情感状态特征提取与分类中的信号间与信号内方差
人机交互
2022-11-15 v3 信号处理
摘要
心理生理学研究由心理状态引起的生理变化的因果关系。由于数据收集方法、生理差异、数据可用性以及对专家标注数据的需求各不相同，基于机器学习的生理状态即时评估面临重大挑战。可穿戴技术的进步显著提高了记录生理信号设备的规模、灵敏度和准确性，使得大规模、非侵入式的生理数据采集成为可能。本工作通过以下方面，对从可穿戴设备获取的信号方差及其对情感状态分类的相关影响进行了实证评估：(i) 评估从心电图和光电容积脉搏波描记法中提取的代表情感状态的特征中存在的差异，(ii) 研究信号间特征重要性的差异以确定信号特异性特征，以及 (iii) 研究情感状态间特征重要性的差异以确定情感特异性特征。结果表明，数据集中ECG和PPG之间的特征方差程度反映在该数据集的分类性能上。此外，每分钟心跳数、心搏间期和呼吸率被确定为两种信号中共同表现最佳的特征。最后，每种情感状态的特征方差识别出了难以区分的情感状态，这些状态需要采用一对多策略或额外特征才能实现准确分类。
引用
@article{arxiv.2207.02916,
title = {Inter and Intra Signal Variance in Feature Extraction and Classification of Affective State},
author = {Zachary Dair and Samantha Dockray and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2207.02916},
year = {2022}
}
备注
Preprint for the AICS 2022 Conference This publication has emanated from research supported in part by a Grant from Science Foundation Ireland under Grant number 18/CRT/6222 Associated source code https://github.com/ZacDair/Emo_Phys_Eval