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!: