遺傳算法在情緒識別中的應用研究摘要：將遺傳算法應用到生理信號情緒識別的特征選擇研究過程中。對與情緒相關的四種生理信號進行特征選擇，并用支持向量機進行分類評估，得出基于最優識別率的特征子集，為后續進行基于生理信號的情緒狀態分類器的設計與研究奠定基礎。

關鍵詞：遺傳算法生理信號情緒識別特征選擇

1引言

情感計算是關于情感方面的計算，其目的是使得與人交互的計算機擁有識別、理解、表達情感的能力，其中一個重要組成部分是情緒識別。目前在情緒識別領域，國內外眾多的研究機構和研究人員在生理信號等方面取得了不錯地成果，但目前的主要精力都集中在情緒狀態建模、與情緒相關的信號選擇和情緒狀態的分類判別等方面，對與情緒相關的信號進行特征選擇的研究極少涉及，但是特征選擇過程又是分類識別中不可或缺的重要環節，因此本文將自適應遺傳算法應用于生理信號情緒識別的特征選擇過程中。

2遺傳算法用于情緒特征選擇的思路

遺傳算法（ga,geneticalgorithms）是經美國的michigan大學的johnholland教授提出的一種模擬達爾文的自然選擇學說和自然界的生物進化過程的隨機搜索算法。自適應遺傳算法通過自適應的方式對遺傳算法的關鍵參數進行調整，能有效地解決早熟問題，而且能提高收斂精度，也顯著地加快了收斂速度。其思路是首先從生理信號中提取特征構成原始的特征矩陣，再用遺傳算法產生若干個可能的情緒特征子集，用評價函數來對每一個特征子集衡量其對于分類識別率的有效性，并記錄當前識別率最高的情緒特征組合以及相應的識別率，直到滿足算法的停止條件，最末代的適應度（即識別率）最大的個體就是對分類該種情緒狀態效果最好的情緒特征組合。本文中分類器采用支持向量機算法。

3生理數據特征提取

本文以德國奧森堡大學多媒體與信號處理實驗室提供的情緒數據進行特征提取。該數據采用的是被試者在高興、憤怒、悲傷和愉快這四種情緒狀態下的四個生理信號（肌電、皮膚電導、心電圖和呼吸信號），采集25天的生理數據，共計100個樣本。然后對每種生理數據進行統計特征提取，提取出186個特征作為原始特征集，對上述的186個特征進行特征選擇實驗分析和分類結果分析。其中提取的統計特征有均值、標準差、中值、一階差分、最值等等。不同的生理信號還具有各自不同的特征，如ecg信號p波、r波、q波、s波的幅度峰值、hrv（心率變異性）、給定頻段的功率譜密度，其他信號還有諸如rsp的呼吸率等等。

4自適應遺傳算法用于特征選擇

4.1染色體編碼

二進制編碼方法是遺傳算法中常用的一種編碼方法，它所使用的編碼符號集是由二進制符號0和1所組成的二進制符號集，它構成

正弦自適應的交叉概率計算式壓低了處于平均適應度favg附近以及最大適應度fmax附近的個體的交叉概率，所以這里的交叉概率是是按曲線進行變換，而不再是按個體的適應度進行簡單的線性變換，另外，通過與分階段交叉概率相結合的辦法，正弦自適應交叉概率計算避免了交叉概率的驟升驟降，使交叉概率穩定的沿著從大到小的方向變化。通過將兩種方法結合在一起，既算法進化過程的穩定性得到了提高，也減少了收斂的代數。

設最大進化代數為maxgen，交叉概率上限為pc1，下限為pc2，三個階段的劃分采用黃金分割點劃分法：第一階段為[0,0.382maxgen),此時pc1和pc2可以取大一點，初始分別設為0.9和0.7；第二階段為：[0.382maxgen,0.618maxgen)，此時按pc1和pc2差值0.2，將它們分別設為0.7和0.5；第三階段為：[0.618maxgen,maxgen)，pc1為0.5，pc2為0.3，這樣交叉概率公式如式4-2。

（4-2）

式4-2中，pc1和pc2為交叉概率的上限和下限，f’為兩個要交叉的基因的適應度的最大值，fmax為種群最大適應度值，favg為種群評價適應度值。

4.3.3變異規則

對于自適應的變異，本文主要是對自適應的變異概率進行改進，采用以下策略：通過從廣泛搜索到細致搜索（即變異率減小），產生新的個體，當變異率減小到一定程度或者種群迭代到一定的代數時，保留新的個體，并將新種群作為初始種群循環進行從廣泛到細致的搜索過程，直到算法結束。也就是說將大變異概率作為依據，把更多的個體變異到距離原來比較遠的地方。

變異概率的自適應調整的原理同自適應交叉算法的交叉概率原理，如下：

（4-3）

式中：pm1和pm2為交叉概率的上限和下限，f’為要變異的基因適應度，fmax為種群最大適應度值，favg為種群評價適應度值。

4.3.4終止條件

終止條件不但考慮最大迭代次數，還要考慮能否自動判別算法達到收斂。算法是否收斂是以最大識別率c_best和種群平均識別率c_avg為統計對象，對c_best和c_avg在某一范圍內波動的代數進行統計，如果超過k代沒有較大波動，則終止算法。經過調研，此處的值一般為種群大小的1/3。

如何判定c_best和c_avg沒有較大的波動，是c_best和c_avg曲線在k代內趨于水平，最大值和最小值之差小于一定的閥值（max_min），誤差不會超過一定閥值（var）。

其中曲線趨于水平的判別變量本課題采用線性擬合的方法，即考慮k代范圍內，將c_best和c_avg進行線性擬合，擬合后的結果分別為：

c_best_line=s_best(1)t+s_best(2)

c_avg_line=s_avg(1)t+s_best(2)（4-4）

其中c_best_line和c_avg_line為擬合輸出，t=1,2,3…k，為遺傳代數，s_best(1)和s_avg(1)是兩個線性擬合直線的導數，本課題以s_best(1)和s_avg(1)分別作為c_best和c_avg在k代內是否水平的判別參數，當他們的絕對值小于等于一個閥值s_時認定滿足第一條件。本文中閥值s_設為0.5??0-3時可以滿足導數水平的條件。

5實驗結果

根據德國奧森堡大學提供的實驗數據，對共計100個樣本提取出186個特征作為原始特征集，對上述的186個特征進行特征選擇實驗和分類結果分析。

自適應遺傳算法特征選擇的參數設置如下：種群大小為80，采用非線性排名選擇和錦標賽法混合選擇算法作為特征選擇，采用自適應多點交叉，初始交叉概率為0.85，采用自適應變異，初始變異概率為0.02,最大迭代次數為200，支持向量機的評價策略采用隨機法（random-split）進行分類評估時結果如圖1所示。

實驗運行10次的結果如表1所示。

如表1所示，本文研究的自適應遺傳算法，用于德國奧森堡大學的數據庫，在平均識別率為90.68%的情況下算法終止代數大概在49代左右，算法選出的特征個數大概在52個左右，識別率的最大最小值之差僅為6.91%，有限次測量數據的標準偏差的估計值為4.1051，效果十分不錯。

本課題還分別采用sga、anova、sfs、sbs對同一數據庫進行特征選擇研究，都采用svm作為選擇策略進行特征選擇，跟本課題改進的自適應遺傳算法進行對比，其結果如表2所示。

表2中，sfs和sbs特征個數是手動設置的，本課題將其特征選擇個數設為52以和自適應算法進行比較。通過表中數據可以看出，本課題改進的遺傳算法無論是在特征選擇個數還是在最終識別率上，均優異于其他算法。

6結論

本文選用了四種與情緒相關的生理信號，ecg、emg、rsp和sc，用其分類識別joy、anger、sadness和pleasure這四種情緒狀態，并以德國奧格斯堡大學多媒體與信號處理實驗室的數據為例，應用人工智能算法中的自適應遺傳算法對分類識別過程中的最優化特征子集進行研究。為更科學地進行情感計算提供新的方法，有著重要的學術價值和應用意義。

參考文獻：

[1]slomana.morethingsthanaredreamtofinbiology:informationprocessinginbiologicallyinspiredrobots[j].cognitivesystemsresearch,2005(6):145-174.

[2]stemmerg,heldmannm,paulsca,etal.constraintsforemotionspecificityinfearandanger:thecontextcounts[j].psychophysiology,2001,38:27