CN106970703A - 基于心情指数的多层情感计算方法 - Google Patents

Abstract

本发明提供一种基于心情指数的多层情感计算方法。根据输入的刺激，计算当前时刻的心情指数；根据输入刺激和心情指数，计算当前时刻的情感强度；根据情感强度和状态转移概率矩阵，计算状态转移后的情感概率，并输出概率值最大的情感状态。该方法定义了心情指数，重新量化了心情、性格与情感之间的关系，有效融合了外界刺激、心情状态、个性特征、情感衰减和情感相互作用对情感变化的影响,能更好地反映人类情感变化的特点，更好的实现对机器人情感状态的个性化计算。

Description

基于心情指数的多层情感计算方法

技术领域

本发明涉及一种基于心情指数的多层情感计算方法，用于人机交互过程中， 对机器的情感状态进行个性化建模和描述。

背景技术

在人与计算机(或者机器人)的交互过程中，情感因素的引入能够使相互之间 的交流更加自然和谐。人机情感交互就是要赋予计算机类似人一样的观测、理解 和生成各种情感特征的能力，最终使得机器人能够像人一样进行自然、生动和富 有感情的交互。

针对人机情感交互，1997年，美国MIT媒体实验室的Picard(罗莎琳德·皮 卡德)教授首次提出情感计算的概念，对情感计算的研究主要包括情感识别、情 感表示、情感建模、情感交互四个方面，其中，建立一个合适的计算模型来描述 情感是情感计算领域亟待解决的关键问题,

由于人类情绪和情感的复杂性，使得建立一个合适的计算模型来表达人类情 感与认知的关系是一项十分有挑战性的工作。近年来，针对此问题，心理学和计 算科学领域的研究人员通过研究已经建立了相关情感模型，总体来说，这些模型 可以分为三大类，即：基于认知的情感模型、基于概率的情感模型和多层情感模 型。例如，1988年Ortony、Clore、Collins等人从情感认知评价角度提出了第一 个适合于计算机实现的OCC情感模型；1995年MIT媒体实验室的Picard等人 提出的基于隐马尔可夫(HMM)的情感模型；2002年以来，北京科技大学的王志 良等人对HMM做了更加深入的研究；2002年Kshirsagar等人提出一个“性格 -心情-情感”多层情感模型,将人的性格与情感联系了起来,并成功地将其应用于虚拟人面部表情合成。

上述这些工作都极大地推进了情感建模的研究，但是，这些模型大多不能完 整的描述人类情感的动态变化过程，在实践过程中存在很多不足。例如，基于认 知的情感模型仅考虑了情感本身的认知因素产生机制,缺乏对性格等非认知因 素的考虑；基于概率的情感模型仅从纯概率的角度来处理情感，或通过假设少量 的离散情感以及小范围的情感变化幅度来简化模型；Kshirsagar的多层情感模型 对心情的处理比较模糊，不适合描述人类复杂的心情,也不能很好地将性格与情 感联系起来。然后，人类情感本身是一个非常复杂的过程,它受诸多因素的综合 影响,如外界刺激、个体性格、心情波动等,因此，需要研究更加合适的情感计 算模型来更好的模拟人类的情感变迁。

发明内容

本发明的目的是提供一种基于心情指数的多层情感计算方法，有效融合了心 情状态、个性特征、情感状态，用于人机交互过程中，对机器人的情感状态进行 个性化计算，解决现有技术中存在的上述问题。

本发明的技术解决方案是：

一种基于心情指数的多层情感计算方法，包括以下步骤，

步骤1、根据输入的刺激向量，计算当前时刻的心情指数M(t)；

步骤2、根据输入刺激和心情指数，计算当前时刻的情感强度E(t)；

步骤3、根据情感强度和状态转移概率矩阵，计算状态转移后的情感概率， 并输出概率值最大的情感状态。

进一步地，步骤1具体包括以下步骤：

步骤1.1、基于OCEAN性格矢量计算基础心情Mb；

步骤1.2、根据外部刺激，计算熟悉度和好感度，进而计算心情变化量；

步骤1.3、计算心情指数随时间的衰减；

步骤1.4、计算当前心情指数M(t)。

进一步地，步骤1中，

步骤1.1具体为：性格是一个不变的量，采用五元组P＝[p_O,p_C,p_E,p_A,p_N]来 描述，用基础心情M_b来表示性格对基础心情的影响程度，具体计算如下：

M_b＝XP^T＝[x₁,x₂,x₃,x₄,x₅][p_O,p_C,p_E,p_A,p_N]^T

＝x₁p_O+x₂p_C+x₃p_E+x₄p_A+x₅p_N

其中，为OCEAN模型中，5种人格因素对心 情的影响系数；T表示矩阵的转置运算；

步骤1.2具体为：通过刺激极性S_polar∈[-1,1]、熟悉度D_familiar∈[0,1]、好感 度D_favor∈[-1,1]三个参数综合计算心情变化量M_c；根据外部刺激值，刺激极性 的计算公式为：

S_polar＝Φ(t)Q^T=[φ₁(t),φ₂(t),...,φ_n(t)][q₁,q₂,...,q₆]^T

其中，Φ(t)=[φ₁(t),φ₂(t),...,φ₆(t)]为刺激向量，φ_i(t)∈[0,1],i=1,2,...,6， 为外界刺激事件对6种基本情感的诱发变化；Q＝[q₁,q₂,...,q₆],且为刺 激的极性系数；T表示矩阵的转置运算；

熟悉度与交互频率f_a和交互间隔d_a有关，具体计算公式为：

其中，e为自然底数；

好感度与历史交互有关，计算公式如下：

D_favor(t)＝D_favor(t-1)+ΔD_favor

其中，ΔD_favor为一次交互引起的好感度的变化量；

综合熟悉度和喜好度，心情变化量M_c计算如下：

步骤1.3具体为：心情指数的衰减函数如下：

M′(t)=M(t-1)×e^-Mb；

步骤1.4具体为：综合步骤1.1、1.2、1.3的计算，得到当前心情指数M(t)如 下：

M(t)＝(1-α)M(t-1)+αM′(t-1)

M(0)＝M_b

其中，α,β∈(0,1)分别为心情衰减系数和心情变化影响系数。

进一步地，步骤2具体为：

步骤2.1、根据步骤1所得心情指数M(t)，计算性格对当前情感的影响分量；

步骤2.2、根据步骤1所得心情指数M(t)，计算外部刺激对当前情感的影响 分量；

步骤2.3、计算不同情感状态之间的相互影响分量；

步骤2.4、根据步骤1所得心情指数M(t)，计算情感强度随时间的衰减分量；

步骤2.5、计算当前情感强度E(t)。

进一步地，步骤2中，步骤2.1具体为：首先，以PAD情感空间作为过渡， 将性格P映射到OCC情感空间，计算方法为：

E_OCC(t)＝M(t)·P·K^T·F_OCC ^T

其中，是一个24维的OCC情感向 量，K为性格到PAD情感的转换矩阵，F_OCC为PAD情感到OCC情感的映射矩 阵，T表示矩阵的转置运算；

然后，将OCC情感分量映射到基本情感中，具体为：

E_P(t)＝[e_1P(t),e_2P(t),e_3P(t),e_4P(t),e_5P(t),e_6P(t)]

其中，E_P(t)＝[e_1P(t),e_2P(t),e_3P(t),e_4P(t),e_5P(t),e_6P(t)]为性格对基础情感的影 响分量；

步骤2.2具体为，外部刺激对情感的影响分量E_stimus(t)为：

其中，K₁,K₂分别为影响系数矩阵；

步骤2.3具体为，计算不同情感状态之间的相互影响分量E_inter(t)：

E_inter(t)=Λ·E(t)

其中，为情感相互影响矩阵，λ_ij∈[-1,1],i,j＝1,2,...,6 表示情感i对情感j的影响因子，λ_ij＞0表示激励作用，λ_ij＜0表示抑制作用；

步骤2.4具体为，计算情感强度随时间的衰减分量E_fade(t)为：

E_fade(t)＝E(t)·e^(-M(t))；

步骤2.5具体为，当前情感强度E(t)为：

E(t)＝β₁E_P(t)+β₂E_stimus(t)+β₃E_inter(t)+β₄E_fade(t)

其中，为各个情感影响分量的影响系数。

进一步地，步骤3具体为：

步骤3.1、基于阈值判断是否有新的情感被激活；

步骤3.2、根据状态转移概率矩阵，更新的情感概率π(t)；

步骤3.3、选择情感概率值最大的情感作为当前情感状态输出。

进一步地，步骤3中，步骤3.1具体为：

采用ω表示情感激活阈值，H(t)＝[h₁(t),h₂(t),...,h₆(t)]表示基本情感是否被激活，其中

其中，e_i(t),i＝1,2,...,6分别表示6种基础情感的强度，h_i(t),i＝1,2,...,6分别表示第i种基础情感是否激活，表示有基本情感被激活了； 则表示没有情感被激活；

步骤3.2具体为：在t时刻，没有情感被激活，则不进行概率计算，此时， 处于平静状态；当某些基本情感被激活时，首先根据情感强度E(t)计算该时刻的 情感状态概率π(t)＝[π₁(t),π₂(t),π₃(t),π₄(t),π₅(t),π₆(t)]，其中

然后，根据状态转移矩阵A来更新情感状态的概率分布π′(t)=π(t)A，其中， 矩阵A为马尔科夫状态转移矩阵；

步骤3.3具体为：根据计算获得的情感概率π′(t)，选择概率值最大的情感作 为当前情感状态，即

本发明的有益效果是：该种基于心情指数的多层情感计算方法，定义了心情 指数，并且量化了心情、性格与情感之间的关系，有效融合了外界刺激、心情状 态、个性特征、情感衰减和情感相互作用对情感变化的影响，重点关注刺激对心 情的影响，然后基于心情指数计算情感强度的变化，最后基于状态概率来选择情 感状态，这个过程更加贴近人类的认知实际。该方法克服了OCC情感模型忽视 非认知因素的缺点，弥补了HMM模型仅从概率上处理情感的缺陷，克服了多层 情感模型对心情处理模糊的缺点，能更好地反映人类情感变化的特点，更好的实 现对机器人情感状态的个性化计算。

附图说明

图1是本发明实施例基于心情指数的多层情感计算方法的流程示意图。

图2是PAD情感空间到OCC情感空间的映射关系图。

图3是情感状态转移和更新计算过程示意图。

图4是6种基本情感和平静状态之间的状态转移示意图。

图5是情感计算结果示例图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

实施例的基于心情指数的多层情感计算方法涉及到心情、个性、情感三者关 系以及它们在外界刺激作用下的时间响应，为便于后续说明，首先给出相关概念 及量化定义。

情感：情感是一种心理状态和过程，是人对客观事物的态度的体验，是人的 需要是否获得满足的反应。关于情感的表示和分类，目前没有统一的定义。实施 例采用在心理学界和工程界占主体地位的Ekman情感分类方法，主要针对6种 基本情感进行计算，即恐惧Fear、愤怒Anger、悲伤Sadness、厌恶Disgust、高 兴Happiness、惊奇Surprise，为便于描述，采用6维向量 E(t)＝[e₁(t),e₂(t),e₃(t),e₄(t),e₅(t),e₆(t)]表示个体在t时刻的情感状态 变量，其中，e₁(t),e₂(t),e₃(t),e₄(t),e₅(t),e₆(t)∈[0,1]分别代表个体具有恐 惧、愤怒、悲伤、厌恶、高兴、惊奇6种基本情感的强度。

另外，采用情感状态概率π(t)＝[π₁(t),π₂(t),π₃(t),π₄(t),π₅(t),π₆(t)]来 表征在t时刻，个体对外表现为相应情感状态的可能性，其中， π₁(t),π₂(t),π₃(t),π₄(t),π₅(t),π₆(t)∈[0,1]分别表示个体处于恐惧、愤怒、悲 伤、厌恶、高兴、惊奇6种情感状态的概率值，且

刺激：人类情感的产生都是由外部刺激引发的，这些外部刺激信号包括表情、 语音、手势、肢体动作以及各种生理信号，人脑能够提取这些刺激中的情感因素， 作为情感交互的输入，激励人类的心情和情感发生相应的变化。在实施例中，采 用刺激向量Φ(t)＝[φ₁(t),φ₂(t),...,φ₆(t)]，其中，φ_i(t)∈[0,1],i＝1,2,...,6分 别对应外界刺激事件对6种基本情感的诱发变化。

心情：根据心理学研究，心情是一种较持久而微弱的、影响人的整个精神活 动的情绪状态，它是一个随着时间变化的量，通常，可以把心情分为好、坏、正 常三种情况，研究表明：积极的心情可以对消极情绪刺激产生抑制作用，同样， 消极的心情对积极情绪刺激也可以产生抑制作用。为便于计算机进行计算，实施 例引入心情指数M(t)∈[-1,1]来衡量t时刻的心情状态的好坏程度，0表示心情 正常，正值表示好心情，1表示心情最好，负值则表示坏心情，-1表示心情最差。

为进一步计算心情指数，实施例引入熟悉度和好感度两个参数。

熟悉度：表示机器对用户的熟悉程度，用参数D_familiar∈[0,1]来描述，其 取值与人机交互频率和人机交互时间间隔有关，取值为0表示，机器对该用户很 陌生。人机交互的次数越多，人机交互的时间间隔越短，则表明机器对用户就越 熟悉，如果长期没有人机交互，或者交互事件间隔越长，则熟悉度会下降，因为 人与人之间长期不打交道会逐渐变得陌生。

好感度：表示机器对用户的喜好程度，用参数D_favor∈[-1,1]来描述，其取 值与历史交互有关，每一次人机交互都会产生一种情感刺激，正向的情感刺激， 导致对机器人对用户的好感度增加，反之，负向的情感刺激会导致好感度下降。

个性：即性格，是决定人的独特行为和思想的个人内部身心系统的动力组织。 在实施例中，采用心理学中广泛认可的OCEAN人格模型来对个性进行描述，即 定义一个五元组P＝[p_O,p_C,p_E,p_A,p_N]，其中，p_O,p_C,p_E,p_A,p_N∈[0,1]，分别 表示性格的开放性Openness、谨慎性Conscientiousness、外倾性Extraversion、 宜人性Agreeableness和神经质Neuroticism五方面因子。

在上述定义的基础上，实现实施例目的的技术方案为：一种基于心情指数的 多层情感计算方法，包括以下步骤：

步骤1、根据输入的刺激向量，计算当前时刻的心情指数M(t)；

步骤1.1、基于OCEAN性格矢量计算基础心情；

步骤1.2、根据外部刺激，计算熟悉度和好感度，进而计算心情变化量；

步骤1.3、计算心情指数随时间的衰减；

步骤1.4、计算当前心情指数M(t)。

步骤2、计算当前时刻的情感强度E(t)；

步骤2.1、根据心情指数M(t)，计算性格对当前情感的影响分量；

步骤2.2、根据心情指数M(t)，计算外部刺激对当前情感的影响分量；

步骤2.3、计算不同情感状态之间的相互影响分量；

步骤2.4、根据心情指数M(t)，计算情感强度随时间的衰减分量；

步骤2.5、计算当前情感强度E(t)。

步骤3、情感状态的转移与输出；

步骤3.1、基于阈值判断是否有新的情感被激活；

步骤3.2、根据状态转移概率矩阵，更新的情感概率π(t)；

步骤3.2、选择情感概率值最大的情感作为当前情感状态输出。

实施例的基于心情指数的多层情感计算方法，具体实现如下：

在人机交互过程中，用户会产生各种交互输入，例如用户的语音指令输入、 人脸图像输入、用户屏幕点击等等，上述每一次交互都会对机器产生一个刺激， 按照心理学的认知评价理论，外界刺激事件通过感知评价转化为情感诱发变量。

实施例主要针对6种基本情感，采用刺激向量Φ(t)＝[φ₁(t),φ₂(t),..,φ₆(t)]来 描述外部刺激事件对恐惧、愤怒、悲伤、厌恶、高兴、惊奇6种基本情感的变化 影响，例如，在t时刻，输入一个高兴的情感刺激Φ(t)＝[0,0,0,0,0.9,0]，则后续 的情感计算过程如下：

如图1所示，根据发明步骤1，针对输入的刺激向量Φ(t)＝[0,0,0,0,0.9,0]， 计算心情指数M(t)。

心情是一种能影响人的整个精神活动的情感状态，在实施例中，采用心情指 数M(t)∈[-1,1]来衡量心情的状态，主要包含2个方面，一是基础心情，与个人 的性格相关，二是心情变化，取决于外界的刺激、个体的性格，并随着时间变化 而不断淡化。因此，心情指数的计算更新必须体现上述因素的综合影响，其具体 计算步骤如下：

1)基于OCEAN性格向量计算基础心情M_b；

在实施例中，性格是一个不变的量，采用五元组P＝[p_O,p_C,p_E,p_A,p_N]来描 述，不同的性格取值不同，个体某个方面的因素值越大，表明个体的这一个因素 的表现越明显，例如，P＝[0.4,0.3,0.8,0.2,0.1]表示这是一个活泼开朗、外向 的个体。心情受到性格的影响，不同性格的个体，其基本的心情状态是不一样的， 因此，用基础心情M_b来表示性格对基础心情的影响程度，具体计算如下：

M_b＝XP^T[x₁,x₂,x₃,x₄,x₅][p_O,p_C,p_E,p_A,p_N]^T

＝x₁p_O+x₂p_C+x₃p_E+x₄p_A+x₅p_N

其中，为OCEAN模型中，5种人格因素对心 情的影响系数，在实施例中，取值为X＝[0.3,0.35,0.05,0.1,0.2]。

2)基于外部刺激计算熟悉度和好感度，进而计算心情变化量M_c；

心情的变化由外部刺激引起的，当机器收到外部刺激之后，其心情指数将发 生偏离。为了衡量在外部刺激之下的心情变化，通过刺激极性S_polar∈[-1,1]、熟 悉度D_familiar∈[0,1]、好感度D_favor∈[-1,1]三个参数综合计算。

通常，积极的刺激使得心情指数增大，反之，消极的刺激将导致心情指数降 低，因此，实施例中，根据外部刺激值，刺激极性的计算公式为：

S_polar＝Φ(t)Q^T＝[φ₁(t),φ₂(t),...,φ_n(t)][q₁,q₂,...,q₆]^T

其中，Φ(t)＝[φ₁(t),φ₂(t),...,φ₆(t)]为刺激向量，φ_i(t)∈[0,1],i＝1,2,...,6， 为外界刺激事件对6种基本情感的诱发变化；Q＝[q₁,q₂,...,q₆],且为刺激的极性系数；T表示矩阵的转置运算，下同。在实施例中，取值 Q＝[-0.2,-0.3,-0.3,-0.22]，,此时，,输入刺激为Φ(t)＝[0,0,0,0,0.9,0]的时 候，可计算得到其极性值为S_polar＝0.72。

熟悉度与交互频率f_a和交互间隔d_a有关，人机交互越频繁，交互时间间 隔越短，则表明机器对用户就越熟悉，如果长期没有人机交互，或者交互事件间 隔越长，则熟悉度会下降，因为人与人之间长期不打交道会逐渐变得陌生。具体 计算公式为：

其中，e为自然底数，下同。

例如，当交互频率f_a＝0.1，时间间隔d_a＝2时，D_familiar＝0.035。

好感度与历史交互有关，每一次交互都会对用户产生影响，根据每一次交互 产生的刺激极性，好感度不断变化，计算公式如下：

D_favor(t)＝D_favor(t-1)+ΔD_favor

其中，ΔD_favor为一次交互引起的好感度的变化量，例如，输入积极的刺激 S_polar＝0.72，好感度变化为ΔD_favor＝0.3452。

综合熟悉度和喜好度，心情变化量M_c计算如下：

从上式可知，如果好感度较低(不喜欢某人)，机器对用户越熟悉，交互越 频繁，则心情会变得越差。反之，如果好感度高(喜欢某人)，机器对用户越熟 悉，打交道越多，则心情会变得越来越好。

3)计算心情指数随时间的衰减。

当外界刺激消失以后，随着时间的变化，心情会逐渐平静下来，即心情指数 会逐渐衰减，心情衰减变化的快慢与个体性格相关，按照心理学的研究，心情和 情感的衰减曲线与指数函数相近，因此，在实施例中，心情指数的衰减函数如下：

M′(t)＝M(t-1)×e^-Mb

综合上述1)、2)、3)的计算，可以得到当前心情指数M(t)如下：

M(t)＝(1-α)M(t1)+αM′(t-1)

M(0)＝M_b

其中，初始值M(0)＝M_b为基础心情，与性格相关，α,β∈(0,1)分别为心 情衰减系数和心情变化影响系数，实施例中，取值为α＝0.3,β＝0.8。

然后，根据实施例的步骤2，基于心情指数M(t)和外部刺激来计算当前时刻 的情感强度E(t)。

情感是心理学概念，为便于描述机器的情感状态强弱和情感变化过程，选择 取值为0-1之间的向量E(t)＝[e₁(t),e₂(t),e₃(t),e₄(t),e₅(t),e₆(t)]来表示6种基础情 感的强度，数值越大表明这种基础情感就越强烈。

情感强度的变化与心情状态、个性特征、外界刺激、情感衰减等多个方面因 素有关，下面，按照实施例的步骤2.1到2.4分别进行计算。

1)计算性格对情感的影响分量E_P(t)

首先，以PAD情感空间作为过渡，将性格P映射到OCC情感空间，计算方 法为：

E_OCC(t)＝M(t)P·K^T·F_OCC ^T

其中，是一个24维的OCC情感向 量，T表示矩阵的转置运算；K为性格到PAD情感的转换矩阵，一般取值为：

F_OCC为PAD情感到OCC情感的映射矩阵，对照图2所示的映射关系表，具 体可以取值为：

然后，将OCC情感分量映射到实施例的基本情感中，具体为：

E_P(t)＝[e_1P(t),e_2P(t),e_3P(t),e_4P(t),e_5P(t),e_6P(t)]

其中，E_P(t)＝[e_1P(t),e_2P(t),e_3P(t),e_4P(t),e_5P(t),e_6P(t)]为性格对基础情感的影 响分量。

经过上述转换后，可以计算在性格为P＝[0.4,0.3,0.8,0.2,0.1]，心情指数 为M(t)＝0.3的时候，性格对基础情感的影响分量为：

E_P(t)＝[-0.4677,0.0002,-0.3875,-0.0299,0.1820,0]

可见，实施例在个性P对情感的影响基础上，引入了一个心情调节系数M(t)， 使得个性对情感的影响随着心情不同而变化。

2)计算外部刺激对当前情感的影响分量E_stimus(t)

外部刺激对情感的变化有直接影响，心情好的时候，会强化积极的刺激影响， 会减弱消极的刺激影响，因此，刺激对情感的影响分量E_stimus(t)计算公式为：

其中，K₁,K₂分别为影响系数矩阵，可取值为K₁＝[0.8,0.7,0.7,0.8,1.3,1.1]， K₁＝[1.3,1.2,1.2,1.3,0.9,0.8]。

3)计算不同情感状态之间的相互影响分量E_inter(t)

人类情感的复杂性，使得同一时刻同一个人会被多种情感交织，而且这些情 感会相互影响，包括相互抑制、相互激励、或者无作用三种方式，基本情感状态 之间的相互影响关系如表1所示：

表1六种基本情感之间的相互影响

因此，情感之间的相互影响分量E_inter(t)可以表示如下：

E_inter(t)＝Λ·E(t)

其中，为情感相互影响矩阵，λ_ij∈[-1,1],i,j＝1,2,...,6 表示情感i对情感j的影响因子，λ_ij＞0表示激励作用，λ_ij＜0表示抑制作用。

通常，相互影响矩阵可以取值为：

4)计算情感强度随时间的衰减分量E_fade(t)

情感复杂体现在其易变性上，情感具有瞬时性，随着时间的推移，情感衰减 就越明显，同时，情感的衰减速度与心情、性格相关，因此，实施例定义的情感 随时间的衰减分量E_fade(t)为：

E_fade(t)＝E(t)e^(-M(t))

综合上述的心情、个体性格、外界刺激、情感之间相互作用以及情感衰减对 情感强度变化的影响，可以计算得到当前情感强度E(t)为：

E(t)＝β₁E_P(t)+β₂E_stimus(t)+β₃E_inter(t)+β₄E_fade(t)

其中，为各个情感影响分量的影响系数。可以取值为 β₁＝0.4,β₂＝0.3,β₃=0.1,β₄＝0.2。

最后，按照实施例的步骤3，基于当前综合情感强度E(t)，计算情感状态的 转移和情感状态概率，并输出当前情感状态，其基本过程如图3所示，按照如下 步骤实施:

1)基于阈值判断是否有新的情感被激活

情感强度E(t)的大小反应了情感的强弱，当某种情感强度值达到一定阈值时， 该情感会被激活，个体就会表现出这种基本情感，这个值称为情感激活阈值，在 实施例中，采用ω表示情感激活阈值，取值为ω=0.1。

令H(t)＝[h₁(t),h₂(t),...,h₆(t)]表示基本情感是否被激活，其中

其中，e_i(t),i＝1,2,...,6分别表示6种基础情感的强度，h_i(t),i＝1,2,...,6分别表示第i种基础情感是否激活；

此时，可知，如果有基本情感被激活了，则必然满足否则表示没有情感被激活。

2)根据状态转移概率矩阵，更新情感概率π(t)

在实施例中，机器具有6种基本情感状态，另外还有一种无情感的状态，即 平静状态，如图4所示，任意时刻，机器始终处于这7种状态中的一种，这7 种状态是可以相互之间任意转换的，其转换过程遵循马尔可夫过程，具体的计算 如下：

在t时刻，当某些基本情感被激活时，首先根据情感强度E(t)计算该时刻的 情感状态概率π(t)＝[π₁(t),π₂(t),π₃(t),π₄(t),π₅(t),π₆(t)]，其中

然后，根据状态转移矩阵A来更新情感状态的概率分布π′(t)＝π(t)A，其中， 矩阵A为马尔科夫状态转移矩阵，其系数描述了从一种基本情感跳转到另外一 种情感的可能性，与个体的性格有关系，不同类型的机器可以采用不同的值，在 实施例中，A可以取值为：

另外，如果所有情感的情感强度都很小，没有情感被激活，则不进行概率计 算，此时，处于平静状态。

3)选择情感概率值最大的情感作为当前情感状态输出

最后，根据计算获得的情感概率π′(t)，选择概率值最大的情感作为当前情 感状态，即

按照上述基于心情指数的多层情感计算步骤，下面给出一个具体的实施例子。

假定机器的性格为P＝[0.4,0.3,0.8,0.2,0.1]，各项参数取值按照上面的取 值，在t＝0时刻接收到一个厌恶的刺激Φ(0)＝[0,0,0,0.9,0,0]，然后在t＝20和 t＝25时刻分别收到一个高兴的刺激Φ(20)＝[0,0,0,0,0.9,0]， Φ(30)＝[0,0,0,0,0.9,0]，则按照实施例提出的计算步骤，其情感变化过程如图5 所示，可以看出，心情指数随着不同的刺激发生相应的变化，其情感强度也发生 相应的波动，在没有刺激时，心情逐渐平静，情感强度也逐渐衰减，按照最终的 情感概率结果来看，在第0-14时刻，情感状态为厌恶，第15-16时刻，情感状 态为恐惧，然后转为平静状态，在第21-35时刻，情感状态为高兴，后续没有刺激，所以保持平静状态，符合正常的心理变化，说明实施例提出的方法能够有效 的反应人类情感变化的特点，实现对机器人情感状态的个性化计算。

Claims (7)

1.一种基于心情指数的多层情感计算方法，其特征在于：包括以下步骤，

步骤1、根据输入的刺激向量，计算当前时刻的心情指数M(t)；

步骤2、根据输入刺激和心情指数，计算当前时刻的情感强度E(t)；

步骤3、根据情感强度和状态转移概率矩阵，计算状态转移后的情感概率，并输出概率值最大的情感状态。

2.如权利要求1所述的基于心情指数的多层情感计算方法，其特征在于，步骤1具体包括以下步骤：

步骤1.1、基于OCEAN性格矢量计算基础心情M_b；

步骤1.2、根据外部刺激，计算熟悉度和好感度，进而计算心情变化量；

步骤1.3、计算心情指数随时间的衰减；

步骤1.4、计算当前心情指数M(t)。

3.如权利要求2所述的基于心情指数的多层情感计算方法，其特征在于，步骤1中，

步骤1.1具体为：性格是一个不变的量，采用五元组P＝[p_O,p_C,p_E,p_A,p_N]来描述，用基础心情M_b来表示性格对基础心情的影响程度，具体计算如下：

M_b＝XP^T＝[x₁,x₂,x₃,x₄,x₅][p_O,p_C,p_E,p_A,p_N]^T

＝x₁p_O+x₂p_C+x₃p_E+x₄p_A+x₅p_N

其中，为OCEAN模型中，5种人格因素对心情的影响系数；T表示矩阵的转置运算；

步骤1.2具体为：通过刺激极性S_polar∈[-1,1]、熟悉度D_familiar∈[0,1]、好感度D_favor∈[-1,1]三个参数综合计算心情变化量M_c；根据外部刺激值，刺激极性的计算公式为：

S_polar＝Φ(t)Q^T＝[φ₁(t),φ₂(t),...,φ_n(t)][q₁,q₂,...,q₆]^T

其中，Φ(t)＝[φ₁(t),φ₂(t),...,φ₆(t)]为刺激向量，φ_i(t)∈[0,1],i＝1,2,...,6，为外界刺激事件对6种基本情感的诱发变化；Q＝[q₁,q₂,...,q₆],且为刺激的极性系数；T表示矩阵的转置运算；

熟悉度与交互频率f_a和交互间隔d_a有关，具体计算公式为：

$D_{familiar}=e^{-0.5d_a}\×(1-e^{-f_a})$

其中，e为自然底数；

好感度与历史交互有关，计算公式如下：

D_favor(t)＝D_favor(t-1)+ΔD_favor

${\mathrm{\ΔD}}_{favor}=(1-e^{-S_{polar}})/(1+e^{-S_{polar}})$

其中，ΔD_favor为一次交互引起的好感度的变化量；

综合熟悉度和喜好度，心情变化量M_c计算如下：

$M_o=\left\{\begin{array}{ccc}1-e^{(D_{familiar}\×D_{favor})}& if& D_{favor}>0\\ e^{(D_{familiar}\×D_{favor})}-1& if& D_{favor}\≤0\end{array}\right.;$

步骤1.3具体为：心情指数的衰减函数如下：

M′(t)＝M(t-1)×e^-Mb；

步骤1.4具体为：综合步骤1.1、1.2、1.3的计算，得到当前心情指数M(t)如下：

M(t)＝(1-α)M(t-1)+αM′(t-1)

M(0)＝M_b

其中，α,β∈(0,1)分别为心情衰减系数和心情变化影响系数。

4.如权利要求1-3任一项所述的基于心情指数的多层情感计算方法，其特征在于，步骤2具体为：

步骤2.1、根据步骤1所得心情指数M(t)，计算性格对当前情感的影响分量；

步骤2.2、根据步骤1所得心情指数M(t)，计算外部刺激对当前情感的影响分量；

步骤2.3、计算不同情感状态之间的相互影响分量；

步骤2.4、根据步骤1所得心情指数M(t)，计算情感强度随时间的衰减分量；

步骤2.5、计算当前情感强度E(t)。

5.如权利要求4所述的基于心情指数的多层情感计算方法，其特征在于，步骤2中，步骤2.1具体为：首先，以PAD情感空间作为过渡，将性格P映射到OCC情感空间，计算方法为：

E_OCC(t)＝M(t)·P·K^T·F_OCC ^T

其中，是一个24维的OCC情感向量，K为性格到PAD情感的转换矩阵，F_OCC为PAD情感到OCC情感的映射矩阵，T表示矩阵的转置运算；

然后，将OCC情感分量映射到基本情感中，具体为：

E_P(t)＝[e_1P(t),e_2P(t),e_3P(t),e_4P(t),e_5P(t),e_6P(t)]

$\left\{\begin{array}{c}{e}_{1P}\left(t\right)=\underset{i=7,8}{\mathrm{\Σ}}{e}_i^{occ}/2\\ e_{2P}\left(t\right)=\underset{i=2,4,12,21}{\mathrm{\Σ}}{e}_i^{occ}/4\\ e_{3P}\left(t\right)=\underset{i=5,17,20,22,24}{\mathrm{\Σ}}{e}_i^{occ}/5\\ e_{4P}\left(t\right)=e_2^{occ}\\ e_{5P}\left(t\right)=\underset{i=1,8,9,10,11,13,14,15,16,18,19,23}{\mathrm{\Σ}}{e}_i^{occ}/2\\ e_{6P}\left(t\right)=0\end{array}\right.$

其中，E_P(t)＝[e_1P(t),e_2P(t),e_3P(t),e_4P(t),e_5P(t),e_6P(t)]为性格对基础情感的影响分量；

步骤2.2具体为，外部刺激对情感的影响分量E_stimus(t)为：

$E_{stimus}\left(t\right)=\left\{\begin{array}{ccc}{K}_1\&CenterDot;\mathrm{\&Phi;}\left(t\right)& if& M\left(t\right)>0\\ \mathrm{\&Phi;}\left(t\right)& if& M\left(t\right)=0\\ K_2\&CenterDot;\mathrm{\&Phi;}\left(t\right)& if& M\left(t\right)<0\end{array}\right.$

其中，K₁,K₂分别为影响系数矩阵；

步骤2.3具体为，计算不同情感状态之间的相互影响分量E_inter(t)：

E_inter(t)＝Λ·E(t)

其中，为情感相互影响矩阵，λ_ij∈[-1,1],i,j＝1,2,...,6表示情感i对情感j的影响因子，λ_ij＞0表示激励作用，λ_ij＜0表示抑制作用；

步骤2.4具体为，计算情感强度随时间的衰减分量E_fade(t)为：

E_fade(t)＝E(t)·e^(-M(t))；

步骤2.5具体为，当前情感强度E(t)为：

E(t)＝β₁E_P(t)+β₂E_stimus(t)+β₃E_inter(t)+β₄E_fade(t)

其中，为各个情感影响分量的影响系数。

6.如权利要求1-3任一项所述的基于心情指数的多层情感计算方法，其特征在于，步骤3具体为：

步骤3.1、基于阈值判断是否有新的情感被激活；

步骤3.2、根据状态转移概率矩阵，更新的情感概率π(t)；

步骤3.3、选择情感概率值最大的情感作为当前情感状态输出。

7.如权利要求6所述的基于心情指数的多层情感计算方法，其特征在于，步骤3中，步骤3.1具体为：

采用ω表示情感激活阈值，H(t)＝[h₁(t),h₂(t),...,h₆(t)]表示基本情感是否被激活，其中

$h_i\left(t\right)=\left\{\begin{array}{ccc}1& if& e_i\left(t\right)\&GreaterEqual;\mathrm{\&omega;}\\ 0& if& e_i\left(t\right)<\mathrm{\&omega;}\end{array}\right.,\&ForAll;i=1,2,...,6$

其中，e_i(t),i＝1,2,...,6分别表示6种基础情感的强度，h_i(t),i＝1,2,...,6分别表示第i种基础情感是否激活，表示有基本情感被激活了；则表示没有情感被激活；

步骤3.2具体为：在t时刻，没有情感被激活，则不进行概率计算，此时，处于平静状态；当某些基本情感被激活时，首先根据情感强度E(t)计算该时刻的情感状态概率π(t)＝[π₁(t),π₂(t),π₃(t),π₄(t),π₅(t),π₆(t)]，其中

${\mathrm{\&pi;}}_i\left(t\right)=\frac{h_i\left(t\right)e_i\left(t\right)}{\underset{j=1}{\overset{6}{\&Sigma;}}{h}_j\left(t\right)e_j\left(t\right)},i=1,2,...,6$

然后，根据状态转移矩阵A来更新情感状态的概率分布π′(t)＝π(t)A，其中，矩阵A为马尔科夫状态转移矩阵；

步骤3.3具体为：根据计算获得的情感概率π′(t)，选择概率值最大的情感作为当前情感状态，即