皮膚電信號下學習焦慮的識別與調節(jié)技術研究.pdf

1、在心理學和教育學領域的研究中，學習焦慮一直受到廣大學者和研究人員的重視，但是也存在很多的問題。目前，還不能夠準確定量的反映出個體是否存在學習焦慮情緒，大多是通過量表和生理檢測手段對學習焦慮狀態(tài)進行定性的刻畫，缺乏能夠定量分析的可靠方法和技術手段。同時，對學習焦慮缺乏有效的實時監(jiān)測與調節(jié)策略改善，這使得調節(jié)者不能準確掌握個體的適應度、接受度，這些都極大的降低了情感調節(jié)的可操作性。由于生理信號的客觀真實性，基于生理信號的學習焦慮識別成為了情

2、感計算領域的重要研究方向。本文主要是利用設計的一套實驗方案來采集被試的皮膚電信號，并針對皮膚電的學習焦慮識別提出了一種改進的離散二進制粒子群算法做特征選擇，并使用BP神經網絡做學習焦慮的識別；在情感調節(jié)方面，參考Gross的情感調節(jié)模型，提出了人機交互環(huán)境下學習焦慮的調節(jié)模型，最后根據研究的理論成果設計和開發(fā)了基于Android的學習焦慮識別與調節(jié)助手。具體工作如下：
　?。?）實驗數據采集和特征提取。根據采集設備Shimme r

3、3 GSR的特點以及情感誘發(fā)方案設計了一個采集學習焦慮的GSR信號的實驗，實驗設置兩組實驗場景，一組實驗場景為模擬的外語課堂環(huán)境，該組主要是采集被試的學習焦慮的10min數據；另一組為觀看輕松、緩和的視頻的環(huán)境，該組主要是采集被試正常狀態(tài)下的10min數據。接下來進行數據預處理，即根據被試在實驗過程中反應，截取了20S被試在學習焦慮狀態(tài)下和非學習焦慮狀態(tài)下的信號，實驗過程中，總共有43個被試參加，經篩選，最終有35個被試的實驗數據合格，

4、即35個學習焦慮的實驗樣本數據以及35個非學習焦慮的樣本數據。因此本文實驗中產生了70個原始樣本數據。然后對原始樣本進行小波去噪以作為新的樣本，并提取每個樣本的30個時頻域統計特征。
　?。?）特征組合優(yōu)化與學習焦慮的識別。主要是建立特征優(yōu)化模型和分類器模型。在特征組合優(yōu)化過程中，本文采用了離散二進制粒子群優(yōu)化算法(PSO)，并從增強粒子多樣性、提高收斂速度以及跳出局部最優(yōu)等方面改進了離散二進制粒子群算法；在學習焦慮的識別過程中，

5、采用了BP神經網絡作為識別模型，并在基礎上確定了特征優(yōu)化的適應度目標函數。最終給出了特征組合優(yōu)化結果和學習焦慮的識別結果。實驗結果表明改進的粒子群算法選擇的最優(yōu)特征子集在BP神經網絡中收斂效果要好、識別率較高。
　?。?）建立學習焦慮的調節(jié)模型。建立了基于Gros s情感調節(jié)模型的人機交互下的學習焦慮調節(jié)模型，這種調節(jié)模型能從環(huán)境控制、注意力改變、用戶認知重評、用戶能力與表達抑制等方面綜合考慮并對學習焦慮情緒進行調節(jié)。