基于小波变换的表面肌电信号的情感识别

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (35): 216-218.

基于小波变换的表面肌电信号的情感识别

程波¹,刘光远²

1.西南大学计算机与信息科学学院，重庆 400715
2.西南大学电子信息工程学院，重庆 400715

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-11 发布日期:2007-12-11
通讯作者: 程波

Emotion recognition of surface EMG signal based on wavelet transform

CHENG Bo¹,LIU Guang-yuan²

1.School of Computer and Information Science，Southwest University，Chongqing 400715，China
2.School of Electronic and Information Engineering，Southwest University，Chongqing 400715，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-11 Published:2007-12-11
Contact: CHENG Bo

摘要/Abstract

摘要： 情感识别是情感计算的一个关键问题。针对表面肌电信号（EMG）的非平稳性，采用小波变换方法对表面肌电信号进行分析，提取小波系数最大值和最小值构造特征矢量输入用L-M算法改进的BP神经网络分类器进行情感状态识别。实验表明，用表面肌电信号对joy、anger、sadness、pleasure 4种情感识别效果较好。也说明用小波变换方法提取特征，用神经网络作分类器的方法用于情感识别有很大的应用前景。

关键词: 情感计算, 情感识别, 小波变换, BP网络, EMG

Abstract: Emotion recognition is a pivotal question of affective computing.This paper adopts the wavelet transform to analyse the surface EMG signal instability feature.Surface EMG signal is decomposed by Discrete Wavelet Transform（DWT）and selected maximum and minimum of the wavelet coefficients in every level.The extracted maximum and minimum of the wavelet coefficients is inputted to identify emotion by the BP neural network improved by Levenberg-Marquardt algorithm.Experimental result shows that identification purpose of joy，anger，sadness and pleasure four emotional signals is effective and have are a great potential in practical application of emotion recognition.

Key words: affective computing, emotion recognition, wavelet transform, BP neural network, EMG

程波¹,刘光远². 基于小波变换的表面肌电信号的情感识别[J]. 计算机工程与应用, 2007, 43(35): 216-218.

CHENG Bo¹,LIU Guang-yuan². Emotion recognition of surface EMG signal based on wavelet transform[J]. Computer Engineering and Applications, 2007, 43(35): 216-218.

[1]	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.
[2]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[3]	米珍美，赵恒斌，高攀. 基于ConvLSTM网络的维度情感识别模型研究[J]. 计算机工程与应用, 2021, 57(18): 289-296.
[4]	宋冠军，张树东，卫飞高. 音视频双模态情感识别融合框架研究[J]. 计算机工程与应用, 2020, 56(6): 140-146.
[5]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[6]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[7]	胡章芳，刘鹏飞，蒋勤，罗飞，王明丽. 基于3DC-BGRU的脑电情感识别[J]. 计算机工程与应用, 2020, 56(20): 111-117.
[8]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[9]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[10]	孙晓虎，李洪均. 语音情感识别综述[J]. 计算机工程与应用, 2020, 56(11): 1-9.
[11]	张雪英，王薇蓉，孙颖，宋春晓. 面向脑电情感识别的改进多分类RVM模型研究[J]. 计算机工程与应用, 2019, 55(9): 112-117.
[12]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[13]	陈景霞，王丽艳，贾小云，张鹏伟. 基于深度卷积神经网络的脑电信号情感识别[J]. 计算机工程与应用, 2019, 55(18): 103-110.
[14]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[15]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.