基于BM神经网络编码的生理信号情感识别

处理生理信号情感识别问题,用连续限制的BM神经网络对采集的生理信号特征进行编码,可以有效地消除噪声与实验个体特征间的差异,结合传统支持向量机分类方法,在进行情感二分类以及泛化分类问题上可以取得较其它分类方法更普适化的效果.构建了生理情感识别方法的框架,采用基于BM神经网络编码的情感识别方法,设计实验并进行了数据采集特征提取以及算法验证.基于实验所采集数据以及实验结果表明了该方法的有效性和可行性.     

基于姿态的情感计算综述

情感计算的理论与算法研究是近年来人机交互领域的热点话题.当前,常见的情感计算集中在基于面部表情、语音、文本、人体姿态等方向,既有单一模态的算法,又有多模态的综合算法.基于面部表情和语音模态的算法占据多数,国内外基于人体姿态的算法相对较少.文中针对基于姿态的情感计算所面临的几个关键科学问题展开了综述,包括情感的心理学模型、人体姿态估计算法、姿态的情感特征提取算法、情感分类与标注算法、姿态情感数据集、基于姿态的情感识别算法等.具体来说,首先介绍了几种常用的情感计算心理学模型,评述了各类模型的适用场景;随后从人体检测和姿态估计2个角度对人体姿态估计的常用算法进行了总结,并讨论了2D和3D姿态估计的应用前景.针对特征提取算法,分析了基于全身和上半身身体动作的姿态特征提取算法.在情感标注方面,介绍了表演数据和非表演数据的情感标注算法,并指出了半自动或自动的标注非表演数据将是未来的重要发展趋势之一.针对姿态情感数据集,列举了近年来常见的14个数据集,并主要从是否是表演数据、数据维度、静态或动态姿势、全身或非全身数据等几个方面进行了总结.在基于姿态的情感识别算法方面,主要介绍了基于人工神经网络的情感识别算法,指出了不同算法的优劣之处和适用的数据集类型.文中的综述研究,总结提炼了国内外该领域经典且前沿的工作,希望为相关的研究者提供研究帮助.     

情感可以计算——情感计算综述

情感计算是自然和谐人机交互技术的一个重要组成部分.本文综述了情感计算的背景、研究基础和核心技术,并对未来的发展进行了展望.     

基于机器学习的情感分析方法及应用研究综述

为了进一步了解情感分析方向的发展趋势,通过对基于机器学习的情感分析文献的整理与分析,首先对国内外基于机器学习的情感分析方法进行了梳理,介绍了相关方法的基本原理及算法改进;其次列举了几种方法在电子商务、餐馆评价和灾害管理中的实际应用,对当前情感分析应用中存在的主要困难进行探讨,对相关方法处理能力进行评价;最后得出了上下游...     

基于情感词向量的微博情感分类

该文提出了一种基于情感词向量的情感分类方法。词向量采用连续实数域上的固定维数向量来表示词汇,能够表达词汇丰富的语义信息。词向量的学习方法,如word2vec,能从大规模语料中通过上下文信息挖掘出潜藏的词语间语义关联。本文在从语料中学习得到的蕴含语义信息的词向量基础上,对其进行情感调整,得到同时考虑语义和情感倾向的词向量。对于一篇输入文本,基于情感词向量建立文本的特征表示,采用机器学习的方法对文本进行情感分类。该方法与基于词、N-gram及原始word2vec词向量构建文本表示的方法相比,情感分类准确率更高、性能和稳定性更好。     

基于情感词汇与机器学习的方面级情感分类

为综合利用基于情感词典和基于机器学习的两类情感分类方法的优点,提出一种基于情感词汇与机器学习的方面级情感分类方法。通过选取少量情感倾向与评价对象无关的情感词汇对评价搭配进行情感分类;通过构建机器学习分类器,以评价短语对各类别的互信息占比作为分类器的分类概率权重,进行加权计算,选择加权后分类概率最大的类别作为评价搭配的情感倾向类别。在中文评论数据集上的实验结果表明,该方法能有效提高情感分类性能。     

情感计算——和谐人机交互中的关键因素

情感计算在和谐人机交互中起着关键性作用,在此讨论了情感计算的研究内容、一般模式和方法、意义、应用和未来研究的热点。     

文本情感分析方法研究综述

文本情感是信息挖掘的一个新兴领域,近年受到管理学等相关领域的广泛关注。目前,文本情感分析使用的方法主要有情感词典方法和机器学习方法。由于文本情感分析的结果对优化政府、企业以及消费者决策具有重大意义,以文本情感分析的方法为视角,对情感词典的方法、有监督的机器学习方法和弱监督的深度学习方法以及其他方法的相关文献进行了梳理并做出评述。此外,指出虽然文本情感分析领域的学者基于情感词典和有监督的机器学习方法已提出许多情感分析模型,但准确率和效率普遍不高,进一步的研究重点应在于使用深度学习的方法处理文本情感,并提出未来的研究方向。     

基于语义理解和机器学习的混合的中文文本情感分类算法框架

快速、准确和全面地从大量互联网文本信息中定位情感倾向是当前大数据技术领域面临的一大挑战.文本情感分类方法大致分为基于语义理解和基于有监督的机器学习两类.语义理解处理情感分类的优势在于其对不同领域的文本都可以进行情感分类,但容易受到中文存在的不同句式及搭配的影响,分类精度不高.有监督的机器学习虽然能够达到比较高的情感分类精度,但在一个领域方面得到较高分类能力的分类器不适应新领域的情感分类.在使用信息增益对高维文本做特征降维的基础上,将优化的语义理解和机器学习相结合,设计了一种新的混合语义理解的机器学习中文情感分类算法框架.基于该框架的多组对比实验验证了文本信息在不同领域中高且稳定的分类精度.     

面向情感计算的视频诱发范式的回顾与思考

情感计算的一个重要目的是建立一个能够对人类情绪进行实时、准确判别的智能系统,以提高人机交互的和谐性,具有广泛的应用前景。在实验室条件下诱发情感需要借助情绪诱发范式（Experimental Paradigm for Inducing Emotions, EPIE）。近年来,基于视频的情绪诱发范式获得了大量的关注。然而,少有文献系统性地总结面向情感计算的视频诱发范式中的实验流程和统计方法,以及对实验标准和规范开展梳理和介绍。根据近年来已报道的情感计算的研究成果,回顾了它们所采用的情绪诱发范式,包含情绪模型选择、刺激素材筛选、被试筛选和培训、评价问卷的设计与统计方法、实验流程设计。此外,在总结和评价现有范式的基础之上,对面向情感计算的视频诱发范式的被试选择、素材顺序、自评问卷等提出了新的思路和建议。     

基于马尔可夫链的情感计算建模方法

定义了情感的两种状态及其两个基本的变化转移过程,并应用马尔可夫链构造了一个情感概率空间,建立模拟情感变化的情感模型,给出了情感能量、情感强度和情感熵等概念,用以描述情感特征与情感状态。通过Matlab的仿真计算,验证此模型可较好地模拟情感状态自发转移的动态过程,可用于情感机器人的情感模拟计算。为情感计算和情感自动生成理论研究提供了一种新途径。     

情感计算数学模型的研究初探

针对计算机如何进行情感计算,提出一种情感空间的概率模型并对其进行了计算机仿真。通过构造状态的概率转移矩阵,得到每个情感状态的概率分布,从而计算出情感的熵值。情感的熵值,表达出所构造的情感的细腻程度。通过计算机仿真,验证了情感模型是符合人类情感规律的——不确定性同时又具有统计规律。最后通过不同参数的仿真,说明此模型可以产生不同的情感活动,为情感机器人数学模型的建立与情感决策支持系统提供了一种新的方法。     

基于计算机视觉的情感计算

情感计算是关于情感、情感产生以及影响情感方面的计算,其目的是赋予计算机识别、理解、表达和生成各种情感特征的能力,最终使计算机像人一样能进行自然、亲切和生动的交互.介绍基于计算机视觉的情感计算过程及处理方法,并指出现阶段存在的问题和面临的挑战.     

基于情感计算的e-Learning系统建模

e-Learning也叫数字化学习,是通过因特网或其他数字化媒体进行学习与教学的活动。情感计算是指关于情感、情感产生以及影响情感的计算,试图创建一种能感知、识别和理解人的情感,并能针对人的情感做出智能、灵敏、友好反应的计算机系统。本文将 e-Learning系统和情感计算结合在一起,提出了一个基于情感计算的 e-Learning系统模型,旨在有效地解决 e-Learning系统中情感交流匮乏的问题。     

面向交互式决策的情感计算与学习方法及其在过程控制工程中的应用

当今大量的工业过程控制工程问题, 如控制性能评价等的多目标决策问题通过人机交互得到解决. 然而, 在使用传统的交互式进化计算方法求解多目标决策问题时, 表现为局部搜索能力不强和过度依赖决策人员的主观意图. 本文提出一种新的情感计算方法和人机交互学习机制的解决方案. 提出一类基于刺激响应的情感计算模型(STAM), 并给出了情感空间和人的主观偏好之间的定量关系. 此外, 基于遗传算法框架, 建立情感交互学习策略, 旨在决策过程中逐步掌握人员的主观偏好, 降低人的疲劳程度, 使决策更加客观和科学. 附录A和B分别展示了情感学习算法的复杂度和收敛性分析. 为验证所提方法的正确性, 以测试函数及单回路反馈控制的PID参数整定问题进行研究, 得到了满意的结果, 验证了所提方法的可靠性与有效性.     

情感建模研究进展

情感建模在和谐人机交互及情感机器人方向有着广泛应用,是情感计算及人工心理理论研究的主要内容．本文对情感建模研究现状及其相关应用作了较为详细的分析与综述,指出了情感建模目前所面临的问题及难点．     

基于事件相关电位的脑－机接口系统微弱信号分析方法研究

脑－机接口(BCI,brain computer interface)技术作为一种新型的人机交互方式,近年来受到越来越多的关注。基于听觉刺激模式诱发的事件相关电位P300建立了脑－机接口系统,主要研究微弱P300信号的单导联小样本数据的特征提取和模式识别方法。首先经过预处理和小波变换对脑电信号中的P300成分进行特征提取,建立特征向量,然后使用支持向量机的方法对特征提取结果进行模式分类。对7名受试者进行事件相关电位P300诱发实验,结果表明,系统的分类正确率可达到85％以上,且支持向量机的训练时间都在0.05 s以内。该方法可为脑－机接口的进一步应用奠定基础。     

编码计算研究综述

编码计算将编码理论融于分布式计算中,利用灵活多样的编码方式降低数据洗牌造成的高通信负载,缓解掉队节点导致的计算延迟,有效提升分布式计算系统的整体性能,并通过纠错机制和数据掩藏等技术为分布式计算系统提供安全保障.鉴于其在通信、存储和计算复杂度等方面的优势,受到学术界的广泛关注,成为分布式计算领域的热门方向.对此,首先介绍编码计算的研究背景,明确编码计算的内涵与定义;随后对现有编码计算方案进行评述,从核心挑战入手,分别对面向通信瓶颈,计算延迟和安全隐私的编码计算方案展开介绍、总结和对比分析;最后指出未来可能的研究方向和技术挑战,为相关领域的研究提供有价值的参考.     

结合人脸图像和脑电的情绪识别技术

本文通过人脸图像和脑电两个输入信号对情绪识别技术展开研究. 采用对应不同情绪的电影片段对被实验者进行情绪刺激的方法采集输入信号. 通过表情识别出八种基本表情的分类, 通过脑电识别出情绪的三种强弱波动. 通过决策层面的信息融合, 进行情绪分类. 最终的识别准确率达到89.5%, 高于采用单模态进行识别的准确率, 分别为: 表情识别: 81.35%, 脑电识别: 71.53%.     

情感学习中基于检测眨眼频率和贝叶斯网络的情感分类算法

针对情感学习中常用情感状态识别方法的局限性,研究了一种通过检测学习者眨眼频率来对学习过程中产生的情感状态进行分类的方法。该方法首先根据学习者的眨眼频率将其情感状态分为正向情感或者负向情感,然后再通过贝叶斯网络根据学生信息及教学活动的上下文信息将负向情感进一步解析为具体的负向情感状态。将该分类算法应用到一个以教学视频为主体学习资源的电子学习平台,以验证其有效性。