摘要: 针对上述问题，本文主要开展以下研究：情感人机交互应用于驾驶员情绪检测、情感辅助机器人、课堂学生听课状态监测等领域，是人工智能的重要组成部分。情感识别研究已成为当前人工智能领域的一大热点。相较于脸部表情、语音等表层信号，基于生理信号... 展开 针对上述问题，本文主要开展以下研究：情感人机交互应用于驾驶员情绪检测、情感辅助机器人、课堂学生听课状态监测等领域，是人工智能的重要组成部分。情感识别研究已成为当前人工智能领域的一大热点。相较于脸部表情、语音等表层信号，基于生理信号的情感识别更具备真实性和可靠性。基于生理信号的情感识别多以脑电信号或者融合生理信号为研究对象，基于单模心电信号的情感识别研究较少。近年来，基于脑电图的情感识别研究取得了不错的进展，但是脑电信号的采集需要在头部附着电极，体验感差，不适用于日常情感监护。便携式心电信号采集设备的发展（如实时获取心电信号的智能手表）使基于心电信号的情感识别应用于日常情感监护成为可能。但是传统的机器学习提取的浅层特征情感表征不足，无法充分挖掘生理信号内部的情感信息；深度学习提取深度特征存在耗时长、维度灾难、特征冗余等问题。 搭建了基于主成分分析网络（PrincipalComponentAnalysisnetwork，PCANet）的互信息特征选择情感识别模型（PCANet-BasedMutualInformationFeatureSelectionNetwork，PCAMI-Net）。PCANet利用主成分分析（PrincipalComponentAnalysis，PCA）卷积层提取深度特征，在模式识别、图像处理等领域都取得不错的效果。PCANet提取得到高维深度特征，存在特征冗余问题，识别准确率有待提高。本文基于PCANet提出基于单模心电信号的情感识别模型PCAMI-Net。 针对特征冗余问题，PCAMI-Net在充分挖掘深度情感特征的基础上对高维特征进行筛选，去除冗余特征；针对识别准确率有待提高的问题，PCAMI-Net依据特征与情感类别的互信息，选择与情感关联性更密切的特征，提高情感识别准确率。在AMIGOS情感数据集上进行情感识别研究：用户依赖实验中，唤醒、效价的识别准确率为72.5%、60.3%；用户依赖均衡实验中，唤醒、效价的识别准确率为78.3%、82.8%。进一步地，对比分析了PCANet与PCAMI-Net搭配四种分类器的情感识别效果。对比实验结果表明，PCAMI-Net的情感识别效果更好，且训练时间短于PCANet；用户独立实验中，PCAMI-Net的唤醒、效价的识别准确率为57.2%、49.5%。 搭建了基于PCANet的注意力机制情感识别模型。PCANet利用PCA卷积提取得到高维深度特征，各个特征权重系数是一致的，无法突出有用特征的作用；PCAMI-Net对特征进行筛选，虽能优化特征质量，但也容易过滤掉部分有效信息。本文提出基于PCANet的注意力机制情感识别模型，保留所有特征，通过注意力机制改变特征的权重增强有用特征对分类的影响，提高分类性能。为保留原始卷积特征，采用双向长短时记忆网络层替代编码层，利用特殊的门结构保留有效信息和舍弃冗余信息；引入注意力机制，智能关注情感信息部分。在AMIGOS情感数据集上进行情感识别研究：用户独立实验中，唤醒、效价的识别准确率为58.1%、50.9%，该模型性能优于PCANet和PCAMI-Net。进一步地，对比分析了四种深度模型的情感识别效果，验证了该模型的有效性。 收起