Сочинение на тему Сигналы PPG, исследованные в распознавании 14 аффективных состояний

Таблица 2 показывает сравнительные результаты предлагаемой структуры с исследованиями по автоматическому распознаванию эмоций с использованием сигналов PPG. Verhoef и соавт. (2009) использовали морфологические индексы PPG и GSR для проектирования распознавания эмоций. Для GSR число ответов означает амплитуду, среднее время нарастания и среднюю энергию ответов. Для PPG были рассчитаны вариабельность сердечного ритма (ВСР), средний интервал между биениями (IBI), стандартное отклонение IBI и средняя амплитуда IBI. Используя статическую байесовскую сеть, наибольшая эффективность в 60% была отмечена в классификации по 7 категориям эмоций. Koelstra et al. (2012) исследовали мультимодальные сигналы DEAP 32 субъектов для классификации категорий валентности и возбуждения. Они подали спектральную асимметрию мощности в четырех полосах ЭЭГ в Фишер и Наив Байеса. Эмоции на основе валентности и возбуждения были классифицированы с коэффициентом 57,6 и 62% соответственно. Парк и соавт. (2013) использовали сигналы ST и PPG 5 добровольцев для классификации счастья и грусти. Временной интервал между двумя последовательными пиками PPG и амплитудой ST был добавлен SVM. Сообщалось, что показатель точности ST составил 89,29%, уровень распознавания PPG составил 63,67%, а комбинированная особенность привела к наивысшему уровню распознавания – 92,41%. Схема распознавания эмоций была предложена Li et al. (2014) с использованием статистических характеристик ЭКГ, ГСР и ППГ. MLP смог распознать 4 категории эмоций с самым высоким показателем 78,06%. Недавно Хан и Лево (2016) использовали готовую платформу для PPG и GSR. Они протестировали два классификатора, включая дерево решений (J48) и IBK, чтобы классифицировать 8 классов эмоций. Максимальная точность была около 92%.