第３８卷第３期。２０１ｉ年３月计算机科学ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅＶ０１．３８Ｎｏ．３Ｍａｒ２０１ｌ基于智能算法的生理信号情感识别熊勰刘光远温万惠（西南大学电子信息工程学院重庆４００７１５）摘要针对基于生理信号的情感识别问题，采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法来进行特征选择，用Ｆｉｓｈｅｒ分类器对高兴、惊奇、厌恶、悲伤、愤怒和恐惧６种情感进行分类，获得了较高的识别率，并找出了对情感识别系统模型的构建具有较好性能的特征组合，建立了对６类情感具有预测能力的识另ｑ系统。关键词情感识别．特征选择。智能算法中图法分类号ＴＰ３９１．４１文献标识码ＡＥｍｏｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎｏｆＰｈｙｓｉｏｌｏｇｉｃａｌＳｉｇｎａｌｓＢａｓｅｄＸＩＯＮＧＸｉｅＬＩＵＧｕａｎｇ－ｙｕａｎｏｎＩｎｔｅｌｌｉｇｅｎｔＡｌｇｏｒｉｔｈｍＷＥＮＷａｎ－ｈｕｉ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４００７１５，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＦｏｒｔｈｅｐｒｏｂｌｅｍｏｆｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ，ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｉｍｕｌａｔｅｄ－ａｎｎｅａｌｉｎｇｍｅｔｈｏｄ，ｍａｘ－ｍｉｎａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍａｎｄｐａｒｔｉｃｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｗｅｒｅｕｓｅｄｆｏｒｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ，ａｎｄｃｏｍｂｉｎｅｄｗｉｔｈＦｉｓｈｅｒｌｉｎｅａｒｃｌａｓｓｉｆｉｅｒｔＯｒｅｃｏｇｎｉｚｅｓｉｘｅｍｏｔｉｏｎｓ：ｊｏｙ，ｓｕｒｐｒｉｓｅ，ｄｉｓｇｕｓｔ，ｇｒｉｅｆ，ａｎｇｅｒａｎｄｆｅａｒ，ｉｔｈａｓｏｂｔａｉｎｅｄｈｉｇｈｅｒｆｅａｔｕｒｅｓｕｂｓｅｔｗｈｉｃｈｇｎｉｔｉｏｎｉｄｅｎｔｉｆｙｔｈｅｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｍｏｄｅｌｗｉｔｈｓｉｘｅｍｏｔｉｏｎｓ．ｂｅｔｔｅｒ鼬ｎｎａｎｃｅｒｅｃｏｇｎｉｔｉｏｎｗａｓｒａｔｅ．Ｅｆｆｅｃｔｉｖｅｆｏｕｎｄ，ａｎｄｔｈｅ耐ｓｙｓｔｅｍｗａｓｅｓｔａｂｌｉｓｈｅｄｗｉｔｈｆｏｒｅｃａｓｔｉｎｇａｂｉｌｉｔｙｏｆＫｅｙｗｏｒｄｓＥｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ，Ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ，Ｉｎｔｅｌｌｉｇｅｎｔａｌｇｏｒｉｔｈｍ一风景和轻音乐一片段１一风景和轻音乐一片段２一风景和１前言人机交互情感识别领域的一个重要分支是基于生理信号的情感识别。本文采用剪辑好的视频作为唤起材料，诱发高兴、惊奇、厌恶、悲伤、愤怒和恐惧６种情感，并采集以下几种生理信号：面部肌电、脑电、心电、脉搏、呼吸和皮肤电导。本文侧重分析心电信号的心率部分和皮肤电导信号，并从这两种生理信号中提取有效的特征组合［１‘３］。本文使用美国ＢＩＯＰＡＣ公司提供的多导生理记录仪ＭＰｌ５０，采集被试者情绪产生时的生理信号，并对心电信号进行离散小波变换后提取心率信号的时频域的特征，对皮肤电导信号进行滤波后提取时频域的特征。特征选择采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法，并结合Ｆｉｓｈｅｒ投影缩减特征空间维数对６种情感状态分类。其各类情感识别率均能达到较高水平。轻音乐一片段３一风景和轻音乐一片段４一风景和轻音乐一片段５一风景和轻音乐一片段６一风景和轻音乐。实验后要求被试者在问卷中填写观看完视频的感受。以便提取有效数据。高兴、惊奇、厌恶、悲伤、愤怒和恐惧情感样本库的规模依次为２１６，１６７，１００，２３５，３４９和２１７个样本。样本数据量的大小与相应情感唤起的难易程度有关。在情感诱发素材开始前，已经记录了被试者在平静状态下的生理信号基线。３信号预处理３．１皮肤电导的预处理由于硬件设备上具有３５Ｈｚ低通滤波和５０Ｈｚ电源干扰滤波，因此皮肤电导信号的信噪比较高，对其进行预处理时，用平滑滤波去除噪声即可。３．２心电信号的预处理利用了小波变换良好的时一频局部化和对信号奇异点的２数据采集实验对象均为西南大学在校学生，所有被试者身体健康，无心脏疾病和精神疾病病史。实验素材采用了电影片段，与图片和声音相比，电影能够更加可靠和真实地唤起被试者的内心情感“］。在大量的视频材料中分别以高兴、惊奇、厌恶、悲伤、愤怒和恐惧为目标情感选择了６个片段，并且按照以下的顺序合成为持续４８ｍｉｎ的情感唤起剪辑素材：实验提示语到稿日期：２０１０－０４—１２返修日期；２０１０－０７—２８０７００３）资助。检测能力，对采集的Ｅ【Ⅺ信号进行离散小波变换，在去除带外噪声和基线漂移的同时重构ＥＣＧ信号的高频部分［５｜。通过重构信号，在准确定位Ｅ【Ⅺ信号的Ｒ波和ＱＲＳ复合波后，从中提取心率信号。４特征提取在皮肤电导信号和心率信号中总共提取９９个特征，构成本文受国家自然科学基金（６０８７３１４３），西南大学国家重点学科基础心理学科研基金（ＮＫＳＦ熊勰（１９８６一），男，硕士生。主要研究方向为智能信息处理与情感计算；刘光远（１９６１～），男，博士。教授，主要研究方向为计算智能与情感计算；温万惠（１９８１一），女，博士生，讲师，主要研究方向为计算智能与情感计算。·２６６·万方数据ｒ地＊特Ⅱ浆ｍ眭ｍ＃信号手¨０阜仿ｑ均进＃Ｔ均值（汕ｍ”）巾值（Ｍｔ｛Ｉ】＝＿ｎ）、打∞【Ｓｔｄ）＊＾值（Ｍａｘ，Ｒ小值《Ｍｉｎ）＃女ｍ范月（ＲａｆⅥｅ）”＊”Ⅲ。ｍ据“＃信号颧宰Ｌ的特ｎ，提ｍ０Ｈｚ目ｏ２Ｈｚ的１６十自络＆＾值点作∞特评．＃Ｅ自ｒ）Ｎ（１）一Ｉ）ｎ（Ｉ６）。ｍ据■牢｛他的特＾，ｔ取。率保持为Ｔ４口∞持《Ｗ目（１．，ｒ１２，半《镕ｍ加自莲续＆小的持续时ＩｈＩ（１，千¨Ｔ，１Ⅲ丰连接增Ｍ目４续＃十∞幅度（Ａ＂Ａ，）、０率ｉ升自Ｔ降∞步进（ＲⅫｒｊ¨％计值“∞特《。《产ｍｒｒ｝衔’Ｆ｛ｂ；＾，／ｒ，Ａｒ，ＴＡｙＪ．Ⅻ＾，＿被试＃＆腴ｍ导信号Ⅻ■电信口均存ｎ十体蘑”～消除十体若异＃ｎＭ右棒缸Ｒ愤都Ⅲ＊＊“＊＃ｒ静状卷ＴｊｔⅨ∞特Ⅱｎ值ｍ＊∞化。５特征选择自Ｔ＆有情培ｔｇ信息∞先骑Ⅻｍ．睁精特Ⅱ中自４特ⅡＷ＆”＊薅ｍⅢ＾敬。ｔ蝗＾州特☆ＥＯＨ≯！＊Ｕ效果产生鲍自影自，目此∞｝进行特征选择女障ｄ！特“ｒ。另·方自．从信息论的角度阱，持Ⅱ选＃ｍＢ信息Ⅲ缩自过程，ＷＨ获得更ｈ简日∞识…§统。＝丹＊情感Ｍ刖系统的Ｍ别能女ｎｒ“月击中卓（７１’Ｒ）、捐报率（ＦＮＲ）Ⅲ确拒绝毕（ＴＮＲ）自艘《率（ＦＰＲ）柬表示，它们分制定女为ｔ豫＝瑚裸髁妒×ＩＯｌｌ％ｍＦＮＲ＝型精黥睾星跹８一ｕ％ｍ，ｗｎ一正９｛；智≤《｝皋聂土墼×，ｏ。“ｃｓ，ｍｔ一巡甏黑鬈襻堂一ｏ“ｗ易ⅫＥ们有ｍＦ置《ⅢＲＩＦＮＲｒＮＲＩ·ＰＲ。对｝“ＦＰＲ为横女＃、ＴＰＲ＊纵ｍ标¨Ｒ（℃｝Ⅲ，日知址ｆＷｍ绒ＦＩ’Ｒ＝ＴＰＲＬ的系统肚尤月∞。Ｆ１，Ｋ二，ＦＩ，Ｒ∞Ｅ域女性能较好系统Ｂ＃且ｉ统距离对角线ＦＰＲ＝ＴＰＲ越ｔ越好：ＴＰＲ＜ＦＰＲ的Ⅸ域对府性能鞍＃§统日域，目系统距离Ｗ自蜡月ｍ＝ＴｐＲ越重越茅４。为Ｔ保证Ｎ＊的数据ｍ能够得到好的ⅢⅫ．☆模型的识别能山与推广性２问折巾．将每类情感样本分别分为３份：随机选取其中的１／３构成数据矩阵Ａ…㈡是样丰个数洲是特征维教．Ｔ同）．用于训练分类器；在其余的数据中％机ｔ取１／３构成数据矩阵ｎ…月十特征选择．剩Ｔ∞构成数《《阵ｏ…用于模Ⅻ两删能力的验证。井对“ｔ的散据集晡机掏凿５０敬．模型的砸瓣耗々使用５呲ｔ空卫齄《舶平均女中串ＴＰＲ和虚报阜ＦＰＲ作为衡量标准。研Ｒ十分别使用具有模拟ｍ火机制的遗传算法、最夫艟小虹群算法自粒ｆ群算＊进｛ｆ模型谜择，利用它们良好的解空间搜索艉力＃避免教据Ｈ拟台％力米建ｉ对６娄情感具有较高识别率的二Ｈ粪情感ｍ剧系统。５１具害横拟退ｍ机ｑ的培传算涪遗传算法通过模救自辩±自进化∞对程米进Ｈ最优化Ｍ题白勺求解。模拟ｍ火算☆Ⅲｌ通ｄ模拟ｍ＾Ｈ程来解班组合域优化Ｈ题．遗传箅＆目盎行有教的全局搜索，ｍ模拟退＾算万方数据法ｎｒ“｛Ｒ快＆Ｈ＊酃最忧镕＋。１、｛￥鳊日月戒呆月ｍ制ｃ１Ｒ＆诲＃“＆＊自ｔｈ】代表＊ｍ十ⅢＩ丹别蛤ｍｒ“愤２ｃＡｎｇｅｒ）、ｍ恶（］［Ⅺｇｌｍｔ）、ｍ惧‘Ｆ㈣ｒ）《““；ｒｋＤ高＊（Ｊｏｙ）自镕哿（ＳｕｒｐｆｉＭ．）～¨标情感时特《远择∞≈一女☆代撤佳十体的ｒＰＲ＋１ＮＲ．ｕ＆其验证ｕ寸Ｍ获僻∞ＦＰＲ＋ＩＮＲ。磬鳕ｉ１亩ｌ审；ｉ自瑟自｜：；皂目】ＩＬ十，№ｍｍ＾ｍＭ¨ｍ＊＃＆＊Ⅱ☆＃自＆ｕｆ＿Ⅱ＆≈＆镕“ｍｍ十＊∞ＩＩ’ｊ卜Ｉ、Ｒ＾Ｉ培ｍｒ＃ｆｍ传算％特Ⅱｔ择的６个‘二＊＊情感ｍ别系统的空ｘ＆ⅡＲ佳击中卓（ＴＰＲ）和虚报宰（ＦＰＲ）“＆对＆的特｛Ｅ组台包含的特征堆数，女１６十＝＂＊＊ｇｍⅢ｝‰∞＊Ⅱｉｉ＆Ｅ☆十￥目ｍｍ￥＆＊Ⅱ镕＃（Ｒ自ｍｍｍ＾＃【ｄ∞ｍ＊＃＆）Ｅ…ｏｎ‰６８；“５０＾…１１’Ｒ¨ｅ月’Ｌｍ５＾｝ａ“｝＆３“２２８，ｃ３０ｈⅣ７８，“３ｌ２％－＊８ｏｒ＊ｆ５”Ⅻ１％１９…１ｗＩｏｖ７０８“＾６９“！。７７Ｚ‘９５“３７月２给出Ｔ＃ｆＦｉｓｈｅｒ＊粪№刖＂结台横拟ｍ＾∞遗传算ｎ特征选掸的情接识州§统∞麒Ｅ平Ⅲ。Ｍ幕统｛Ｒ（Ｅ甲札ｔ∞坐标＾距离时角线的正置¨Ⅻｉ％对恐惧的识郫救旱是Ｒ蚪的．其攻依状为高＊、Ⅸ恶惊奇２伤自愤怒。目２＊｝Ｆｉｓｈｅｒ”女＃Ⅲ目镕☆＃ｍⅢ＾∞ｍ＊＃Ｂ＃《％＃∞”ｍ＊Ⅲ§％∞Ⅲ℃｝ｉｓ２量★量小蚊群算镕§太艟小蚁群（ＭＭＡＳ）算法是Ｎ普ｍ《群的改ｍ．是到目前为止解央旅行商问题等优化问题最好∞Ｈ群优化＊算法。ＭＭＡＳ舶特点＃ｆ（Ｉ）造代最优蚂蚁或当前最优蚂蚁才＃允许释放信息隶。（２）ＭＭＡＳ将信息素的ｍ值ｍ雠４一个范崮［ｈ。ｒ一］ｍ免算女过Ｐ收敛，（３１韧蛤信息幕值口定为。。．并Ｅ信息索∞挥发率ｍ较小值，目的是使算珐在最自的搜索十尽日能地樽到更多的解“…．特征选择日ｍ看成Ｂ蚂蚁寻投最优路＆∞ｄ《．每十特《目当ｆ蚂虹觅食时要Ｍ过∞节点．自日种＊记状态０或ｌ，０代表镕特征世＊进中，ｌ代表被选十。蚁群问ｍ过残％在每十特征节点上∞信息翥进行台作．＆＃｝找到较优的觅食路＆（对应较优∞特Ⅱｆ集）。·２６７－情感时．特＂选＃的缸ｍ过ｆ℃ｍ”纠“们ＴＰＲ—ＴＮＲｕ及其验＊ｕｆｆ¨让甜的¨。ＫＩ｛豳Ｆ匦｛罩ｌ：｛臣墨笋星３；圈ｌ：卣ｌ：两｜萎｛：｛圉ｌ：｛臣旦ｌｉ圈目３持ｍＴ“ｍ怒Ⅸ岳罂ｍｍ协崩＊和幛奇为目杆…ｋ—ｌ—ＲＪ～Ｈ··一ＸＲ…，Ｆｉ司…～～一目５Ｋｆ＃＃镕＊Ⅱｔ＃目§“ｄＲ≈＆ＡｆｔＲ＊■Ⅱ｝Ｍ十采３嫱ｍＴ基于粒ｆ群算法特征进掸的６十＝分类情感Ⅲ×Ｒ＾Ｒｍ《＂■＊＃¨ＢＨ目％ⅡＨ＆＊＆镕Ｒ＊＊■ｍｗ＊识别系统韵受ｚ验证母佳击巾率Ⅻ虚报丰，与其余几种特征选掸算法相＆．粒ｆ群箅＆县有鞍女ｆ的撷测识别能力．井且具有较好的特秆选样能力．＾ｊ６十：＂＊＊ｇｕ：ｗ＊＊∞Ｒ”２ｘＲⅡＪ－十｝目自ｍ十（＃ｆ＃＃＆＊＆ｔ＃’＾２站ｉ＿｝ｒ壮于蛀人撤小虹群掉浊特征选样的６十‘丹类情感＃Ｉ刷乐坑的空ｘ瞬征艟佳击中率和虚撤串。日璺“群特征选抒ｊ；打比遗传算法更好的预测识别难．降维能力ｍｍ遗传并＆优秀。＊？６十＂∞ＭｇｍⅢ《＆∞Ｒ＃±ｘ§Ⅱ☆十￥＃ｍｍ％＆＃＊镕％（ｎ＊＃＊＃ｍｔ＃）ｍ４ｇｒＦｉｓｈｅｒ＂女ｍＭ自日★＆十《“＊☆∞一ｎ女Ｍ８＊Ⅻ｛＊∞ｍｘ。ｆⅢ５３粒子＃算镕粒于群【刚）】算法与托Ｅｍ化粪算法类似，ｍ鬻用。群体”与“进化”纳概念，同样ｍ詹收据十体（轧子）的适应值划、进行操作。＊｝删的ｎ，挝ｆ群算法｛像ｊｔ它进化算法那样埘个体使用进化并ｒ州是将拇十个体看作是拄”维搜索空Ｍ巾的十＆右皿皿和体积的粒子许舟搜常空删巾ｍ一定的遣鹰１行。该Ｅ扦建度｝１１十体∞１行经验目＃体∞１打§验进行动态调整”．粒子位置代表特征向皿若为】．则代表相应的特征选中．厦之为ｏ，剐ｎ特征术选一ｐ．每改造代月珏ｕ±月晟优粒子ｎ＆为中心进行邻域艘索，全局搜索主ｇ往重的足搜索广虚·要求处理的信息最多，建度要求快口１糖度不高；邻蟪搜案取点搜索有局部最优点的Ｋ域．搜索的旭目小．但有较高∞搜索Ⅸ廑，罔５分刷持｝Ｉｌｒ“愤馨．厌惑．恐惧悲协、离＊和惊奇山目标情感时符Ⅱ选掸的每次遗ｆｔ最佳垃ｆ∞ＴＰＲ十ＴＮＲ·２６８·万方数据表１不同噪声水平下测试用像的峰值信噪比（ＰＮＳＲ）ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｂｏｍｂａｙ，１９９８：８３９—８４６［３］ＢｕａｄｅｓＡ。ＣｏｉｌＢ，ＭｏｒｅｌＪ帆Ｒｅｖｉｅｗｏｆｉｍａｇｅｄｅｎｏｉｓｉｎｇａｌｇｏ—ｒｉｔｈｍｓｖｎｔｈｎｅｗｏｎｅ［ｊ］．ＭｕｌｔｉｓｃａｌｅＭｏｄｅｌｉｎｇａｎｄＳｉｍｕｌａｔｉｏｎ，２００５，４（２）：４９０－５３０［４］ＧｉｊｂｅｌｓＩ，ＬａｍｂｅｒｔＡ。ＱｉｕＰ．Ｅｄｇｅ－ｐｒｅｓｅｒｖｉｎｇｉｍａｇｅｄｅｎｏｉｓｉｎｇａｎｄｅｓｔｉｍａｔｉｏｎｏｆｄｉｓｃｏｎｔｉｎｕｏｕｓｓｕｒｆａｃｅｓ［Ｊ］．１ＥＥＥＴｒａｎｓａｃｔｉｏｎｓＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｍｅｌｌｉｇｅｎｅｅ，２００６，２８（７）；０８７１０７５—１［５３ＢａｒａｓｈＤ．Ａｆｕｎｄａｍｅｎｔａｌｒｅｌａｔｉｏｎｓｈｉｐｒｉｎｇ，ａｄａｐｔｉｖｅｂｅｔｗｅｅｎｂｉｌａｔｅｒａｌｆｉｌｔｅ－ｓｍｏｏｔｈｉｎｇ，ａｎｄｔｈｅｎｏｎｌｉｎｅａｒｄｉｆｆｕｓｉｏｎｅｑｕａｔｉｏｎＤ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌ—另外，需要特别指出的是。为了更好地对比和展示本文算法的优点，传统双边滤波和本文算法采用相同的滤波器参数，但并非两者的最佳滤波参数。ｌｉｇｅｎｅｅ．２００２。２４（６）：８４４—８４７［６３ＬｉｕＹ，ＷａｎｇＪ，Ｃｂｅｎｘ．ｅｔａ１．Ａｒｏｂｕｓｔａｎｄｆａｓｔｎｏｎ－ｌｏｃａｌｍｅａｎｓａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｄｅｎｏｉｓｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００８。２３（２）：２７０－２７９结束语图像中的细节特征（如边缘）是物体各部分之间的界限，以这些特征为界的各连续区域代表着物体的各个部分。通常，图像去噪在各连续区域内进行才能取得更有效的去噪效果和保持图像细节特征。为此，本文提出了一种在连续子邻域内进行的鲁棒双边滤波方法。通过仿真实验对比及理论分析，可以得出如下结论：本文算法可以在获得良好去噪效果的同时保留图像的细节特征，具有较好的鲁棒性能（或抑噪性能）。［７３刘艳丽。郭延文，王进，等．噪声方差未知的小波域中非局部均值图像去噪［Ｊ］．计算机辅助设计与图形学学报，２００９，２１（４）：５２６—５３２［８３ＢｕａｄｅｓＡ，ＣｏｉｌＢ，ＭｏｒｅｌＮ．Ａｎｏｎ－ｌｏｃａｌａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｄｅ－ｎｏｉｓｉｎｇ口］．ＩＥＥＥＴｒａｎ！；ａｃｔｉｏｎａＲｅｃｏｇｎｉｔｉｏｎ，２００５，２：６０－６５ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎ［９３ＦａｎＨ．ＹｕＹ，ＰｅｎｇｓｉｎｇｂａｓｅｄｔｉｏｎｓＱＲｏｂｕｓｔｆｅａｔｕｒｅ－ｐｒｅｓｅｒｖｉｎｇｍｅｓｈｄｅｎｏｉ－ｃｏｎｓｉｓｔｅｎｔｓｕｂｎｅｉｇｈｂｏｒｈｏｏｄｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃ—ｊｎＶｉｓｕａｌｉｚａｔｉｏｎａｎｄＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ．２０１０，１６参考文献［１］陈强，郑钰辉，孙权森，等．片相似性各向异性扩散图像去噪［Ｊ］．计算机研究与发展，２０１０，４７（１）：３３－４２［１０］陆剑锋．林海。潘志庚．自适应区域生长算法在医学图像分割中的应用［Ｊ］．计算机辅助设计与图形学学报。２００５，１７（１０）：２１６８－２１７３［１１］ＩｒｆａｎＴＢ，ＮａｓｉｒＭＲＭｕｌｔｉｌａｔｅｒａｌｆｉｌｔｅｒｉｎｇ：ａｎｏｖｅｌｆｒａｍｅｗｏｒｋｆｏｒｇｅｎｅｒｉｃｓｉｍｉｌａｒｉｔｙ－ｂａｓｅｄｉｍａｇｅＩｎｔｅｒｎａｔｉｏｎａｌＥ２］ＴｏｍａｓｉＣ。ＭａｎｄｕｃｈｉＲＢｉｌａｔｅｒａｌｆｉｌｔｅｒｉｎｇｆｏｒｇｒａｙａｎｄｃｏｌｏｒｉｍａ—ｄｅｎｏｉｓｉｎｇ［Ｃ］｝｝ＰｒｏｃｅｅｄｉｎｇｓＰｒｏｃｅｓｓｉｎｇ．２００９：２９８１—２９８４ｇｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ６－ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅＣｏｎｆｅｒｅｎｅｅＩｍａｇｅ（上接第２６８页）分别表示心率上升和下降的步进。Ａｒ／Ｌ，Ａ，／Ｔ，，Ａ×Ｔｒ和［２］ＰｉｅａｒｄＲＷ，ＶｙｚａｓＥ。ＨｅａｌｅｙＪ．ＴｏｗａｒｄＭａｃｈｉｎｅＥｍｏｔｉｏｎａｌＩｎ—ｔｅｌｌｉｇｅｎｃｅ：ＡｎａｌｙｓｉｓｏｆＡｆｆｅｃｔｉｖｅＰｈｙｓｉｏｌｏｇｉｃａｌＴｒａｎｓａｃｔｉｏｎｓＳｔａｔｅ［Ｊ］．ＩＥＥＥＩｎｔｅｌｌｉｇｅｎｃｅ，Ａ，ＸＤ是４个衍生变量。表４特征选择结果ＴａｒｇｅｔＡｎｇｅｒＬＫｓｇｕｓｔＳｅｌｅｃｔｅｄｆｅａｔｕｒｅｓＰａｔｔｅｒｎＡｍａｌｙｓｉｓａｎｄＭａｃｈｉＲｅ２００１，２３（１０）：１１７５—１１９１［３３ＫｉｍＪｏｎｇｈｗａ．ＡｎｄｒｅＥＥｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎＢａｓｅｄｌｏｇｉｃａｌＣｈａｎｇｅｓｉｎＰｈｙｓｉｏ－ＭｕｓｉｃＬｉｓｔｅｎｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓＤＦＴ（１１）＿ＧＳＲ．ＤＦＴ（１３）一ＧＳＲ。Ｍｉｎ＿Ａｒ×丁ｒＰａｔｔｅｒｎＡｎａｌｙ萄ｓａｎｄＤａｃｈｉｎｅＩｎｔｄｌｉｇｅｎｃｅ，２００８。３０（１２）：２０６７—２０８３—ＤＦＴ（１０）一ＧＳＲ．ＤＦＴ（１６）一ＧＳＲ。Ｍａｘ—ＨＲ．Ｒａｎｇｅｊ己．Ｍｉｌｌ＿Ａ，．Ｍａｘ．／ｏ，ＤＦＴ（４）一ＨＲ．ＤＦＴ（６）一ＨＲ．ＤＦＴ（１５）一ＨＲ［４］ＧｒｏｓｓＪＪ，ＬｅｖｅｎｓｏｎＲｗ．Ｅｍｏｔｉｏｎｅｌｉｃｉｔｉｏｎｕｓｉｎｇｆｉｌｍｓ［Ｊ］．Ｃｏｇ—ｎｉｔｉｏｎａｎｄＥｍｏｔｉｏｎ，１９９５，９（１）：８７—１０８ＭａｘＦｅａｒＧＳＲ，ＭｉｎＧＳＲ，ＤＦＴ（３）ＧＳＲ．Ｉ）ＦＴ（４）一ＧＳＲ．Ⅸ叮［５］ＫｔａｔａＳ。ＯｕｎｉＫ，ＥｌｌｏｕｚｅＮ．ＥＣＧＳｉｇｎａｌＭａｘｉｍａＤｅｔｅｃｔｉｏｎＵ—（”一ＧＳＲ。Ｍｅｄｉａｎ—ＨＲ．Ｒ舡＊ｌｇｅ—ＨＲ．Ｍｅａｎ一丁ｆ，Ｍａｘ—Ｌ，Ｍｅａｎ＿Ｒ，．Ｓｔｄ—Ｒ｜．Ｍｅｄｉａｎ—Ｒ｜．Ｍａｘ—Ｒ”Ｍｅａｎ—Ｆ¨Ｍｅａｎ—Ａｒ．Ｓｔｄ—Ａｒ。ＩⅥｆｉｎ—Ａｒ．Ｍｉｎ—Ａ／．Ｍｉｎ—Ａｒ／丁ｒ．Ｓｔｄ—ＡｓｌＴ／·ＤＦｒ（２）一ＨＲ．ＤＦＴ（３）一ＨＲ．ＤＦＴ（”一ＨＲ，ＤＦＴ（８）一ＨＲｓｉｎｇＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ［Ｃ］ｆｆＰｒｏｃｅｅｄｉｎｇｓｏｆ２００６ＩＥＥＥＩｎｔｅｒ－ｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓ．ＩＥＥＥＰｒｅｓｓｔ２００７：７００－７０３ＧｒｉｅｆＭｉｎ＿ＧＳＲ．Ｓｔｄ＿Ａｒ／Ｔｒ．ＭｅｄｉａｎＡ／／Ｔ／Ｍｅａｎ＿ＨＲ．ＭｅａｎＡｒ×ＢＭｅａｎ＿ＧＳＲ．Ｍａｘ—ＧＳＲ。Ｍｉｎ—ＧＳＲ．Ｒａｎｇｅ—ＧＳＲ，ＤＦＴ（４）一ＧＳＲ．Ｍｅａｎ＿ＨＲ．Ｍｅｄｉａｎ＿ＲＩ，Ｍｅｄｉａｎ—Ｆ，·Ｓｔｄ—Ａｒ。Ｍａｘ＿Ａｒ·Ｍｅｄｉａｎ＿丁ｒ，Ｍｉｌｌ＿Ｂ。Ｍｉｎ—Ａｒ／Ｌ．Ｍｅａｎ＿Ａ，×丁ｒ．Ｓｔｄ—Ａｒ×Ｌ．ＭａｘＡ，×丁，．Ｍｉｎ—Ａｒ×Ｔｒ．ＤＦＴ（２）一ＨＲ．Ｔ）Ｆｒ（３）一ＨＲ，ＤＦＴ（５）一ＨＲ．ＤＦＴ（６）一ＨＲ，ＤＦＴ（１０）一ＨＲ．ＤＦＴ（１６）一ＨＲ［６］温万惠．邱玉辉，刘光远，等．情感生理反应样本库的建立与数据相关性分析［Ｊ］．中国科学Ｆ辑（信息科学）。２０１ｌ（１）［７３ｌｓａｂｅｌｌｅＧ．ＡｎｄｒｅＥＡｎＩｎｔｒｏｄｕｃｔｉｏｎＪｏｙｖａｒｉａｂｌｅａｎｄｆｅａｔｕｒｅ１ｅｃｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＭａｃｈｉｎｅＬｅａｒｎｉｎｇＲｅｓｅａｒｃｈ，２００３，３：１１５７一１１８２Ｓｕｒｐｒｉｓｅ［８３ＢｒａｄｌｅｙＡＰ．ＴｈｅｏｆｔｈｅａｒｅａｕｎｄｅｒｔｈｅＲＯＣｉｎｔｈｅｖａｌｕａｔｉｏｎｏｆｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉ—在后期工作中设计特征选择和分类器时，可以将多种特征选择算法和不同的分类器相结合来识别情感；可提取更多的生理信号的特征，例如脑电、肌电等，并同时识别多种情感状态，从而建立一个比较完备的情感识别系统。ｔｉｏｎＳｏｃｉｅｔｙ，１９９７．３０：１１４５—１１５９［９３康立山。谢云。尤失勇．等．非数值并行算法——模拟退火算法［Ｍ］．北京：科学出版社．１９９８Ｄｏ］ＤｏｒｉｇｏＭ．Ｓｔｉｉｔｚｌｅ２００４：６４—１１６Ｔ．ＡｎｔＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ［Ｍ－Ｊ．ＭＩＴＰｒｅｓｓ。参考文献［１３ＨｅａｒｄＲｗ：ＡｆｆｅｃｔｉｖｅＰｒｅｓｓ。１９９７［１１］ＫｅｎｎｅｄｙＪ．ＥｂｅｒｂａｒｔＲＣＡｄｉｓｃｒｅｔｅｂｉｎａｒｙｖｅｒｓｉｏｎｏｆｔｈｅｐａｔｔｉ—ｅｌｅｓｗａｒｍａｌｇｏｒｉｔｈｍｉＣ］｝｝ｔｈｅ１９９７ＩＥＥＥＩｎｔ．Ｃｏｎｆ．Ｓｙｓｔｅｍｓ。Ｃｏｍｐｕｔｉｎｇ［Ｍ］．Ｍａｓｓａｃｈｕｓｅｔｔｓ：ｔｈｅＭＩＴＭａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ：ＣｏｍｐｕｔａｔｉｏｎａＩＣｙｂｅｍｅｔｉｃａａｎｄＳｉｍｕｌａ—ｔｉｏｎ．ｖｏＬ５．Ｏｒｌａｎｄｏ。ＦＬ，ＵＳＡ，１９９７：４１０４－４１０８万方数据２７８·基于智能算法的生理信号情感识别
作者：作者单位：刊名：英文刊名：年，卷(期)：
熊勰， 刘光远， 温万惠， XIONG Xie， LIU Guang-yuan， WEN Wan-hui西南大学电子信息工程学院,重庆,400715计算机科学
COMPUTER SCIENCE2011,38(3)
1.Kennedy J;Eberhart R C A discrete binary version of the particle swarm algorithm 19972.Dorigo M;Stützle T Ant Colony Optimization 2004
3.Kim Jonghwa;Andre E Emotion recognition Based on Physiological Changes in Music Listening[外文期刊] 2008(12)
4.Picard R W;Vyzas E;Healey J Toward Machine Emotional Intelligence:Analysis of AffectivePhysiological State[外文期刊] 2001(10)5.Picard R W Affective Computing 1997
6.康立山;谢云;尤失勇 非数值并行算法-模拟退火算法 1998
7.Bradley A P The use of the area under the ROC curve in the evaluation of machine learningalgorithms[外文期刊] 1997(7)
8.Isabelle G;Andre E An Introduction to variable and feature selection 20039.温万惠;邱玉辉;刘光远 情感生理反应样本库的建立与数据相关性分析 2011(01)
10.Ktata S;Ouni K;Ellouze N ECG Signal Maxima Detection Using Wavelet Transform 200711.Gross J J;Leveson R W Emotion elicition using films 1995(01)
本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjkx201103060.aspx
