基于拉塞尔模型和生理测量的情感状态估计

科学领域:

• 心理生理学 心理生理学
• 机器学习 机器学习
• 情感计算是一种情感计算.

背景情况:

• 情感状态是连接精神和生理过程的心理生理学构造,通常使用唤起和价值模型来建模.
• 从生理信号中提取情绪状态是具有挑战性的,因为缺乏最佳特征集和高效的分类方法.
• 情绪状态的实时估计需要可靠和计算效率高的方法.

研究的目的:

• 定义一种可靠和有效的实时情感状态估计方法.
• 确定一种最佳的生理特征集,用于对情绪状态进行分类.
• 确定对二进制和多类情感状态估计的最有效的机器学习算法.

主要方法:

• 利用ReliefF特征选择算法将23个生理特征减少到13个最佳集.
• 实施并比较监督学习算法:K-最近邻居 (KNN),支持矢量机 (SVM) 和线性差异分析 (LDA).
• 在20名接受国际情感图像系统 (IAPS) 刺激的志愿者的生理信号上测试了这种方法.

主要成果:

• ReliefF算法成功地将功能集从23减少到13,从而提高了分类性能.
• 使用最佳特征集,准确性和估计时间都得到了显著改善.
• 与SVM和LDA相比,K-最近邻居 (KNN) 算法在实时情感状态估计方面表现出优异的性能.

结论:

• 13个已识别的最佳生理特征和KNN分类器的组合为实时情感状态估计提供了有效的方法.
• 这种方法提供了更高的准确性和更短的估计时间,解决了当前文献中的局限性.
• 这些发现支持使用KNN与精选的生理特征在情感计算中的实际应用.