1、生理信號(hào)的情感識(shí)別是從所采集到的生理信號(hào)中抽取特征來(lái)進(jìn)行的情感模式識(shí)別，論文將情感識(shí)別問(wèn)題看成模式識(shí)別問(wèn)題，將遺傳算法與經(jīng)典的模式識(shí)別分類方法“k-近鄰法”相結(jié)合引入到生理信號(hào)的情感識(shí)別中，將情感識(shí)別過(guò)程中最優(yōu)情感特征子集的求解看成一個(gè)組合優(yōu)化問(wèn)題，嘗試尋找最能“代表”相應(yīng)情感狀態(tài)的最優(yōu)情感特征組合及最好的識(shí)別率，將智能優(yōu)化算法的思想應(yīng)用于生理信號(hào)的情感識(shí)別是論文想表明的一個(gè)創(chuàng)新點(diǎn)。 論文在前人研究成果的基礎(chǔ)上，主要做了三個(gè)方面

2、的工作： (1)對(duì)德國(guó)Augsburg大學(xué)的提供的原始情感生理數(shù)據(jù)樣本進(jìn)行分析、處理，根據(jù)論文的需要構(gòu)造出可以使用的原始情感數(shù)據(jù)矩陣，以各特征選擇時(shí)使用。 (2)針對(duì)用生理信號(hào)來(lái)識(shí)別情感中的最優(yōu)情感特征組合選擇這一組合優(yōu)化問(wèn)題，嘗試將遺傳算法與“k-近鄰法”相結(jié)合用于joy，anger，sadness，pleasure四種情感狀態(tài)的識(shí)別，驗(yàn)證該方法的可行性、有效性。 (3)將一種自適應(yīng)遺傳算法與“K-近鄰法”相結(jié)

3、合再次應(yīng)用于上面4種情感的識(shí)別，觀察改進(jìn)后的算法情感識(shí)別率是否得到提高，能否得到與國(guó)際上相關(guān)領(lǐng)域一致的結(jié)論。 基于以上三方面所做工作，論文通過(guò)生理數(shù)據(jù)樣本仿真實(shí)驗(yàn)，得到如下三個(gè)結(jié)論： (1)從德國(guó)Augsburg大學(xué)提供的情感數(shù)據(jù)樣本中抽取特征所構(gòu)造的情感特征矩陣，對(duì)于分類joy，anger，pleasure，sadness四種情感狀態(tài)是有效的，并非特征數(shù)量越多，識(shí)別效果越好，存在冗余特征，不同的生理信號(hào)在識(shí)別不同情感狀

4、態(tài)時(shí)識(shí)別率差別很大。 (2)將遺傳算法用于生理信號(hào)情感識(shí)別中最優(yōu)情感特征模式的搜索是可行的，不同的生理信號(hào)在分類4種情感狀態(tài)所得識(shí)別率最好時(shí)所選擇的特征數(shù)目不同，所用的具體特征也各不相同，組合模式差別很大。同一生理信號(hào)在分類不同情感狀態(tài)時(shí)識(shí)別率差別很大，說(shuō)明在不同情感狀態(tài)下各生理信號(hào)指標(biāo)的差異很大，如呼吸信號(hào)(RSP)在分類anger時(shí)平均識(shí)別率97％，而在分類pleasure時(shí)平均識(shí)別率僅有34％；也說(shuō)明通過(guò)RSP來(lái)表現(xiàn)ang

5、er比表現(xiàn)pleasure更容易實(shí)現(xiàn)。且實(shí)驗(yàn)多次識(shí)別率最好時(shí)所選特征均包含呼吸信號(hào)的一階差分后的最大值(RSPldiff-max)、二階差分的最大值(RSP2diff-max)，說(shuō)明呼吸信號(hào)更能表現(xiàn)出真實(shí)的憤怒的情感狀態(tài)。 (3)改進(jìn)參數(shù)后的算法識(shí)別率得到一定的提高，從四種生理信號(hào)中抽取特征進(jìn)行的情感識(shí)別效果要好于單一生理信號(hào)的情感識(shí)別。生理信號(hào)越多，包含的特征越豐富，選出的特征組合模式越有可能代表所對(duì)應(yīng)的情感狀態(tài)。就情感的維度