统一实验范式下GSR与ECG的短时情感识别性能差异分析

导读当前生理信号情感识别领域已经证实单信号、短时程在技术上是可行的有力推动了情感实时识别的发展但是不同信号适用性差异尚不明确。本文在已证实有效的心电(ECG)短时情感识别框架下系统引入皮肤电(GSR)信号在统一的实验范式下进行对照研究。通过电影片段诱发被试喜、怒、哀、惧和平静5种基本情感同步采集GSR信号经去噪、归一化与特征提取后采用BP神经网络建立分类模型并与前期研究建立的ECG模型进行对比。结果表明GSR信号的平均情感识别率为82.29%低于ECG信号的89.14%两者在各类情感上的识别率分布也存在明显差异。通过对这种差异的生理机制分析与讨论本文提出单一生理信号情感识别存在“信号–情感”适用性差异为实时情感识别系统的信号选型提供了实证依据。两类信号的特征提取与分类总耗时均小于0.15 s具备良好的实时性。作者信息张善斌*重庆对外经贸学院大数据与智能工程学院重庆论文详情人的情绪状态变化会影响自主神经系统的活动进而引发心跳、皮肤电活动等一系列不受主观意识 控制的生理反应。因此通过测量与分析生理信号可以推断人的情感状态。实验通过电影片段诱发喜、怒、哀、惧和平静五种目标情感影片由专家组评选确定。255 名在校大学生被随机分为人数相等的五组每组诱发一种情感(见表 1)。图 1 是高兴对应的皮肤电信号去噪前后的情况。皮肤电信号特征的提取与选择对被试的皮肤电信号在时域内进行特征提取。共得到了最能体现皮 肤电信号变化的 26 维特征见表 2。GSR 情感识别模型的结构如图 2 所示。算法流程如图 3 所示。在工作前期对有效数据集中的短时 GSR 信号仅进行去噪处理而未归一化所得结果不理想(见表 3)。最终得到喜、怒、哀、惧和平静五种情感的正确分类率见表 4平均分类正确率为 82.29%。可见基于神经网络的短时 GSR 信号情感识别是有效的。为比较两种信号的识别性能表 5 将本文 GSR 信号的分类结果与 ECG 信号的分类结果并置。GSR 信号的混淆矩阵见表 6。本文在前期短时 ECG 信号情感识别框架基础上系统引入 GSR 信号进行对照研究。在完全一致的实验范式与分类框架下GSR 信号的平均情感识别率为 82.29%低于 ECG 信号的 89.14%但二者在实 时性方面表现相当(耗时均小于 0.15 s)。两类信号的识别差异可从其神经支配机制和信息维度特征获得解释。研究揭示了单一生理信号情感识别中存在的“信号–情感”适用性差异即不同信号源对不同情感类别的识别效能并非均等。这一发现为实时情感识别系统的信号选型提供了实证依据——在特定应用场景下应结合目标情感类别、设备约束条件等因素综合评估各类信号的“信号–情感”适用性而非仅追求单一指标的绝对高低。基金项目本文得到基于单一生理信号的实时情感识别研究(No.KYZK2024040)、个体依赖的图像情感素材筛选 机制研究(No. HCKJ-2025-100)资助。原文链接基于离散高斯曲率感知的融合网格参数化方法