Ứng dụng mô hình kết hợp trong nhận dạng cảm xúc
Email tác giả liên hệ:
ntkhong@ute.edu.vnTừ khóa:
Nhận dạng cảm xúc, cảm biến y sinh, máy học, mạng Nơ ron tích chập, máy học vectơ hỗ trợTóm tắt
Ngày nay, nhận dạng và phân loại cảm xúc ngày càng chi tiết và chính xác hơn nhờ vào sự phát triển của các lĩnh vực như điện tử, cảm biến hay kỹ thuật máy tính. Các phương pháp nhận dạng cảm xúc được nghiên cứu hiện nay sử dụng nhiều phương thức thu thập dữ liệu khác nhau và một trong những phương thức mang lại hiệu quả là sử dụng cảm biến y sinh. Phương thức này có thể cung cấp thông tin về các yếu tố sinh học chính xác, bền vững ít bị ảnh hưởng bởi tác nhân gây nhiễu từ bên ngoài. Bài báo này mô tả phương pháp phân loại và đánh giá cảm xúc dựa trên mô hình kết hợp sử dụng tín hiệu cảm biến y sinh và tín hiệu video trên cơ sở học máy. Chúng tôi sẽ mô tả thiết kế của hệ thống thu thập tín hiệu y sinh, qui trình thu thập thông tin và hệ thống xử lý được dùng để nhận dạng các thuộc tính của cảm xúc. Nghiên cứu này đạt được hiệu suất nhận dạng với tỉ lệ chính xác là 83,2%.
Tải xuống: 0
Tài liệu tham khảo
Rangaraj M. Rangayyan, Biomedical Signal Analysis – A Case-Study Approach, IEEE Press 2002.
Barreto A., Heimer M., and Garcia M., Characterization of Photoplehtysmographic Blood Volume Pulse Waveforms for Exercise Evalution, Proceedings 14th Southern Biomedical Engineering Conference, Shreveport, Louisiana, April, 1995, pp. 220-223.
Christie, Israel C, Multivariate Discrimination of Emotion-specific Autonomic Nervous System Activity, Master Thesis in Science of Psychology, Virginia.
Picard R.W., Toward computers that recognize and respond to user emotion, IBM Systems Journal; Vol 39, Nos 3&4, 2000.
Healy J. and Picard R., Digital processing of Affective Signals, ICASSP 98.
Cowie R., Describing the emotional states expressed in speech, ISCA workshop on speech and emotion, Belfast 2000.
Juang B.H & Soong F.K., Hands-free Telecommunications, HSC 2001, pp.5-10; Kyoto, Japan.
Pentland A., Perceptual Intelligence, Communications of the ACM; Volume 43, Number 3 (2000), Pages 35-44.
E. Monte-Moreno, M. Chetouani, M. Faundez-Zanuy and J. SoleCasals, Maximum likelihood linear programming data fusion for speaker recognition, Speech Communication, 51(9):820–830, 2009. 68.
A. Mahdhaoui and M. Chetouani, Emotional speech classification based on multi view characterization, IAPR International Conference on Pattern Recognition, ICPR, 2010. 51.
Ammar Mahdhaoui, Analyse de Signaux Sociaux pour la Modélisation de l'interaction face à face. Traitement du signal et de l'image, Université Pierre et Marie Curie - Paris VI, 2010. French. .
Sebe, Nicu, et al, Bimodal emotion recognition. Proceedings of the 5th International Conference on Methods and Techniques in Behavioral Research. 2005.
Caifeng Shan, Shaogang Gong, Peter W. McOwan, Facial expression recognition based on Local Binary Patterns: A comprehensive study, Image and Vision Computing 27 (2009) 803–816.
E. Monte-Moreno, M. Chetouani, M. Faundez-Zanuy et J. SoleCasals, Maximum likelihood linear programming data fusion for speaker recognition, Speech Communication, 51(9):820–830, 2009. 68.
Hamza Hamdi, Plate-forme multimodale pour la reconnaissance d’émotions via l’analyse de signaux physiologiques: Application à la simulation d’entretiens d’embauche, Modeling and Simulation. Université d’Angers, 2012. French. .
R. Sharma, V.I. Pavlovic, and T.S. Huang, Toward multimodal human-computer interface. Proceedings of the IEEE, 86(5):853–869, 1998. 29, 30, 32, 167.
Kaipeng Z., Zhanpeng Z., Zhifeng L., Yu Q., Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks, IEEE Signal Processing Letters, vol. 23, pp. 1499-1503 (2019).
Vahid K., Josephine S., One Millisecond Face Alignment with an Ensemble of Regression Trees, CVPR IEEE Conference on Computer Vision and Pattern Recognition, pp. 1867-1874 (2014).
Chen, Jun-Cheng, Vishal M. Patel, and Rama Chellappa., Unconstrained face verification using deep cnn features. IEEE winter conference on applications of computer vision (WACV). IEEE, 2016.
Hsu C.W., Lin C.J., A comparison of methods for multiclass support vector machines, IEEE Trans Neural Network 13(2):415–425 (2002).
Imen Tayari Meftah, Modélisation, détection et annotation des états émotionnels à l’aide d’un espace vectoriel multidimensionnel, Artificial Intelligence, Université Nice Sophia Antipolis, 2013. French. . .
Koné C., Tayari I.M., Le-Thanh N., Belleudy C., Multimodal Recognition of Emotions Using Physiological Signals with the Method of Decision-Level Fusion, Healthcare Applications. Inclusive Smart Cities and e-Health. ICOST 2015. Lecture Notes in Computer Science, vol 9102. Springer.
Santamaria-Granados, Luz, et al., Using deep convolutional neural network for emotion detection on a physiological signals dataset (AMIGOS). IEEE Access 7 (2018): 57-67.
Tải xuống
Đã Xuất bản
Cách trích dẫn
Số
Chuyên mục
Categories
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
