论文格式牛晓伟 基于遗传算法的生理信号情感识别.docVIP

基于遗传算法的生理信号情感识别 牛晓伟，刘光远 西南大学电子信息工程学院 ，重庆400715 摘要： 针对用生理信号来识别情感状态中的最优情感特征组合选择这一组合优化问题，用遗传算法来选择最能代表相应情感状态的最优特征组合，以最近邻法的分类正确率作为当前搜索到的最优特征组合评价准则，将两者结合用于joy、anger、pleasure、sadnessEmotion recognition with physiological signals based on Genetic algorithm Niu Xiao-wei，LIU Guang-yuan School of Electronic and information Engineering，Southwest University，Chongqing 400715，China Abstract: Taking into account the combinational optimization problem that emotion recognition with the physiological signals ，the genetic algorithm used for searching the optimal feature subset which represents exactly the relevant affective states, the classified accuracy of the nearest neighbor is as a evaluation criteria which has searched the optimal feature subset. Both of them are combined to recognize the following four affective states：joy, anger, pleasure, sadness , which has acquired a good emotion recognition effect. the experiment results shows that the method is effective. Keywords: Genetic algorithm；the nearest neighbor classification；Optimal emotion feature subset 计算机情感识别正逐步成为人机交互领域研究的热点和发展方向,越来越受到研究者的重视．情感识别研究包括多个方面：如情感特征分析、肢体情感识别、面部情感识别和语音情感识别等．美国MIT媒体实验室情感计算研究小组[1]的Picard教授及其合作者率先从生理信号中提取特征[2-4]来进行情感状态识别方面的研究，此后德国以及其它国家也在这一方面作了很多工作[5-6]，取得了很好的效果. 情感识别过程通常基于三个主要步骤：①原始情感特征的提取；②情感特征子集选择；③分类器的设计.其中特征选择是指从数量为D的特征中依据某种标准选择出数量为d(Dd)的一组特征来，而分类器性能不下降.文献[2]中特征选择采用序列前向漂移算法(SFFS),并结合Fisher投影缩减特征空间维数，对四种情感状态分类平均识别率达到68.75%；文献[4]、[6]比较了不同的特征选择方法(SFS、SFS/Fisher、SBS、SFFS/FP)，本质上属于NP难问题. 除穷尽搜索之外, 不能保证得到最优解.特征数较少时，尚可用穷举法求解，特征数达到一定程度时,获取特征的代价增加,分类器的性能得不到保证，计算复杂性与D成指数增长. 遗传算法(GA)本身具有全局优化能力，而最近邻法[7](1NN)是一种简单而有效的分类方法，能充分利用每个情感样本的信息．因此，本文尝试将遗传算法与最近邻法相结合，GA选择特征子集，将最近邻法的分类正确率作为遗传算法搜索最优特征子集的评价标准，仿真实验表明：遗传特征搜索算法虽不能象文献[6]中提到的基于穷举原理搜索那样找到最优解，但可找到工程意义上的次优解，由此得到最能代表某种情感状态的特征组合，尤其是当特征数量增加时，更能显示出该方法的优越性。 1 封装式特征子集搜索思想 封装式特征子集搜索[8]具有实时性、高效性和导向性，能实时的对待评估的特征子集做出评价，并依据目标准则指导下一步搜索的方向．通常包括两个主要部分：搜索算法和评价函数．搜索算法执行在特征空间中的搜索过程并产生待评估的特征子集．首先随机选择一个起始点，然后通过搜索算法产生新的特征子集，每产生一个新的特征子集都用一个评价函数来评价子集的性能，并把结果与以前最好的比较，依据评价函数选择保留