地区：上海市 宝山区
关键词：兰州大学
成果类型：其它
成果领域：生物与新医药
成果编号：A2021061000003367
成果描述：
| 研究目的与意义:Wisdom Web（智慧网）是指让Web应用根据用户的背景和习惯，对信息资源进行收集、整理和分类，向用户提供符合其兴趣偏好或需求的信息。用户建模是Wisdom Web的核心技术，用户模型的精确与否直接关系到Wisdom Web的服务质量。传统的用户建模方法一般采用关键词向量空间模型，缺乏对用户兴趣的语义描述能力，而本体由于其在语义描述上的优势，已经逐渐被用于用户建模研究。然而，基于本体的用户建模技术对于用户兴趣的描述主要是通过事先询问用户或者通过用户的浏览日志进行兴趣挖掘，主要表达用户在一段时期内的兴趣特点，缺乏对用户兴趣的动态跟踪和描述。医学及心理学界研究成果已经表明：情感对于人类的兴趣、学习、和决策行为具有很大的影响。如果在用户建模时考虑用户的情感因素，可以从用户情感状态角度感知和预测用户兴趣特点，实现用户兴趣模型的动态构建和更新，以及更精准有效的Wisdom Web服务。因此有必要开展用户情感状态的自动感知和语义建模这一创新性研究。主要论点与论据:该项目旨在研究生物信息（如脑电、心电、呼吸、心率、皮肤阻抗等）、个人基本信息（如年龄性别、兴趣等）及多种场景上下文的语义表达、组织和建模方法，同时采用数据挖掘方法研究各类信息之间的语义关系，在此基础之上构建各类多模态信息的语义融合推理机制，最终实现对用户情感状态这类高层上下文的推理。项目突破了传统的通过事先询问用户或者通过用户的浏览日志进行兴趣和情感挖掘的方法，结合情感计算和本体上下文建模技术，通过本体模型描述各种可以客观反应用户情感状态的生物信息，再结合个人基本信息、多种场景上下文，自动推理用户的情感状态，实现对Web用户情感状态的上下文本体建模和语义推理，为Wisdom Web中用户模型的构建提供创新性理论依据。创见与创新:该项目构建了一套生理-情感本体知识库，用于对个体生物信息及情感状态进行Ontology本体建模。通过引入EEG、fNIRS等多种生物信号数据构建了EmotionO+本体模型，并基于RandomForest算法获得了更为稳定和有效的情感状态推理规则。通过在eNTERFACE'06数据库上进行实验分析，EmotionO+本体模型的情感识别准确率达到了99.11%。另一方面，课题组扩展了研究思路，还构建了基于MRI核磁影像识别轻度认知障碍（MCI）疾病的本体知识模型，通过对人体大脑皮层厚度进行语义建模，基于C4.5算法构建推理规则库，实现了对MCI疾病的辅助诊疗。相关研究成果分别发表在SCI期刊《IEEE Transactions on NanoBioscience》、《Computer Methods and Programs in Biomedicine》和CCF B类会议BIBM2014上。在多模态数据融合算法和情感状态推理算法方面，针对多用户生理信号的差异性较大，情感状态的多分类错分率会更高等问题，课题组提出了三阶段的情感识别决策方法，基于多用户的多模态生理信息进行四种情感状态的识别。在第一阶段将混杂的多用户分成若干个不相交的用户组以减小个体差异对情感识别的影响；第二阶段将四类情感的分类问题转化成对两个情感池的分类问题以减小多分类引起的低识别率问题；第三阶段在一个已确定的情感池中实现情感状态的识别。通过在DEAP数据库上进行实验分析，该方法对四类情感识别的平均准确率达到80.51%，性能明显优于传统的直接分类方法。项目组还构建了一套基于脑电信号的情感评估系统。该系统采用一阶逻辑表达的本体模型描述原始脑电信号、大量脑电特征和其它重要的情感评估信息；使用多种信号处理算法对原始脑电信号进行去噪和特征提取；在提取出的高维脑电特征空间上使用相关统计分析方法分别找出评估情感两个维度（愉悦度和效价维）的显著特征，并对性别进行了差异性分析；最后集成多种分类模型实现基于脑电特征的情感状态评估。相关研究成果发表在SCI期刊《Applied Soft Computing》上。社会经济效益，存在的问题:随着生活节奏的日益加快和社会竞争的日益加剧，人们需要承受的生理和心理方面的压力越来越大，以抑郁障碍为代表的各类精神障碍的发病率不断升高，由此产生的巨大的社会危害和经济损失。考虑到情感识别与抑郁等精神类疾病预测之间的相关性，在该项目的支持下，课题组于2014年申请并获批了国家自然科学基金青年科学基金项目《基于网络行为及生理反馈信息的抑郁风险预测多任务建模理论研究》。课题研究所取得的各项技术对于实现抑郁早期诊断与干预、减少精神疾病带来的经济和社会损失有着极其重要的现实意义。相关研究成果具有明显的生态效益、经济效益和社会效益，也具有非常广阔的推广应用前景。另外，该项目虽然在基于生理信号的用户情感Ontology建模、多模态数据融合算法和情感状态推理算法等方面均取得了一些研究成果，但各项技术均偏重于理论基础研究，在成果转让及产业化方面非常欠缺，需要在今后的研究工作中加强理论研究成果的产业化实践，以产业化进一步推动理论研究的发展，二者相互促进，最终形成相关研究的理论和产业化可持续发展。 |
