[논문 리뷰] Human Emotion Recognition Based On Galvanic Skin Response signal Feature Selection and SVM

Di Fan, Mingyang Liu외 2명|arXiv (Cornell University)|2023. 07. 04.

Emotion and Mood Recognition인용 수 14

한 줄 요약

이 논문은 Wavelet 노이즈 제거, 정규화, 30개의 특징의 공분산 기반 특징 선택, 그리고 SVM 분류를 사용하여 GSR 신호로 인간의 감정 인식을 수행하고 정확도는 66.67% 이상을 달성하는 방법을 제시한다.

ABSTRACT

A novel human emotion recognition method based on automatically selected Galvanic Skin Response (GSR) signal features and SVM is proposed in this paper. GSR signals were acquired by e-Health Sensor Platform V2.0. Then, the data is de-noised by wavelet function and normalized to get rid of the individual difference. 30 features are extracted from the normalized data, however, directly using of these features will lead to a low recognition rate. In order to gain the optimized features, a covariance based feature selection is employed in our method. Finally, a SVM with input of the optimized features is utilized to achieve the human emotion recognition. The experimental results indicate that the proposed method leads to good human emotion recognition, and the recognition accuracy is more than 66.67%.

연구 동기 및 목표

• 갈바닉 피부 반응(GSR) 신호로부터 감정 인식을 동기 부여하고 다루는 것.
• GSR 데이터에서 노이즈 제거, 정규화 및 특징 선택을 수행하는 파이프라인을 제안한다.
• 최적화된 특징을 사용하여 감정 인식을 위한 SVM 분류기를 개발한다.
• 웨어러블 플랫폼을 통해 수집된 GSR 데이터에서 인식 성능을 평가한다.

제안 방법

• e-Health Sensor Platform V2.0을 사용하여 GSR 데이터를 획득한다.
• GSR 신호의 노이즈를 줄이기 위해 웨이블릿 기반 노이즈 제거를 적용한다.
• GSR의 개인 차이를 완화하기 위해 데이터를 정규화한다.
• 정규화된 신호에서 30개의 특징을 추출한다.
• 공분산 기반 특징 선택을 사용하여 최적화된 특징을 얻는다.
• 선택된 특징에서 SVM 분류기를 학습시켜 감정을 인식한다.

실험 결과

연구 질문

• RQ1 GSR 신호와 공분산 기반 특징 선택 접근법이 감정 인식 정확도를 향상시킬 수 있는가?
• RQ2 GSR 데이터를 사용한 SVM 기반 감정 분류 성능에 대한 특징 선택의 영향은 무엇인가?
• RQ3 노이즈 제거와 정규화가 GSR 기반 감정 인식의 인식 결과에 어떤 영향을 미치는가?

주요 결과

• 제안된 파이프라인은 정확도가 66.67%를 초과하는 감정 인식을 제공합니다.
• 공분산 기반 특징 선택은 특징 차원을 30개에서 최적화된 특징으로 감소시킵니다.
• 웨이블릿 노이즈 제거와 정규화는 GSR 데이터의 노이즈 및 개체 간 변동성을 줄이는 데 도움이 됩니다.
• 최적화된 특징을 가진 SVM은 GSR 신호로부터 인간의 감정을 효과적으로 분류합니다.