标签:Emotion mRMR GSR Physiological 32 Signals 子集 如图
用于情绪感知医疗系统的基于多模态生理信号的情绪识别
原文链接:https://link.springer.com/article/10.1007/s40846-019-00505-7
Abstract
对象:RB(呼吸带),PPG(光电容积描记术),FTT(指尖温度)
方法:随机森林,支持向量机,逻辑回归等机器学习方法;决策级融合
结果:arousal:69.86%–>73.08%;valence:69.53%–>72.18%
背景
【13,14】处理GSR
【15】处理PPG+GSR
数据集
DEAP
特征提取
63s分为21个3s的片段,如图:
提取的特征,如图:
特征选择
- 方法:mRMR算法(最小冗余最大相关性)
- 步骤:先归一化特征值到 [-1,1];用mRMR评分;根据评分,分组选出特征子集;
分类器训练
标签:>=4.5:高;<4.5:低
用随机森林做了几次实验:
最后融合一下:
分类结果与讨论
验证方法:排除交叉验证(LOSO-CV),数据被划分为32个子集,其中每个子集都包含单个受试者的数据。在32个主题子集中,有31个子集用于训练模型,其余的子集用于测试。对于不同的测试子集,此过程重复32次。平均32个测试的准确性,以确定情感识别系统的性能。
结果如图:
标签:Emotion,mRMR,GSR,Physiological,32,Signals,子集,如图 来源: https://blog.csdn.net/qq_22121907/article/details/115441895
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。