From Physiological Signals to Emotions: Implementing and Comparing Selected Methods for......部分意译

从生理信号到情绪：实现和比较特征提取和分类的选定方法

原文：https://ieeexplore.ieee.org/document/1521579

介绍

生理数据的一大优势是：当用户连接到生物信号传感器时，我们可以不断收集有关用户情绪变化的信息。

实验设置和数据收集

首先，让被试自己挑4首音乐歌曲，对应4种情感（欢乐、愤怒、悲伤、愉悦）；
然后，当被试听音乐的时候记录肌电图（EMG），心电图（ECG），皮肤电导（SC），呼吸变化（RSP）；对每种情感都收集了25天的记录；录音的长度是歌的长度。

特征提取与分类

信号处理

• 信号修整为2min长度
• 低通滤波平滑处理
• 归一化，以调整随天数变化的基线水平差异
• 去除SC信号的基线，以仅考虑相对幅度
• 去除EMG的呼吸和心跳伪影
• 通过RSP计算呼吸速率和幅度
• 通过检测R波，从ECG信号中计算心跳

特征（32个）

选取特征

• 方差分析（ANOVA）：用于确定某个要素在两个或多个类别之间是否显示出显著差异
• 顺序前向选择（SFS）
• 顺序向后选择（SBS）
  

生成特征？

• 主成分分析（PCA）：从原始特征中提取一组新的特征；不考虑任何类信息，可能会导致重要的区分信息丢失。
• Fisher投影：最小化类内的散布并最大化类之间的散布
  

分类

• k最近邻（KNN）：基于实例的方法。它会保存所有训练示例，并通过查看其最近的邻居来标记一个新实例。
• 线性判别函数（LDF）：统计方法，可为每个类别建立概率模型。对于新实例，选择其模型最适合的类。
• 多层感知器（MLP）：具有一个包含多个隐藏单元的隐藏层。它的输入层有足够的单元格来接受整个特征向量。输出层由每个类别的一个神经元组成。

实验结果

其他数据集测试

MIT Media Lab

• 包含四个传感器的生理数据：SC，EMG，RSP和BVP（血容量脉冲）
• 八个情绪状态
• 

结论

• 快乐的特征：高SC和EMG-Ievels，深呼吸和缓慢呼吸以及心律加快
• 愤怒的特征：平稳而快速的呼吸，SC和EMG-Ievels也很高
• 愉悦和悲伤：低SC和EMG信号；愉悦时心律更快
• 在我们的数据集中，积极情绪的特征在于低SC-Ievel，而MIT-Dataset显示了较高的SC
• 高SC和EMG级别是高唤醒的良好指标
• 负价情绪的呼吸频率更高