CN107766898A - 基于svm的三分类情绪概率判断方法 - Google Patents
基于svm的三分类情绪概率判断方法 Download PDFInfo
- Publication number
- CN107766898A CN107766898A CN201711295095.4A CN201711295095A CN107766898A CN 107766898 A CN107766898 A CN 107766898A CN 201711295095 A CN201711295095 A CN 201711295095A CN 107766898 A CN107766898 A CN 107766898A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- classification
- svm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明公开了一种基于SVM的三分类情绪概率判断方法,采集参与者情绪变化过程中产生的脑电信号,并对其进行下采样处理,构造样本,训练基于SVM的二分类情绪概率判断模型,通过训练好的二分类情绪概率判断模型构造基于SVM的三分类情绪概率判断模型,使用构造好的基于SVM的三分类情绪概率判断模型判断参与者属于某一类情绪的概率。脑电信号因其客观性强,并且能够真实的表达人类内在情绪状态的特点,因而受到很多研究者的广泛关注。本发明提出了一种基于SVM的三分类情绪概率判断方法,通过参与者的脑电信号得出参与者属于某一类情绪的概率,该方法识别结果较为准确,可以起到一定的指导作用。
Description
技术领域
本发明涉及情感计算技术领域,尤其涉及一种基于SVM的三分类情绪概率判断方法。
背景技术
情绪是伴随着认知和意识过程产生的心理和生理状态,在人类交流中起着重要的作用。情绪持续时间短,但蕴含着丰富的生物信息,其中不仅包含肢体,面部,语音语义等外部行为特征,还包含了大脑内部神经机制相互协调,具有客观且不易掩饰的脑电信号。通常将情绪分为乐观,平静和悲观等状态。情绪识别是指通过用户的行为和生理反应来预测估计相应的情绪状态。情绪识别的研究可以应用在健康监测,刑侦审讯,行为辅助等许多方面,对其给出合理的参考意见。因此,情绪识别的研究具有重要的现实意义。
针对脑电信号的处理,很多研究者已提出了多种提取特征参数的方法,同时已有很多研究者采用SVM算法对情绪进行识别,发现该算法的识别率较高。但标准的SVM算法只能依据决策函数输出唯一确定的数值,而针对情绪识别问题,样本不能明确地归为某一类情绪,只能以一定概率属于某一类情绪。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种基于SVM的三分类情绪概率判断方法,通过参与者的脑电信号得出参与者属于某一类情绪的概率,通过构造样本训练基于SVM的二分类情绪概率判断模型获得训练好的基于SVM的二分类情绪概率判断模型,在训练好的基于SVM的二分类情绪概率判断模型上构造基于SVM的三分类情绪概率判断模型,对脑电信号判断属于乐观、平静或悲观。
本发明为解决上述技术问题采用以下技术方案:
基于SVM的三分类情绪概率判断方法,包括如下步骤:
步骤1:采集参与者情绪变化过程中产生的脑电信号,并其进行下采样处理,构造样本;
步骤2:使用构造的样本训练基于SVM的二分类情绪概率判断模型;
步骤3:根据基于SVM的二分类情绪概率判断模型构造基于SVM的三分类情绪概率判断模型;
步骤4:使用基于SVM的三分类情绪概率判断模型对参与者新的脑电信号进行情绪概率判断。
作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案,所述步骤1的详细步骤如下:
步骤1-1:准备若干部用以诱发参与者的情绪产生变化的情感视频以及用于采集参与者观看情感视频时脑电信号的头戴信号采集设备;
步骤1-2:参与者头戴设备观看若干部的情感视频,产生相应的情绪变化,头戴信号采集设备采集参与者的脑电信号;
步骤1-3:参与者观看完每一部情感视频后指出此时情绪状态Y,其中Y∈{1,2,3},1表示乐观,2表示平静,3表示悲观;
步骤1-4:使用预设的频率阈值对采集到的脑电信号进行下采样处理,获得离散的脑电信号序列X(n),其中n为脑电信号序列下标;
步骤1-5:通过参与者的脑电信号序列X(n)和情绪状态Y构造样本{X(n),Y}。
作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案,所述步骤2的详细步骤如下:
步骤2-1:提取脑电信号序列X(n)的统计特征组成该模型的输入向量F={μX,σX,τX,δX,γX};
其中,为脑电信号序列的均值;
为脑电信号序列的标准差;
为脑电信号序列的方差;
为脑电信号序列的一阶差分均值;
为脑电信号序列的二阶差分均值,N为脑电信号采样点的总数;
步骤2-2:将样本{X(n),Y}转换为模型训练样本{F,Y}g={{F1,y1},{F2,y2},...,{Fg,yg}},其中,g∈{1,2,...,M},M为情感视频总数;
步骤2-3:令Φ(F)为F通过核函数映射后的特征向量,则SVM的决策函数f(F)=wΦ(F)+b,其中,w为权值向量,b为偏置向量;
步骤2-4:引入拉格朗日乘子αi计算决策函数的最优化方程:
其中,m是模型训练样本数,Φ(Fi)TΦ(Fj)是映射到高维特征空间后Fi和Fj的内积;
步骤2-5:本发明中利用径向基核函数k(·)来计算Φ(Fi)TΦ(Fj),将步骤2-4中的最优化方程转化为:
步骤2-6:通过计算步骤2-5中的最优化方程,将决策函数转换为如下形式:
步骤2-7:经过训练可以获得αi,从而得出决策函数中w的值,通过如下公式可以获得偏置向量b,获得基于SVM的二分类情绪识别模型:
wΦ(F)+b=0
步骤2-8:训练基于SVM的二分类情绪概率判断模型需要确定输出向量P={p1,p2};
其中,p1=p(y=1|F)表示特征向量F属于y=1类情绪的概率,p2=p(y=2|F)表示特征向量F属于y=2类情绪的概率;
引入带有参数A,B的Sigmoid函数pA,B实现概率输出,则:
其中,f=f(Fi),是对于每一个Fi的分类结果;p(y|F)表示特征向量F属于y类情绪的概率,y∈{1,2};
步骤2-9:采用最大似然估计进行训练,并重新定义训练集合(fi,ti),其中,ti为目标概率,fi为分类结果,并且通过计算如下最优化方程获得A,B的值:
其中,N+,N_分别为两种分类情绪的数目;
由此可获得A,B的最优解为z*=(A*,B*),最终获得训练好的基于SVM的二分类情绪概率判断模型。
作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案,所述步骤3中的详细步骤如下:
步骤3-1,将基于SVM的三分类情绪概率判断问题划分为三个基于SVM的二分类情绪概率判断问题,将三种情绪进行两两划分,得到以下三种情况,分别记为{C1=(1,2),C2=(1,3),C3=(2,3)},其中,C1为乐观和平静的二分类,C2为乐观和悲观的二分类,C3为平静和悲观的二分类;
步骤3-2:通过训练好的基于SVM的二分类情绪概率判断模型,获得三个二分类情绪的概率{p1C1,p2C1},{p1C2,p3C2},{p2C3,p3C3};
其中,pkCj是指在Cj的二分类问题中,预测结果为k的情绪概率,k∈{1,2,3};
步骤3-3:根据如下公式计算得到情绪概率{p1,p2,p3},分别对应情绪状态为乐观、平静和悲观的概率:
作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案,所述步骤4中的详细步骤如下:
步骤4-1:采用头戴信号采集设备测得参与者新的脑电信号;
步骤4-2:对新的脑电信号进行下采样处理从而获得离散的脑电信号并提取其统计特征;
步骤4-3:使用构造好的基于SVM的三分类情绪概率判断模型判断参与者属于三类情绪的概率,输出此时参与者情绪状态属于乐观、平静和悲观的概率。
作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案,步骤1-4中所述的预设的频率阈值为128Hz。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明通过参与者的脑电信号判断参与者属于某一类情绪的概率,解决了在情绪识别方面样本难以明确归为某一类情绪的问题,提高了情绪判断的准确性。
具体实施方式
下面对本发明的技术方案做进一步的详细说明:
本发明提出一种基于SVM的三分类情绪概率判断方法,包括如下步骤:
步骤1:采集参与者情绪变化过程中产生的脑电信号,并其进行下采样处理,构造样本;
步骤2:使用构造的样本训练基于SVM的二分类情绪概率判断模型;
步骤3:根据基于SVM的二分类情绪概率判断模型构造基于SVM的三分类情绪概率判断模型;
步骤4:使用基于SVM的三分类情绪概率判断模型对参与者新的脑电信号进行情绪概率判断。
作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案,所述步骤1的详细步骤如下:
步骤1-1:准备若干部用以诱发参与者的情绪产生变化的情感视频以及用于采集参与者观看情感视频时脑电信号的头戴信号采集设备;
步骤1-2:参与者头戴设备观看若干部的情感视频,产生相应的情绪变化,头戴信号采集设备采集参与者的脑电信号;
步骤1-3:参与者观看完每一部情感视频后指出此时情绪状态Y,其中Y∈{1,2,3},1表示乐观,2表示平静,3表示悲观;
步骤1-4:使用128Hz的频率对采集到的脑电信号进行下采样处理,获得离散的脑电信号序列X(n),其中n为脑电信号序列下标;
步骤1-5:通过参与者的脑电信号序列X(n)和情绪状态Y构造样本{X(n),Y}。
所述步骤2的详细步骤如下:
步骤2-1:提取脑电信号序列X(n)的统计特征组成该模型的输入向量F={μX,σX,tX,δX,γX};
其中,为脑电信号序列的均值;
为脑电信号序列的标准差;
为脑电信号序列的方差;
为脑电信号序列的一阶差分均值;
为脑电信号序列的二阶差分均值,N为脑电信号采样点的总数;
步骤2-2:将样本{X(n),Y}转换为模型训练样本{F,Y}g={{F1,y1},{F2,y2},...,{Fg,yg}},其中,g∈{1,2,...,M},M为情感视频总数;
步骤2-3:令Φ(F)为F通过核函数映射后的特征向量,则SVM的决策函数f(F)=wΦ(F)+b,其中,w为权值向量,b为偏置向量;
步骤2-4:引入拉格朗日乘子αi计算决策函数的最优化方程:
其中,m是模型训练样本数,Φ(Fi)TΦ(Fj)是映射到高维特征空间后Fi和Fj的内积;
步骤2-5:本发明中利用径向基核函数k(·)来计算Φ(Fi)TΦ(Fj),将步骤2-4中的最优化方程转化为:
步骤2-6:通过计算步骤2-5中的最优化方程,将决策函数转换为如下形式:
步骤2-7:经过训练可以获得αi,从而得出决策函数中w的值,通过如下公式可以获得偏置向量b,获得基于SVM的二分类情绪识别模型:
wΦ(F)+b=0
步骤2-8:训练基于SVM的二分类情绪概率判断模型需要确定输出向量P={p1,p2};
其中,p1=p(y=1|F)表示特征向量F属于y=1类情绪的概率,p2=p(y=2|F)表示特征向量F属于y=2类情绪的概率;
引入带有参数A,B的Sigmoid函数pA,B实现概率输出,则:
其中,f=f(Fi),是对于每一个Fi的分类结果;p(y|F)表示特征向量F属于y类情绪的概率,y∈{1,2};
步骤2-9:采用最大似然估计进行训练,并重新定义训练集合(fi,ti),其中,ti为目标概率,fi为分类结果,并且通过计算如下最优化方程获得A,B的值:
其中,N+,N_分别为两种分类情绪的数目;
由此可获得A,B的最优解为z*=(A*,B*),最终获得训练好的基于SVM的二分类情绪概率判断模型。
所述步骤3中的详细步骤如下:
步骤3-1,将基于SVM的三分类情绪概率判断问题划分为三个基于SVM的二分类情绪概率判断问题,将三种情绪进行两两划分,得到以下三种情况,分别记为{C1=(1,2),C2=(1,3),C3=(2,3)},其中,C1为乐观和平静的二分类,C2为乐观和悲观的二分类,C3为平静和悲观的二分类;
步骤3-2:通过训练好的基于SVM的二分类情绪概率判断模型,获得三个二分类情绪的概率{p1C1,p2C1},{p1C2,p3C2},{p2C3,p3C3};
其中,pkCj是指在Cj的二分类问题中,预测结果为k的情绪概率,k∈{1,2,3};
步骤3-3:根据如下公式计算得到情绪概率{p1,p2,p3},分别对应情绪状态为乐观、平静和悲观的概率:
所述步骤4中的详细步骤如下:
步骤4-1:采用头戴信号采集设备测得参与者新的脑电信号;
步骤4-2:对新的脑电信号进行下采样处理从而获得离散的脑电信号并提取其统计特征;
步骤4-3:使用构造好的基于SVM的三分类情绪概率判断模型判断参与者属于三类情绪的概率,输出此时参与者情绪状态属于乐观、平静和悲观的概率。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于SVM的三分类情绪概率判断方法,其特征在于,包括如下步骤:
步骤1:采集参与者情绪变化过程中产生的脑电信号,并其进行下采样处理,构造样本;
步骤2:使用构造的样本训练基于SVM的二分类情绪概率判断模型;
步骤3:根据基于SVM的二分类情绪概率判断模型构造基于SVM的三分类情绪概率判断模型;
步骤4:使用基于SVM的三分类情绪概率判断模型对参与者新的脑电信号进行情绪概率判断。
2.根据权利要求1所述的基于SVM的三分类情绪概率判断方法,其特征在于,所述步骤1的详细步骤如下:
步骤1-1:准备若干部用以诱发参与者的情绪产生变化的情感视频以及用于采集参与者观看情感视频时脑电信号的头戴信号采集设备;
步骤1-2:参与者头戴设备观看若干部的情感视频,产生相应的情绪变化,头戴信号采集设备采集参与者的脑电信号;
步骤1-3:参与者观看完每一部情感视频后指出此时情绪状态Y,其中Y∈{1,2,3},1表示乐观,2表示平静,3表示悲观;
步骤1-4:使用预设的频率阈值对采集到的脑电信号进行下采样处理,获得离散的脑电信号序列X(n),其中n为脑电信号序列下标;
步骤1-5:通过参与者的脑电信号序列X(n)和情绪状态Y构造样本{X(n),Y}。
3.根据权利要求2基于SVM的三分类情绪概率判断方法,其特征在于,所述步骤2的详细步骤如下:
步骤2-1:提取脑电信号序列X(n)的统计特征组成该模型的输入向量F={μX,σX,tX,δX,γX};
其中,为脑电信号序列的均值;
为脑电信号序列的标准差;
为脑电信号序列的方差;
为脑电信号序列的一阶差分均值;
为脑电信号序列的二阶差分均值,N为脑电信号采样点的总数;
步骤2-2:将样本{X(n),Y}转换为模型训练样本{F,Y}g={{F1,y1},{F2,y2},...,{Fg,yg}},其中,g∈{1,2,...,M},M为情感视频总数;
步骤2-3:令Φ(F)为F通过核函数映射后的特征向量,则SVM的决策函数f(F)=wΦ(F)+b,其中,w为权值向量,b为偏置向量;
步骤2-4:引入拉格朗日乘子αi计算决策函数的最优化方程:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>&alpha;</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>&Phi;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&alpha;</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,m是模型训练样本数,Φ(Fi)TΦ(Fj)是映射到高维特征空间后Fi和Fj的内积;
步骤2-5:本发明中利用径向基核函数k(·)来计算Φ(Fi)TΦ(Fj),将步骤2-4中的最优化方程转化为:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>&alpha;</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>F</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
步骤2-6:通过计算步骤2-5中的最优化方程,将决策函数转换为如下形式:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
步骤2-7:经过训练可以获得αi,从而得出决策函数中w的值,通过如下公式可以获得偏置向量b,获得基于SVM的二分类情绪识别模型:
wΦ(F)+b=0
步骤2-8:训练基于SVM的二分类情绪概率判断模型需要确定输出向量P={p1,p2};
其中,p1=p(y=1|F)表示特征向量F属于y=1类情绪的概率,p2=p(y=2|F)表示特征向量F属于y=2类情绪的概率;
引入带有参数A,B的Sigmoid函数pA,B实现概率输出,则:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>|</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mi>f</mi>
<mo>+</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,f=f(Fi),是对于每一个Fi的分类结果;p(y|F)表示特征向量F属于y类情绪的概率,y∈{1,2};
步骤2-9:采用最大似然估计进行训练,并重新定义训练集合(fi,ti),其中,ti为目标概率,fi为分类结果,并且通过计算如下最优化方程获得A,B的值:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>z</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>+</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mo>+</mo>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mo>+</mo>
</msub>
<mo>+</mo>
<mn>2</mn>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>N</mi>
<mo>-</mo>
</msub>
<mo>+</mo>
<mn>2</mn>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,N+,N_分别为两种分类情绪的数目;
由此可获得A,B的最优解为z*=(A*,B*),最终获得训练好的基于SVM的二分类情绪概率判断模型。
4.根据权利要求3所述的基于SVM的三分类情绪概率判断方法,其特征在于,所述步骤3中的详细步骤如下:
步骤3-1,将基于SVM的三分类情绪概率判断问题划分为三个基于SVM的二分类情绪概率判断问题,将三种情绪进行两两划分,得到以下三种情况,分别记为{C1=(1,2),C2=(1,3),C3=(2,3)},其中,C1为乐观和平静的二分类,C2为乐观和悲观的二分类,C3为平静和悲观的二分类;
步骤3-2:通过训练好的基于SVM的二分类情绪概率判断模型,获得三个二分类情绪的概率{p1C1,p2C1},{p1C2,p3C2},{p2C3,p3C3};
其中,pkCj是指在Cj的二分类问题中,预测结果为k的情绪概率,k∈{1,2,3};
步骤3-3:根据如下公式计算得到情绪概率{p1,p2,p3},分别对应情绪状态为乐观、平静和悲观的概率:
<mrow>
<mi>p</mi>
<mn>1</mn>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<msub>
<mn>1</mn>
<mrow>
<mi>C</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>p</mi>
<msub>
<mn>1</mn>
<mrow>
<mi>C</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
<mrow>
<mi>p</mi>
<mn>2</mn>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<msub>
<mn>2</mn>
<mrow>
<mi>C</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>p</mi>
<msub>
<mn>2</mn>
<mrow>
<mi>C</mi>
<mn>3</mn>
</mrow>
</msub>
</mrow>
<mn>3</mn>
</mfrac>
</mrow>
<mrow>
<mi>p</mi>
<mn>3</mn>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<msub>
<mn>3</mn>
<mrow>
<mi>C</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>p</mi>
<msub>
<mn>3</mn>
<mrow>
<mi>C</mi>
<mn>3</mn>
</mrow>
</msub>
</mrow>
<mn>3</mn>
</mfrac>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的基于SVM的三分类情绪概率判断方法,其特征在于,所述步骤4中的详细步骤如下:
步骤4-1:采用头戴信号采集设备测得参与者新的脑电信号;
步骤4-2:对新的脑电信号进行下采样处理从而获得离散的脑电信号并提取其统计特征;
步骤4-3:使用构造好的基于SVM的三分类情绪概率判断模型判断参与者属于三类情绪的概率,输出此时参与者情绪状态属于乐观、平静和悲观的概率。
6.根据权利要求2所述的基于SVM的三分类情绪概率判断方法,其特征在于,步骤1-4中所述的预设的频率阈值为128Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711295095.4A CN107766898A (zh) | 2017-12-08 | 2017-12-08 | 基于svm的三分类情绪概率判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711295095.4A CN107766898A (zh) | 2017-12-08 | 2017-12-08 | 基于svm的三分类情绪概率判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766898A true CN107766898A (zh) | 2018-03-06 |
Family
ID=61277801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711295095.4A Pending CN107766898A (zh) | 2017-12-08 | 2017-12-08 | 基于svm的三分类情绪概率判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766898A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472290A (zh) * | 2018-10-11 | 2019-03-15 | 南京邮电大学 | 基于有限状态机的情绪波动模型分析方法 |
CN111104815A (zh) * | 2018-10-25 | 2020-05-05 | 北京入思技术有限公司 | 一种基于情绪能量感知的心理测评方法及装置 |
CN111671419A (zh) * | 2020-06-12 | 2020-09-18 | 山东大学 | 一种基于脑电信号的癫痫早期检测与识别方法及系统 |
CN113807904A (zh) * | 2020-06-17 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置和系统、计算机系统和存储介质 |
CN115192040A (zh) * | 2022-07-18 | 2022-10-18 | 天津大学 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
CN115715680A (zh) * | 2022-12-01 | 2023-02-28 | 杭州市第七人民医院 | 一种基于结缔组织电势的焦虑判别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN104949840A (zh) * | 2015-05-05 | 2015-09-30 | 天津大学 | 一种基于振动分析的柴油机故障诊断方法 |
CN105426830A (zh) * | 2015-11-11 | 2016-03-23 | 浙江大学 | 基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法 |
CN105510729A (zh) * | 2014-10-11 | 2016-04-20 | 国家电网公司 | 一种变压器过热故障诊断方法 |
-
2017
- 2017-12-08 CN CN201711295095.4A patent/CN107766898A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN105510729A (zh) * | 2014-10-11 | 2016-04-20 | 国家电网公司 | 一种变压器过热故障诊断方法 |
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN104949840A (zh) * | 2015-05-05 | 2015-09-30 | 天津大学 | 一种基于振动分析的柴油机故障诊断方法 |
CN105426830A (zh) * | 2015-11-11 | 2016-03-23 | 浙江大学 | 基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法 |
Non-Patent Citations (3)
Title |
---|
ANAS SAMARA ET AL.: ""Feature Extraction for Emotion Recognition and Modelling using Neurophysiolog"", 《2016 15TH INTERNATIONAL CONFERENCE ON UBIQUITOUS COMPUTING AND COMMUNICATIONS AND 2016 8TH INTERNATIONAL SYMPOSIUM ON CYBERSPACE AND SECURITY》 * |
弓鹏伟 等: ""基于多传感器信息融合的轮履混合移动机器人路况识别方法"", 《上海交通大学学报》 * |
苏建新: ""基于脑电信号的情绪识别研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472290A (zh) * | 2018-10-11 | 2019-03-15 | 南京邮电大学 | 基于有限状态机的情绪波动模型分析方法 |
CN111104815A (zh) * | 2018-10-25 | 2020-05-05 | 北京入思技术有限公司 | 一种基于情绪能量感知的心理测评方法及装置 |
CN111671419A (zh) * | 2020-06-12 | 2020-09-18 | 山东大学 | 一种基于脑电信号的癫痫早期检测与识别方法及系统 |
CN113807904A (zh) * | 2020-06-17 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置和系统、计算机系统和存储介质 |
CN115192040A (zh) * | 2022-07-18 | 2022-10-18 | 天津大学 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
CN115192040B (zh) * | 2022-07-18 | 2023-08-11 | 天津大学 | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 |
CN115715680A (zh) * | 2022-12-01 | 2023-02-28 | 杭州市第七人民医院 | 一种基于结缔组织电势的焦虑判别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766898A (zh) | 基于svm的三分类情绪概率判断方法 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN107495962B (zh) | 一种单导联脑电的睡眠自动分期方法 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN103294199B (zh) | 一种基于脸部肌音信号的无声信息识别系统 | |
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
CN110604565A (zh) | 一种基于便携式eeg设备的脑部健康筛查方法 | |
CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
Chen et al. | Self-organized neural network for the quality control of 12-lead ECG signals | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
Zhang et al. | ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN109363670A (zh) | 一种基于睡眠监测的抑郁症智能检测方法 | |
CN108451527A (zh) | 一种对不同麻醉状态下脑电信号分类系统 | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及系统 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
CN102184415A (zh) | 一种基于脑电信号的疲劳状态识别方法 | |
CN106936526A (zh) | 一种基于信道状态信息的非接触式睡眠分期装置及方法 | |
CN106725452A (zh) | 基于情感诱发的脑电信号识别方法 | |
CN107273841A (zh) | 一种基于emd及高斯核函数svm的脑电情感分类方法 | |
CN108363493A (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
CN111563891A (zh) | 基于颜色认知的疾病预测系统 | |
CN107193378A (zh) | 基于脑电波机器学习的情感判定装置及方法 | |
CN109498000A (zh) | 基于emd与wpd特征融合的癫痫发作前期预测方法 | |
Ragnarsdóttir et al. | Automatic detection of target regions of respiratory effort-related arousals using recurrent neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180306 |