基于穿戴式设备的情绪分类研究开题报告

 2021-12-16 09:12

全文总字数:4023字

1. 研究目的与意义(文献综述)

情绪在日常生活中对人的学习、生活、工作以及健康都有很大的影响。正面的情绪能够提高人们学习和工作的效率,增强对生活信心,保持乐观的态度,同时积极的情绪能够促进人的活动,提高人体的机能。而负面的情绪会对人的精神产生负面的刺激,负面刺激的积累有可能会引起精神疾病,例如抑郁症,因此对人体情绪的分类研究有着很重大的意义。目前对情绪进行分类的代表性有三类。第一类是基于图像对情绪进行识别分类,普遍是通过采集人面部的一些表情动作特征来进行分类处理。第二类是基于语音语调信号或者基于文本处理对情绪进行识别分类研究。第三类是基于生理信号对情绪进行识别分类研究。第一类和第二类都是通过人体外在的物理信号对进行分类研究,但是这些外在的物理信号存在一定的欺骗性,因为通过后天的学习可以在一定程度上对自己的面部表情或者说话的语音语调进行伪装掩饰。而第三类情绪分类方法是通过人体的生理信号进行研究分析,由于人体的情绪产生波动时,必然会导致生理信号产生相应的变化,而生理信号是人体自发产生的,人体不能主动对其进行调控,因此,基于生理信号对情绪进行分类研究更加具有代表性。

近年来,世界各国的研究人员对于情绪的分类研究不断地突破创新,对情绪分类的准确率也不断地提高。韩国祥明大学的一个研究团队提出利用卷积神经网络对多种生理信号进行六种基本情绪的分类,通过使用呼吸和心率变异性的各种参数,对情绪的平均识别准确率达到93%以上[1]。在该研究中使用了胸带呼吸传感器获取两个呼吸(rsp)的参数,该传感器设备人们佩戴起来并不是特别方便,因此希望能够使用一些更加容易获取的生理信号,例如心率、心电信号来进行分类研究,因为此类信号能够更容易从一些可穿戴式设备中获取,例如测量心率、心电的手环手表。而j. a. dominguez-jimenez等国外的研究人员提出使用两种生物信号:脉搏波信号(ppg)和皮肤电信号(gsr)通过传统的机器学习方法对情绪进行分类,使用不同的特征提取技术和不同的分类器进行组合达到对悲伤、幸福和中立三种情绪的最优分类效果,其经过训练的模型对测试集的情绪分类准确率达到100%[2]。由此看出,情绪识别分类中使用机器学习的方法也能获取较高的准确率。因此,本设计是希望能够用机器学习的方法利用心率、心电等信号进行情绪分类。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

本次毕业设计是利用心电、心率等心理信号对情绪进行分类研究。首先对心率、心电等生理信号进行预处理,因为原始的生理信号会包含有一些噪声,因此必须使用滤波器对信号进行滤波操作,得到较为纯净的生理信号,然后从这些生理信号中提取多个与情绪相关特征,包括信号的时域特征和频域特征,组成特征集。接着使用pycharm或者anaconda等python的开发环境从特征集中进行特征提取,选取能对目标情绪解释度较高的一些特征,特征提取的方法有逐步回归法、遗传算法以及随机森林递归特征消除等等,提取出最优的特征子集后,使用交叉验证的方法,把数据集分成两组,一组为训练集,一组为验证集。训练集的数据用于训练分类器,分类方法有支持向量机(svm),多项式回归(mn),决策树(dt)和朴素贝叶斯(nb)等等,根据实际情况选用合适的分类方法,尽可能提高分类的准确性,最后是利用验证集对训练出来的模型进行验证,统计验证结果。本研究更加侧重于算法实现,因此在实现的过程中可能会遇到一些困难,要 善于利用学校的数字图书馆查询相关资料并及时与指导老师进行沟通。整体的技术方案如下图1所示:

图1整体技术方案

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

1~3周:查阅相关文献资料,明确研究方向,确定研究内容,完成开题报告;

4~6周:搭建平台用于数据的分析与处理,对数据进行预处理,提取较为纯净的生理信号;

7~9周:研究情绪分类与识别相关算法,对数据进行特征提取并选取最优特征集,对情绪分类研究系统进行模块化设计;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] seungjunoh,jun-young lee,dongkeun kim," the design of cnn architectures for optimal sixbasic emotion classication usingmultiple physiological signals," sensors 2020, 20, 866.

[2] j.a.domínguez-jiménez, k.c. campo-landines, j.c. martínez-santos, e.j. delahoz,s.h. contreras-ortiz, " a machinelearning model for emotion recognition from physiological signals," biomedical signal processing and control 55 (2020)101646.

[3]wu,shiyi , et al. "estimation of valence of emotion using two frontal eegchannels." 2017 ieee international conference on bioinformatics andbiomedicine (bibm) ieee, 2017.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。