Mit Smartwatches ist es heutzutage sehr einfach möglich verschiedene Körpersignale zu messen, welche man dazu verwenden kann, Emotionen zu erkennen. Die Grundfunktion in vielen handelsüblichen Smartwatches ist die Pulsmessung (Messung des Herzschlages) welche mit einer Fotodiode durchgeführt wird. Dadurch, dass die Atmung den Herzschlag beeinflusst, ist es möglich diese über das Photoplethysmogramm Signal herauszurechnen. Das größte Problem mit Signalen, die vom Handgelenk gemessen werden, sind Störungen, die durch Bewegungen auftreten. In dieser Diplomarbeit wird ein Algorithmus präsentiert, der die Atmung aus dem Herzschlagsignal herausrechnet, um damit einen Emotionserkennungs-Algorithmus zu verbessern. Im Vergleich zur Literatur, wo sie meistens das Signal nur in der Zeitdomäne betrachten, wird in dieser Diplomarbeitdas Signal im Frequenzbereich analysiert. Dies führt zu einem robusteren und zuverlässigerem Ergebnis. Zusätzlich wird ein adaptiver Filter verwendet der die Leistungszahl, berechnet durch den absoluten Fehler, die Standardabweichung und die Anzahl der berechneten Fenster, von 8.821 zu 5.663 reduziert. Mit diesen Verbesserungen wird eine Genauigkeit für den Emotionserkennungs-Algorithmus für fünf Emotionen von 43 % erzielt. Das Ergebnis zeigt wie man Smartwatches im täglichen Leben verwenden kann, um Emotionen zu erkennen. Diese Arbeit ist der Grundstein für eine Applikation am Handy, welche die Emotionen des Benutzers in Echtzeit anzeigen kann. Ein Anwendungsfall dafür sind Kinder mit Autismus. Viele dieser Kinder können ihre Bedürfnisse nicht mitteilen und durch diese Applikation wird den Eltern angezeigt was das Kind fühlt und dadurch braucht.
de
Thanks to smart watches nowadays it is possible to measure different body signals that can be used to estimate emotions. One of the basic function of these smart watches is measuring the heart rate by using a photodiode to measure the blood flowin the artery. Due to the fact that the respiration influences the heart rate, it is possible to extract this information out of the photoplethysmogram signal. The biggest problem with signals that are recorded from smartwatches is movement artefacts which can cause wrong calculations. In this thesis, a reliable respiration estimation algorithm is presented that improves emotion estimation. In comparison with the current literature where they use an algorithm that mainly estimates the respiratory rate in the time domain this thesis analyses the data in the frequency domain which leads to a more robust approach. Using the proposed approach it was possible to reduce the figure of merit, which is calculated out of the mean absolute error, the standard deviation and the calculated windows, from 8.821 to 5.663. With this improvements, a 43 % accuracy in the emotion estimation algorithm for five different emotion was achieved. The results demonstrate how smartwatches, that are easy to use, can be taken into account for emotion estimation in daily life. This work can be taken as a starting point for using this algorithm as groundwork for a live application on a smartphone.Such an application can be used for autistic children who can’t express themselves so that their parents know how their children feel.
