使用深度学习情绪从物理和神经回路检测数据模型

文摘

如今,智能设备作为日常生活的一部分收集数据对用户的帮助下传感器。传感器数据通常是物理数据但移动应用程序收集超过物理数据设备的使用习惯和个人利益。收集的数据通常归类为个人,但它们包含有价值的信息对用户进行了分析和解释。个人数据分析的主要目的之一是对用户作出预测。收集的数据可以分为两大类:物理和行为数据。行为数据也称为神经回路的数据。物理和神经回路参数收集作为这项研究的一部分。物理数据包含用户的测量如心跳、睡眠质量、能量、运动/流动参数。神经回路数据包含击键模式像打字速度和打字错误。用户的情感/情绪状态也调查问日常问题。 Six questions are asked to the users daily in order to determine the mood of them. These questions are emotion-attached questions, and depending on the answers, users’ emotional states are graded. Our aim is to show that there is a connection between users’ physical/neurophysical parameters and mood/emotional conditions. To prove our hypothesis, we collect and measure physical and neurophysical parameters of 15 users for 1 year. The novelty of this work to the literature is the usage of both combinations of physical and neurophysical parameters. Another novelty is that the emotion classification task is performed by both conventional machine learning algorithms and deep learning models. For this purpose, Feedforward Neural Network (FFNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Long Short-Term Memory (LSTM) neural network are employed as deep learning methodologies. Multinomial Naïve Bayes (MNB), Support Vector Regression (SVR), Decision Tree (DT), Random Forest (RF), and Decision Integration Strategy (DIS) are evaluated as conventional machine learning algorithms. To the best of our knowledge, this is the very first attempt to analyze the neurophysical conditions of the users by evaluating deep learning models for mood analysis and enriching physical characteristics with neurophysical parameters. Experiment results demonstrate that the utilization of deep learning methodologies and the combination of both physical and neurophysical parameters enhances the classification success of the system to interpret the mood of the users. A wide range of comparative and extensive experiments shows that the proposed model exhibits noteworthy results compared to the state-of-art studies.

1。介绍

智能和集成设备成为一个至关重要的部分我们的社会和商业的日常生活。尤其是、电脑、手机、平板电脑、传感器、和云服务的一部分,我们的世界各地的私人和公共领域在过去的几十年。这些设备收集很多关于他们的用户参数包括流动性(散步、跑步、登山)信息,睡眠时间,用户访问的地方。此外,新技术的发展将这些设备集成到用户的生物体内,这创造了在线信息人类由世界各地的访问(1]。上网通常增加紧张和压力等级的用户和降低他/她的免疫力日常生活/业务问题。有一种强烈的压力和心理健康之间的关系,情商帮助管理这个关系2]。许多国家有很强的规定的用户在关键岗位工作。他们经常需要神经回路测试(NPT)以确保心理健康很好避免风险取决于压力。《不扩散核武器条约》的应用时期通常是一个一年或两次这是不够的。衡量这些风险应该是日常操作的一部分,可以轻松实现智能和集成设备。这些设备已经开始使用数以百万计的人聪明的手表和手机。否则,面向用户的错误可能会导致困境不补偿。Quorum灾难恢复报告显示,2013年一季度,灾难由用户比例是22%,而55%硬件故障,软件故障18%,和自然灾害5%,仅仅。此外,理解用户的神经回路的情况下使用设备有着悠久的历史。节中提到的早期研究2电脑键盘用来收集数据的用户(3- - - - - -16]。键盘模式已经被使用在很多研究中,包括识别和授权。第一个研究是实现17)表明,击键信息可以用来执行1980年在计算机系统更安全。基地击键模式和一些参数来自击键模式也用作功能在我们的研究中。

物联网(物联网)被认为是网络的传感器。我们的研究创建一个私有物联网网络。智能设备如智能手表和手机可以测量各种参数的用户如心脏数据,睡眠时间,流动性,血压和体温通过传感器(1]。这些指标是命名和用作物理参数在我们的研究中。

在这项研究中,我们提出并实现一个系统来分析收集用户的参数。一个定制的移动应用程序的目的是为了收集来自用户的信息。移动应用程序收集和记录的物理和神经回路参数从每个用户和转移到一个中央存储库。神经回路参数击键参数虽然物理参数是心跳,运动,能量,和睡眠在这项工作中使用。物理和神经回路参数合并作为一种新奇的研究。一年收集的数据来自15个用户证明这项工作的有效性。这项研究的目的是找到这些参数之间的关系和用户的心情。

有许多类型的分类器中使用不同的文本分类等研究领域,图像分类和模式识别。的监督分类算法是在论文[回顾并比较17- - - - - -19]。一些常用的分类算法包括再邻居的事例),朴素贝叶斯(NB),人工神经网络(ANN),决策树(DT)和支持向量机(svm)。传统的机器学习和研究深度学习模型一起使用。这项研究的目的之一是评价传统的机器学习和深度学习模型的性能。因为深度学习模型的性能优越的文学和缺乏深度学习的实现模型的研究对情绪检测领域,不同的深度学习技术用于这项研究。这些是前馈神经网络(FFNN)卷积神经网络(CNN),递归神经网络(RNN),长期短期记忆神经网络(LSTM)。此外,多项朴素贝叶斯(MNB),支持向量回归(SVR),决策树(DT),随机森林(RF),决定集成策略(DIS)算法作为传统的机器学习算法。收集实验结果为每个算法作为我们的研究的一部分。我们也认为类似的研究和他们的表演。实验结果表明,物理和神经回路参数的整合和利用深度学习方法增加成功的分类系统的了解用户的情感。

总结我们的主要贡献如下:(我)我们建议使用物理和神经回路的组合特性来预测用户的情绪这是本研究的新颖性(2)为了检测用户的心情,传统的机器学习算法和深度学习技术都是采用每个模型比较和分类性能(3)说明了模型的贡献,一个定制的数据采集平台构建和数据收集的一年

本文的其余部分组织如下:部分2给出了相关工作的总结对参数估计的用户行为和情感分析的用户。部分3描述了方法和提出的框架。部分4和5目前的实验结果和结论,分别。

2。相关的工作

本节提供了相关研究的总结。研究相关的生理和神经回路参数调查的文献。

击键模式是我们研究的考虑参数之一。有几种方法keystroke-based用户识别如最小距离(3- - - - - -6),统计(7- - - - - -9,数据挖掘10)和神经网络(11- - - - - -13]。这些方法用来确定击键力学的最先进的研究。击键力学的主要研究之一是身份验证。击键力学的可用性硬化密码和加密(表示14]。这些研究的结果,它是承认,每个用户都有一个独特的模式,同时使用键盘。这种独特的模式称为TypingDNA。TypingDNA是用来区分用户。这项研究在14)提出了理解用户的行为使用按键延迟(KPD)和击键延迟(KSD)技术。KPD代表两个键盘字符之间的时间延迟。KSD代表总时间的键盘字符。实验结果展示,KPD KSD表现良好区分用户。测量KPD和KSD模式给出了胶研究人员对用户的神经回路的条件。每个用户都有一个基地KPS / KSD值在正常条件下,但是KPD / KSD值快速变化的异常情况下(15]。虽然击键模式识别的研究旨在识别用户,也有一些研究分析用户的情感使用击键模式(16]。在这项研究中,我们推导出另一个参数命名错误计数(EC)作为当前的击键参数。错误计数(EC)参数保存在使用键盘打字错误。所有这三个按键模式作为本研究的神经回路参数。

图像处理技术也被用来理解用户的行为。在[20.),麻省理工学院的研究人员开发了一个算法,预测两个人如何处理彼此使用给定的图像。算法试图估计下一个运动两人通过分析给定的图像。模式识别和最终的运动,如拥抱,高5,握手估计算法。本研究采用预测图像从图像中提取的特征和概率计算最终的运动。脑电图(EEG)设备也在利用的一些研究文献[21- - - - - -29日]。在[21),结果表明,测量脑电图信号给出了意见关于人类情感的条件。歧视之间的平静,激动人心的积极的,令人兴奋的消极情绪状态是观察脑电图时使用。

心跳是一个常见的参数用来区分用户的情绪。众所周知,心跳的变化取决于环境和生物条件。非凡的条件和时缓慢跳动更快的在一个放松的环境30.]。甚至听古典音乐提供了一个整体了解用户的情绪状态,因为它影响我们的心跳30.]。虽然早期研究使用机电电影(EMFi椅)传感器来获得参数(31日),最近的技术能够获得这些参数用普通智能手表。在另一项研究[32),哈珀和南部关注只是心跳数据集来解释用户的情感。为此,采用贝叶斯算法作为一种分类算法。他们的结论是,使用心跳数据集和贝叶斯算法的分类准确率达到90%的价值目的。在[33),大量的实验进行心跳数据集来确定psychoneural疾病。心率变异性(HRV)是用来区分一些情绪状态可能是疾病的一个指标。在另一项研究[34],朱镕基等人总结他们的研究说,心跳是一个很好的指标识别障碍和情感评价是一个键值来识别情感障碍。心跳是我们研究的物理参数之一。

睡眠质量是本研究的参数之一。有充足的睡眠质量之间的关系和情感状态(35]。研究[36]表明,睡眠时间不足或睡眠质量可能会导致很多问题包括消极的情绪、知觉异常,甚至偏执。在另一项研究[37),Garett等人专注于社交媒体的使用之间的关系和通过观察twitter消息的大学生睡眠质量为目的的分析学生的情绪状态。实验结果的研究37]表明,社交媒体的使用与睡眠质量之间的学生。睡眠质量也有类似的效果甚至在老的年龄。在[38),声称在老年人睡眠质量的提高都导致冥想效果。

运动/能源和走路的姿态参数也被认为是识别用户的情绪[39]。走路的姿势很容易观察到的多变的人们正面临着压力。在这项研究中(40),强调行走方式也影响生理状态在压力和改变一个人的方式走可能改善他们对压力的反应。人体步态分析也是一个受欢迎的情感识别研究领域。在[41)、风险等人澄清,可以识别情绪的几个州像中性,快乐,愤怒,悲伤和恐惧。实验结果表示,使用步态分析描述每个情感支持的精度的结果。运动和能量参数视为物理参数在我们的研究中。

情绪分析最近已经成为一个热门的研究领域。有很多研究和分类指定用户的感受通过使用社会媒体平台(42,43]。通常很难分析文本解读的情绪。文本信息一般包括两类:事实和观点(44]。关于实体、事件和它们的属性被客观的表达式。主观的表达通常描述意见的人的观点,评估实体或情谊,事件,和它们的属性45]。在这项研究中,重点不是实现情绪分析了解用户的心情。相反,预定义emotion-attached问题是就业。每天收集问题和答案与这些问题。因此,没有意见,但事实是通过与用户交互。答案被映射到敏感的用户和相关物理和神经回路参数。

我们的工作不同于上面提到的文学研究。有许多不同类型的参数收集,以增加系统的分类精度。在这项研究中,不仅身体而且行为/神经回路参数和它们的组合评估而上面的文学研究通常专注于一个或几个参数。此外,将深度学习模型除了传统的机器学习算法增强了分类系统的性能。

3所示。方法

图1在本研究显示基本步骤执行的任务。数据采集部分是一个困难的部分研究因为找到足够的志愿者这么长时间是一个问题,而不是被很多人接受。数据收集开始15志愿者,和收集的数据的数据集是由来自15个不同用户的年龄25至35近365天。如前几节中所述,数据有两部分:物理和神经回路。传感器的智能手表是用来获得物理数据。默认情况下,智能手表措施,并将这些测量数据发送到手机。手机本地数据库存储了所有的测量。像我们这样的任何应用程序都可以访问这些数据和过程或发送数据到另一个位置进行处理。另一个应用程序的功能是与用户交互,并叫他们六个随机问题来了解他们的情绪状况。这些问题问早晨,在一天结束的时候,只需要一分钟的时间完成。 Each question has a hidden emotional value. If a user has positive answer to a question, it is expressed as 1, and otherwise as −1. Some of the sample questions are given below:问题1:“我相信这将是一个美好的一天”积极情绪:问题2:“将会有另一个无聊的一天”情感:负问题3:“我觉得空荡荡的,没有任何能量”情感:负

问题生成−1或1的值。问题1,如果用户同意的声明,它将返回1否则−1因为1是积极情绪加载问题。另一方面,问题2和3是负面情绪加载问题。如果用户同意的声明,它生成−1和1如果不同意。

图2显示属性值,从感觉−4 - 4所示。它计算问题的答案的总和。用户的最高象征着好心情。通过这种方式,所有的身体和行为参数和相应的情感状态与该模型获得。开发移动应用程序收集所有数据并将其发送给一个中央存储库。中央存储库保存数据和一个时间戳和一个匿名用户id。数据收集每小时。每个传感器可能有多个测量每分钟。例如,心跳可能有几个值在一个常规条件和方法的数量可以增加当用户在异常情况如运动或压力。因此,传感器为每小时创建数以百计的测量。数据预处理前机器学习阶段。 Especially, data like heartbeat need a special preprocessing stage. It is one of the large data creators. Our study focuses to capture abnormal parameter values. Heartbeat has a base value for each user. Our study shows that base value is approximately 90 percent of taken measurements. Remaining 10 percent is usually different from the base value. Abnormal situations usually increase the heartbeat frequency. Heartbeat frequency lowers when the user is in relaxing conditions. This %10 is a good indicator to capture emotional transitions. Heartbeat values are collected as base value and abnormal values. Average of the values is calculated and recorded as heartbeat value of the corresponding hour.

能源、睡眠和步骤提供的参数是累积的,聪明的手表。他们也记录在每小时。每小时的价值由减法计算前一小时的价值。

总时间、EC和Avg值键盘模式参数。用户定期给定简短文本类型的设备。总时间完成打字、平均时间的输入(总时间/数量的字符),并输入错误被记录作为神经回路参数。用户被要求给定的文本类型至少一天一次。

每小时的基础上收集数据,数据的总大小是365×24×15(××天小时用户)。之前机器学习阶段,数据总结每天通过参数的平均值。1行每一个用户的数据存储所有参数的汇总值。大约365×15矩阵为1年创建的数据。这个矩阵包含所有物理和15用户行为数据如表所示1。

在收集物理和神经回路的数据,机器学习算法应用于数据集。实验是进行CPU使用12线程在一个英特尔®3.30 GHz Xeon®e5 - 2643机器。Python 3版本与Pycharm环境采用编程框架。苹果iWatch和Vestel智能手表设备用于数据收集。iPhone 7和8兼容智能手机模型和用于收集数据从这些聪明的手表。传感器规格作为参考(46]。

感觉字段在表1用于标签数据。随机数据集分为两半。67%的数据集是用于训练过程,剩下的部分是作为测试数据。之后,多项朴素贝叶斯,支持向量回归、决策树,随机森林,前馈神经网络算法,决策集成策略和深度学习算法。培训后一步,每一个算法的执行记录和分类性能。

的详细描述中给出的参数部分3.1。

3.1。神经回路参数

这项研究的数据有3参数与击键参数。他们总时间、平均时间和错误计数。他们被列为神经回路参数。

3.1.1。击键力学测量

击键力学测量击键计时。按键的识别是情感分析的主要研究领域之一。有三个按键识别方法,即欧几里得距离测量(EDM) nonweighted概率,概率加权。这些都是在文献中使用最广泛的方法。模式向量之间的距离测量EDM方法见图3。假设有两个模式向量R和U,在那里R代表实时矢量和U表示用户的参考向量。这两个的数学方程N维的向量可以写成:

在这项研究中,击键力学是用来计算参数的总时间。测量KPD和KSD参数存储为总时间参数。

在图4,<x₁,x₂,x₃、…x_d>生物模式通过KSD或KPD生成值。

假设KPD和KSDN维的向量,如图5并表示如下:

总时间和平均时间参数得到使用为本研究创建的自定义应用程序。应用程序要求用户输入一些随机文本和措施这两个参数。

3.1.2。错误计数测量

错误数(EC)第三击键参数研究中使用。打字错误记录当用户键入文本。期望值的错误计数为0。异常情况下增加误差计算的价值。该参数可以是一个关键指标,理解用户的情绪状态。错误数(E_c)测量在每个迭代和重新计算使用移动平均方法通过考虑以前的测量值。计算误差计算参数是由Ψ表示。在公式(3),E_c显示错误的当前迭代计数。Ψ_电子商务目前计算值误差计算和Ψ吗_ec−1是以前的计算值错误计数。图6显示了如何E_c在几个迭代计算值。ω代表独立的迭代。迭代1 (ω₁当别人2和1)有4个错误。表2显示的值E_c和Ψ_电子商务。错误计数测量是每天完成的,且只有一个值为每一天创建根据迭代次数:

错误计数参数获得使用为本研究创建的自定义应用程序。

3.2。物理参数

有许多物理参数,可以使用标准的智能设备。睡眠质量、能源、移动/运动和心脏脉搏速率和物理参数在接受这项工作。

3.2.1之上。睡眠质量测量

睡眠质量是一个重要的组成部分,身心健康以及整体福祉。有不同的指标来衡量睡眠时间等睡眠的质量。虽然时间不是唯一的参数,它给出了一个通用的视角来看睡眠的质量。我们认为总睡眠时间(年代_圣对睡眠质量)为主要输入。在表3岁之前,建议睡眠时间。表3显示了年龄和相应类型的人睡眠时间推荐的国家睡眠基金会(NSF)在2005年被称为睡眠健康指数(SHI)。严格之后,世界科学文献的系统回顾涉及健康睡眠时间、性能和安全,他是第一个指数由一个专业的组织特异性建议睡眠时间(47]。

今天,智能设备测量睡眠时间的能力。睡眠分析通常被人们理解和解释他们的睡眠习惯像“时间去床上,”“在床上时间”和“睡眠时间。“在这项研究中,睡眠质量与方程计算(4)。Ψ_平方确定了睡眠质量参数。它是一个常量值取决于每天睡眠时间的用户。

睡眠量参数是获得使用智能表。智能手表措施和发送每天的睡眠时间。

3.2.2。能量测量

等两个主要部分的能量是评价活动能量(E_ae)和休息/被动(E_体育)能量。被动能源的最低水平是保持住一个人,通常用作基础水平的能源使用的身体本身。另一方面,一个活跃的能量暴露通过燃烧时一个人展示额外的努力。在这项研究中,总能量的总和都是就业。Ψ_情商在公式表示的总能量(5):

能量参数是获得使用智能表。智能手表措施和每天发送能量。

3.2.3。移动/运动测量

移动/运动(E_毫米)是一个测量的步骤采取了一段时间。取决于每个人的生活方式,它平均展品价值。根据疾病或匆忙的一天,这个值可以不同,是一个很好的指标不同的一个普通的一天,特别的一天。Ψ_mq代表流动参数基本上就是总步数对应的一天:

移动/运动参数是获得使用智能表。智能手表措施和统计每天发送的一步。

3.2.4。心脏脉冲测量

心脏脉搏测量心跳的个体,并为每个用户平均价值。在这项研究中,平均心跳值被定义为基础的心跳值(H_基地)。所有基础和心跳异常(H)测量,平均每小时的心跳计算值。每天值重新计算的平均值每小时值:

心脏脉冲参数是获得使用智能表。智能手表措施和发送心脏脉冲计数每小时。

3.3。分类

在这项研究中,我们主要集中在监督学习方法,因为本质的问题是更合适的。朴素贝叶斯(NB)、支持向量机(SVM),决策树(DT),随机森林(RF)和人工神经网络(ANN)应用于分析用户的神经回路的条件。

3.3.1。朴素贝叶斯算法(NB)

朴素贝叶斯分类器是一个非常受欢迎的概率机器学习模型用于许多分类任务。它是基于贝叶斯定理计算条件概率与方程(8)。

使用贝叶斯定理,我们找到的概率一个鉴于发生B发生。在这里,B的证据,一个是假设。朴素贝叶斯算法假设预测/功能是独立于彼此。也就是说,没有特性之间的关系。因此,它被称为幼稚。伯努利朴素贝叶斯、高斯朴素贝叶斯、多项朴素贝叶斯和补充朴素贝叶斯朴素贝叶斯方法的不同类型。贝叶斯定理在计算机科学中有巨大的应用领域包括文本分类或垃圾邮件分析(48]。在这项研究中,我们使用多项朴素贝叶斯算法。

3.3.2。支持向量回归(SVR)算法

支持向量回归(SVR)是一个已经发明了从支持向量机回归算法。提出的这种方法的理论是发达国家和弗拉基米尔Vapnik [49]。SVR的重点非常类似于线性回归,但SVR补充保证金的概念。这个概念,在空间任意点必须与主线可以用支持向量及其总和。这个和操作利润的概念。找到支持向量的方式取决于使用空间的维度。在线性空间中,使用公式

在我们的例子中,空间是在八维因为有8个参数存在。方程(9)定义了支持向量机的公式。在这项研究中,径向基函数(RBF)内核中使用计算。

3.3.3。决策树算法(DT)

决策树算法构建一个分类模型,使用决策树状图和其可能的后果,包括随机事件的结果,资源成本和效用。决策树或分类树使用树表示学习一个分类函数预测依赖属性的值(变量),鉴于独立(输入)属性的值(变量)。这是一个监督分类算法,将标签数据集划分为更小的数据集,同时构建决策树。提出了通过昆兰(50]。决策树算法的数据集分解成更小的数据集的数据集到最后只有类似的对象。在这个过程中,分离得到子集问题有一定的反应。这些问题可以找到合适的新数据的子集。

3.3.4。随机森林算法(RF)

随机森林或者随机决定森林监督学习算法,用于分类和回归。“森林”由决策树的倍数。决策树的算法构造一个合奏训练时间和合并他们的决策输出目标类(分类),这是高度的合奏投票决策树或意味着个人的预测(回归)树。随机森林算法提供了高精度和不overfit训练集如果有足够多的树在森林里51]。提出了由科特(52]。随机森林是由从白手起家创建一系列的决策树训练样本。决策树分割完成一组随机的特性/预测而不是使用全套的预测。在这个工作中,随机森林算法采用十估计。

3.3.5。决策集成策略(DIS)

决定集成也是机器学习范式在相同或不同的多种类型的分类器训练来解决问题。相比传统的机器学习方法,试图从中学到一个假设训练数据,决定集成策略试图构造一组假设和结合起来使用。每台机器学习算法创建自己的假设和决定集成模型生成唯一的最终决定。多数投票是一个已知的方法并给出更好的结果,而不是使用单一分类器。多数表决和人工神经网络模型是健壮和高效的分类(53]。在这部作品中,每个分类器是根据多数投票的决定。

3.3.6。前馈神经网络(FFNN)

在[54],McCulloch和皮特为神经网络提供了一个计算模型基于数学和算法称为阈值逻辑的灵感来自生物的神经元。它由许多神经元组织层。前馈神经网络也称为多层网络(mln)。在这些网络,信息流动从一层到另一个地方,然后输入节点通过隐藏层(单个或多个层),最后通过输出层的节点。在MLN,没有反馈机制提供输出信息的流动回之前输入或层。这些网络是由许多简单的模型称为乙状结肠神经元的组合。多层网络是由许多节点,s形函数的首选激活功能。mln能够学习复杂和非线性可分决定边界数据。mln由一个输入层、一个输出层,和几个隐藏层之间的输入和输出层。隐藏层允许mln学得越多越复杂非线性可分的输入和输出之间的关系。

3.3.7。卷积神经网络(CNN)

cnn是一种特殊类型的深度学习网络(55),提供一个更好的性能比其他机器学习算法。CNN也更多的隐藏层的前馈神经网络。CNN的更好的学习能力来自于隐藏层,从数据中提取特征和可以学习表示。隐藏层包含卷积层与池混合层。最重要的块,CNN是卷积层。输入数据经过一系列的卷积与过滤层(内核)。数据与过滤器的卷积生成一个特征映射,将信息与数据过滤器。多个过滤器应用于输入数据得到一堆卷积的特征图谱,成为最终的输出层。过滤器是在培训过程中学习的价值。卷积操作捕捉当地的依赖关系信息或语义在原始数据的区域。 An additional activation function like a rectified linear unit is applied to feature maps to add nonlinearity to CNN. After the convolution process, a pooling layer reduces the number of samples in each feature map and holds the most important information. The pooling layer decreases the training time and reduces the dimensionality of data and overfitting by using a pooling function. The most common type of pooling function is called max pooling that finds the largest value in a specified neighborhood window. CNN architectures contain a sequence of convolutional layers interleaved with pooling layers, followed by a number of fully connected layers.

3.3.8。递归神经网络(RNN)

RNNs建模顺序数据的强大工具。一个RNN隐藏的状态是一个函数的所有以前的隐状态反复网(22,56]。RNN输出不仅取决于当前的输入还取决于任何过去的信息保留在隐藏状态。RNNs不同于诸如CNN的前馈网络的反馈循环,使过去的决策信息保存在网络。RNNs遭受梯度爆炸问题。当有序列数据的长期依赖,RNNs学习过去的数据有困难。梯度下降过程中这些问题发生在训练时,在许多层梯度被传回。因为连续的矩阵乘法来自更深层,小值缩减指数和消失。这叫做消失梯度问题,使模型无法从数据序列进一步回来。另一方面,当有大的重量值来自更深层,他们变得更大,因为连续的矩阵乘法和去NaN值在培训和事故学习的模型。这被称为梯度爆炸问题。 To deal with exploding problems, several methods like gradient clipping or appropriate activation functions can be used.

3.3.9。长期短期记忆网络(LSTM)

另一个流行和广泛使用的解决方案是利用长期短期记忆网络(LSTMs)变体的RNNs为了解决梯度消失/爆炸RNNs问题[57,58]。LSTM维护错误backpropagate通过深层和继续学习在许多时间步骤。基本上,LSTMs开发获取长途在序列数据依赖关系。LSTMs保存上下文的语义信息和存储长数据之间的依赖关系。LSTM利用特殊的记忆细胞或单位来存储信息在长期依赖上下文。每个LSTM单元包括输入、忘记了盖茨和输出控制部分信息记住,忘记,并传递到下一个步骤。LSTM单位决定,什么商店,当允许阅读,写作,和删除通过盖茨通过或通过LSTM单元块信息。

4所示。实验结果

在这项研究中,综合实验进行分析用户使用传统的机器学习算法的神经回路条件和深度学习模型。为了展示我们工作的贡献,精度,精度,召回,F-measure受聘为评价指标的实验。我们雇佣数据集训练过程的67%,剩下的部分是测试数据。广泛使用的10倍交叉验证与5×2方法应用于数据集。在这种方法中,数据集随机分成两半。剩下一部分是用于培训和测试,反之亦然。反复这个过程应用五次,。那里,10测试的预测准确性和其他措施实现为每个数据集和每个模型。精度结果位于表的平均10估计模型。

在深度学习部分,亚当优化(25)学习速率为0.0001。双曲正切的非线性激活函数是用于实验。缓解过度拟合的问题,辍学(26应用和设置为0.5。7层的数量调整,时代的数量设置为100。深入学习算法,CNN, RNN和LSTM模型有7层。在CNN,第一个是一个输入层。第二层是卷积与64过滤器的内核层大小是3。第三层是max-pooling层的最大池大小2。第四和第五层是一样的第二个卷积层和三层,分别具有相同特征。第六层是接触层与16个神经元。最后一层是softmax 5层神经元的输出。在RNN模型中,第一层是一个输入层。 It is followed by the implementation of RNN with 2 Simple RNN layers each with 32 RNN cells followed by 2 time distribute dense layers for 5 class classification. Dropout [26]利率完全连接层设置为0.5。切激活函数用于最后一层。在LSTM模型中,第一层是一个输入层。这是紧随其后的是实施LSTM 2层32 LSTM细胞随后两次分配的致密层五级分类。完全连接的辍学率层设置为0.5。切激活函数用于最后一层。深度学习模型,Moolayil [27图书馆是用于实验。传统分类算法,RBF(径向基函数)核函数是用于SVR。在“标准”DT,参数设置为均方误差。射频、“n_estimators”参数设置为4。这将创建4 DTs在RF算法。在MNB,参数设置为α= 1.0,class_prior = none, fit_prior = true。其他参数为每个传统的分类算法在sklearn设置为默认值,因为它们是预定义的库。

缩写词表和解释中提到的用于传统的机器学习算法和深度学习模型如下:MNB:多项朴素贝叶斯、射频:随机森林,SVR:支持向量回归,DT:决策树,说:决定集成策略,FFNN:前馈神经网络,有线电视新闻网:卷积神经网络,RNN:递归神经网络,LSTM:短期记忆神经网络。最好的精度结果为每个用户获得用粗体表示。

作为第一步,两传统机器学习算法的分类性能和深度学习方法方面分析了每个用户表中给出4和5,分别。实验用两种不同的方法进行。在第一种方法中,每个用户数据中孤立和评估算法。的数据有365行,一行数据为每个用户创建的每一天。物理和神经回路参数为用户记录在每一行。总结,对训练集和测试集获取每个用户自己的数据和处理在第一种方法相互独立。

在表4,传统的机器学习算法和决策的准确性百分比集成策略的每个用户。很明显观察到的平均分类精度DT是表现最好的机器学习算法的准确率达到了77.87%的结果。此外,DT展品分类性能优于72.18%的准确率的DIS竞争成功,通过提高该系统的成功。它与60.02%,紧随其后的是射频SVR 41.71%, MNB 28.25%。穷人MNB展品分类性能等有28.25%的精度值。从根本上讲,朴素贝叶斯算法假定所有功能是条件独立的。当参数在某种程度上依赖对方,贝叶斯算法可能会给贫穷的结果如MNB的分类性能。在这个工作中,参数收集,尤其是物理,相互依赖。我们认为MNB表现不佳的原因是依赖的特性。MNB特性独立时表现更好。 DT is the best performer because features in this study are dependent each other. As listed in Table4,成功的顺序分类总结如下:DT >说> > SVR > MNB射频。

在表5深度学习的准确性比例模型的每个用户。我们打算演示深层神经网络的分类能力和比较他们的表演与传统FFNN通过实现FFNN, CNN, RNN, LSTM。深度学习方法中,CNN非常展品分类成功79.06%的准确性。此外,CNN优于其他深度学习模型同时FFNN展品最穷的分类性能以69.03%等学习方法。此外,LSTM保持大约7%的成功改进考虑FFNN尽管RNN提供近5%增强而FFNN的分类性能。因为它是在桌子上5,性能的神经网络学习模型抽象如下:CNN > LSTM > RNN > FFNN。从更广泛的角度来看,两个深度学习的分类性能模型和传统的机器学习技术如下:CNN > DT > LSTM > RNN >说> FFNN >射频> SVR > MNB。同样,最好和最差的分类性能是通过CNN 79.06%的准确性和MNB 28.25%的准确性,分别。令人惊讶的是,DT相当竞争时77.87%的平均精度分类深度学习的成功模型。LSTM次之,占76.12%,与74.86%,RNN说72.18%,FFNN 69.03%、射频与60.02%,SVR与41.71%,准确性和MNB 28.25%的平均值。

在第二个方法中,假设所有用户可能有类似的特征相似的身体/神经回路和情感状况没有任何用户之间的差异。因此,所有用户数据结合测试这种假设通过构造一个大的单一数据集。之后,数据集分为两部分:数据集训练数据的33%,剩下的部分是测试数据。在表6、准确性、F测量、精度和召回所有用户数据的结果与传统的机器学习算法和深度学习模型。深度学习的成功分类模型和传统的机器学习技术当所有用户数据被用来代替single-user-based数据如下:CNN > DT > LSTM > RNN >说> FFNN >射频> SVR > MNB。CNN优于其他算法评估时准确率达到了84.31%。除了CNN, DT, RNN展览提高大约5%与第一种方法相比。有性能提升16%的SVR算法在分类方面的成功,而最低改善分类性能是观察与射频近2%在第二种方法。甚至MNB成功的分类是最糟糕的展品近3%的改善。这是紧随其后的是FFNN增强和LSTM近4%,说有近6%比例第一种方法的改善。列在表6,很明显观察到DT相当竞争力相比有82.03%的准确度与深度学习算法的分类成功。也可以得出结论:最好的三个分类深度学习模型获得的成功除了DT和说。令人惊讶的是,DIS和射频时表现出较差的分类性能较深学习算法。因为它是观察表6,使用传统的机器学习算法MNB SVR有不利,因为他们的分类精度较低。此外,CNN展览成功最好的分类评价指标见表6。重要的是要强调,82.57%的精度在所有机器学习算法和深度学习模型支持CNN模型的精度的结果。CNN模型表示的精度值时,尤其是相对于其他深度学习模型。这意味着它是更方便选择CNN模型构造分类模型对情绪检测。即使比第二个表现最好的精度(DT), CNN算法展品在3%和4%之间更多的增强系统性能。这个性能代表也在其他评价指标方面相似的结果。相比,第二个最好的成功模型DT, 2%进步由CNN提供准确性和f-measure指标而相同的模型显示,1%更提高召回结果相比,第二个最好的成功的模式说。由于表6,CNN模型的使用,不管使用的评价指标,大大提高了系统性能检测为目的的情绪。

表7显示相关的比较研究。我们评估的一些研究使用常规机器学习算法和深度学习算法。每一行代表一个研究。资源领域表7表明研究中使用的类型参数。给出相应的算法和精度值为每一个研究。几个算法被用于相关研究。表7也给一般的角度对算法的性能。线性判别分析(LDA)、统计分析、支持向量机(SVM)算法,朴素贝叶斯(NB),再邻居(事例)和人工神经网络(ANN) /深度学习- (DL)选择算法为基础的比较。

新奇的研究是使用神经回路参数和物理参数。使用神经回路参数来源于击键模式。大多数的研究在文献中使用物理参数而不是神经回路参数。神经回路参数不稳定,测量的困难。我们相信,我们找到了一种方法来消除这种困难使用击键模式和情感嵌入问题。比较传统的机器学习算法和深度学习算法是我们研究的另一个新奇。表4和5显示每个算法的准确性与相同的数据集。表7表中给出了一个比较研究。

最后2行表7我们的研究显示了算法的性能在传统机器学习和深度学习算法。的图形演示给出图的精度值7。

5。结论

在这项研究中,我们开发了一个模型对情感分析的用户通过收集许多参数传感器。这些参数被分组为物理和神经回路。的身体和神经回路从传感器获取的信息的移动设备和键盘的用户模式。数据收集时间长,数据收集前的用户培训阶段。击键模式测量输入作为神经回路参数而睡眠质量,能源、移动/运动和心脏脉冲输入系统的物理参数。传统的机器学习算法和深度学习方法为了情感/情绪的用户进行分类。深度学习技术有能力解决给定问题端到端没有许多预处理步骤,而传统的机器学习技术需要一些预处理步骤,将问题分解成不同的部分,然后进一步处理的结果部分在稍后的阶段。深度学习的另一个优点是它的更好的能力比传统的机器学习算法从数据前,需要领域专家和准备。是说在前面的小节中,我们观察到与CCN深学习算法更好的结果。

我们所知,这是第一次尝试分析用户使用神经回路的情感信息的用户丰富的物理信息。预测用户的情绪,前馈神经网络(FFNN)卷积神经网络(CNN),递归神经网络(RNN)和长期短期记忆神经网络(LSTM)是采用深度学习的方法,而多项朴素贝叶斯(MNB),支持向量回归(SVR),决策树(DT),随机森林(RF),决定集成策略(DIS)应用传统的机器学习算法。为了分析该模型,收集数据集与智能设备和键盘的使用从用户获得的计时信息。实验结果表明,使用深度学习方法和物理和神经回路参数的组合增强系统的分类成功预测灵敏度/心情或情绪状态的用户。特别是,CNN展品突出分类成功。我们得出结论的研究物理和神经回路参数是用户的情绪状况密切相关。当情绪改变时,用户的身体给新形势下的反应,可以观察到这种变化通过测量物理/神经物理参数。实验结果也证实了这一点物理和神经回路参数之间的联系。

尽管有重大贡献,拟议的框架有一些局限性。困难的部分本研究发现受试者,因为没人想要一年的主题研究通过责任。15人来自学术界和商界作为志愿者,发现几乎没有。其次,培训的主题是一个艰难的过程。花了一个月的课程获得使用给定的应用程序的习惯。实验中使用的CPU因为体积小的数据集。使用GPU可以被看作是一个选项,当用户数量的增加。作为一个未来的工作,我们还计划丰富本研究采用情绪分析的用户将获得文本在社交媒体平台。除此之外,我们还打算执行决定集成战略深度学习方法为了比较他们决定传统机器学习算法的集成策略。

数据可用性

本研究资料收集的用户作为这项研究的一部分。因此,如果要求他们可以共享。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

引用

1. h . Yasuura k . Chong-Min y刘,杨绍明。关铭林,智能传感器在物联网前沿激飞国际出版公司,柏林,德国,2017年。
2. c·约瑟夫·f·p·迪恩,美国安德森,“情商温和派压力和心理健康之间的关系,“个性与个体,32卷,不。2、2002。视图:出版商的网站|谷歌学术搜索
3. r·乔伊斯和g·古普塔“身份验证基于击键延迟,”ACM的通信,33卷,不。2、168 - 176年,1990页。视图:出版商的网站|谷歌学术搜索
4. s . Bleha基于击键力学的识别系统博士论文密苏里大学,哥伦比亚大学,密苏里州,1988年。
5. s . Bleha c Slivinsky, b .该镇实行“电脑安全系统使用击键力学,”IEEE模式分析与机器智能1990年,12卷,p。12日。视图:出版商的网站|谷歌学术搜索
6. f . Bergadano d Gunetti, c . Picardi“用户身份验证通过击键力学,”ACM交易信息和系统安全,5卷,不。4、367 - 397年,2002页。视图:出版商的网站|谷歌学术搜索
7. d .歌曲,p .小学,p .艾德里安,“用户通过按键延迟模式分析r1ecognition”, 1997年,http://www.ece.cmu.edu/ adrian /项目/按键/∼。视图:谷歌学术搜索
8. f . Monrose和a·鲁宾,“身份验证通过击键力学”学报第4 ACM关于计算机和通信安全的会议苏黎世瑞士,1997年。视图:谷歌学术搜索
9. f . Monrose公元鲁宾,“击键力学作为身份验证的生物。”未来一代计算机系统,16卷,不。4、351 - 359年,2000页。视图:出版商的网站|谷歌学术搜索
10. f·j·古铁雷斯,l . r . Salgado-Garza f·j·坎图和j·弗朗西斯科,“生物统计学和数据挖掘:比较的数据具有身份验证,击键力学方法”2002年MICAI:先进的人工智能卷,2313年,第469 - 460页,2002年。视图:出版商的网站|谷歌学术搜索
11. m . s . Obaidat和b . Sadoun仿真评价研究神经网络技术计算机用户识别、”信息科学卷,102年,第258 - 239页,1997年。视图:谷歌学术搜索
12. A . s . Anagun i Cin,“基于神经网络的计算机访问安全系统对多个用户,”计算机与工业工程,35卷,不。1 - 2、351 - 354年,1998页。视图:出版商的网站|谷歌学术搜索
13. o . Guven s Akyokus m . Uysal, a . Guven“增强密码身份验证通过按键输入特征,应用人工智能国际会议和应用程序,因斯布鲁克,奥地利,2007年2月。视图:谷歌学术搜索
14. f . Monrose m . k . Reiter,吉姆,”密码硬化基于击键力学,”国际期刊的信息安全,1卷,不。2、69 - 83年,2002页。视图:出版商的网站|谷歌学术搜索
15. 答:Guvenİ。Soğukpınar,理解用户的击键模式计算机访问安全,爱思唯尔电脑&安全、荷兰阿姆斯特丹,2003年。
16. p·卡纳和m . Sasikumar”从键盘中风模式识别情绪。”国际期刊《计算机应用(0975 - 8887),11卷,不。9日,2010年。视图:谷歌学术搜索
17. r·盖恩斯w . Lisowski、美国媒体和n .夏皮罗身份验证通过击键时间:一些初步结果兰德公司,圣莫尼卡、钙、美国1980年兰德众议员r - 2560 nsf。
18. m . Hatt c . Parmar j . Qi, i . El Naqa“机(深)学习图像处理方法和radiomics,”IEEE辐射和等离子体医学科学,3卷,不。2、2019。视图:出版商的网站|谷歌学术搜索
19. f·塞巴斯蒂亚尼”,在自动文本分类、机器学习”ACM计算调查,34卷,不。1,1-47,2002页。视图:出版商的网站|谷歌学术搜索
20. c . Vondrick h . Pirsiavash, a . Torralba“预期从无标号视频视觉表示,”《IEEE计算机视觉与模式识别会议(CVPR)美国拉斯维加斯,NV, 2016年6月。视图:谷歌学术搜索
21. k . Giannakaki g . Giannakakis c . Farmaki诉Sakkalis,“情感状态识别脑电图数据,使用先进的机器学习技术”学报2017年IEEE 30日国际研讨会以计算机为基础的医疗系统(cbm)2017年6月,希腊塞萨洛尼基。视图:谷歌学术搜索
22. z . c .立顿、j·伯科威茨和c·埃尔坎”的复发性神经网络评论序列学习,”2015年,https://arxiv.org/abs/1506.00019。视图:谷歌学术搜索
23. 恩斯s、e . s . Mezzacappa和e . s . Katkin“心跳检测和情感的体验,”认知和情感,14卷,不。3、417 - 427年,2000页。视图:出版商的网站|谷歌学术搜索
24. n .杰奎斯泰勒,e . Nosakhare a .佐野和r·皮卡德,“多任务学习预测健康、压力和快乐,”会议的程序在神经信息处理系统中,少量的车间西班牙,巴塞罗那,2016年。视图:谷歌学术搜索
25. d . p . Kingma和j . Lei英航“亚当:随机优化方法,”学报(ICLR)学习国际会议上表示美国圣地亚哥CA, 2015年5月。视图:谷歌学术搜索
26. j·兰伯特、欧森和s . Savarese“深度学习在使用异方差的辍学生,特权信息”《IEEE计算机视觉与模式识别会议(CVPR)美国盐湖城,UT, 2018年6月。视图:谷歌学术搜索
27. j . Moolayil学习Keras深层神经网络书,然后,纽约,纽约,美国,2019年。
28. f . Agrafioti d . Hatzinakos和a·k·安德森,“情感检测心电图模式分析,”IEEE情感计算,3卷,不。1,第115 - 102页,2012。视图:谷歌学术搜索
29. Katsigiannis和n .拉姆赞•“梦想家:情感识别的数据库通过脑电图和心电图信号从低成本现成的无线设备,“IEEE生物医学和卫生信息学杂志》上,22卷,不。1,第107 - 98页,2018。视图:出版商的网站|谷歌学术搜索
30. n .拉米雷斯l·a·帕迪拉·d·g .孔特雷拉斯,r . Montelongo“生理反应与古典音乐的心率,”学报》第15届国际会议上电气工程,计算机科学和自动控制(CCE)2018年9月,墨西哥城,墨西哥。视图:谷歌学术搜索
31. j . Anttonen诉Surakko,“情感和心率坐在椅子上,“学报SIGCHI会议上人为因素在计算系统(CHI 05),页491 - 499,德国慕尼黑,2005年4月。视图:谷歌学术搜索
32. r·哈珀和j .南方,”贝叶斯深度学习框架的端到端预测情感的心跳,“2019年,https://arxiv.org/abs/1902.03043。视图:谷歌学术搜索
33. m . t . v . Yamuza j . Bolea m . Orini·拉古纳和c . Orrite“人类情感特征通过心率变异性分析指导下呼吸,”IEEE生物医学和卫生信息学杂志》上,23卷,2019年。视图:谷歌学术搜索
34. l . j .朱霁,c .刘“心率变异性监视情感和情绪障碍,”生理测量,40卷,不。6、2019。视图:谷歌学术搜索
35. j·m·密尔兹·j·l·鲍尔和c·a·阿尔法诺,“可怜的睡眠和情绪失调调节抑郁之间的关系和年轻成年女性经前症状,”女性的心理健康档案2019年,卷。29日。视图:谷歌学术搜索
36. a·拉赫曼a Gumley,洗劫一空,“睡眠质量和偏执:述情障碍的作用,消极情绪和知觉异常,“精神病学研究卷,259年,第222 - 216页,2018年。视图:出版商的网站|谷歌学术搜索
37. 和s d·r·Garett s Liu年轻,“社交媒体使用和睡眠质量的关系在本科生中,“信息,沟通与社会,19卷,2016年。视图:谷歌学术搜索
38. n . b . Becker, s . n . de耶稣,j . n .望厦宾馆,c, d . Stobaus m . Guerreiro和r . b . domingue“抑郁症和老年人的生活质量:中介效应的睡眠质量,”国际临床和健康心理学杂志》上,18卷,不。1,2018。视图:谷歌学术搜索
39. 大肠璧,t . Tanabiki,岩田聪,k .安和j . Hayano”检测的日常情绪的可穿戴式生物传感器,”IEEE学报》1日全球生命科学与技术会议,大阪,日本,2019年。视图:谷歌学术搜索
40. Broadbent j·海克福特,a·麦基和大肠,“走路姿势的影响在情感和生理上的压力,”行为疗法和实验精神病学杂志》上卷,62年,第87 - 80页,2019年。视图:出版商的网站|谷歌学术搜索
41. g .风险h . Kadone t, j . Grezes a . Berthoz和h . Hicheur“人体步态识别情感传达,”国际社会机器人技术杂志》上》第六卷,没有。4、2014。视图:出版商的网站|谷歌学术搜索
42. c . Diamantini a Mircoli, e . s . DomenicoPotena“社会信息发现增强了情感分析技术”,未来一代计算机系统,95卷,2019年。视图:出版商的网站|谷歌学术搜索
43. m . m . Madbouly r . Essameldin, s .达尔维什”修改模糊情感分析方法基于用户排名适合在线社交网络,”《国际先进的智能会议系统和信息卷,1058年,页340 - 349,开罗,埃及,2019年10月。视图:谷歌学术搜索
44. b . g . Priya Emoji情绪分析使用资讯为基础,“国际期刊的科学研究和审查,7卷,不。4、2019。视图:谷歌学术搜索
45. b . Liu“情绪分析和主体性,”决策支持系统53卷,2010年。视图:谷歌学术搜索
46. 使用苹果产品Spesification”,观察心律失常检测,”2018年,https://www.apple.com/healthcare/site/docs/Apple_Watch_Arrhythmia_Detection.pdf。视图:谷歌学术搜索
47. k·l·克努森,j·费兰和m . j . Paskow”国家睡眠基金会的睡眠健康指数”,美国国家睡眠基金会杂志》上,3卷,不。4、234 - 240年,2017页。视图:出版商的网站|谷歌学术搜索
48. k .方面和g . Aghila”,天真的调查在文本文档分类、贝叶斯机器学习方法”国际计算机科学与信息安全》杂志上,7卷,不。2、2010。视图:谷歌学术搜索
49. 诉Vapnik,统计学习理论威利,纽约,纽约,美国,1998年。
50. j·r·昆兰“决策树归纳”,机器学习,1卷,不。1,第106 - 81页,1986。视图:出版商的网站|谷歌学术搜索
51. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
52. t·s·科特,“C4.5算法和多变量决策树,”2013年,https://www.researchgate.net/profile/Thales_Koerting/publication/267945462_C45_algorithm_and_Multivariate_Decision_Trees/links/5475b99b0cf29afed612b236/C45-algorithm-and-Multivariate-Decision-Trees.pdf。视图:谷歌学术搜索
53. n . Liu和h·王,“基于整体的极端的学习机器,”IEEE信号处理信件,17卷,不。8,2010。视图:出版商的网站|谷歌学术搜索
54. w·麦克洛克和w·皮特,”一个逻辑微积分思想内在的神经活动,“通讯的数学生物物理学,5卷,不。4、115 - 133年,1943页。视图:出版商的网站|谷歌学术搜索
55. x z . w . Liu Wang Liua:曾,y Liuc,和f . e . Alsaadi“深层神经网络体系结构及其应用的调查,“Neurocomputing,卷234,p . 2017。视图:出版商的网站|谷歌学术搜索
56. j·l·Elman,“及时发现结构,”认知科学,14卷,1990年。视图:谷歌学术搜索
57. k·Greff, r·k·斯利瓦斯塔瓦j . Koutnik b . r . Steunebrink,的和j。施密德胡贝尔表示“LSTM:搜索太空漫游”,IEEE神经网络和学习系统2017年,卷。28日。视图:谷歌学术搜索
58. d·肯特和f·m·萨勒姆”性能的三个苗条的变体长期短期记忆{(LSTM)}层,”临床骨科和相关研究,525卷,2019年。视图:谷歌学术搜索
59. j . a . Miranda-Correa m . k . Abadi n·瑟和佩特雷,“朋友:一个数据集的影响,人格和情绪对个人和团体的研究,”2017年,https://arxiv.org/abs/1702.02510。视图:谷歌学术搜索
60. h··t·Seppanen,大肠Alasaarela”比较特性从心电图模式与HRV分析情感识别系统,”IEEE国际年会在生物信息学和计算生物学计算智能(CIBCB 2016),页1 - 6,清迈,泰国,2016年。视图:谷歌学术搜索
61. r .萨勃拉曼尼亚j . Wache m . k . Abadi et al .,“确定:情感和个性识别使用商业传感器,”IEEE情感计算,9卷,不。2、147 - 160年,2018页。视图:出版商的网站|谷歌学术搜索
62. h·w·郭、黄y s c·h·林k . Haraikawa j . c .简,和j·s . Shieh“心率变异性信号特征的情感识别使用主成分分析和支持向量机,”《2016年IEEE 16生物信息学和生物工程国际会议上,BIBE2016年10月,台中,台湾,。视图:谷歌学术搜索
63. g . Valenza l .花旗a Lanat´a, e p•希灵戈认罪入狱,后者曾和r .巴比里,“实时情感反应:个性化评估心跳动力学的基础上,“科学报告4卷,1-13,2014页。视图:出版商的网站|谷歌学术搜索
64. a .翅果l .戈尔韦r键,和h·王,“情感状态检测通过面部表情分析人机交互上下文内,“环境智能和人性化计算杂志》上,10卷,不。6、2019。视图:谷歌学术搜索
65. e . Kanjo e·m·g·尤尼斯,c . s .盎”深度学习分析移动生理,情感环境和位置传感器数据检测,”信息融合卷,49 46-56,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019希拉尔泽Kilimci et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。