导读:本文包含了情感计算论文开题报告文献综述及选题提纲参考文献，主要关键词:情绪识别电路,情感计算,基音周期,电路设计
情感计算论文文献综述
郭颖奇,付佳,何飞,何凌,莫思特[1]（2019）在《基于语音情感计算的情绪识别电路研究与设计》一文中研究指出研究利用人类语音相关特征参数会随人类情绪波动的特点,设计一种能够通过语音识别进行语音情感计算,从而分析出人的情绪变化的电路。根据语速变化时汉字的浊音部分基音频率也会发生变化,且浊音部分语音具有基音周期的特点,综合设计出能根据语音信息进行情感计算的硬件电路系统。设计过程中利用Matlab处理与分析语音信号,使用Multisim进行电路的仿真。电路充分考虑了信号处理各个模块的鲁棒性,能有效捕捉、判断人的情绪状态并通过报警装置进行情绪提醒,为后续医学信息相关实验的开展提供了硬件基础。(本文来源于《现代电子技术》期刊2019年22期）
胡召亚,张顺香[2]（2019）在《基于关键句提取的中文微博情感计算》一文中研究指出中文微博中存在语句复杂、篇幅较长,导致部分语句对情感分析引起误导,本文提出了一种基于关键句提取的中文微博情感计算的方法。首先,将情感属性、位置属性、关键特征词属性作为考量对象进行关键句抽取得到微博关键句;其次,利用多规则方法,即句型规则与句间关系规则,从词语级到句子级,计算微博关键句的情感倾向值;最后,对整篇微博的关键句进行求和,并考虑表情对情感分析的影响,与之加权计算微博的情感倾向。实验证明了该方法的有效性。(本文来源于《阜阳师范学院学报(自然科学版)》期刊2019年03期）
孙本旺,田芳[3]（2019）在《基于深度学习算法的藏文微博情感计算研究》一文中研究指出针对藏文文本情感计算研究,将CNN-LSTM深度学习模型引入到藏文微博情感计算,弥补了少数语言自然语言处理研究的缺乏,对藏文研究具有一定的推动作用。针对藏文语料的不公开,通过藏文同反义情感词典对标注好的藏文微博语料中情感词汇的同反义词进行替换,进一步扩充了藏文微博语料,以适合深度学习对大数据语料的要求。藏文微博分词后,利用Word2vec工具训练出藏文微博词向量模型,提高特征向量对文本深层次语义信息的表达;然后,将训练好的词向量和对应的情感倾向标签直接引到由卷积层、池化层、LSTM层、全连接层等构成的CNN-LSTM模型,在每一层的输出做归一化处理;最后经过Softmax分类器对藏文微博进行情感倾向分类,并与LSTM以及传统的情感词典做了实验对比。结果表明,该算法获得了较好的分类效果。(本文来源于《计算机技术与发展》期刊2019年10期）
王峰[4]（2019）在《人工智能的情感计算如何可能》一文中研究指出只有人工智能出现,情感计算的讨论才具有合理性。在前人工智能时代,情感是整体性的,无法计算,但通过可计算的发展,人类必然能够创造出具有复杂情感反应的人工智能系统。人的情感与人工智能情感是两种情感系统,其理论机制完全不同。这里区分情感反应和内在情感机制,两种情感系统可以比对的部分是情感反应,但作为结果的情感反应的一致性并不导向情感机制的一致性。在人的情感系统当中的神秘质素,在人工智能情感系统当中没有任何用处。从人的情感系统转换到人工智能情感系统,既是技术的进步,也是系统性的概念转换。这一点对于理解情感计算至关重要。(本文来源于《探索与争鸣》期刊2019年06期）
刘文强[5]（2019）在《基于EEG情感计算的民族认同感量化研究》一文中研究指出少数民族的民族认同感研究对增加少数民族聚集地的社会稳定和加快经济发展,存在越来越重要的作用。而传统的民族认同感研究主要是采用问卷、走访以及座谈等方式进行分析民族认同问题,但是被调查对象往往为了迎合调查意图、遵从社会评价标准、掩盖个人隐私等各种原因不说实话,用这种方式测量的数据真实性需要考证。因此,本论文,尝试采用脑电信号EEG情感计算的方式来对少数民族的民族认同感进行量化研究。基于脑电信号的情绪计算研究,在越来越多的研究者的参与下,脑电信号的情绪识别取得了良好的效果。而且基于脑电信号的情绪识别和少数民族的民族认同感之间都是根据认同度来进行分析的,因此,使用EEG信号分析民族认同感是可行的。本论文主要进行了如下研究:首先对脑电信号情绪识别与民族认同感之间的关联性就行了分析,根据《少数民族大学生的民族认同研究》问卷中的问答式改编为图片与蒙族文化认同方面的相似性,设计了一套民族认同感的图片刺激材料问卷系统,从而最终制作出民族认同感测试情绪刺激材料库。此外,从国际情感图像系统中,根据愉悦程度和觉醒程度选择积极情绪和负性情感图片,制作一系列训练刺激材料。其次,对采集脑电信号主流的叁种实验范式:随机呈现、顺序呈现、独立呈现通过控制变量法进行了对比分析研究,均使用PCA进行脑电信号的特征提取和SVM进行情绪分类,通过对比,本论文选择顺序呈现的实验范式进行后续的民族认同感量化研究。最后,比较了脑电信号的特征提取方法和特征分类方法。特征提取方法比较了 PCA和CSP,特征分类方法对比了支持向量机SVM和卷积神经网络CNN,最后分别选取了共空间模型CSP作为本论文的脑电信号的特征提取方法,SVM作为本论文的脑电信号的特征分类方法。经过以上几个部分分析研究,分别确定了民族认同感的图片问卷,并制作了刺激材料;确定了本论文最终要选择的脑电信号的特征提取和特征分类方法,也使得本论文最终确定民族认同感量化模型的设计。通过本论文确定的情感识别模型,经模型分析最终可以发现本文所采用的情绪识别模型,模型训练准确率维持在一个较高的水平,平均准确率为91.54%,与之所得到的民族认同感量化结果为83.44%。民族认同感量化模型中,模型训练准确率的方差为0.00438,在一个较低的数值,也能说明该系统的可靠性。训练完模型之后,得到的民族认同感准确率(即认同率)方差也仅为0.0195。这说明了本论文设计的基于EEG情感计算的民族认同感量化系统取得了不错的效果,基于EEG的情感计算可以应用在民族认同的研究中。(本文来源于《中央民族大学》期刊2019-05-20）
路遥[6]（2019）在《基于深度学习的情感计算若干问题研究》一文中研究指出近年来人机交互领域进展卓越,若实现自然人机交互,必须赋予计算机识别人类情绪的能力。目前脑电信号(Electroencephalogram,EEG)的研究已经越来越成熟,许多机器学习和模式识别算法被应用到基于EEG的情绪识别中,但情绪的产生是一种复杂的认知活动,情绪产生机理和过程还在研究中。此外面部表情也可以准确表征情感,具有丰富的特征且易于采集,表情或可用来与脑电信号共同完成更有针对性的情绪分类与识别任务,从而实现人机和谐交互。综上所述,将脑电信号应用于情感计算有着广阔前景,若使用表情信息辅助脑电信号共同支撑情绪识别任务,或将提高仅基于脑电信号进行情绪分类的单模态算法准确性。本文的主要工作如下:在设计可有效诱发积极、消极情绪的多媒体刺激材料的基础上,采集被试包含积极、消极情绪的脑电样本并同步记录其表情数据,对原始脑电信号进行预处理。并基于实验采集的表情数据建立表情识别系统Model-Facial,通过Model-Facial确定表情变化首末关键帧并完成面部表情的实时检测任务。本文建立脑电信号识别模块Model-EEG包含四个模型:WT-LSTM模型通过小波变换从EEG信号中提取四种小波特征,将上述特征输入到基于LSTM的情绪分类模型进行情绪识别,筛选出在情绪识别问题上与LSTM网络适应性最强的脑电特征。ALL-LSTM模型将预处理后的全量EEG信号输入基于LSTM的情绪分类模型进行情绪识别,平均分类准确率相较WT-LSTM模型提升13%,实验说明LSTM网络充分学习脑电信号的时序特性,可直接用于预处理后的EEG数据。模型的设计思想适用于分析非平稳时间序列,也为基于非平稳时间序列的分类问题提供解决思路。Facial-LSTM模型参照表情识别系统计算的表情变化首末关键帧,以此为起始点与结束点剪裁脑电数据,将剪裁后脑电数据输入基于LSTM的情绪分类模型中进行情绪识别,识别率相较ALL-LSTM模型提升3%,说明表情模态有助于删除包含较少甚至没有情绪特征的EEG信号,提高基于EEG的单模态情绪识别准确率。Facial-Bi-LSTM模型则是将通过表情变化首末关键帧剪裁后的脑电数据输入双向长短时记忆单元(Bi-directional LSTM,Bi-LSTM)模型中进行情绪识别,识别率和稳定性均劣于Facial-LSTM模型。考虑到脑电信号具有较强时序性,Bi-LSTM模型将脑电信号反向特征与正向判定的脑电信号融合后反而会对情绪识别造成干扰。综合以上实验结果,情绪识别效果最好的为Facial-LSTM模型,在8位被试上的平均分类准确率为89.42%。说明LSTM可充分学习EEG信号的时序特性,且表情变化时刻对定位情绪产生的时刻起参考作用。(本文来源于《中央民族大学》期刊2019-05-20）
董骁阳[7]（2019）在《基于属性挖掘的树形结构情感词典在情感计算问题中的研究》一文中研究指出情感计算是计算机技术领域中一项新兴的研究方向,人们在这一方向进行了大量的研究,情感计算的目的是让计算机也能够像人类一样去理解情感。目前情感计算最常用的方法就是基于情感词典的方法,但是目前普遍使用的几个情感词典都是一维的,它们只是简单地将情感词以及它的情感倾向性以链式的结构进行存储,但是同一个情感词在不同的评价对象类别或属性下可能会表现出不同的情感倾向性,这种情况是这些常见的情感词典无法解决的。为了解决这个问题,本文利用树形结构的特点提出了一种树形结构情感词典。在树形结构中同一个父结点下的子结点具有相似性,并且随着层次的加深和树分支的细化,这种相似性会变得越来越大;不同父结点下的子结点间的相似性很小,并且随着公共的祖先结点的减少,相似性会锐减。本文利用这个特点,将评价对象类别和评价对象对应的属性用树形结构存储,并将情感词添加到这个树形结构中,组成一个树形结构情感词典。这样在这个树形结构情感词典中每个情感词都对应一个属性或者评价对象类别,解决了同一个词在不同的评价对象或属性下可能会有不同的情感倾向性这个问题,并且由于在树形结构情感词典中每个子结点都是其父结点的一个属性或者一个子类别,父结点与子结点是包含的关系,所以每个结点都将它存储的情感词向它的父结点进行传递,这样就解决了在树形结构情感词典中对应属性或者评价对象下搜索不到情感词的问题。本文实验利用贝叶斯定理构建出一个具体的树形结构情感词典和一个链式结构情感词典,利用这个树形结构情感词典进行情感计算得到的结果与链式结构情感词典相比,在准确率上平均提升了9.78%;识别正向情感文本的精确度平均提升了10.40%,召回率平均提升了4.78%,F值平均提升了7.72%;识别负向情感文本的精确度平均提升了4.87%,召回率平均提升了20.84%,F值平均提升了12.99%。利用树形结构情感词典进行情感计算得到的结果优于传统的链式结构情感词典。本文的主要创新点是为了解决同一个情感词在不同的评价对象类别或属性下会表现出不同的情感倾向性的情况,提出了树形结构情感词典。本文重点研究了树形结构情感词典的构建和基于树形结构情感词典的情感计算这两大部分。在树形结构情感词典的构建部分,本文首先介绍了如何利用评价对象类别之间的关系构建一棵评价对象树,然后介绍了利用句法分析和关联规则的方法进行属性挖掘和情感词提取,最终构建了树形结构情感词典。在基于树形结构情感词典的情感计算这部分,首先介绍了在树形结构情感词典中搜索情感词的方法,然后介绍了如何判断情感词的情感倾向性,最后介绍了判断文本情感倾向性的方法。(本文来源于《吉林大学》期刊2019-04-01）
薄洪健[8]（2019）在《基于听觉脑认知规律的情感计算方法研究》一文中研究指出情感是人类认知活动的基本组成部分,良好的情感交互能够大大提升人机交互产品体验。人类获得情感的最重要的两个途径是:听觉与视觉。由于听觉系统结构的特点,听觉情感的发生机理、触发条件、影响因素、认知规律等基本问题尚未明确,还需要深入细致地进行探索。如何使计算机具有先进的情感处理能力,实现类脑智能,从而进行自然地人机交互是人工智能领域一个亟需解决的问题。目前音频情感识别方法大都基于统计或传统机器学习方法,缺乏听觉认知规律的指导,这极大地限制了听觉情感计算技术的发展。目前最有效、最直接的研究方法是从人脑情感系统的信息处理机制入手。因此,本文面对听觉情感处理的挑战,重点研究了听觉情感脑认知规律,结合声音信号与脑电信号的情感分析和识别方法,对听觉情感的认知规律和音频情感的计算方法展开研究。重点研究了听觉情感脑认知规律及分析方法,脑电信号(Electroencephalogram,EEG)的特征提取方法,基于脑电信号的情感状态识别方法,以及脑启发的音频情感识别等核心问题,主要研究内容包括:(1)针对缺少长时听觉情感认知分析方法的问题,提出了基于自动听觉事件检测的长时脑电成分分析方法和基于频带差异的长时脑地形图分析方法,从脑电信号本身出发,实现了对情感变化过程的动态描述。此外,精准的认知分析方法与实验范式是情感认知规律发现的前提。针对听觉诱发情感实验,提出了不同语义层次,不同时长的情感声音、音乐、语音的实验方法:针对短时声响和语音提出了改进的N-back实验范式;针对长时音乐,提出了“听前-听时-听后”的叁阶段情感诱发实验范式。最后,分别总结了发现的听觉情感认知规律,以及其应用场景。(2)针对传统特征提取方法无法消除脑电信号个体差异性的问题,提出了一种基于常数Q变换(Constant Q Transform,CQT)的脑电信号分析方法,引进了情感脑电频谱响应差异度(Emotional EEG spectral difference,EESD)来优化CQT频带划分。在复杂的实际环境中,所获得的脑电信号通常存在个体差异,如何准确有效提取脑电特征对情感脑电的分析有重要作用。为此,在脑电频带认知规律的基础上,提出了基于情感脑电频谱响应差异度EESD的情感个体差异计算指标,实现对个体差异的计算;同时,通过改进的CQT变换,对脑电信号的频谱差异进行精准的表达;通过EESD优化CQT变换,达到消除脑电信号个体差异的目的,从而提高情感状态识别率。在实验室采集的音乐调式诱发情感脑电数据以及公开数据集上进行了实验验证,结果表明本文方法比基线采用经典Welch方法得到的准确率分别提高约叁个和四个百分点,解决了个体差异精确提取的问题,能够更好的揭示情感脑电频谱分布的特点。(3)针对情感脑电信号特征提取的问题,提出了一种基于认知拓扑约束矩阵(EEG topology constraint matrix,TCM)的脑电信号公共空间模式(Common Spatial Pattern,CSP)特征优化方法。脑电信号包含的电极空间特征,只有通过高效的建模才能有效提取出来。CSP虽然能够提取脑电信号的空间信息特征,但多电极脑电信号含有大量的冗余信息,这些冗余信息会提高计算复杂性,降低识别率。针对CSP特征优化的问题,我们首先提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的CSP特征分析方法,利用CNN网络进行特征矩阵学习,对获得的全连接层权值矩阵进行分析,通过定义特征筛选准则,得到降维高效的EEG特征集。其次,根据人脑对情绪认知脑区分布差异规律,提出了情感拓扑约束矩阵量化指标TCM,将认知规律引入到CSP计算方法中,提出了基于拓扑约束保持的TCM-CSP计算方法,进一步缩小特征与情感类别之间的鸿沟。通过在公开库上的实验结果证明本文所提出的方法,能够有效地找到情感相关特征,提高脑电情感识别率。(4)针对情感计算研究缺少人类情感认知规律与计算模型的指导的问题,提出了基于脑启发γ分布的音乐情感计算方法。首先在听觉特征与情感响应的分析的基础上,提出了一种基于脑启发γ分布的情感计算方法,解决了对情感变化动态描述的问题,并应用在音频情感特征选择中,提高了情感拟合率。其次,考虑样本间情感的相对关系,提出了基于表征相异矩阵(Representational Dissimilarity Matrix,RDM)的情感特征分析方法,进一步从空间分布方面深入分析情感特征,并在此基础上,提出了基于Lasso回归的情感预测方法,实现了对听觉情感的预测和识别。本文针对听觉脑认知规律和情感计算方法的关键问题进行了深入细致研究,重点解决了听觉情感脑认知规律分析,基于认知规律的情感脑电信号特征提取、情感状态识别,以及基于认知规律的音频情感识别等核心问题,为各种认知信号处理奠定了坚实基础。同时,利用脑科学的认知规律作为情感计算模式识别方法的指导,并通过计算方法对认知规律进行印证,对相近领域具有重要启发意义。(本文来源于《哈尔滨工业大学》期刊2019-03-01）
崔夏霖[9]（2019）在《浅谈情感计算的发展与应用》一文中研究指出近年来,情感计算技术快速发展,已成为人工智能领域的研究热点。本文首先介绍了情感计算的发展历史及研究内容,之后对现阶段情感计算的具体的应用进行了论述,最后讨论了其面临的问题及未来发展。(本文来源于《中国新通信》期刊2019年03期）
窦金花,闫永蚕[10]（2019）在《基于情感计算的弱势群体情感交互Agent研究》一文中研究指出为面向弱势人群开发智能化和人性化的交互产品,分析了弱势群体的生理、心理特征与需求,归纳共性需求。基于情感计算技术,提出了面向弱势群体的情感交互Agent模型,并探讨情感交互Agent模型的应用领域。该研究可为弱势群体产品服务系统设计开发提供指导。(本文来源于《数字技术与应用》期刊2019年01期）
情感计算论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
中文微博中存在语句复杂、篇幅较长,导致部分语句对情感分析引起误导,本文提出了一种基于关键句提取的中文微博情感计算的方法。首先,将情感属性、位置属性、关键特征词属性作为考量对象进行关键句抽取得到微博关键句;其次,利用多规则方法,即句型规则与句间关系规则,从词语级到句子级,计算微博关键句的情感倾向值;最后,对整篇微博的关键句进行求和,并考虑表情对情感分析的影响,与之加权计算微博的情感倾向。实验证明了该方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
情感计算论文参考文献
[1].郭颖奇,付佳,何飞,何凌,莫思特.基于语音情感计算的情绪识别电路研究与设计[J].现代电子技术.2019
[2].胡召亚,张顺香.基于关键句提取的中文微博情感计算[J].阜阳师范学院学报(自然科学版).2019
[3].孙本旺,田芳.基于深度学习算法的藏文微博情感计算研究[J].计算机技术与发展.2019
[4].王峰.人工智能的情感计算如何可能[J].探索与争鸣.2019
[5].刘文强.基于EEG情感计算的民族认同感量化研究[D].中央民族大学.2019
[6].路遥.基于深度学习的情感计算若干问题研究[D].中央民族大学.2019
[7].董骁阳.基于属性挖掘的树形结构情感词典在情感计算问题中的研究[D].吉林大学.2019
[8].薄洪健.基于听觉脑认知规律的情感计算方法研究[D].哈尔滨工业大学.2019
[9].崔夏霖.浅谈情感计算的发展与应用[J].中国新通信.2019
[10].窦金花,闫永蚕.基于情感计算的弱势群体情感交互Agent研究[J].数字技术与应用.2019