蚁群算法在呼吸信号情感识别中的应用研究

doi:10.3778/j.issn.1002-8331.2011.02.051

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (2): 169-172.DOI: 10.3778/j.issn.1002-8331.2011.02.051

• 图形、图像、模式识别 • 上一篇下一篇

蚁群算法在呼吸信号情感识别中的应用研究

林时来，刘光远，张慧玲

西南大学计算机与信息科学学院，重庆 400715

收稿日期:2010-05-04 修回日期:2010-07-12 出版日期:2011-01-11 发布日期:2011-01-11
通讯作者: 林时来

Application of ACO algorithm to emotion recognition research based on RSP signal

LIN Shilai，LIU Guangyuan，ZHANG Huiling

College of Computer and Information Science，Southwest University，Chongqing 400715，China

Received:2010-05-04 Revised:2010-07-12 Online:2011-01-11 Published:2011-01-11
Contact: LIN Shilai

摘要/Abstract

摘要： 针对生理信号的情感识别问题，将蚁群优化算法用于呼吸信号（RSP）特征选择，并采用自适应的适应度参数值、变异策略和临近位置交换策略对算法进行改进，使用Fisher进行情感分类，获得了较高的识别率和有效特征组合。采集了212个被试6种不同情感（高兴、惊奇、厌恶、悲伤、愤怒、恐惧）的呼吸信号数据进行仿真实验，识别效果最好的是高兴情感，最好识别率达到了92.06%，平均识别率达到了84.43%。实验仿真结果表明，将蚁群优化算法引入基于呼吸信号的情感识别研究是可行的。

关键词: 情感识别, 蚁群算法, 呼吸信号, 特征选择

Abstract: This study is on the emotion recognition method based on respiration（RSP） signals.Firstly，six emotional（Happiness，Surprise，Disgust，Grief，Anger，Fear） RSP signals of 212 subjects are de-noised and original features are extracted with wavelet transform method.Then，feature selection is done using the ant colony optimization（referred to as ACO） algorithm.Results show that after ACO algorithm is optimized，emotion recognition of physiological signal has achieved good results.Happiness emotion has a best recognition rate of 92.06%，the corresponding average recognition rate achieves 84.43%.

Key words: emotion recognition, Ant Colony Optimization（ACO）, RSP signal, feature selection

中图分类号:

TP301.6

林时来，刘光远，张慧玲. 蚁群算法在呼吸信号情感识别中的应用研究[J]. 计算机工程与应用, 2011, 47(2): 169-172.

LIN Shilai，LIU Guangyuan，ZHANG Huiling. Application of ACO algorithm to emotion recognition research based on RSP signal[J]. Computer Engineering and Applications, 2011, 47(2): 169-172.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[5]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[6]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[7]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[8]	马向华，张谦. 改进蚁群算法在机器人路径规划上的研究[J]. 计算机工程与应用, 2021, 57(5): 210-215.
[9]	李壮阔，常凯旋. 合作博弈的连续蚁群算法求解[J]. 计算机工程与应用, 2021, 57(24): 198-204.
[10]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[11]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[12]	王晓光，杨培蓓. 航运物流企业数字化转型设计与效果分析[J]. 计算机工程与应用, 2021, 57(21): 241-247.
[13]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[14]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[15]	李二超，齐款款. 改进双向蚁群算法的移动机器人路径规划[J]. 计算机工程与应用, 2021, 57(18): 281-288.

蚁群算法在呼吸信号情感识别中的应用研究

Application of ACO algorithm to emotion recognition research based on RSP signal

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics