论文部分内容阅读
情绪是一种自发的、瞬间的生理和心理反应,不受主观意识所控制,而是和生物基础密切相关。它伴随着人体的认知和意识过程,在人与人的交流中扮演着极其重要的作用。情绪识别是一个综合了机器学习、认知科学与心理科学等多门学科的复杂研究领域,通过提取人类情绪表达的相关特征,发现其中的统计规律,有利于促进和谐的人机交互,在心理学研究、犯罪测谎、临床医学等领域有着重要的影响。人的情绪与生理信号之间存在着密不可分的联系,国内外许多研究者已利用人体的生理信号对受试对象进行情绪的识别或分类,并取得了 一定的成果。但是由于采集受试对象生理信号过程中传感器需与受试对象直接接触,受试对象自发反应可能影响测量结果。恐惧情绪是人体应对外界刺激的一种反应,其产生会引起人体面部皮肤温度的变化,根据红外热图反映物体表面温度分布的原理,针对上述问题,本文提出了一种非接触式的测量方法,即面部红外热图法,对恐惧情绪这种特定的情绪进行了识别,论文完成的具体工作和主要结论有:(1)选取了 39名健康且情绪表达正常的受试对象参与恐惧情绪诱导实验,利用恐惧情绪诱导视频对受试对象进行恐惧情绪的诱导,通过RT513红外热像仪对整个实验过程进行拍摄记录,完成对受试对象面部红外热图的采集。(2)采用最小二乘曲线拟合方法(指数函数拟合法)对现有的传热模型进行简化,将红外热像仪所采集的面部红外热图转化为血液灌注伪彩色图,寻找感兴趣区域,以便对感兴趣区域的数据进行下一步地处理与分析。(3)利用传热模型将受试对象感兴趣区域(前额区域)的温度值转化为血液灌注值,并得到其随时间变化曲线。提取血液灌注变化曲线的相关特征量(斜率、置信度、均值、标准偏差),并采用斯皮尔曼等级相关系数分析其与受试对象恐惧程度自评分之间的相关性。最终,采用与恐惧程度自评分相关性最高的标准偏差(阈值为0.14g·m-2·s-1)对受试对象进行恐惧情绪的识别,其中,标准偏差的阈值是通过K-means聚类算法获取的。剔除错误的实验数据,对28例样本进行了测试,受试对象恐惧情绪的识别正确率可达85.7%。(4)为验证所提出的恐惧情绪识别方法的有效性,增加了一组测试集实验,采集了 17名受试对象的面部红外热图。对测试集的面部红外热图进行同样地处理和分析,分别对样本集中所确定的感兴趣区域和标准偏差阈值进行了验证。剔除2名错误数据,对测试集中的15例样本进行了测试,受试对象恐惧情绪的识别正确率可达86.7%。同时,对比分析了样本集和测试集受试对象的血液灌注变化曲线,发现它们的特点是一致的。当受试对象产生恐惧情绪时,前额区域的血液灌注呈现出明显的下降趋势,这与现有的恐惧情绪研究结论一致。