Jul, 2023

基于皮肤电反应信号特征选择与支持向量机的人类情绪识别

PDF
TL;DR本论文提出了一种基于自动选择的皮肤电反应（GSR）信号特征和 SVM 的新型人类情感识别方法，使用奇异值分解特征选择方法筛选出最佳特征后，运用支持向量机实现情感识别，且识别准确率达到了 66.67% 以上。
human emotion recognitiongalvanic skin response (gsr)svmfeature selectionrecognition accuracy
发现论文，激发创造
  • 使用脑电图和皮肤电反应感知人类对机器的信任的分类模型

    提出两种基于分类器的经验信任传感器模型来评估人类的信任水平，分别使用脑电图（EEG）和皮肤电反应（GSR）测量。第一种方法考虑了所有被试的心理生理特征作为输入变量，并针对每个参与者训练分类器，生成一个基于一般特征集的信任传感器模型。第二种方法考虑每个个体的自定义特征集，并使用该特征集训练分类器 - based 模型，从而在提高平均准确性的同时，导致训练时间的增加。这项工作代表了实时心理生理测量用于开发人类信任传感器的第一次尝试。

    Mar, 2018

  • 公共部门应用中人机互动的信任监控

    通过心理生理传感器和测量，例如脑电图和皮肤电反应，结合模型算法，可以监测和提升人机交互中的信任度；其中，Local Interpretable Model-agnostic Explanations（LIME）模型在数据处理上具有优越性。

    Oct, 2020

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    本研究通过使用 SVM，KNN 和 RNN (LSTM) 等算法，对 DEAP 数据集中的 EEG 信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。

    Jul, 2023

  • 基于生理信号的情感识别调查

    本文回顾了生理信号在情感识别中的作用，讨论了影响情感识别的数据方差、数据标注技术、数据预处理技术、数据拆分技术和多模态信息融合技术以及未来的发展方向。

    May, 2022

  • 基于语音的情感识别特征选择增强和特征空间可视化

    本研究提出使用增强策略来提升语音情感识别的准确性，并使用两个数据集验证其有效性，比基准研究识别率分别提高了 11.5％和 13.8％。

    Aug, 2022

  • 基于循环神经网络和 KNN 的基于 EEG 信号的人类情感分类

    本研究通过机器学习方法，对脑机接口的 EEG 信号进行分析，利用离散小波变换，重复神经网络和 K 最近邻算法等技术，将与积极、中立和消极情绪相关的 EEG 信号进行分类，其分类性能高达 94.844％，相较于 KNN 算法的 93.438％更加优越。

    May, 2022

  • 个性化和泛化方法在使用消费级可穿戴设备进行情绪识别方面的比较：机器学习研究

    我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

    Aug, 2023

  • 从 EEG 中揭示情绪：一个基于 GRU 的方法

    通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了 100% 准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高的准确性，这项研究强调了类似 GRU 的深度学习模型在情绪识别中的潜力以及情感计算的进展，发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。

    Jul, 2023

  • 基于生理信号的无监督情感识别的深度聚类

    情绪在人脑的认知过程中扮演重要角色，本研究提出了一种基于生理和心理数据的无监督深度聚类框架用于情绪识别。通过对 WESAD 数据集的测试，深度 k 均值和深度 c 均值在 Russell 情感模型的四个象限上具有 87% 的总体准确率，并通过主观评估结果初始化聚类，避免了需要标签的问题。

    Aug, 2023

  • 利用时空特征从 EEG 信号进行跨主体情感识别

    通过使用 EEG 信号和 CNN 层，本文提出了一种易于实现的情感识别模型，使用 DENS 数据集进行评估，并在情感极性评分上达到 73.04％的准确性。

    May, 2023