情感估計(jì)的高階多元多項(xiàng)式建模方法研究.pdf_第1頁
已閱讀1頁,還剩114頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、人工智能的全面發(fā)展,離不開對人體情感狀態(tài)的自動(dòng)檢測。情感檢測是從直接采集的信號(hào)來推斷個(gè)體的情感狀態(tài),包含情感識(shí)別和情感估計(jì)。情感識(shí)別采用模式分類方法,將從采集信號(hào)中提取的特征向量分類為離散的基本情感類別,如高興、憤怒、悲傷以及恐懼等,適用于個(gè)體極端情感狀態(tài)的檢測。相比于情感識(shí)別,情感估計(jì)采用函數(shù)映射方法,將信號(hào)的特征向量映射為連續(xù)的情感維度值,如情感的效價(jià)、喚醒度得分,能夠提供更加細(xì)化的情感描述,適用于日常生活中個(gè)體情感狀態(tài)的連續(xù)檢測。

2、目前,越來越多的研究認(rèn)為個(gè)體的情感狀態(tài)可以通過采集的信號(hào)來估計(jì)。
  以往關(guān)于情感估計(jì)的研究中,人們主要采用多元線性回歸分析、偏最小二乘回歸、遺傳優(yōu)化的支持向量回歸以及人工神經(jīng)網(wǎng)絡(luò)等方法,將情感的效價(jià)、喚醒度評分回歸到腦電信號(hào)、面部視屏、語音信號(hào)、身體姿勢或生理信號(hào)等的特征向量上,建立計(jì)算情感維度的函數(shù)模型。采用多元線性回歸分析與偏最小二乘回歸方法的研究更加確認(rèn)了情感生理心理系統(tǒng)的非線性,采用人工神經(jīng)網(wǎng)絡(luò)方法的研究一定程度上提高了

3、模型的預(yù)測精度。這些方法為更好地解決情感估計(jì)提供了良好基礎(chǔ)。然而,線性方法一般缺乏精確性;支持向量回歸方法在刻畫系統(tǒng)非線性方面有一定局限性;人工神經(jīng)網(wǎng)絡(luò)方法通常涉及復(fù)雜的數(shù)學(xué)公式、迭代尋優(yōu)、不便于被直觀理解。目前,還沒有一種能夠在模型計(jì)算精確性和直觀性之間取得良好平衡的方法。因此,研究能夠獲得精確而直觀的計(jì)算模型的方法對于回答產(chǎn)生觀測信號(hào)的生理結(jié)構(gòu)是如何決定情感維度的情感估計(jì)問題、提高機(jī)器的情感檢測能力以及發(fā)展和完善情感估計(jì)方法學(xué)都具有

4、重要意義。
  為進(jìn)一步提高估計(jì)情感狀態(tài)的模型預(yù)測精度、簡化模型形式、增強(qiáng)模型實(shí)用性,論文新引入了高階多元多項(xiàng)式建模方法(HMPR)來建立估計(jì)情感維度的高階多元多項(xiàng)式函數(shù)模型,進(jìn)而豐富情感估計(jì)方法學(xué)。鑒于情感維度的大腦動(dòng)機(jī)系統(tǒng)和皮膚電導(dǎo)信號(hào)中樞機(jī)制之間的重疊關(guān)系,論文采用情感相聯(lián)系的純凈皮膚電導(dǎo)反應(yīng)信號(hào)為自變量,預(yù)測對應(yīng)的情感維度,闡明高階多元多項(xiàng)式建模方法的理論、算法、結(jié)果及其心理生理意義,并定位高階多元多項(xiàng)式建模在解決具體情感

5、估計(jì)問題中的地位。為此,論文開展了如下的研究工作:
  (1)設(shè)計(jì)了情感誘發(fā)和評價(jià)的心理生理實(shí)驗(yàn),構(gòu)建了綜合數(shù)據(jù)采集系統(tǒng)。采用事件相關(guān)的實(shí)驗(yàn)范式,以國際情感圖片數(shù)據(jù)庫中的圖片為情感誘發(fā)素材,誘發(fā)女大學(xué)生被試的情感狀態(tài),并采集心電、脈博以及皮膚電導(dǎo)生理信,采用假人形自測量表來測定被試情感狀態(tài)的效價(jià)和喚醒度評分。通過實(shí)驗(yàn),獲得了30名被試的情感對應(yīng)的效價(jià)和喚醒度評分以及皮膚電導(dǎo)信號(hào);
  (2)提取了純凈的情感心理生理特征。論文

6、采用Lim皮膚電分解方法來處理被試間平均的皮膚電導(dǎo)信號(hào),提取情感相聯(lián)系的純凈皮膚電導(dǎo)反應(yīng),并將這些純凈的反應(yīng)表示為反應(yīng)延遲時(shí)間、增益、上升時(shí)間以及衰減時(shí)間常數(shù)的四維生理特征向量。皮膚電導(dǎo)反應(yīng)的特征向量與效價(jià)-喚醒度的被試間平均分構(gòu)成基礎(chǔ)數(shù)據(jù)集。對基礎(chǔ)數(shù)據(jù)集執(zhí)行單因數(shù)方差分析的結(jié)果說明了論文實(shí)驗(yàn)操作的有效性。提取基礎(chǔ)數(shù)據(jù)集的效價(jià)、喚醒度、增益以及衰減時(shí)間常數(shù)的數(shù)據(jù)構(gòu)成實(shí)驗(yàn)數(shù)據(jù)集。仿真數(shù)據(jù)集是為了解決高階多元多項(xiàng)式建模需要相對大量的訓(xùn)練數(shù)據(jù)

7、樣本的問題而從實(shí)驗(yàn)數(shù)據(jù)集上被統(tǒng)計(jì)地構(gòu)造出來,其中論文提出的數(shù)據(jù)擴(kuò)容定理是其理論依據(jù)。仿真數(shù)據(jù)集不僅保持了實(shí)驗(yàn)數(shù)據(jù)集的統(tǒng)計(jì)特性,而且由不同于實(shí)驗(yàn)數(shù)據(jù)集的新?lián)?gòu)成;
  (3)從建模方法的角度,探討了高階多元多項(xiàng)式建模方法如何獲得精確而直觀的計(jì)算模型的問題。針對某個(gè)多輸入-單輸出的系統(tǒng),高階多元多項(xiàng)式建模方法以多元多項(xiàng)式函數(shù)可以逼近系統(tǒng)的模型函數(shù)為理論基礎(chǔ),在輸入-輸出數(shù)據(jù)上,采用最小二乘的回歸方法來估計(jì)多項(xiàng)式模型函數(shù)的未知系數(shù),檢驗(yàn)

8、所獲得模型的顯著性,并用所獲得的顯著的最優(yōu)多項(xiàng)式模型,對特定輸入做出點(diǎn)預(yù)測和區(qū)間預(yù)測。為選擇最優(yōu)的模型,論文提出了綜合評價(jià)模型表現(xiàn)能力的指數(shù)。模型指數(shù)是其預(yù)測與觀測數(shù)據(jù)之間的相關(guān)系數(shù)和均方誤差之商(指數(shù)越大,模型越好)。為獲得模型的穩(wěn)定表現(xiàn),論文提出仿真數(shù)據(jù)集上建模、實(shí)驗(yàn)數(shù)據(jù)集上驗(yàn)證的新技術(shù)方案。按照高階多元多項(xiàng)式建模方法的理論要求,論文設(shè)計(jì)了獲得顯著的最優(yōu)多項(xiàng)式模型的可執(zhí)行算法。仿真數(shù)據(jù)集上,論文以增益和衰減時(shí)間常數(shù)為輸入自變量、效價(jià)

9、和喚醒度為輸出因變量,應(yīng)用高階多元多項(xiàng)式建模算法,獲得了變換情感相聯(lián)系的純凈皮膚電導(dǎo)反應(yīng)信號(hào)為對應(yīng)情感維度的情感高階多元多項(xiàng)式模型。實(shí)驗(yàn)數(shù)據(jù)集上,此情感高階多元多項(xiàng)式模型在預(yù)測效價(jià)和喚醒度的評分中分別取得了顯著的相關(guān)系數(shù)0.98和0.96,從而可以作為計(jì)算單元來提升諸如智能手表、小米手環(huán)及谷歌眼鏡等商業(yè)產(chǎn)品的情感檢測能力。分析情感高階多元多項(xiàng)式模型的梯度場,發(fā)現(xiàn):效價(jià)成分受增益和衰減時(shí)間常數(shù)兩個(gè)因素的影響,而喚醒度成分主要受增益的影響。

10、這提供了間接的證據(jù)來支持先前研究的結(jié)論—效價(jià)成分反應(yīng)了人腦的欲望子環(huán)路或防御子環(huán)路的選擇性激活,喚醒度成分反應(yīng)子環(huán)路的激活程度;
  (4)比較了論文提出的高階多元多項(xiàng)式建模方法與解決情感估計(jì)的主要方法。以論文所獲得的仿真數(shù)據(jù)集和實(shí)驗(yàn)數(shù)據(jù)集為共同基礎(chǔ),不同的方法將獲得具有不同直觀性的模型函數(shù)、不同的模型預(yù)測表現(xiàn)。仿真數(shù)據(jù)集上建立最優(yōu)模型,以最優(yōu)模型在整個(gè)實(shí)驗(yàn)數(shù)據(jù)集上測試時(shí)獲得的指數(shù)為標(biāo)準(zhǔn),情感高階多元多項(xiàng)式模型優(yōu)于目前的主要方法所

11、獲得的最優(yōu)模型。進(jìn)一步,以模型的實(shí)際指數(shù)為縱軸(方法精確性),以模型數(shù)學(xué)表達(dá)式直觀程度的定性評級為橫軸(方法直觀性),論文提出了定性評價(jià)對應(yīng)方法的方法圖譜。在效價(jià)和喚醒度的方法圖譜中,這些方法的實(shí)際位置都描繪出了倒U-型的實(shí)際譜線,并且高階多元多項(xiàng)式建模方法處于實(shí)際譜線的頂部。這結(jié)果表明:高階多元多項(xiàng)式建模方法目前是一種好方法,既相對直觀又能獲得高預(yù)測精度。倒U-型的實(shí)際譜線與理論期望—方法越是復(fù)雜、非線性、直觀程度越低,所獲得模型應(yīng)該

12、會(huì)越好—之間的差距表明:情感估計(jì)的方法學(xué)研究仍處于相對低級的水平,復(fù)雜方法還存在很多的理論和技術(shù)的問題需要解決。
  綜上所述,以變換皮電反應(yīng)為情感維度的具體情感估計(jì)問題為例,論文新引入了高階多元多項(xiàng)式建模方法作為情感估計(jì)方法學(xué)的重要補(bǔ)充。發(fā)現(xiàn)高階多元多項(xiàng)式建模方法在解決具體情感估計(jì)問題時(shí),能夠獲得相對直觀的多元多項(xiàng)式模型函數(shù)(關(guān)于輸入變量的乘與和的函數(shù)),且所獲得的模型具有高的預(yù)測精度。這是因?yàn)楦唠A多元多項(xiàng)式建模方法通過非線性的

13、函數(shù)項(xiàng)可以很好地描述系統(tǒng)的非線性性質(zhì)。大數(shù)據(jù)時(shí)代下,多模態(tài)數(shù)據(jù)分析技術(shù)已經(jīng)是銳不可當(dāng)?shù)内厔?。未來在不同人群、采用不同情感誘發(fā)方式、采集不同觀測信號(hào)的具體情感估計(jì)中,如果能很好地提取各個(gè)模態(tài)中的情感相關(guān)的純凈信號(hào)特征、解釋和融合這些特征,高階多元多項(xiàng)式建模方法將會(huì)獲得更精確的多項(xiàng)式函數(shù)模型和揭示更豐富的情感心理生理機(jī)制。這些直觀而精確的模型將進(jìn)一步提升類似于可穿戴情感計(jì)算機(jī),感知成長機(jī)器人Nao以及AIBO狗等系統(tǒng)的情感檢測能力,進(jìn)而增進(jìn)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論