摘要: 人机交互、医疗看护、社会安全等多领域的需求促进了情感识别研究的发展。相较语音、图像或视频，基于生理信号的情感识别更客观可靠。在基于生理信号的情感识别中，传统机器学习使用的浅层情感特征难以挖掘出生理信号的内部机理，而深度情感特征在数... 展开 人机交互、医疗看护、社会安全等多领域的需求促进了情感识别研究的发展。相较语音、图像或视频，基于生理信号的情感识别更客观可靠。在基于生理信号的情感识别中，传统机器学习使用的浅层情感特征难以挖掘出生理信号的内部机理，而深度情感特征在数据量不足时也难以很好地表征情感。此外，大多数基于生理信号的情感识别算法是应用在用户依赖模型上的，普适性较差，难以在用户独立模型上取得优秀的识别效果。为了解决这两个问题，本文分别提出了使用特征融合和域适应的方法设计基于生理信号的情感识别模型。论文的主要工作如下： 1.针对浅层与深度情感特征存在的问题，本文提出将浅层和深度情感特征融合来获得具有更高情感表征性的特征。实验结果表明，融合后的情感特征有效提高了对情感的表征性；在DEAP数据集上，较单独使用浅层或深度情感特征，精度平均提高了15.10%和0.94%；在MAHNOB-HCI数据集上，精度平均提高了34.01%和6.89%。与2018年Ningjie Liu等人的文献相比，本文算法在唤醒和效价维度上分别提高了6.38%和5.09%。 2.针对同一分类器在不同数据集上的识别效果存在较大差异的问题，提出自适应权值计算的加权投票的决策融合算法，融合逻辑回归、线性判别分析和AdaBoost分类器的预测结果，提高了情感识别模型的鲁棒性。实验结果表明，在DEAP数据集上，相比单独使用上述三种分类器，本文提出的决策融合算法平均提高了3.52%的识别精度；在MAHNOB-HCI数据集上，平均提高了7.27%的识别精度。 3.针对个体差异性导致的情感识别模型普适性不强的问题，本文提出基于自适应阈值选择的余弦相似度的JDA算法。通过自适应的阈值选择，筛去了源域数据中与目标域相似度较低的部分，然后采用余弦相似度加权的联合分布自适应算法来进行源域和目标域之间的域适应。实验结果表明，在SEED数据集上，相较于未进行域适应之前的基线数据，本文提出的使用余弦相似度进行加权和筛选的域适应方法平均提高了18.80%的识别精度，并相对于现有的用户独立模型上的算法，提高了5%左右的识别精度。 收起