一种情感强度计算方法

对外界刺激输入和情感感受强度之间的关系做分析研究，以心理物理学、边际效应、首映效应、时间效应等理论作为基础，提出情感感受强度二层模型。从生理和心理感受两个层面上对情感的感受强度进行分析，模拟人类对情感强度感受的规律。     

基于状态空间与概率空间映射的极大相似度匹配情感模型

机器人情感建模是研究情感机器人的热点问题。文中以情感心理学知识为基础,模拟具有不同个性的情感机器人在外界刺激作用下情感动态变化的过程,研究个性和外界刺激对情感转移过程的影响。采用基于状态空间的情感空间模型来描述机器人的情感状态,并用HMM过程来模拟情感状态的转移过程。但HMM过程只能求得当前情感状态的概率,为得到具体的情感状态,文中提出一种基于状态空间与概率空间映射的极大相似度匹配的情感转移模型。首先利用HMM过程计算出当前情感概率,然后通过极大相似度匹配来得到转移后具体的情感状态。通过调节模型参数来模拟不同个性和外界刺激,该模型能有效模拟情感状态变化过程。实验结果验证模型模拟的情感变化过程符合人类情感变化的一般规律。     

情感机器人的情感模型研究

本文建立了仿人类情感的情感模型,在情感模型中建立了三维情感空间,采用马尔可夫过程来描述情感状态的变化转移过程,并提出了性格矩阵,对比分析了不同性格人对相同刺激的反应.应用D-S证据理论融合来自视觉、声音及其他方面的情感信息,分析两种因素同时作用时引起情感状态的转移规律.最后将情感模型应用于情感机器人系统,使机器人可以根据外界刺激产生情感,并做出相应的表情.实验结果证明了情感模型的有效性.     

基于情绪心理学的情感建模

基于情绪心理学的基本理论，定义了个性空间、情感空间和心情空间，建立了个性与心情、心情与情感的映射关系，给出了心情与情感状态更新方程，提出了一种能够合理反映人类情感变化规律的情感计算模型。实验表明，该模型能合理反映出在外界刺激作用下，不同个性者心情状态和情感状态的波动过程，为情感机器人的情感决策提供了一种新的机制。     

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HMM的人工心理建模方法研究

提出一种基于HMM的人工情感模型。该模型将人类的情感过程视为两层随机过程,通过调整模型的初始参数,能够构建具有不同性格特征的心理模型;同时它作为情感引擎,能以概率的形式预测情感过程的最终结果。系统运行结果表明由该模型产生的情感反应真实、自然。     

面向文本的情感迁移分析策略

情感的迁移变化是外界刺激与个体感知共同作用的结果,本文着重就个体感知进行了探讨。首先就文本中情感的迁移规律进行了分析,讨论了心情与人格要素对情感迁移的影响。在此基础上,采用将语言特征与情感间迁移规律相结合的方法,通过机器学习实现了文本的情感分类。实验结果表明,情感分类的精确率相对传统方法提高了9.21%,方法的有效性得到了证明。     

隐马尔可夫情感模型的复合情绪生成

情感模型的建立,是产生人工情感的一种途径,也是和谐人机交互的基础.针对现有的隐马尔可夫情感模型仅能产生基本情绪的问题,提出了一种改进的模型,使其能够产生复合情绪.首先,放宽已有理论的假设条件,使得某种刺激可以引发多种基本情绪,并且2种基本情绪状态的强度可以同时增大,提高了模型的普适性;其次在引入辅助矩阵和可变阈值后,实现了情感模型的复合情绪生成.通过仿真试验,验证了该模型的有效性.     

基于OCC的Agent情感模型研究

Agent不仅要具有逻辑推理能力,还应当具有类似人类的情感能力。通过对情感理论的分析,提出了一个基于OCC的Agent情感模型,使Agent能够模拟像人类一样的认知能力和情感能力,从而行为决策更加智能。通过模型在虚拟环境角色中的应用结果,验证了此模型的合理性。     

基于个性和OCC的机器人情感建模研究

机器人不仅要具有简单的机械作业和逻辑推理能力，还应当具有类似人类的情感能力．本文将个性与情绪、情感、理解、表达相结合，采用OCC模型作为评价标准，建立了符合人类情感规律的、可用于情感机器人的情感模型。通过一个应用上述模型的虚拟人情感交互系统．验证了此模型可以很好的对人类的情感进行仿真．可以应用于情感机器人和人性化计算机、游戏等许多领域。     

基于表面肌电信号的肌肉疲劳状态分类系统

为了实现肌肉疲劳状态的准确检测分类,提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先,通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号,进行小波消噪等预处理之后,提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后,在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上,为更加精细地刻画人体肌肉疲劳状态,引入sEMG信号的频域特征带谱熵（BSE）;为弥补傅里叶变换分析非平稳信号的不足,引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后,为提高肌肉非疲劳和疲劳状态分类的准确度,利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类,实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验,建立sEMG信号库,提取特征进行分类实验。实验结果表明,所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类,分类准确率大于90%。     

Respiration-based emotion recognition with deep learning

Different physiological signals are of different origins and may describe different functions of the human body. This paper studied respiration (RSP) signals alone to figure out its ability in detecting psychological activity. A deep learning framework is proposed to extract and recognize emotional information of respiration. An arousal-valence theory helps recognize emotions by mapping emotions into a two-dimension space. The deep learning framework includes a sparse auto-encoder (SAE) to extract emotion-related features, and two logistic regression with one for arousal classification and the other for valence classification. For the development of this work an international database for emotion classification known as Dataset for Emotion Analysis using Physiological signals (DEAP) is adopted for model establishment. To further evaluate the proposed method on other people, after model establishment, we used the affection database established by Augsburg University in Germany. The accuracies for valence and arousal classification on DEAP are 73.06% and 80.78% respectively, and the mean accuracy on Augsburg dataset is 80.22%. This study demonstrates the potential to use respiration collected from wearable deices to recognize human emotions.     

Construction and cross-correlation analysis of the affective physiological response database

Six kinds of emotions, namely joy, surprise, disgust, grief, anger and fear, are elicited from 300 ordinary college students by means of high-rated movie clips. The signals of galvanic skin response (GSR), heart rate (HR), blood volume pulse (BVP), electrocardiogram (ECG), respiration (Rsp.), facial electromyography (EMG) and two channels of electroencephalography (EEG) from the frontal lobe were recorded while the subjects were watching the affective eliciting materials. The samples of each kind of signals are analyzed by using random matrix theory (RMT). From the distribution of the eigenvalues and eigenvectors of the correlation matrices of BVP, facial EMG and two EEGs, we find that the statistical properties of these four kinds of signals coincide with the RMT predictions. However, the largest eigenvalue and the corresponding eigenvector component distribution of the correlation matrices of GSR, HR, ECG and Rsp. have deviated significantly from the RMT predictions. Our experiments also reveal that the correlations between two arbitrary samples of BVP, facial EMG or EEGs does not result from affective response but from random noises, whereas the amplitude variations of GSR, HR, ECG and Rsp. contain the correlated affective physiological response patterns. According to the data analysis results of RMT, 110 features are firstly extracted from the GSR and HR signals, and then a subset of the initial features is selected by using the Backward Selection algorithm. The affective data samples each of which is a vector of the features are classified by using a Fisher classifier, and furthermore, the user-independent emotion recognition systems with good prediction performance are constructed during the model selection process.     

情感建模与情感识别

情感计算是关于、产生于和影响于情感方面的计算,其目的是赋予计算机识别、理解、表达和适应人情感的能力。情感计算通过各种传感器获取由人的情感所引起的表情及生理变化信号,利用“情感模型”对这些信号进行识别,从而理解人的情感并做出适当的响应。该文主要讨论了Picard教授在情感计算中情感识别部分的研究成果,着重分析了面部表情、语音、生理信号的情感模型与情感识别,这是情感计算研究的一个关键问题之一,也是建立和谐人机环境的基础之一。     

一类面向多目标决策的分层情感认知模型

决策者的情感认知对于复杂多目标决策具有关键的作用, 为了能使计算机掌握决策者的决策情感认知规律, 提升计算机辅助多目标决策的能力, 提出一种融合了性格特征、心境状态和情感状态的多层情感认知模型. 描述决策者在处理复杂决策问题时的情感状态量化关系, 运用分层情感认知模型构建集感性和理性于一身的虚拟人, 代替决策者完成对多目标优化问题的交互决策求解. 实例分析验证了所提出模型的有效性.

     

虚拟人情感交互技术的研究

提出了基于EHMM的人工心理模型,该模型把情感感知和情感活动通过一个基本HMM过程有机地联系起来,研究结果表明：基于EHMM的人工心理模型符合人类情感变化规律。     

基于内部信念状态POMDP模型在用户兴趣获取中的应用

随着智能人机界面的发展 ,用户兴趣获取的研究被引起广泛的重视 ,并有大量的学习模型 .本文根据有模型的POMDP结构 ,提出了基于内部信念状态的 POMDP结构 ,进行用户兴趣获取 ,使得系统既能够结合领域专家的知识 ,在模型中应用部分的用户兴趣结构 .又采用类似有模型的 POMDP结构 ,从而能够直接或者通过简单的转化 ,使用已有的大量成熟算法 ,规划用户兴趣获取的行为 .这里 ,本文研究了模型中参数的设置对用户兴趣获取的影响 .     

情感生理反应样本库的建立与数据相关性分析

文中采用高收视率电影剪辑为唤起材料,以激发高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感,记录被试观看情感唤起材料时的皮肤电导、心率、脉搏、心电、呼吸、面部肌电和额叶的两路脑电信号,获得了300名普通大学生的情感生理反应样本.用随机矩阵理论对各路信号数据进行相关性分析,发现皮肤电导、心率、心电和呼吸生理信号各自的相关矩阵最大特征值和对应特征向量的分布背离了随机矩阵理论的预测,表现出集体的两两互相关,揭示了由情感因素影响产生的相关生理反应;脉搏、面部肌电和额叶的两路脑电各自相关矩阵的特征值和特征向量没有明显背离随机矩阵理论预测,表明这4路信号各自数据之间的相关性由非情感因素的随机噪声引起,因此基于随机矩阵理论的数据分析为提取生理信号特征以研究情感的生理反应模式提供了可靠依据.研究中提取了皮肤电导和心率的110个初始特征,采用后向选择选出最能代表情感生理反应的信号特征子集,使用Fisher映射对情感生理反应样本进行分类,构造了具有较好预测性能的情感识别系统,获得了每一种情感较好区别于其他情感的生理信号特征组合.