论文部分内容阅读
情绪表达与理解能力是人类区别于机器的一个重要特性。随着科技的发展,人们对拥有情绪、具备情绪理解能力和表达能力的设备的需求越来越强烈。因此,情绪计算变得越来越重要,而情绪识别作为情绪计算中的核心问题,也受到了国内外研究人员的广泛关注。人的情绪状态可以通过面部表情,语言和语气,以及生理信号(脑电信号,眼电信号)来识别,特别地,由于脑电信号的自发性和难以伪装等特点,基于EEG的情绪识别技术越来越受到学术界和工业界的关注。基于传统机器学习方法的脑电信号情绪识别技术过度依赖于手工抽取特征,这一过程耗时耗力其获得的识别准确率无法得到预期结果。近年来,深度学习在各个领域不断取得新的突破,一些基于深度学习的方法在基于EEG的情绪分类任务中取得了较好的结果。本文基于公开脑电数据集DEAP,在已有研究成果的基础上主要做了以下这些工作:(1)创新性的构建了脑电信号三维特征组织形式,提出了融合脑电信号频域特征与空域特征的DE_CNN模型,该模型在DEAP数据集上取得了89.85%的分类准确率。(2)改进了并行卷积循环神经网络(PCRNN)模型,将该模型应用于脑电信号情绪分类。实验结果表明改进后的模型性能有了较大的提升,即分类准确率提高了5.9%,模型更易收敛,且训练耗时更短。(3)提出了融合脑电信号时域与空域特征的3D卷积神经网络模型,在特征抽取阶段同时考虑电极间通道相关性信息以及信号序列的局部上下文信息。该模型在DEAP数据集上取得了93.82%的分类准确率。(4)将基线信号考虑在内,提出了一种简单但高效的预处理方法,有效的提高了脑电信号的分类准确率。本文还将眼电信号特征与脑电信号特征融合之后用于辅助提升情绪分类效果。(5)采集脑电信号进行模型训练,将训练所得模型迁移至Android手机,实现模型在移动设备上的分类。并提出一种将脑电信号情绪分类与音乐情绪分类相结合用于情绪调控的应用思路。