首页> 中文学位 >改进的支持向量机用于脉搏信号的情感识别研究
【6h】

改进的支持向量机用于脉搏信号的情感识别研究

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 情感识别研究的意义

1.2 基于生理信号的情感识别研究现状

1.3 论文的研究内容及创新点

2 脉搏信号的采集及处理

2.1 脉搏信号

2.2 脉搏信号的采集装置

2.3 脉搏信号采集方案

2.4 本章小结

3 改进的EMD算法对脉搏信号的预处理及特征提取

3.1 小波变换对脉搏信号的处理

3.2 EMD算法及其改进

3.3 改进的EMD算法对脉搏信号的预处理

3.4 脉搏信号的特征提取

3.5本章小结

4 SVM算法及其改进

4.1 SVM算法

4.2 SVM存在的问题及改进思路

4.3 PSO算法和FA算法

4.4 本章小结

5 改进的SVM算法对情感的分类识别

5.1 SVM扩展

5.2 FA算法优化SVM参数

5.3 情感分类结果分析

5.4 本章小结

6 结论及展望

6.1 总结

6.2 未来工作的展望

致谢

参考文献

个人简历、在学期间发表的学术论文及取得的研究成果

展开▼

摘要

随着社会的发展,人机交互的理论和技术日益成熟,应用范围已然深入到人类生活的各个领域。情感识别研究是人机交互的一个重要分支,计算机能够实时的识别人类的情感,并可以作出相应的情感调节,这对营造一个和谐的人机交互环境具有重要作用。脉搏信号是生理信号的一种,其本身蕴含着丰富的生理病理信息,因此,基于脉搏信号的情感识别研究具有重要意义。情感识别中分类器的好坏直接影响识别的准确性,支持向量机的关键参数如惩罚因子C、核函数参数γ取不同值时,分类器的性能受到了很大影响。本文采用群智能优化算法对支持向量机参数进行自动寻优,将萤火虫算法应用于支持向量机关键参数的优化中,使情感的识别率比未经任何处理的支持向量机高出7.9%。论文主要从以下几个部分展开基于脉搏信号的情感识别研究:  (1)设计了一块光电式脉搏信号采集板,制定了一个较为合理的采集方案,采集了在校健康大学生的脉搏信号共80个样本作为实验的数据库,为后续研究工作奠定了基础。  (2)采用经验模态分解(Empirical Mode Decomposition,EMD)算法对采集到的脉搏信号进行预处理,针对EMD算法存在的端点效应影响分解结果的问题,本文采用最大相关性延拓的方式对其进行改进。结果表明,改进的EMD在一定程度上抑制了端点效应,得到了较为理想的去噪效果。从脉搏信号中提取与情感密切相关的三类特征,即统计值特征、脉图面积特征量K值及经验模态能量熵特征。  (3)阐述了支持向量机及其关键参数(C和γ)对分类器性能的影响,分析了传统参数优化方法的弊端。本文选取了群智能优化算法中的粒子群算法和萤火虫算法,测试表明萤火虫算法收敛速度快,鲁棒性较高,优化精度高于粒子群算法。因此,本文采用萤火虫算法优化支持向量机的参数 C和γ。情感分类结果表明,经萤火虫算法优化后的支持向量机对样本进行分类的识别率比未经任何处理的支持向量机要高出7.9%。因此,该方法在一定程度上提高了情感的识别率,使计算机能更加准确的识别人类的情感。

著录项

  • 作者

    曾建梅;

  • 作者单位

    重庆理工大学;

  • 授予单位 重庆理工大学;
  • 学科 通信与信息系统
  • 授予学位 硕士
  • 导师姓名 张兢;
  • 年度 2016
  • 页码
  • 总页数
  • 原文格式 PDF
  • 正文语种 chi
  • 中图分类
  • 关键词

    脉搏信号,EMD算法,支持向量机,情感识别;

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号