基于脑电信号的驾驶员情绪状态识别研究

为研究驾驶员情绪状态识别技术,利用特定题材的影音氛围诱发兴奋和悲伤2种情绪,结合汽车模拟驾驶试验采集驾驶员情绪化驾驶时的脑电信号,利用db5小波分解算法分解信号,提取受情绪状态显著的脑电信号成分,并计算相应的功率谱。结果表明:驾驶员左右额叶区脑电β波受情绪状态影响显著;平静状态时,驾驶员左右额叶脑电β波功率值Pβ大小近似,数值较小;兴奋状态时,左右额叶脑电Pβ大小近似,相比于平静时显著增加;悲伤状态时,左额叶脑电Pβ显著增加,右额叶脑电Pβ相比于平静时无显著变化。Pβ可作为区分驾驶员平静(平常)、兴奋和悲伤这3种情绪状态的依据。

基于J48决策树分类器的情绪识别与结果分析

为准确有效地对情绪状态进行识别,对4种情绪状态(Joy、Anger、Sadness、Pleasure)下的多生理信号(心电、肌电、呼吸、皮电)进行预处理和特征提取,利用ReliefF算法进行特征选择,利用J48决策树分类器最终实现对4种情绪状态的识别。J48决策树分类器对4种情绪状态的平均识别率为96.74%,对结果和数据进行分析发现,RSP信号对情绪状态识别十分重要;不同生理信号组合对情绪状态的识别效果不同;Sadness和Pleasure的相互误识率相对较高;使用J48决策树进行分类时采用的特征数量与样本数量正相关。

基于功能性近红外光谱技术识别情绪状态

利用功能性近红外光谱(f NIRs)技术实现了对不同情绪状态的识别。采集了15名受试者在6种情绪种类图片刺激下的f NIRs信号以及唤醒度、愉悦度评价数据。为了实现对受试者情绪状态的分类评估,采用支持向量机(SVM)和基于支持向量机的递归特征筛选(SVM-RFE)算法来筛选参数并设计情绪状态的分类器。结果表明在多种情绪种类图片刺激下,受试者出现了显著的功能响应曲线,并且在唤醒度、愉悦度和情绪种类三个分类目标上分别实现了81%、78.78%和68%的平均分类正确率。同时发现唤醒度和愉悦度的敏感特征主要出现在眶额叶皮层和背外侧皮层,且近似熵是反映情绪状态变化的有效指标。因此采用f NIRs能够基本实现对人体情绪状态的识别。