邱 紅，劉光遠(yuǎn)＋，賴祥偉

（1.西南大學(xué) 電子信息工程學(xué)院，重慶400715；2.西南大學(xué) 計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶400715）

0 引 言

近年來(lái)在情感識(shí)別技術(shù)方面取得了很好的成果，如：Reza R Derakhshani等人采用測(cè)量眨眼對(duì)恐懼情感的識(shí)別，得到了較好的識(shí)別率［1］。Chung－Hsien Wu等人基于聲學(xué)信息 （AP）和語(yǔ)義標(biāo)簽 （SLs）的情感識(shí)別，去除個(gè)別個(gè)性品質(zhì)的影響，識(shí)別率可以達(dá)到85.79%［2］。Milan Gnjatovic等人研究了采用人機(jī)交互會(huì)話系統(tǒng)去期望發(fā)生情感反應(yīng)的范圍［3］。Bjorn Schuller等人對(duì)采用語(yǔ)音識(shí)別情感出現(xiàn)的不一致性進(jìn)行研究和提出策略［4］。George E等人提出多級(jí)支持向量機(jī)對(duì)心率 （HR），皮膚電反應(yīng) （GSR），皮膚溫度（ST）進(jìn)行分類，并對(duì)情感進(jìn)行識(shí)別，得到了很高的識(shí)別率［5］。Petrantonakis等人提出一種新的算法結(jié)合4種分類方法對(duì)腦電信號(hào)進(jìn)行6種情感的識(shí)別，最高辨識(shí)率達(dá)到85.17%［6］。其中一個(gè)分支是基于生理信號(hào)對(duì)情感狀態(tài)進(jìn)行識(shí)別，通過(guò)特殊的儀器檢測(cè)生理信號(hào)并識(shí)別出情感。肌電信號(hào) （electromyography，EMG），它在情感識(shí)別中扮演了重要角色，將EMG信號(hào)用于情感狀態(tài)識(shí)別具有重要的意義，國(guó)際上已對(duì)其進(jìn)行了研究。Kim J［7］以音樂誘發(fā)高興、悲傷、憤怒和愉悅4種情感，建立了3個(gè)被試的90組樣本庫(kù)，測(cè)試了肌電、皮膚電導(dǎo)、心電和呼吸4種生理信號(hào)。

針對(duì)肌電信號(hào)數(shù)據(jù)提取的126個(gè)原始特征中相關(guān)特征之間不含更多的分類信息的缺點(diǎn)，采用相關(guān)性分析刪除相關(guān)特征。禁忌搜索算法可以接受劣解，具有良好的全局收斂性，所以進(jìn)一步的特征選擇采用禁忌搜索算法，但基本的禁忌搜索算法對(duì)初始解和鄰域結(jié)構(gòu)有較大的依賴性［8］。為了彌補(bǔ)其不足，提出了一種改進(jìn)的禁忌搜索算法。實(shí)驗(yàn)結(jié)果表明，采用相關(guān)性分析和改進(jìn)的禁忌搜索算法結(jié)合能以較少的特征子集個(gè)數(shù)獲得較好的識(shí)別率。

1 數(shù)據(jù)采集和特征提取

采用電影片段激發(fā)被試高興、憤怒、厭惡、恐懼、悲傷、驚奇6種情感，并用Biopac MP150多通道生理信號(hào)記錄儀采集被試肌電信號(hào)，初始采樣頻率設(shè)置為1000Hz。參照文獻(xiàn) ［9］的特征提取方法，從肌電信號(hào)的樣本集中共提取了126個(gè)原始特征。為減少因個(gè)體差異對(duì)情感分類帶來(lái)的不利影響，將被試的各種情感的特征取值減去其平靜狀態(tài)下的特征取值，并進(jìn)行歸一化［10］。

2 肌電信號(hào)的特征選擇

特征選擇是指從原始特征中選擇分類能力最強(qiáng)的特征組合。在用肌電信號(hào)進(jìn)行情感識(shí)別時(shí)采用的是二分類情感識(shí)別法，目標(biāo)情感是單獨(dú)的一種情感，非目標(biāo)情感是其它5種情感的集合。識(shí)別能力可以用擊中率 （TPR）和虛報(bào)率（FPR）來(lái)表示，它們分別定義為

在ROC平面中，橫坐標(biāo)為FPR，縱坐標(biāo)為TPR，對(duì)角線上的系統(tǒng)為無(wú)用系統(tǒng)。系統(tǒng)性能較好區(qū)域?yàn)門PR＞FPR的區(qū)域，該區(qū)域離對(duì)角線的距離越遠(yuǎn)越好；系統(tǒng)性能較差的區(qū)域?yàn)門PR＜FPR的區(qū)域，該區(qū)域離對(duì)角線的距離越遠(yuǎn)越差［11］。

將實(shí)驗(yàn)測(cè)試得到的肌電信號(hào)各情感樣本集隨機(jī)平均分為3部分：第1部分用于對(duì)分類器的訓(xùn)練；第2部分用于對(duì)分類器的測(cè)試，第3部分用于驗(yàn)證選擇特征的有效性。

2.1 序列后向算法

序列后向算法 （SBS）是一種自上而下的方法。其基本思想是在運(yùn)行之初假定整個(gè)特征集合就是所需要的優(yōu)化特征集，每步運(yùn)行過(guò)程中刪除一個(gè)對(duì)準(zhǔn)則函數(shù)無(wú)貢獻(xiàn)或貢獻(xiàn)最小的特征［12］。

2.2 相關(guān)性分析

原始特征數(shù)目較大且含有相關(guān)的特征，這樣不僅會(huì)降低機(jī)器運(yùn)行速度且多次獨(dú)立運(yùn)行算法進(jìn)行特征選擇會(huì)得到多種不同的特征組合，不利于情感識(shí)別系統(tǒng)的建立。文獻(xiàn)［13］中引用定理與定義給予證明：原始特征集的分類能力不因刪除或增加相關(guān)性特征而減弱的理論。所以采用相關(guān)分析方法是可以的。該方法用式 （3）計(jì)算出126個(gè)原始特征兩兩特征的相關(guān)系數(shù)

式中：rxy——線性相關(guān)系數(shù)；X，Y——其中的兩個(gè)特征；xi——X第i個(gè)樣本值；yi——Y第i個(gè)樣本值；——X均值；——Y均值；n——特征集的樣本個(gè)數(shù)。

得到一個(gè)相關(guān)系數(shù)矩陣后，采用單獨(dú)最優(yōu)特征組合排序方法對(duì)126個(gè)特征對(duì)分類能力貢獻(xiàn)大小進(jìn)行排序，將rxy＞e的兩個(gè)特征中刪除一個(gè)排序相對(duì)靠后的特征，但當(dāng)遇到兩個(gè)特征中已有一個(gè)特征被刪除時(shí)，要保留與被刪除特征相關(guān)的哪個(gè)特征。

具體的刪除特征步驟如下：

步驟1 刪除原始特征集Mm×n（m是樣本個(gè)數(shù)，n是特征維數(shù)為126）中畸形的樣本，并且將特征矩陣歸一化，得到特征矩陣Ml×n（l為刪除樣本后的樣本個(gè)數(shù)）。

步驟2 采用單獨(dú)最優(yōu)特征組合排序方法對(duì)特征矩陣Ml×n進(jìn)行排序。

步驟3 計(jì)算出經(jīng)過(guò)步驟1處理后的126個(gè)特征之間的線性相關(guān)系數(shù)矩陣。

步驟4 假定一個(gè)閥值e，如果rxy＞e，按步驟2所排除的順序，比較x和y特征，刪除排在后面的那個(gè)特征。然后輸出一個(gè)特征矩陣為Ml×p（p為經(jīng)過(guò)刪除后的特征維數(shù)）。

2.3 改進(jìn)的禁忌搜索算法

禁忌搜索 （tabu search，TS）是對(duì)人類記憶過(guò)程的一種模擬，禁忌記憶的一些局部最優(yōu)解，接受部分較差解，從而可以跳出局部搜索達(dá)到全局搜索的目的［14］。其最重要的思想是采用了禁忌技術(shù)，其最重要的思想是采用了禁忌技術(shù)，但為了避免遺失優(yōu)良解，禁忌搜索同時(shí)采用 “特赦準(zhǔn)則”策略，該策略使搜索可以無(wú)視禁忌技術(shù)［15］。

該算法與傳統(tǒng)的優(yōu)化算法相比具有很好的爬山能力且區(qū)域集中搜索與全局分散搜索能較好平衡，為克服基本算法的不足，提出了一種改進(jìn)的禁忌搜索算法應(yīng)用于肌電信號(hào)的情感識(shí)別。該算法將搜索空間分解分為多個(gè)子空間，利用序列后向算法在每個(gè)子空間得到的解作為禁忌搜索的初始解，以Fisher分類器的正確率作為評(píng)判標(biāo)準(zhǔn)，從每個(gè)初始解出發(fā)在對(duì)應(yīng)的子空間開始搜索，得到每個(gè)子空間的最優(yōu)特征子集，最后對(duì)這些解進(jìn)行評(píng)價(jià)，找出整個(gè)空間的最優(yōu)特征子集。

具體改進(jìn)禁忌搜索算法步驟如下：

步驟1 將特征向量用一個(gè)0／1串位表示，并把運(yùn)行序列后向算法的結(jié)果放在表L中，j表示L的第j行，j＝1；

步驟2 初始化：禁忌表T＝Φ，初始解x（j）＝L（j，：），設(shè)置禁忌長(zhǎng)度，最優(yōu)解Bestsofar＝x（j），局部最優(yōu)解cand＝x （j），適應(yīng)度函數(shù)f（x（j））＝sqrt（ratA2＋ratB2），ratA和ratB分別為fisher計(jì)算出的目標(biāo)與非目標(biāo)情感的正確識(shí)別率；

步驟3 判斷是否滿足最大迭代步數(shù)的停止準(zhǔn)則，如滿足則終止計(jì)算，并把Bestsofar放在表S的第j行，然后轉(zhuǎn)步驟6；

步驟4 生成候選解集V （cand），其生成方式是別將cand的第i位cand（i）值變?yōu)?－cand（i），從第i位的下一位開始到第i位的上一位，遇到值等于1－cand（i）的p位，將其值變?yōu)?－cand（p）后結(jié)束，將鄰域集中被禁忌了的解，隨機(jī)產(chǎn)生與這個(gè)解特征維數(shù)相等的解代替后所產(chǎn)生的解集。計(jì)算出每個(gè)候選解的f，得到F（V （cand））集，找出Max（F）所對(duì)應(yīng)的候選解Qmax，cand＝Qmax，如f（cand）＞f（Bestsofar）則Bestsofar＝cand，將cand放入禁忌表中；

步驟5 用特赦準(zhǔn)則提前釋放禁忌表中迭代10次均好于當(dāng)前局部最優(yōu)解的解，轉(zhuǎn)步驟3；

步驟6j＝j(luò)＋1；如果j不等于特征總維數(shù)轉(zhuǎn)步驟2；

步驟7 選出S表中Max（f）對(duì)應(yīng)的解作為最優(yōu)解（Y），輸出結(jié)果。

3 實(shí)驗(yàn)結(jié)果分析

對(duì)126個(gè)EMG信號(hào)的原始特征運(yùn)用改進(jìn)的禁忌搜索算法進(jìn)行特征選擇，并獨(dú)立運(yùn)行程序10次，得到10個(gè)最優(yōu)解，并對(duì)每個(gè)最優(yōu)解進(jìn)行驗(yàn)證，得到結(jié)果如表1、圖1所示。

表1 以原始特征運(yùn)行10次改進(jìn)的TS算法的結(jié)果

圖1 改進(jìn)的TS算法特征選擇的情感識(shí)別系統(tǒng)的ROC平面

采用相關(guān)系數(shù)大于0.92的相關(guān)性分析對(duì)特征降維后，運(yùn)用基本的禁忌搜索算法進(jìn)行特征選擇，并獨(dú)立運(yùn)行程序10次，得到10個(gè)最優(yōu)解，并對(duì)每個(gè)最優(yōu)解進(jìn)行驗(yàn)證，得到結(jié)果如表2、圖2所示。

采用相關(guān)系數(shù)大于0.92的相關(guān)性分析對(duì)特征降維后，運(yùn)用改進(jìn)的禁忌搜索算法進(jìn)行特征選擇，并獨(dú)立運(yùn)行程序10次，得到10個(gè)最優(yōu)解，并對(duì)每個(gè)最優(yōu)解進(jìn)行驗(yàn)證，得到結(jié)果如表3、圖3所示。

圖2 相關(guān)性和基本TS算法結(jié)合進(jìn)行特征選擇的情感識(shí)別系統(tǒng)的ROC平面

如表1所示，對(duì)126個(gè)EMG原始特征運(yùn)用改進(jìn)的禁忌搜索算法選擇出的最優(yōu)特征子集驗(yàn)證高興、驚奇、厭惡、悲傷、憤怒、恐懼時(shí)，最優(yōu)特征子集特征維數(shù)分別為21，12，18，13，21和22。如表3所示，用相關(guān)性分析對(duì)原始特征降維后，運(yùn)用改進(jìn)的禁忌搜索算法選擇出的最優(yōu)特征子集，最優(yōu)特征子集特征個(gè)數(shù)分別為7，4，6，4，7和7。從表1和表2對(duì)比可看出用相關(guān)性分析對(duì)原始特征降維后，禁忌搜索算法的搜索空間降低從而減少了特征選擇時(shí)間，在保持較好的識(shí)別率的情況下選出的最優(yōu)特征維數(shù)明顯降低，且獨(dú)立運(yùn)行10次所得到的最優(yōu)特征組合也更穩(wěn)定，如高興每次選擇的最優(yōu)特征組合相同，更有利于情感識(shí)別系統(tǒng)的建立。所以相關(guān)性分析運(yùn)用于EMG信號(hào)的情感識(shí)別的特征選擇是可行的。

表2 相關(guān)性分析去除相關(guān)性較強(qiáng)的特征后獨(dú)立運(yùn)行10次適應(yīng)度函數(shù)為TS算法的結(jié)果

表3 相關(guān)性分析去除相關(guān)性較強(qiáng)的特征后運(yùn)行10次改進(jìn)的TS算法的結(jié)果

圖3 相關(guān)性分析和改進(jìn)的TS算法結(jié)合進(jìn)行特征選擇的情感識(shí)別系統(tǒng)的ROC平面

如表2所示，用相關(guān)性分析去除相關(guān)性較強(qiáng)的特征后，運(yùn)用基本的禁忌搜索算法選擇出的最優(yōu)特征子集，最優(yōu)特征子集特征維數(shù)分別為15，14，10，8，7和19。從表2和表3結(jié)果對(duì)比可看出，用改進(jìn)的禁忌搜索算法能以較少的特征獲得相近的識(shí)別率，表明改進(jìn)的禁忌搜索算法比基本的禁忌搜索算法更優(yōu)。

從ROC圖中各情感的位置離對(duì)角線的距離可知肌電信號(hào)情感識(shí)別系統(tǒng)對(duì)高興的識(shí)別效果最好。文獻(xiàn) ［16］基于最大最小蟻群算法對(duì)脈搏進(jìn)行情感識(shí)別；文獻(xiàn) ［17］基于粒子群算法對(duì)皮膚電進(jìn)行情感識(shí)別；將以上文獻(xiàn)中的結(jié)果與本文的結(jié)果對(duì)比，可看出肌電對(duì)高興的識(shí)別效果比采用其它生理信號(hào)對(duì)高興情感的識(shí)別效果更好，所以在建立的情感識(shí)別模型中可以使用肌電信號(hào)識(shí)別高興情感。

4 結(jié)束語(yǔ)

提出了一種基于相關(guān)性分析和改進(jìn)的禁忌搜索算法的特征選擇方法，該方法利用相關(guān)性分析去除相關(guān)性較強(qiáng)的特征后，使用改進(jìn)的禁忌搜索算法與Fisher分類器結(jié)合進(jìn)行特征選擇。實(shí)驗(yàn)結(jié)果表明，該特征選擇方法用于肌電信號(hào)的情感識(shí)別，獲得了較好的識(shí)別率。在分析了基本的禁忌搜索算法和改進(jìn)的禁忌搜索算法選出的特征子集個(gè)數(shù)和識(shí)別率后，能夠看出改進(jìn)的禁忌搜索算法較優(yōu)。在進(jìn)一步研究中，可以采用非線性相關(guān)分析方法和采用特征選擇算法結(jié)合不同的分類器進(jìn)行肌電信號(hào)的情感識(shí)別。

［1］Derakhshani RR，Lovelace CT.An ensemble method for classifying startle eye blink modulation from high－speed video records［J］.IEEE Transactions on Affective Computing，2011，2 （1）：50－63.

［2］WU Chung－h(huán)sien，LIANG Wei－Bin.Emotion recognition of affective speech based on multiple classifiers using acoustic－prosodic information and semantic labels ［J］.IEEE Transactions on Affective Computing，2011，2 （1）：10－21.

［3］ Milan Gnjatovic.Inducing genuine emotions in simulated speech－based human－machine interaction：The NIMITEK corpus［J］.IEEE Transactions on Affective Computing，2010，1（2）：132－144.

［4］Bjorn Schuller.Cross－corpus acoustic emotion recognition：Variances and strategies ［J］.IEEE Transactions on Affective Computing，2010，1 （2）：119－131.

［5］George E S.Support vector machines to define and detect agitation transition ［J］.IEEE Transactions on Affective Computing，2010，1 （2）：98－108.

［6］Panagiotis CP.Emotion recognition from brain signals using hybrid adaptive filtering and higher order crossings analysis ［J］.IEEE Transactions on Affective Computing，2010，1 （2）：81－97.

［7］KIM J.Emotion recognition based on physiological changes in music listening ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，30 （12）：2067－2083.

［8］WANG Dingwei.Intelligent optimization methods［M］.Beijing：Higher Education Publishing，2006：82－94 （in Chinese）.［汪定偉.智能優(yōu)化方法 ［M］.北京：高等教育出版社，2006：82－94.］

［9］CHENG Ying.The research of EMG signal in emotion recognition based on TS and SBS algorithm ［C］.The 3rd International Conference on Information Sciences and Interaction Sciences，2010：363－366.

［10］WEN Wanhui.Foundation of emotion physical response sample and data correlation analysis［J］.China Science F Information Science，2010，41 （1）：77－89 （in Chinese）. ［溫萬(wàn)惠.情感生理反應(yīng)樣本庫(kù)的建立與數(shù)據(jù)相關(guān)性分析 ［J］.中國(guó)科學(xué)F輯信息科學(xué)，2010，41 （1）：77－89.］

［11］Bradley A P.The use of the area under the ROC curve in the evaluation of machine learning algorithms［J］.Pattern Recognition Society，1997，30 （2）：1145－1159.

［12］MAO Yong.A survey for study of feature selection algorithms［J］.Pattern Recognition and Artificial Intelligence，2007，20（2）：212－217 （in Chinese）.［毛勇.特征選擇算法研究綜述［J］.模式識(shí)別與人工智能，2007，20 （2）：212－217.］

［13］JI Xiaojun.Application of the correlation analysis in feature selection ［J］.Jouranal of Test and Measurement Technology，2001，15 （1）：15－18 （in Chinese）.［吉小軍.相關(guān)性分析在特征選擇中的應(yīng)用 ［J］.華北工學(xué)院測(cè)試技術(shù)學(xué)報(bào)，2001，15 （1）：15－18.］

［14］HU Yongliang.Research on tabu search applied in off－line MPLS layout design ［J］.Computer Engineering and Design，2006，27 （3）：387－389 （in Chinese）.［胡永良.禁忌搜索在MPLS離線型規(guī)劃設(shè)計(jì)中的應(yīng)用研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2006，27 （3）：387－389.］

［15］WU Liangjie.Research on generalized assignment based on ant coloney algorithm with tabu search［J］.Computer Engineering and Design，2009，30 （15）：3591－3697 （in Chinese）.［吳良杰.基于禁忌搜索和蟻群算法的廣義分配問題研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，30 （15）：3591－3697.］

［16］ZHANG Huiling.Research of emotion recognition based on pulse signal［C］.The 3rd International Conference on Advanced Computer Theory and Engineering，2010：506－509.

［17］WU Guanghua.The analysis of affective recognition from GSR based on PSO ［C］.International Symposium on Intelligence Information Processing and Trusted Computing，2010：60－64.