7、基于生理信号的情绪状态检测方法

基于生理信号的情绪状态检测方法

在当今科技发展的浪潮中，基于生理信号的情绪识别技术逐渐成为研究热点。生理信号在情绪识别领域具有独特的优势，尽管它会受到用户运动产生的噪声和伪影影响，但受环境噪声影响较小，能够实时分析用户状态，且不易受到不自然情绪或社交掩饰的干扰，还能持续收集用户信息，对于那些善于隐藏情绪的人也能发挥作用。

1. 机器学习和深度学习方法概述

在情绪状态识别中，多种机器学习和深度学习方法被广泛应用。常见的机器学习方法包括支持向量机（SVM）、神经网络（NN）、线性判别分析（LDA）、二次判别分析（QDA）分类器、k - 最近邻（kNN）、决策树、隐马尔可夫模型和 Fisher 线性投影等。深度学习则是基于人工神经网络（ANN）的新兴技术，是人工智能领域强大的机器学习工具。例如，卷积神经网络（CNNs）在健康信息学领域产生了重要影响，可用于图像中的目标识别和面部表情识别；深度神经网络（DNNs）能够以有监督和无监督的方式学习新的特征和模式。

感知器是一种用于二元分类的神经网络，其设计灵感来源于生物神经元的工作原理。它由输入层连接到输出节点，通过激活或传递函数以及少量权重来模拟大脑中相互连接的神经元处理信息的生化过程，通过改变权重来学习对线性可分的模式进行分类。

以下是一些使用生理信号进行情绪识别的代表性方法总结：
| 参考文献 | 生理信号 | 刺激源 | 情绪状态 | 方法 | 性能 |
| — | — | — | — | — | — |
| [20] | EDA | IADS | 唤醒和效价 | k - NN | 唤醒：77.33%；效价：84% |
| [10] | HR, EDA | IAPS, IAD