# emotion-recognition
基于皮肤电信号的情绪识别算法emotion-recognition
基于皮肤电信号的情绪识别算法
### 代码架构
├── butter.py 巴特沃斯滤波器（代码中并未使用，可参考）
├── data 训练数据集
│ ├── happy 高兴
│ │ ├── x.csv
│ ├── normal 平静
│ │ ├── x.csv
│ └── sad 悲伤
│ ├── x.csv
├── database.py 数据库连接
├── generatevector.py 特征向量提取，调用getattr
├── getattr.py 提取算法
├── main.py 主函数
├── model 训练所得模型
│ ├── happy_model.m
│ ├── happy_other.csv
│ ├── normal_sad.csv
│ ├── sad_model.m
│ ├── train_model.m
│ ├── vector.mat
│ └── vector_select.m
├── my_svm.py 支持向量机
├── plotdata.py 绘图（测试代码，未使用）
├── pre.pptx PPT展示
├── __pycache__
│ ├── database.cpython-36.pyc
│ ├── generatevector.cpython-36.pyc
│ ├── getattr.cpython-36.pyc
│ └── my_svm.cpython-36.pyc
└── README.md
### 工作流程
1 通过MP150提取被试皮电信号，情绪激发通过视频素材激发
2 每个被试每种情绪采集80s有效信号，采样频率20Hz，共1600个数据点
3 提取皮电信号特征向量，时域信号28个，频域信号6个，共34个，如下表
| 特征编号 | 特征代号 | 特征含义 |
| ---- | ----------------- | -------------- |
| 1 | sc_mean | GSR信号均值 |
| 2 | sc_median | GSR信号中值 |
| 3 | sc_std | GSR信号标准差 |
| 4 | sc_min | GSR信号最小值 |
| 5 | sc_max | GSR信号最大值 |
| 6 | sc_range | GSR最大值最小值之差 |
| 7 | sc_min_ratio | GSR最小值比率 |
| 8 | sc_max_ratio | GST最大值比率 |
| 9 | sc1diff_mean | 一阶差分均值 |
| 10 | sc1diff_median | 一阶差分中值 |
| 11 | sc1diff_std | 一阶差分标准差 |
| 12 | sc1diff_min | 一阶差分最小值 |
| 13 | sc1diff_max | 一阶差分最大值 |
| 14 | sc1diff_range | 一阶差分最大值最小值之差 |
| 15 | sc1diff_min_ratio | 一阶差分最小值比率 |
| 16 | sc1diff_max_ratio | 一阶差分最大值比率 |
| 17 | sc1adiff_mean | 一阶差分绝对值均值 |
| 18 | sc1gdiff_mean | 归一化信号一阶差分绝对值均值 |
| 19 | sc2diff_mean | 二阶差分均值 |
| 20 | sc2diff_median | 二阶差分中值 |
| 21 | sc2diff_std | 二阶差分标准差 |
| 22 | sc2diff_min | 二阶差分最小值 |
| 23 | sc2diff_max | 二阶差分最大值 |
| 24 | sc2diff_range | 二阶差分最大值最小值之差 |
| 25 | sc2diff_min_ratio | 二阶差分最小值比率 |
| 26 | sc2diff_max_ratio | 二阶差分最大值比率 |
| 27 | sc2adiff_mean | 二阶差分绝对值均值 |
| 28 | sc2gdiff_mean | 归一化信号二阶差分绝对值均值 |
| 29 | scfft_mean | GSR频域均值 |
| 30 | scfft_median | GSR频域中值 |
| 31 | scfft_std | GSR频域标准差 |
| 32 | scfft_min | GSR频域最小值 |
| 33 | scfft_max | GSR频域最大值 |
| 34 | scfft_range | GSR频域最大值最小值之差 |
4 特征选取，使用随机森林算法，最终选取贡献度为平均贡献度1.25倍的特征，组建新的特征向量。
5 训练模型，采取支持向量机，一对多策略从而实现多分类的目的。
6 预测，arduino进行信号采集写入到端口中，该工程读取串口数据存入缓存区。当缓存区数据点>50时，计算特征向量给出预测结果。整个过程通过matplotlib进行交互式展现。
基于Python皮肤电信号的情绪识别算法源码+模型+PPT+详细文档+全部数据资料.zip （102个子文件） 
happy_other.csv 21KB normal_sad.csv 16KB 2.csv 13KB 1.csv 13KB 18.csv 13KB 21.csv 13KB 19.csv 13KB 20.csv 13KB 22.csv 13KB 9.csv 6KB 7.csv 6KB 3.csv 6KB 10.csv 6KB 8.csv 6KB 11.csv 6KB 4.csv 5KB 12.csv 4KB 9.csv 4KB 2.csv 4KB 10.csv 4KB 8.csv 4KB 11.csv 4KB 12.csv 3KB 15.csv 3KB 16.csv 3KB 14.csv 3KB 13.csv 3KB 4.csv 3KB 6.csv 3KB 7.csv 3KB 3.csv 3KB 5.csv 3KB 1.csv 3KB 4.csv 3KB 6.csv 3KB 15.csv 2KB 16.csv 2KB 3.csv 2KB 14.csv 2KB 13.csv 2KB 17.csv 2KB 15.csv 2KB 16.csv 2KB 14.csv 2KB 13.csv 2KB 17.csv 2KB 12.csv 2KB 2.csv 2KB 10.csv 2KB 11.csv 2KB 18.csv 1KB 21.csv 1KB 5.csv 1KB 19.csv 1KB 20.csv 1KB 17.csv 1KB 30.csv 1KB 25.csv 1KB 24.csv 1KB 23.csv 1KB 22.csv 1KB 26.csv 1KB 27.csv 1KB 25.csv 1KB 24.csv 1KB 23.csv 1KB 31.csv 1KB 26.csv 1KB 27.csv 1KB 28.csv 1KB 29.csv 1KB 9.csv 1KB 7.csv 1KB 8.csv 1KB 5.csv 1KB 1.csv 1KB 6.csv 1KB 32.csv 23B myproject.iml 398B vector_select.m 44KB sad_model.m 6KB happy_model.m 5KB train_model.m 420B vector.mat 1KB README.md 4KB
pre.pptx 1.93MB getattr.py 3KB main.py 3KB my_svm.py 2KB generatevector.py 2KB butter.py 1KB database.py 1KB plotdata.py 308B my_svm.cpython-36.pyc 2KB generatevector.cpython-36.pyc 2KB getattr.cpython-36.pyc 1KB workspace.xml 46KB compiler.xml 686B misc.xml 602B modules.xml 270B共 102 条
- 1
- 2
资源评论
