Multiresolution framework for emotion sensing in physiological signals 部分意译

生理信号中情感感应的多分辨率框架

原文链接：https://ieeexplore.ieee.org/document/7523190

数据库

AuBT（EMG RESP SC ECG）

• 文件夹1：受试者在听不同类型的音乐时所记录的生理数据（喜悦 愤怒 悲伤 愉悦）
• 文件夹2：受试者在变化压力下的生理数据

识别框架

A.情感特征提取

根据论文【5】，提取了统计特征（均值…），基于能量的特征，RMS，ZC，Wilson振荡…等64个特征

小波变换六级分解

• EMG：在Daubechies4小波系数（Db4）的每个分解级别中提取了16个特征
• ECG：从Morlet小波系数（Morl）中提取了16个特征
• RESP：从Symlet2小波系数中提取了20个特征
• SC：从Haar小波系数12个特征

B.分类和实验结果

分类器：【20】中的Cody Neuburger的多分类SVM
训练集划分：2/3训练，1/3测试；后来又4/5训练，1/5测试
结果：

C.特征级融合

交叉验证：10折


所以结论是，EMG和RESP信号是最强的生理形态，如果它们存在于融合形态之间，则它们会提高分类性能。

总体表现：95％的joy，anger，sadness被完全识别，joy有20%的可能会和pleasure混淆。

讨论

与其他方法比较，小波变换是最好的！：