最佳电皮活动段用于增强情绪识别,使用基于光谱的特征提取和机器学习

科学领域:

• 物理计算的物理计算.
• 情感计算是一种情感计算.
• 生物医学信号处理

背景情况:

• 从生理信号准确地识别情绪对于临床和科学应用至关重要.
• 皮电活动 (EDA) 是情绪兴奋的关键生理指标.
• 以前的研究强调了信号细分对于强大的情绪识别系统的重要性.

研究的目的:

• 优化电皮活动 (EDA) 信号的细分,以改善情绪识别.
• 为了评估不同EDA信号段在分类情绪中的表现.
• 为了确定情绪识别系统中最有效的EDA部分.

主要方法:

• 从CASE和WESAD数据集获得的EDA信号用于维度和分类情绪分类.
• 预处理和分解的EDA信号使用凸起式优化将其分解为相位组件.
• 分段相位信号,生成光谱图,并提取了85个特征.
• 开发并比较了使用整体,第一部分和第二部分相位EDA信号的四个机器学习模型.

主要成果:

• CASE数据集的最大多类精度为62.54%的全相信号和61.75%的第二部分.
• 该WESAD数据集实现了96.44%的准确性,用于三类情绪分类,使用整个和第二部分相段.
• EDA信号的第二部分在数据集和情绪分类类型中表现出强的表现.

结论:

• 电皮活动 (EDA) 信号的第二部分被推用于最佳的情绪识别.
• 有效的EDA信号分割显著提高了情绪识别系统的性能.
• 这项研究为开发更准确,更可靠的情绪识别技术提供了宝贵的见解.