性,无法明确表述其意义。深度学习模型依赖网络
的机理和结构,具有智能特性,摆脱了经验知识的局限性。基于深度学习的情感
识别多以脑电信号和外围生理信号的融合信号为研究对象,针对单一心电信号的
情感识别较少,准确率有待提高。基于深度学习的情感识别多采用 CNN、LSTM
等传统学习网络,网络的训练时间更长。PCANet 是基于 CNN 的简化的网络,
采用 PCA 学习卷积核,参数更少,计算过程更加快速
[40]
。PCANet 采用多层 PCA
卷积层提取得到高维特征,存在特征冗余问题。
1.3
论文研究内容
目前情感识别建模多基于脑电信号或周围生理融合信号,基于单模生理信号
的情感研究相对较少。传统的机器学习需要借助人工方式提取浅层特征,特征的
有效性往往取决于经验和专业知识,情感特征提取效率有待提高,模型的有效性
也往往受到特征的制约。利用深度学习模型提取深度特征,能在充分的训练中不
断学习到更有用的特征,提高情感特征提取效率,存在训练过程耗时较多、维度
灾难、特征冗余等问题。针对上述情感识别中存在的问题,本文进行以下研究工
作:基于心电信号建立 PCANet 的互信息特征选择情感识别模型。采用 PCA 卷
积层提取深度特征,摆脱人工提取特征的局限。PCA 卷积层参数少,是一种快
速的特征提取方法,能够在充分挖掘心电信号的情感内在机理的基础上,减少时
耗和成本。针对特征冗余问题,本文采用互信息相关系数对特征进行进一步的优
化,同时可以避免维度灾难,减轻分类器的负荷。针对情感特征提取效率有待提
高的问题,建立基于 PCANet 的注意力机制情感识别模型。通过注意力机制调整
特征的权重系数,突出有用特征的作用,提高模型的情感识别性能。
1.4
论文结构安排
本文一共分为 5 章,章节安排如下:
第 1 章绪论。首先阐述了情感识别的研究背景及意义,接着介绍了国内外研
究的现状,最后介绍本文的研究内容。
第 2 章介绍心电信号情感识别的相关理论和技术。介绍了心电信号与情感的
关联性、情感模型、预处理技术、特征提取技术、分类技术等。
第 3 章构建基于 PCANet 的互信息特征选择情感识别模型。首先阐述了情感
识别存在的问题,接着介绍模型结构。使用 AMIGOS 数据库的心电信号数据进
行仿真实验,通过对比实验验证该模型的有效性。
第 4 章构建基于 PCANet 的注意力机制情感识别模型。介绍了模型结构,阐
述仿真实验与分析,通过对比实验验证该模型的有效性。
第 5 章总结与展望。对本文的工作进行了总结,对未来的愿景进行展望。
![](https://csdnimg.cn/release/download_crawler_static/88478286/bge.jpg)
第 2 章 心电信号情感识别相关理论和技术
7
第 2 章 心电信号情感识别相关理论和技术
2.1 心电信号的介绍
人体的生理活动离不开各个器官和组织的协调运作。器官和组织的能量供给
来源于血液,同时通过血液循环排出新陈代谢产生的废物。心脏作为血液循环的
动力泵,其泵血功能是通过心房肌和心室肌周期性的收缩和舒张完成,每一次收
缩和舒张心肌细胞都向外传导动作电位。心室肌细胞的动作电位具体产生过程分
为 0-4 期
[41]
。
0 期:心脏细胞受到刺激,去极化,膜电位愈加正。钠离子通道打开,使得
钠离子流入细胞完成去极化。在钠离子通道关闭之前,膜电位达到约 20 毫伏。
1 期:钠离子通道关闭,细胞开始复极,钾离子通过开放的钾离子通道离开
细胞。
2 期:由于钙离子渗透性增加和钾离子渗透性降低,出现短暂的初始复极,
动作电位稳定。钙离子通道在 1 期和 0 期缓慢开放,钙 离子流入细胞。接着钾离
子通道关闭,钾离子流出和钙离子流入,动作电位趋于平稳。
3 期:钙离子通道关闭,钾离子渗透增加,使钾离子迅速离开细胞,结束稳
定期。细胞膜电势恢复至静息水平。
4 期:静息膜电位平均约为 90 毫伏。
心室肌细胞产生兴奋时细胞膜内外离子运动过程如表 2.1 所示。
表 2.1 心室肌细胞兴奋时离子运动过程
过程
离子运动
0 期
钠离子内流
1 期
钾离子外流
2 期
钾离子外流、钙离子内流
3 期
钾离子外流
4 期
恢复钠离子、钾离子、钙离子的分布
心电信号是心肌细胞做周期运动产生的电流在人体表面产生的电位差异
[42]
。
人类受到外界刺激产生情感。例如,受到外界刺激产生悲伤情感时,人体会应激
性释放大量激素(如肾上腺素)及其他化学物质,这些物质进入血管流经心脏,
影响心肌正常活动。情感变化引起应激性激素分泌,导致心脏活动发生变化,心
脏活动的变化引起心电信号的变化,心电信号与情感联系密切。
通过放置于不同体表部位的传感采集设备(心电电极)收集得到的信号就是
心电图。一份标准的心电图包含 12 条曲线,分别代表 12 个导联(Ⅰ导联、Ⅱ导联、
Ⅲ导联、AVR 导联、AVL 导联、AVF 导联、V1 导联、V2 导联、V3 导联、V4
导联、V5 导联、V6 导联)的心电信号。其中,Ⅰ导联、Ⅱ导联、Ⅲ导联、AVR
剩余68页未读,继续阅读
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![whl](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![whl](https://img-home.csdnimg.cn/images/20210720083646.png)
![whl](https://img-home.csdnimg.cn/images/20210720083646.png)
![whl](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/user-vip.1c89f3c5.png)
2201_75761617
- 粉丝: 24
- 资源: 7382
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- Vue实现iOS原生Picker组件:详细解析与实现思路
- Arduino蓝牙小车:参数调试与功能控制
- 百度Java面试精华:200页精选资源涵盖核心知识点
- Swift使用CoreData填坑指南:CoreData在Swift 3.0的变化
- 微距离无线充电器创新设计及其实验探索
- MTK Android平台开发全攻略:44步详解流程
- RecyclerView全面解析:替代ListView的新选择
- Android开发:自动适配中英文键盘解决方案
- Android调用WebService接口教程
- Android开发:BitmapUtil图片处理全解析与实例
- Android多线程断点续传实现详解
- PCA算法在人脸识别会议签到系统中的应用
- EventBus 3.0:Android事件总线详解与实战应用
- Android FileUtil:全面解析文件操作实用技巧与实例
- RecyclerView添加头部和尾部实战教程
- Android实现微博滑动固定顶部栏实战与优化
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)