[发明专利]一种用于皮肤电反应信号特征选择的禁忌搜索方法

说明书

技术领域

本发明涉及一种生理信号情感识别方法，尤其涉及皮肤电反应信号的特征选择。

背景技术

情感识别是情感计算领域中的一个重要组成部分，如果要让计算机具有情感，首先要让它能识别情感，情感识别显得尤为重要。情感识别(Emotion Recognition)是通过观察人的表情、行为和情感产生的前提环境来推断情感状态。只有将情感识别看作一种模式识别问题，情感表达看作模式合成问题，计算机进行情感交流才具有可行性。情感识别研究的对象主要有人脸表情、语音语调、人体姿势、文本(心理学上常用的问卷调查法)和生理信号五种。前四种研究对象比较直观，都是以身体和行为的方式表现出来自愿或不自愿信号的复杂模式，无法观测到潜在的情感状态。而生理变化不受人的主观控制，它是由身体客观表现出来的，因而采用生理信号所得的数据更能客观地反应被试的真实情感，它更有鲁棒性和客观性，但是基于生理信号情感识别的研究是最困难的。

在本发明之前，美国MIT实验室的Picard教授在1998年为其实验室做技术报告“Affective Pattern Classification.Perceptual Computing Section Technical Report(Elias Vyzas and Rosalind W.Picard，1998，473)”中第一次证明了采用生理信号的特征为情感识别载体的方法是行之有效的，并通过提取皮肤电反应信号(GSR)、呼吸信号(RSP)、肌电信号(EMG)和血容量搏动(BVP)四种生理信号的40个信号特征来识别演员的8种不同情感状态，采用SFFS(序列前向选择算法)和Fisher这两种特征选择方法，并选择了多种分类器，得到的识别率为81.25％；在“Emotion Recognition Using Physiological and Speech Signal in Short-Term Observation(Jonghwa Kim and Elisabeth Andr.2006，LNAI 4021，pp.53-64)”中，Jonghwa采取生理信号与语音信号结合的方法识别4种极端情绪的识别率为55％，在该文中，作者提取了生理信号和语音信号共138个特征，并用SBS(序列后向选择算法)进行特征选择，所用的分类器为LDA(线性判别分类器)；在“Emotion Recognition Using Physiological Signals(Lan Li and Ji-hua Chen，ICAT 2006.LNCS 4282，2006：437～446)”中，Lan Li等人提取了GSR、SKT、RSP和ECG四种生理信号的22个特征来识别高兴、恐惧和平静(无任何情绪)这三种状态时，识别率高达86.7％。在特征选择中，研究者都是采用传统的特征选择方法，有的甚至没有特征选择，直接将提取的特征用于情感分类；分类器的选择也不同，都是根据经验选择认为分类效果好的分类器。由于每个研究者采用的生理信号和情感类型的差别，导致识别结果不同。在研究者采用的生理信号中，均有GSR信号，他们提取的GSR特征，通常是时域上的一阶差分、均值等几个统计特征，但是最后没有总结出具体哪些特征对识别情感有很大的贡献。

发明内容

本本发明的目的是提供一种有效的识别率高的用于皮肤电反应信号特征选择的禁忌搜索方法。

为了实现上述目的，采用以下技术方案：一种用于皮肤电反应信号特征选择的禁忌搜索方法，其特征在于：所述方法包括如下步骤：

采用序列后向算法，形成一个N-1行，N列的二维表L，其中N为选择的特征总维数，每一列代表一个特征，每一行称为一个空间，其中第n个空间选择有n个特征，1≤n≤N-1；表内每个元素的值用“0”或“1”表示，“0”代表在进行特征选择时该元素没有被选中，“1”代表该元素被选中；

对每一空间内的选中的特征采用禁忌搜索算法进行求解，得到每个空间的解组成的表S；

选择各个空间中适应度函数最大的作为最终特征选择结果。

其中每个空间中禁忌搜索算法的步骤为：

S1：初始设禁忌表T＝Φ，设置禁忌长度，设置最大迭代步数；将此空间内通过序列后向算法得到的值作为初始解，并把它作为该空间的暂定全局最优解Bestsofar和迭代搜索的起点，即当前局部最优解cand，计算初始解的适应度函数值；其中ratA和ratB分别代表目标情感的正确识别率和非目标情感的正确识别率。