获取和分析面部电肌图信号用于情绪识别

科学领域:

• 生物医学工程 生物医学工程
• 情感计算是一种情感计算.
• 机器学习 机器学习

背景情况:

• 面部电肌图 (fEMG) 是客观情绪识别的宝贵工具.
• 之前的研究已经探索了fEMG用于情绪检测,但强大的独立于主体的模型仍然是一个挑战.

研究的目的:

• 使用面部电肌图 (EMG) 信号对用户的情绪进行分类.
• 为了评估各种机器学习分类器对情感识别的性能.
• 识别关键的面部电极,以区分不同的情绪状态.

主要方法:

• 从16名用户的面部EMG信号被记录下来,他们使用8个电极设置表达了7种情绪 (快乐,悲伤,惊喜,厌恶,愤怒,恐惧,中立).
• 平均信号功率被提取为用于分类器训练的特征.
• 使用K-近邻 (KNN),带有线性和立方核的支持向量机 (SVM) 和线性差异分析 (LDA) 开发了主体依赖和主体独立的模型.

主要成果:

• 取决于主体的模型实现了高精度:KNN (96.3%),线性SVM (94.9%),立方SVM (94.6%),和LDA (93.8%).
• 独立于主体的模型显示了较低但可变的精度:KNN (平均67.5%),立方SVM (平均59.1%),线性SVM (平均53.9%) 和LDA (平均41.2%).
• 这项研究确定了在情感对之间区分最有效的特定电极.

结论:

• 面部EMG信号,特别是当与主体依赖模型分析时,提供了一种非常准确的情绪识别方法.
• 主体独立模型的性能差异很大,这凸显了对个性化或自适应情绪识别系统的进一步研究的需要.
• 确定最佳的电极位置可以提高情绪分类系统的效率和准确性.