emotion-recognition

基于皮肤电信号的情绪识别算法emotion-recognition

基于皮肤电信号的情绪识别算法

代码架构

├── butter.py 巴特沃斯滤波器（代码中并未使用，可参考） ├── data 训练数据集 │   ├── happy 高兴 │   │   ├── x.csv │   ├── normal 平静 │   │   ├── x.csv │   └── sad 悲伤 │   ├── x.csv ├── database.py 数据库连接 ├── generatevector.py 特征向量提取，调用getattr ├── getattr.py 提取算法 ├── main.py 主函数 ├── model 训练所得模型 │   ├── happy_model.m │   ├── happy_other.csv │   ├── normal_sad.csv │   ├── sad_model.m │   ├── train_model.m │   ├── vector.mat │   └── vector_select.m ├── my_svm.py 支持向量机 ├── plotdata.py 绘图（测试代码，未使用） ├── pre.pptx PPT展示 ├── pycache │   ├── database.cpython-36.pyc │   ├── generatevector.cpython-36.pyc │   ├── getattr.cpython-36.pyc │   └── my_svm.cpython-36.pyc └── README.md

工作流程

1 通过MP150提取被试皮电信号，情绪激发通过视频素材激发

2 每个被试每种情绪采集80s有效信号，采样频率20Hz，共1600个数据点

3 提取皮电信号特征向量，时域信号28个，频域信号6个，共34个，如下表

特征编号	特征代号	特征含义
1	sc_mean	GSR信号均值
2	sc_median	GSR信号中值
3	sc_std	GSR信号标准差
4	sc_min	GSR信号最小值
5	sc_max	GSR信号最大值
6	sc_range	GSR最大值最小值之差
7	sc_min_ratio	GSR最小值比率
8	sc_max_ratio	GST最大值比率
9	sc1diff_mean	一阶差分均值
10	sc1diff_median	一阶差分中值
11	sc1diff_std	一阶差分标准差
12	sc1diff_min	一阶差分最小值
13	sc1diff_max	一阶差分最大值
14	sc1diff_range	一阶差分最大值最小值之差
15	sc1diff_min_ratio	一阶差分最小值比率
16	sc1diff_max_ratio	一阶差分最大值比率
17	sc1adiff_mean	一阶差分绝对值均值
18	sc1gdiff_mean	归一化信号一阶差分绝对值均值
19	sc2diff_mean	二阶差分均值
20	sc2diff_median	二阶差分中值
21	sc2diff_std	二阶差分标准差
22	sc2diff_min	二阶差分最小值
23	sc2diff_max	二阶差分最大值
24	sc2diff_range	二阶差分最大值最小值之差
25	sc2diff_min_ratio	二阶差分最小值比率
26	sc2diff_max_ratio	二阶差分最大值比率
27	sc2adiff_mean	二阶差分绝对值均值
28	sc2gdiff_mean	归一化信号二阶差分绝对值均值
29	scfft_mean	GSR频域均值
30	scfft_median	GSR频域中值
31	scfft_std	GSR频域标准差
32	scfft_min	GSR频域最小值
33	scfft_max	GSR频域最大值
34	scfft_range	GSR频域最大值最小值之差

4 特征选取，使用随机森林算法，最终选取贡献度为平均贡献度1.25倍的特征，组建新的特征向量。

5 训练模型，采取支持向量机，一对多策略从而实现多分类的目的。

6 预测，arduino进行信号采集写入到端口中，该工程读取串口数据存入缓存区。当缓存区数据点>50时，计算特征向量给出预测结果。整个过程通过matplotlib进行交互式展现。