基于心率变异性特征和PCA-SVR的PAD维度情感预测分析

对于PAD(pleasure:愉悦度;arousal:唤醒度;dominance:优势度)维度情感预测和分析中的数值预测问题,结合心率变异性(heart rate variability, HRV)特点,提出了基于主成分分析(principal component analysis, PCA)和支持向量回归(support vector regression, SVR)的PAD维度情感预测模型(PCA-SVR)。通过柔性离子传感器以音乐和视频的诱导方式采集了12名志愿者在放松和焦虑两种情感状态下的心率和心率间期数据,利用PAD量表进行标注,通过均值和方差计算等统计方法、Welch功率谱、Poincaré散点图等分别提取HRV的时域、频域和非线性特征,然后利用PCA模型对HRV特征降维,最后利用降维后的HRV特征作为SVR模型的输入特征进行训练和预测。实验结果表明,结合HRV特征的PCA-SVR模型在PAD的3个维度上均有良好的预测效果,其平均一致性相关系数达到了0.51。同时对比了SVR、极限学习机(extreme learning machine, ELM)和基于PCA的ELM这3种预测方法,结果显示所提方法相对于以上3种方法在一致性相关系数上分别提升了0.14、0.10和0.04,表明该方法能够细致地划分情感,结合可穿戴设备,在情感识别和分析方面有一定补充作用,为在日常生活中针对情感的识别和预测带来了可能。

PAD维度下的深度情感关联模型研究

人类的情感不是相互独立的,而是以系统的方式相互关联。为此,提出用PAD情感维度预测值作为关联认知网络的权值,构建深度情感关联模型。以TYUT2.0情感语音数据库和柏林德语情感语料库的“悲伤”、“愤怒”及“高兴”三类情感语句为基础提取情感特征;通过PAD情感维度预测模型得到各情感的PAD预测值,并用各类情感预测值的均值计算关联认知网络(ICN)情感间的权值;用遗传算法(GA)优化深度情感关联模型超参数;根据是否使用预测值作为权值以及是否使用遗传算法设置四组实验方案进行对比实验。实验结果表明,对比未使用PAD预测值及遗传算法的方案,仅使用PAD预测值的方案识别率提高4.26%,仅使用遗传算法的方案提高6.39%,同时使用PAD预测值和遗传算法的方案识别率提高8.51%;数据显示,使用PAD预测值且优化参数的深度情感关联模型具有较好的识别性能。

基于聚类PSO-LSSVM模型的PAD维度预测

针对PAD(愉悦度、激活度、优势度)预测精度问题,提出将最小二乘支持向量机(least squares support vector machine,LSSVM)经粒子群优化(particle swarm optimization,PSO)算法优化再与情感聚类分析结合的聚类PSO-LSSVM模型。对TYUT2.0和柏林语音库的三种情感语音提取情感特征,基于特征与标注的P、A、D对三种单一情感分别建立各类情感维度PSO-LSSVM模型以及对三种情感建立混合情感维度PSO-LSSVM模型;然后利用混合情感维度PSO-LSSVM模型预测P、A、D,并计算其与基本情感PAD的距离;最后将距离大于阈值的情感聚类为混合情感,将距离小于阈值的情感聚类为与其距离最近的情感,并利用对应情感的回归模型预测其P、A、D。研究显示,该模型对P、A、D的预测误差较LSSVM和PSO-LSSVM模型更小,且预测值与标注值的相关性更强,说明聚类PSO-LSSVM模型对P、A、D的预测更加可靠、准确。