[论文解读] Human Emotion Recognition Based On Galvanic Skin Response signal Feature Selection and SVM

Di Fan, Mingyang Liu+2 more|arXiv (Cornell University)|Jul 4, 2023

Emotion and Mood Recognition被引用 14

一句话总结

本文提出了一种使用 GSR 信号进行人类情感识别的方法，采用小波去噪、归一化、基于协方差的 30 个特征选择，以及 SVM 分类，准确率超过 66.67%。

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%.

研究动机与目标

• 激发并解决来自皮肤电反应（GSR）信号的情感识别问题。
• 提出一个对 GSR 数据进行去噪、归一化和特征选择的流程。
• 使用优化特征开发一个用于情感识别的 SVM 分类器。
• 在通过可穿戴平台采集的 GSR 数据上评估识别性能。

提出的方法

• 使用 e-Health Sensor Platform V2.0 采集 GSR 数据。
• 应用小波去噪以降低 GSR 信号中的噪声。
• 归一化数据以减小 GSR 的个体差异。
• 从归一化信号中提取 30 个特征。
• 使用基于协方差的特征选择来获得优化后的特征。
• 在所选特征上训练 SVM 分类器以识别情感。

实验结果

研究问题

• RQ1 GSR 信号结合基于协方差的特征选择方法是否能提高情感识别准确性？
• RQ2 在使用 GSR 数据的基础上，特征选择对基于 SVM 的情感分类性能有何影响？
• RQ3 去噪和归一化如何影响基于 GSR 的情感识别的识别结果？

主要发现

• 所提出的流程实现的情感识别准确率超过 66.67%。
• 基于协方差的特征选择将特征维数从 30 降至优化后的特征。
• 小波去噪和归一化有助于降低 GSR 数据的噪声和个体间变异性。
• 使用优化后的特征的 SVM 能够有效地从 GSR 信号中对人类情感进行分类。