EDA-Graph:电子皮肤活动的图形信号处理用于情绪状态检测

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:

• 电皮活动 (EDA) 提供了对情绪状态的持续洞察,这对于心理健康和人机交互的应用至关重要.
• EDA信号表现出复杂的非静止和非线性特征,对精确的情感相关信息提取提出了挑战.
• 传统的EDA处理方法与这些信号的复杂性作斗争.

研究的目的:

• 提出和评估一种新的图形信号处理 (GSP) 方法,用于建模和分析皮电活动 (EDA) 信号.
• 调查EDA图表及其衍生特征在检测不同情绪状态方面的有效性.
• 将拟议的GSP方法与传统的EDA处理技术进行情感分类.

主要方法:

• EDA信号被建模为使用GSP的图形网络 (EDA图形),通过基于最近邻居之间的欧几里德距离来量化和链接值.
• 图形分析特征,包括总负载中心性 (TLC),总波中心性 (THC),集群数量 (GNC),直径和图形半径,从EDA图表计算出来.
• 机器学习模型被用来分类五种情绪状态 (中性,有趣,无聊,放松,害怕) 使用离开一个主体的交叉验证.

主要成果:

• EDA图的特征 (TLC,THC,GNC,直径,半径) 在五种情绪状态中显示出显著的差异 (p <0.05).
• 拟议的GSP方法在区分情绪状态方面表现优于传统方法.
• 在使用机器学习模型进行情感分类时,获得了高达0.68的五类F1分数.

结论:

• 使用GSP的新EDA图形方法有效地捕获EDA信号中的复杂关系,用于情绪检测.
• 来自EDA图表的图形分析功能提供了不同情绪状态的强有力的指标.
• 这种基于GSP的方法为各种应用中的持续情绪监控提供了有希望的进步.