喻一梵， 喬曉艷

(山西大學(xué) 物理電子工程學(xué)院， 山西 太原 030006)

基于深度學(xué)習(xí)算法的正負(fù)性情緒識(shí)別研究

喻一梵， 喬曉艷

(山西大學(xué) 物理電子工程學(xué)院， 山西 太原 030006)

為探究感知正性情緒(高興、 驚奇、 自豪、 感動(dòng))和負(fù)性情緒(憤怒、 悲傷、 恐懼、 厭惡)時(shí)， 人體生理信號(hào)特征變化， 并依此進(jìn)行情感識(shí)別， 設(shè)計(jì)了視頻誘發(fā)情感的實(shí)驗(yàn)范式. 利用多導(dǎo)生理儀同步采集人體脈搏和心電兩種生理信號(hào)； 采用中值濾波和小波去噪方法消除測(cè)量中的基線漂移和噪聲干擾； 通過(guò)差分閾值法進(jìn)行峰值檢測(cè)， 提取心電和脈搏波特征； 設(shè)計(jì)棧式自編碼深度學(xué)習(xí)算法， 利用神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)正負(fù)性情緒分類識(shí)別. 基于心電信號(hào)特征或脈搏信號(hào)特征， 4種正性情緒的平均識(shí)別正確率分別為83.16%和81.66%， 4種負(fù)性情緒的平均識(shí)別率分別為90.33%和86.33%， 4種正負(fù)性混合情緒的平均識(shí)別率分別達(dá)到87.86%和85.28%. 結(jié)果表明： 采用棧式自編碼深度學(xué)習(xí)算法， 基于脈搏和心電生理信號(hào)特征， 均可以有效識(shí)別正負(fù)性情緒， 并且心電特征相比脈搏特征在正負(fù)性情緒識(shí)別方面更優(yōu)越， 該方法可以應(yīng)用于情感機(jī)器人的研究中.

小波去噪； 棧式自編碼； 脈搏信號(hào)； 心電信號(hào)； 情感識(shí)別

Abstract: In order to explore the physiological characteristics changes for positive emotions (happy, surprise, pride, moving) and negative emotions (anger, sadness, fear, disgust), and recognize the different emotions, the experimental pattern of video-induced emotion was designed in this paper. And PPG and ECG signals were collected simultaneously by using multi-channel physiological instrument. The method of wavelet denoising and median filtering were used to remove baseline drift and noise interference. The difference threshold detection method was applied to detect the peak, and extracted ECG and pulse wave signal characteristics. The stacked self-coding deep learning algorithm was designed to achieve the positive and negative emotional classification by neural network classifier. Respectively based on the ECG signal features and pulse signal features, the average recognition accuracy rates are 83.16% and 81.66% for four positive emotions, the average recognition accuracy rates are 90.33% and 86.33% for four negative emotions, the average recognition accuracy rates are 87.86% and 85.28% for four positive and negative mixed emotions. The results show that the stacked coding deep learning algorithm can effectively identify the positive and negative emotions based on the features of pulse signal and ECG signal, and the ECG features are superior to the positive and negative emotion recognition in comparison with the pulse features. The methods can be applied in the study of emotional robots.

Keywords: wavelet denoising; stacked self-encoding; pulse signal; ECG signal; emotion recognition

0 引 言

在人機(jī)交互領(lǐng)域中， 情緒和認(rèn)知模型被賦予計(jì)算機(jī)， 使得計(jì)算機(jī)具有能夠識(shí)別、 理解用戶情感的能力， 實(shí)現(xiàn)和諧的人機(jī)交互、 用戶體驗(yàn)以及可穿戴的情緒感知. 國(guó)內(nèi)外在情感識(shí)別研究中已取得了一定的成果， 美國(guó)MIT媒體實(shí)驗(yàn)室情感計(jì)算研究小組Picard教授等人率先以圖片為誘發(fā)材料， 從人體肌電、 脈搏、 皮膚電導(dǎo)和呼吸信號(hào)中提取特征， 并對(duì)憤怒、 憎惡、 悲傷、 柏拉圖式的愛(ài)、 羅曼蒂克的愛(ài)、 高興、 崇敬以及中性狀態(tài)共8種情感狀態(tài)進(jìn)行分類， 取得了較好的分類效果[1,2]. Pflomba等人[3]采用恐懼、 憤怒和平靜等情感的電影素材激發(fā)46名被試的不同情感， 測(cè)量他們的心率、 呼吸、 皮膚電導(dǎo)水平的變化， 發(fā)現(xiàn)不愉快的電影素材引起被試者的各種生理信號(hào)變化劇烈， 產(chǎn)生可區(qū)分自主響應(yīng)的模式. 2006年P(guān)ierre Raimllef等[4]研究了被試者愉快和不愉快的回憶， 激發(fā)出高興、 恐懼、 悲傷和憤怒等情感， 測(cè)試他們的腦電信號(hào)和呼吸信號(hào)， 獲得了56．3%的平均識(shí)別率. 西南大學(xué)劉光遠(yuǎn)教授等人[5,6]應(yīng)用小波變換提取脈搏波主波間隔、 潮波間隔、 重搏波間隔的均值、 中值等特征， 識(shí)別悲傷、 憤怒、 恐懼3種負(fù)性情感狀態(tài)， 正確率均達(dá)到65%； 采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)面部肌電特征進(jìn)行情感分類， 平均識(shí)別正確率達(dá)到75%.

目前， 情感識(shí)別主要集中于6種基本情緒(高興、 驚奇、 悲傷、 厭惡、 憤怒、 恐懼)的情感分類. 基于生理信號(hào)的情感識(shí)別與研究較為成熟的語(yǔ)音和圖像的情感識(shí)別相比， 具有顯著不同的特點(diǎn)， 它更具真實(shí)性、 客觀性且不受主觀操控， 進(jìn)而對(duì)它的研究構(gòu)成了情感計(jì)算領(lǐng)域中一個(gè)重要方向[7]. 但由于生理信號(hào)較微弱， 基于生理信號(hào)的情感識(shí)別相比人臉圖像和語(yǔ)音情感識(shí)別存在特征差異較小， 在特征選擇和分類識(shí)別算法上還有待進(jìn)一步提高[8]. 因此， 本文通過(guò)提取脈搏和心電生理信號(hào)特征， 尋找有效的生理特征參量， 利用棧式自編碼深度學(xué)習(xí)算法， 實(shí)現(xiàn)正負(fù)性情緒的有效識(shí)別.

1 實(shí)驗(yàn)范式設(shè)計(jì)與生理信號(hào)采集

1.1 正、 負(fù)性情緒的選取

二維情緒模型包含喚醒(Arousal)和效價(jià)(Valence)兩個(gè)維度， 維度代表著某類情緒的固有特征， 每個(gè)維度上的情緒變化具有兩極性， 其中喚醒維度有兩個(gè)極端狀態(tài)： 高喚醒水平(例如驚恐)和低喚醒水平(例如平靜). 效價(jià)維度則包含正向情緒(例如高興)和負(fù)向情緒(例如憂傷). 客觀事件或情境對(duì)人有積極的或消極的影響， 從而導(dǎo)致情緒出現(xiàn)兩極情況， 即正性情緒與負(fù)性情緒. 凡對(duì)人有積極意義的事件引起正性情緒， 而具有消極作用的事件則引起負(fù)性情緒. 本文選取6種基本情緒(高興、 驚奇、 悲傷、 厭惡、 憤怒、 恐懼)和兩種復(fù)合情緒(感動(dòng)、 自豪)[9]， 將其劃分為正性情緒(高興、 驚奇、 自豪、 感動(dòng))和負(fù)性情緒(憤怒、 悲傷、 恐懼、 厭惡)兩大類別， 采用情緒模型的主觀測(cè)量方法， 通過(guò)填寫自陳量表獲得被試者感知的正負(fù)性情緒.

1.2 情緒誘發(fā)實(shí)驗(yàn)范式

由于電影視頻片段可以同時(shí)刺激人的視覺(jué)和聽(tīng)覺(jué)， 相比單純的視覺(jué)刺激或者聽(tīng)覺(jué)刺激， 能夠給人更強(qiáng)的代入感， 從而獲得更佳的情緒誘發(fā)效果. 本研究選用精心剪輯的視頻片段激發(fā)受試者產(chǎn)生相應(yīng)8種正負(fù)性情緒. 視頻材料要求如下： ① 長(zhǎng)度相對(duì)較短， 時(shí)長(zhǎng)控制在200 s以內(nèi)； ② 易于理解， 不需要附加解釋； ③ 每個(gè)視頻片段僅包含一種單一的情感； ④ 剪輯合成的視頻材料可用于誘發(fā)多種情感狀態(tài).

選擇視頻片段進(jìn)行了嚴(yán)格的問(wèn)卷調(diào)查分析以確保能夠激發(fā)相應(yīng)的情感. 針對(duì)高興、 悲傷、 驚奇、 自豪、 憤怒、 恐懼、 感動(dòng)、 厭惡8種情感， 各選取5段不同視頻， 觀看者每看完一種對(duì)應(yīng)情感的電影片段， 立即填寫觀看時(shí)激發(fā)的真實(shí)情感問(wèn)卷， 包括： 激發(fā)情感類別和激發(fā)情感強(qiáng)度. 將激發(fā)情感強(qiáng)度分為很強(qiáng)、 比較強(qiáng)、 一般、 比較弱、 很弱5種級(jí)別， 按40%， 30%， 20%， 10%， 0對(duì)其進(jìn)行加權(quán)平均， 選取期待值最高的作為實(shí)驗(yàn)誘發(fā)該種情緒的視頻材料. 之后將選取的情緒誘發(fā)材料添加到實(shí)驗(yàn)范式軟件Superlab中. 在每種情緒誘發(fā)的視頻片段之間插入50 s過(guò)渡片段， 主要為風(fēng)景或輕音樂(lè)， 以便受試者能及時(shí)從上一段情緒中脫離出來(lái)， 避免對(duì)下一段情緒誘發(fā)產(chǎn)生影響， 實(shí)驗(yàn)范式設(shè)計(jì)如圖 1 所示.

圖 1 情緒誘發(fā)實(shí)驗(yàn)范式Fig.1 Experimental paradigminduced emotions

1.3 生理信號(hào)采集

實(shí)驗(yàn)選擇100名身心健康的大學(xué)生， 均無(wú)任何心理和生理疾病， 實(shí)驗(yàn)前2 h內(nèi)未做劇烈運(yùn)動(dòng)， 避免劇烈運(yùn)動(dòng)導(dǎo)致心律變快， 影響實(shí)驗(yàn)數(shù)據(jù)采集以及結(jié)果分析. 實(shí)驗(yàn)儀器選取BIOPAC公司的MP150生理信號(hào)采集儀進(jìn)行心電和脈搏信號(hào)的采集， 信號(hào)采集流程如圖 2 所示.

實(shí)驗(yàn)開(kāi)始時(shí)， 被試者靜坐在椅子上， 身體處于自然放松狀態(tài)， 按照在電腦1中編寫的情緒誘發(fā)實(shí)驗(yàn)范式呈現(xiàn)相應(yīng)視頻材料， 進(jìn)行情緒誘發(fā). 被試者在觀看視頻片段時(shí)， 填寫情感誘發(fā)調(diào)查問(wèn)卷， 評(píng)價(jià)每段視頻材料激發(fā)該情感的強(qiáng)度. 利用BIOPAC MP150生理信號(hào)采集儀對(duì)應(yīng)傳感器和電極同步采集脈搏和心電信號(hào)， 采樣頻率均為500 Hz， 將信號(hào)送至電腦2顯示并存儲(chǔ). 每個(gè)被試者分別在不同時(shí)間執(zhí)行了3次情感誘發(fā)和生理信號(hào)采集實(shí)驗(yàn)， 每種情感采集得到心電和脈搏信號(hào)各為300個(gè). 每種情感生理信號(hào)采集了3 min數(shù)據(jù)， 數(shù)據(jù)處理僅截取其中從第2 min開(kāi)始的30 s內(nèi)的脈搏和心電數(shù)據(jù)作為樣本數(shù)據(jù)， 因?yàn)檫@個(gè)時(shí)間段的生理信號(hào)較穩(wěn)定且充分誘發(fā)出了對(duì)應(yīng)情緒. 圖 3 為不同情感狀態(tài)采集的脈搏與心電信號(hào)(僅顯示了30 s的信號(hào)波形).

圖 2 生理信號(hào)采集系統(tǒng)Fig.2 Signal acquisition process

圖 3 不同情感狀態(tài)的脈搏和心電信號(hào)Fig.3 PPG and ECG signal under different emotional states

2 特征提取與分類識(shí)別算法分析

由于ECG和PPG信號(hào)是一種隨機(jī)性很強(qiáng)的非平穩(wěn)微弱信號(hào)， 極易被各種噪聲污染， 在進(jìn)行特征提取之前， 必須對(duì)采集的原始信號(hào)進(jìn)行預(yù)處理. 通過(guò)帶阻切比雪夫Ⅱ型濾波器濾除50 Hz工頻干擾； 通過(guò)零相移數(shù)字濾波， 去除信號(hào)的基線漂移； 通過(guò)巴特沃斯帶通濾波器和小波閾值去噪方法消除測(cè)量中的偽跡和噪聲. 數(shù)據(jù)預(yù)處理后， 可以得到純凈的脈搏和心電信號(hào)， 從而進(jìn)行相應(yīng)的特征提取.

2.1 特征提取

圖 4 脈搏主波峰及周期序列檢測(cè)Fig.4 The main peak of pulse wave and its periodic sequence

對(duì)于脈搏波信號(hào)， 采用峰值檢測(cè)分析方法提取時(shí)域基本特征PPG波峰值、 PPG波峰間隔， 采用周期圖功率譜分析方法得到PPG功率譜. 分別計(jì)算時(shí)域和頻域統(tǒng)計(jì)特征量， 即均值、 最大值、 最小值、 中值、 方差、 標(biāo)準(zhǔn)差， 生成22維的脈搏特征向量. PPG波峰均值的提取是通過(guò)檢測(cè)每個(gè)樣本30 s的波形數(shù)據(jù)， 計(jì)算該30 s內(nèi)檢測(cè)到的所有波峰的平均值， 進(jìn)而每種情緒的300個(gè)樣本提取得到300個(gè)平均值， 其它統(tǒng)計(jì)特征量的提取類似于均值提取方法. 通過(guò)差分閾值法檢測(cè)脈搏主波P波峰， 對(duì)預(yù)處理之后的脈搏信號(hào)檢測(cè)最大值、 最小值， 其差值為最大波形高度， 定義閾值規(guī)則為： ① 峰值大小波動(dòng)范圍不超過(guò)最大波形高度的0.3倍； ② 波峰大于左右200個(gè)樣本點(diǎn)的所有幅度值. 當(dāng)這兩個(gè)閾值條件均滿足時(shí)， 則可以確定該波峰點(diǎn)為待檢測(cè)的P波. 對(duì)脈搏信號(hào)每間隔600個(gè)樣本點(diǎn)進(jìn)行一次波峰點(diǎn)檢測(cè)， 檢測(cè)波峰點(diǎn)位置的同時(shí)記錄相鄰波峰間隔， 從而得到脈搏波的周期序列， 結(jié)果如圖 4 所示， 圖 4 中橫坐標(biāo)表示在30 s的脈搏信號(hào)中檢測(cè)到脈搏波的波峰數(shù)， 共檢測(cè)到40個(gè)峰值點(diǎn).

對(duì)于心電信號(hào)， 一個(gè)典型的心電圖是由5個(gè)基本波形所組成： P波、 Q 波、 R 波、 S 波和T波. 心電信號(hào)主要特征包括： 各波的時(shí)間間隔、 幅值特征和心率. 相鄰心拍的各波間隔和心率可以用于區(qū)別正負(fù)性情緒， 采用差分閾值法進(jìn)行峰值檢測(cè)， 提取心電信號(hào)9個(gè)時(shí)域基本特征， 包括連續(xù)R波間隔(RR-I)、 R波峰值(R-H)、 P波峰值(P-H)、 QRS波時(shí)間間隔(QRS)、 P波起始到Q波的時(shí)間間隔(PRQ)、 Q波開(kāi)始到T波結(jié)束的時(shí)間間隔(QT)、 QT波時(shí)間間隔除以RR間隔的平方根(QTC)、 S波到T波結(jié)束的時(shí)間間隔(ST)以及心率. 計(jì)算它們的統(tǒng)計(jì)特征量， 包括： 均值、 最大值、 最小值、 中值、 方差、 標(biāo)準(zhǔn)差， 共計(jì)得到54維特征向量.

2.2 棧式自編碼算法分析

自編碼神經(jīng)網(wǎng)絡(luò)是一種無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)， 通過(guò)逐層貪婪訓(xùn)練法依次訓(xùn)練網(wǎng)絡(luò)的每一層， 進(jìn)而訓(xùn)練整個(gè)深度神經(jīng)網(wǎng)絡(luò). 棧式自編碼由稀疏自編碼器和softmax分類器級(jí)聯(lián)而成. 構(gòu)建一個(gè)3層(輸入層、 隱藏層和輸出層)的自編碼神經(jīng)網(wǎng)絡(luò)時(shí)， LayerL2中蘊(yùn)含著輸入數(shù)據(jù)的信息， 輸入數(shù)據(jù)通過(guò)自編碼神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到特征. 自編碼神經(jīng)網(wǎng)絡(luò)輸出層的誤差目標(biāo)函數(shù)為

自編碼神經(jīng)網(wǎng)絡(luò)訓(xùn)練是使輸出與輸入的差距最小， 即J(W,b)最小， 由于其采用非線性的Sigmoid或Than激活函數(shù)， 可以使用梯度下降算法進(jìn)行訓(xùn)練. 神經(jīng)生物學(xué)研究發(fā)現(xiàn)： 復(fù)雜神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元在傳遞信息過(guò)程中， 通常只有少量神經(jīng)元被激活， 將這個(gè)特性引入自編碼神經(jīng)網(wǎng)絡(luò)模型構(gòu)成稀疏自編碼神經(jīng)網(wǎng)絡(luò)， 有助于提高模型效率. 加入稀疏性限制， 稀疏自編碼器誤差目標(biāo)函數(shù)變?yōu)?/p>

通過(guò)逐層貪婪訓(xùn)練法依次訓(xùn)練每一層參數(shù)的時(shí)候， 會(huì)固定其它各層參數(shù)保持不變. 因此， 如果想得到更好的結(jié)果， 在上述預(yù)訓(xùn)練過(guò)程完成之后， 可以通過(guò)反向傳播算法同時(shí)調(diào)整所有層的參數(shù)以改善結(jié)果， 這個(gè)過(guò)程稱作“微調(diào)”. 實(shí)際使用逐層貪婪訓(xùn)練時(shí)， 是在參數(shù)接近收斂時(shí)使用微調(diào)的.

最后， 采用 softmax回歸模型對(duì)棧式自編碼學(xué)習(xí)到的特征進(jìn)行分類. 由于softmax回歸模型被過(guò)度參數(shù)化了， 可以求出多組參數(shù)值， 通過(guò)增加一個(gè)權(quán)重衰減項(xiàng)γ， 代價(jià)函數(shù)就變成了嚴(yán)格的凸函數(shù)， 因此， 代價(jià)函數(shù)為

式中： 1{·}是示性函數(shù)， 其取值規(guī)則為： 1{值為真的表達(dá)式}=1， 反之為 0.

3 結(jié)果與分析

本文構(gòu)建了一個(gè)輸入向量為22個(gè)神經(jīng)元節(jié)點(diǎn)， 兩個(gè)隱層神經(jīng)元的節(jié)點(diǎn)數(shù)均為11， 輸出分類為4 類的棧式自編碼神經(jīng)網(wǎng)絡(luò). 其中， 輸入層神經(jīng)元個(gè)數(shù)與特征向量維數(shù)相同， 而隱含層的神經(jīng)元個(gè)數(shù)確定是通過(guò)反復(fù)實(shí)驗(yàn)訓(xùn)練調(diào)節(jié)得到的， 隱含層節(jié)點(diǎn)數(shù)過(guò)多會(huì)出現(xiàn)過(guò)擬合現(xiàn)象， 過(guò)少則會(huì)出現(xiàn)欠擬合， 仿真實(shí)驗(yàn)發(fā)現(xiàn)隱含層節(jié)點(diǎn)數(shù)為11， 較好地?cái)M合了訓(xùn)練數(shù)據(jù)的結(jié)構(gòu)， 且網(wǎng)絡(luò)初始值可以取得合適的值， 便于有監(jiān)督階段加快迭代收斂. 第1個(gè)隱含層是輸入為樣本的稀疏自編碼網(wǎng)絡(luò)學(xué)習(xí)到的隱含層特征Feature Set 1， 第2個(gè)隱含層是輸入為 Feature Set 1 的稀疏自編碼網(wǎng)絡(luò)學(xué)習(xí)到的隱含層特征 Feature Set 2， 將 Feature Set 2 作為 softmax分類器輸入， 分類器輸出為情感模式分類的概率， 概率最大者為最終的判別結(jié)果. 實(shí)驗(yàn)中， 各種情緒狀態(tài)的生理信號(hào)實(shí)驗(yàn)數(shù)據(jù)均進(jìn)行了歸一化處理， 每種情緒均選取240個(gè)樣本作為分類器的訓(xùn)練集， 60個(gè)樣本作為測(cè)試集. 表 1 為分別采用脈搏特征和心電特征對(duì)正性、 負(fù)性情緒分類的結(jié)果. 表 2 為正負(fù)性情緒融合的分類結(jié)果.

表 1 正性和負(fù)性情緒分類正確率對(duì)比

從表 1 可以看出， 正性情緒的平均分類正確率為81.66%， 而負(fù)性情緒平均識(shí)別率達(dá)到了86.33%， 表明負(fù)性情緒的喚醒程度更高， 更有助于分類識(shí)別. 實(shí)驗(yàn)結(jié)果表明了棧式自編碼深度學(xué)習(xí)算法可以較好地應(yīng)用于生理信號(hào)情感識(shí)別.

表 2 各種正負(fù)性情緒融合的分類正確率對(duì)比

表 2 結(jié)果表明， 正負(fù)性情緒融合識(shí)別時(shí)， 不同的正負(fù)性情緒狀態(tài)組合會(huì)對(duì)識(shí)別率產(chǎn)生較大的影響. 由表 2 中脈搏特征和心電特征的識(shí)別率可知： 心電信號(hào)用于正負(fù)性情緒分類正確率更高， 識(shí)別結(jié)果更具一致性. 對(duì)于不同融合的正負(fù)性情緒狀態(tài)， 基于脈搏信號(hào)特征， 最高識(shí)別率達(dá)到95%， 最低為75%； 基于心電信號(hào)特征， 最高識(shí)別率為96.67%， 最低為80%. 由此可見(jiàn)， 不同的正負(fù)性情緒狀態(tài)， 模式識(shí)別的難易程度不同， 相近的情感狀態(tài)之間會(huì)產(chǎn)生干擾， 從而降低情感識(shí)別正確率.

4 結(jié)束語(yǔ)

本文采用峰值檢測(cè)時(shí)域分析方法對(duì)脈搏信號(hào)和心電信號(hào)進(jìn)行特征提取， 并利用棧式自編碼算法對(duì)正負(fù)性情緒進(jìn)行識(shí)別， 獲得了較高的識(shí)別正確率， 表明了深度學(xué)習(xí)算法應(yīng)用于情感識(shí)別的有效性. 仿真實(shí)驗(yàn)結(jié)果表明： 心電信號(hào)用于正負(fù)性情緒識(shí)別相比脈搏信號(hào)的識(shí)別正確率高， 負(fù)性情緒的識(shí)別率相比正性或者正負(fù)性混合情緒的識(shí)別率要高， 對(duì)于不同的正負(fù)性情緒狀態(tài)， 分類器識(shí)別的難易程度不同， 相近的情感狀態(tài)識(shí)別率較低. 該研究成果可以應(yīng)用于情緒認(rèn)知和情感機(jī)器人研究.

[1] Bidarra R, Bronsvoort W F. Semantic feature modeling[J]. Computer-Aided Design, 2000, 32(3)： 201-225.

[2] Bronsvoort W F, Bidarra R, Meiden H A V D, et a1. The increa-sing role of semantics in object modeling[J]. Computer-Aided Design and Applications, 2010, 7(3)： 431-440.

[3] Palomba D， Sallo M, Angrilli A, et a1. Cardica responses associated withAffective processing of unpleasant film stimuli[J]. International Journal of Psychophysiology, 2000, 36(1)： 45-57.

[4] Rainville P, Bechara A, Naqvi, el at. Basic emotions are associated with distinct patterns of cardiorespiratory activity[J]. International Journal of Psychophysiology, 2006, 61(1)： 5-18.

[5] 葛臣, 劉光遠(yuǎn), 龍正吉, 等. 情感識(shí)別中脈搏信號(hào)的特征提取與分析[J]. 西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2010， 35(3)： 243-246. Ge Chen, Liu Guangyuan, Long Zhengji, el at. Feature extraction and analysis of pulse signals in emotional recognition[J]. Journal of southwest China Normal University (Natural Science Edition), 2010,3 5(3)： 243-246. (in Chinese)

[6] 程波, 劉光遠(yuǎn). 基于小波變換與神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)的情感識(shí)別[J]. 計(jì)算機(jī)應(yīng)用, 2008, 28(2)： 333-335. Chen Bo, Liu Guangyuan. Emotion recognition of surface EMG signals based on wavelet transform and neural network[J]. Computer Application, 2008, 28(2)： 333-335. (in Chinese)

[7] 劉燁, 王思睿, 傅小蘭, 等. 5種基本情緒的心肺系統(tǒng)生理反應(yīng)模式[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(3)： 716-725. Liu Ye, Wang Sirui, Fu Xiaolan, el at. Five basic emotional heart and lung system physiological response model[J]. Computer Research and Development, 2016, 53(3)： 716-725. (in Chinese)

[8] Chao Li, Chao Xu, Zhiyong Feng. Analysis of physiological for emotion recognition with the IRS model[J]. Neurocomputing, 2016, 178： 103-111.

[9] Gyanendra K. Verma, Uma shanker Tiwary multimodal fusion framework： a multiresolution approach foremotion classification and recognitionfromphysiologicalsignals[J]. Neurocomputing, 2014, 102： 162-172.

PositiveandNegativeEmotionRecognitionBasedonDeepLearningAlgorithm

YU Yifan， QIAO Xiaoyan

(College of Physics and Electronic Engineering, Shanxi University, Taiyuan 030006, China)

1671-7449(2017)05-0398-06

TP391

A

10.3969/j.issn.1671-7449.2017.05.005

2017-02-26

國(guó)家自然科學(xué)基金資助項(xiàng)目(81403130)； 山西省自然科學(xué)基金資助項(xiàng)目(201601D102033)

喻一梵(1992-)， 女， 碩士生. 主要從事智能信息處理及情感機(jī)器人等研究.