CN107894837A - 动态情感分析模型样本处理方法及装置 - Google Patents
动态情感分析模型样本处理方法及装置 Download PDFInfo
- Publication number
- CN107894837A CN107894837A CN201711213357.8A CN201711213357A CN107894837A CN 107894837 A CN107894837 A CN 107894837A CN 201711213357 A CN201711213357 A CN 201711213357A CN 107894837 A CN107894837 A CN 107894837A
- Authority
- CN
- China
- Prior art keywords
- signal
- value
- original data
- obtaining
- sequence
- 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
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明实施例提供了一种动态情感分析模型样本处理方法及装置、计算机设备以及计算机可读存储介质,该方法中在被测对象观看视频的过程中采集了被测对象的脉搏信号以及皮肤电阻信号,接着对脉搏信号以及皮肤电阻信号进行预处理获取对应的功率谱值、近似熵值以及模态能量商值,最后将功率谱值、近似熵值以及模态能量商值作为动态情感分析模型的样本输入到支持向量机中进行分类。从而相比于现有的模型建立方法,本发明实施例提供的方法用于进行建模的更为多元化,且对建模样本进行了有效的预处理,能够有效提升建立的模型的准确性,提高模型识别人类情感的准确率。
Description
技术领域
本发明涉及软件技术领域,具体涉及一种动态情感分析模型样本处理方法及装置。
背景技术
随着计算机技术的日益发展,人们对于计算机技术的应用也越发的多元化,例如可以利用计算机技术来对人类的情感进行自动识别。目前,许多学者对于情感自动识别都进行了一定深入的研究。一些学者提出了一种基于面部表情的情感计算建模系统,利用摄像头采集测试者面部信息,建立个性化情感知识库,给出测试者的情感状态。另一些学者提供了一种相关性分析及蚁群优化算法用于脉搏信号的情感识别研究,获取脉搏信号进行建模分析。还有一些学者提出基于TM_EMD的脉搏信号多模态特征情感识别方法,通过提取脉搏信号不同特征来分析和辨别不同情感状态。
然而,在实施本发明实施例的过程中发明人发现,现有的这些情感自动识别的建模方法中,用于进行建模的模型样本单一,也未进行适应性处理,从而影响模型识别的准确度。
发明内容
本发明实施例的目的在于提供一种动态情感分析模型样本处理方法及装置。
第一方面,本发明实施例提供了一种动态情感分析模型样本处理方法,
获取被测对象在观看视频的过程中的产生的第一信号,所述第一信号包括被测对象的脉搏信号和/或皮肤电阻信号;
对第一信号进行降噪处理;
以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,获取所述第一信号主波期间时间序列对应的近似熵值,获取所述第一信号对应的模态能量商值;
将所述功率谱值、近似熵值以及模态能量商值作为所述动态情感分析模型的样本输入到支持向量机中进行分类训练。
第二方面,本发明实施例又提供了一种动态情感分析模型样本处理装置,包括:
获取单元,用于获取被测对象在观看视频的过程中的产生的第一信号,所述第一信号包括被测对象的脉搏信号和/或皮肤电阻信号;
降噪单元,用于对第一信号进行降噪处理;
处理单元,用于以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,获取所述第一信号主波期间时间序列对应的近似熵值,获取所述第一信号对应的模态能量商值;
输入单元,用于将所述功率谱值、近似熵值以及模态能量商值作为所述动态情感分析模型的样本输入到支持向量机中进行分类训练。
第三方面,本发明的又一实施例提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如第一方面所述方法的步骤。
第四方面,本发明的又一实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例提供了一种动态情感分析模型样本处理方法及装置、计算机设备以及计算机可读存储介质,该方法中在被测对象观看视频的过程中采集了被测对象的脉搏信号以及皮肤电阻信号,接着对脉搏信号以及皮肤电阻信号进行预处理获取对应的功率谱值、近似熵值以及模态能量商值,最后将功率谱值、近似熵值以及模态能量商值作为动态情感分析模型的样本输入到支持向量机中进行分类。从而相比于现有的模型建立方法,本发明实施例提供的方法用于进行建模的更为多元化,且对建模样本进行了有效的预处理,能够有效提升建立的模型的准确性,提高模型识别人类情感的准确率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明提供的一种动态情感分析模型样本处理方法实施例流程图;
图2是本发明提供的一种动态情感分析模型样本处理装置实施例结构示意图;
图3是本发明提供的一种计算机设备实施例结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,本发明实施例提供了一种动态情感分析模型样本处理方法,如图1所示,包括:
S101、获取被测对象在观看视频的过程中的产生的第一信号,所述第一信号包括被测对象的脉搏信号和/或皮肤电阻信号;
需要说明的是,在实际情况下,这里的脉搏信号以及皮肤电阻信号可以分别为两条曲线,为了能够进行进一步的预处理,这里可以对曲线进行采样,得到脉搏信号以及皮肤电阻信号的原始数据。
S102、对第一信号进行降噪处理;
在具体实施时,这里对第一信号进行降噪处理可以有多种实施方式,其中一种可选的实施方式为通过小波变换的方式来进行降噪处理,本发明对此不作具体限定。
S103、以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,获取所述第一信号主波期间时间序列对应的近似熵值,获取所述第一信号对应的模态能量商值;
(1)具体来说,以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,具体可以包括:
根据如下公式获取第一信号对应的功率谱值:
其中,X(k)为第一信号,PPER为第一信号的功率谱值。
(2)以所述第一信号作为原始数据,获取所述第一信号主波期间时间序列对应的近似熵值,可以包括:
根据如下步骤获取主波期间时间序列对应的近似熵值:
步骤一、定义第一信号的原始数据序列为x(1)、x(2)、x(3)…x(N)共N个点;
步骤二、将原始数据按照序号顺序依次组成具有m维的一组矢量:从X(1)到X(N-m+1),其中,X(i)=[x(i),x(i+1),…,x(i+m-1)](i=1~N-m=1),该矢量包含原始数据的第i个点以后的连续m个x值;
步骤三、计算X(i),X(j)两矢量对应元素中差值最大的一个并将其定义为矢量X(i)和X(j)间的距离,其中i和j为元素序号,i,j=1~N-m+1,j!=i,即:
d[X(i),X(j)]=maxk=0-m-1[|x(i+k)-x(j+k)|]2 (2)
X(i),X(j)两矢量中其他对应元素之间的差值均小于d,并对并对每一个i值循环计算X(i)与其它矢量X(j)之间的距离d[X(i),X(j)];
步骤四、给定阈值r,对每个i<N-m+1的值,计算d[X(i),X(j)]小于r的个数及其与计算所得的距离总数N-m的比值,记作即:
步骤五、求取的对数,再求该值对全部i的均值,记作:φm(r)
步骤六、把维数增加1,变成m+1,重复步骤二至步骤五,得到以及φm+1(r);
步骤七、得到原始数据序列的近似熵值:
一般言之,此极限值在理想状态下以概率1存在。但对序列进行实际分析时,其长度N不可能为无穷大。当N为有限值时按上述步骤得出的值时序列长度为N时的ApEn的估计值。
即:
ApEn的值显然与m、r的取值有关。Pincus根据实践,建议取m=2,r=0.1-0.2*STD(STD为原始数据x(i),i=1~N的标准差)。
(3)以所述第一信号作为原始数据,获取所述第一信号对应的模态能量商值,可以包括:
根据如下步骤获取所述第一信号对应的模态能量商值:
具体来说,EMD算法是美国国家宇航局等人于1998年提出的一种新型自适应信号时频域处理方法,该方法在分析处理非平稳、非线性信号方面具有独特的优势。该方法突破了傅里叶变换只能对信号进行线性、稳态频谱分析的局限。EDF方法从本质上讲是对一个信号(或其导数,视所需的分解精度而定)进行平稳化处理,其结果是将信号中不同尺度的波动或趋势逐级分解开来,产生一系列具有不同特征尺度的数据序列,每一个序列称为一个本征模函数即IMF。IMF需要满足两个条件:(1)整个数据集的极大极小值数目与过零点数目相等或最多相差一个;(2)数据集的任意点上,由极大值和极小值确定的包络线的均值始终为零。IMF分量突出了数据的局部特征,对其分析可以更准确把握原数据的特征信息。其分解过程如下:
(1)搜索数据序列的局部极大值序列Xmax和局部极小值序列Xmin。
(2)根据三次样条插值方法结合所得到的Xmax和Xmin确定原始数据集的上下包络线。
(3)根据得到的上下包络线,计算原始数据X(t)在对应位置的局部均值m11(t),并计算原始数据与局部均值的差,记为h11=X(t)-m11(t)。
(4)以h11代替X(t)循环(1)-(3),直到h1k-1与h1k之间的方差小于设定的阈值,即认为以h1k是原始数据的IMF分量,则c1=h1k,r1(t)=X(t)-c1,X(t)=r1(t)。。
(5)重复(1)-(4)直到rn或cn小于设定阈值;或余量rn(t)变成单调函数,则结束原始数据EDM的分解。最后得到:
式中ci为原始数据第i个IMF分量,rn为趋势项。
按照前面所述EMD信号分解方法,将采集到的脉搏信号x(n)分解成k个固有模态分量c1(t),c2(t)...,ck(t),然后按照下式计算出每个IMF分量的模态能量商值。
由于分解信号能量幅度较大,一般对模态能量进行归一化处理,令:
得到归一化的能量:
模态能量商值定义如下:
模态能量商是在END自适应分解的前提下,求取不同分解层次模态能量之和的商值,排除了信号自身特点对分解结果的影响。其计算结果具有相对稳定性。
S104、将所述功率谱值、近似熵值以及模态能量商值作为所述动态情感分析模型的样本输入到支持向量机中进行分类训练。
由于情感状态识别本质上是一个复杂的多类判别问题,而SVM(支持向量机)本来是一种处理二类问题的方法。在处理多类问题时,可通过扩展的方法将多类问题分解为二分类问题,然后用SVM进行训练,将一系列二分类器组合在一起就可实现多分类。
对于任两个类別都构造一个SVM,共需要k*(k-1)个SVM。SVM只能分辨当初训练時所使用的两类。例如在构造a类和b类时,就应该使用a类和b类来训练其分类函数,分别将属于a类与b类的样本记为“+1”与“-1”,因此对于情感识别的六个类别,需设计训练15个分类器。最后通过统计所有分类器中对应六类累计得分情况,决定样本属于哪个类。利用上述方法构造的六分类支持向量机对不同情感状态下脉搏信号进行分类识别,以试验样本计算出的主波间期时间序列近似熵、谱能比和模态能量商做为特征向量,分别计算不同情感状态的分类识别情况。从而通过上述样本来建立动态情感分析模型。
本发明实施例提供了一种动态情感分析模型样本处理方法,该方法中在被测对象观看视频的过程中采集了被测对象的脉搏信号以及皮肤电阻信号,接着对脉搏信号以及皮肤电阻信号进行预处理获取对应的功率谱值、近似熵值以及模态能量商值,最后将功率谱值、近似熵值以及模态能量商值作为动态情感分析模型的样本输入到支持向量机中进行分类。从而相比于现有的模型建立方法,本发明实施例提供的方法用于进行建模的更为多元化,且对建模样本进行了有效的预处理,能够有效提升建立的模型的准确性,提高模型识别人类情感的准确率。
第二方面,本发明实施例还提供了一种动态情感分析模型样本处理装置,如图2所示,包括:
获取单元201,用于获取被测对象在观看视频的过程中的产生的第一信号,所述第一信号包括被测对象的脉搏信号和/或皮肤电阻信号;
降噪单元202,用于对第一信号进行降噪处理;
处理单元203,用于以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,获取所述第一信号主波期间时间序列对应的近似熵值,获取所述第一信号对应的模态能量商值;
输入单元204,用于将所述功率谱值、近似熵值以及模态能量商值作为所述动态情感分析模型的样本输入到支持向量机中进行分类训练。
在一些具体实施例中,所述处理单元以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,包括:
根据如下公式获取第一信号对应的功率谱值:
其中,X(k)为第一信号,PPER为第一信号的功率谱值。
在一些具体实施例中,所述处理单元以所述第一信号作为原始数据,获取所述第一信号主波期间时间序列对应的近似熵值,包括:
根据如下步骤获取主波期间时间序列对应的近似熵值:
步骤一、定义第一信号的原始数据序列为x(1)、x(2)、x(3)…x(N)共N个点;
步骤二、将原始数据按照序号顺序依次组成具有m维的一组矢量:从X(1)到X(N-m+1),其中,X(i)=[x(i),x(i+1),…,x(i+m-1)](i=1~N-m=1),该矢量包含原始数据的第i个点以后的连续m个x值;
步骤三、计算X(i),X(j)两矢量对应元素中差值最大的一个并将其定义为矢量X(i)和X(j)间的距离,其中i和j为元素序号,i,j=1~N-m+1,j!=i,即:
d[X(i),X(j)]=maxk=0-m-1[|x(i+k)-x(j+k)|]2
X(i),X(j)两矢量中其他对应元素之间的差值均小于d,并对并对每一个i值循环计算X(i)与其它矢量X(j)之间的距离d[X(i),X(j)];
步骤四、给定阈值r,对每个i<N-m+1的值,计算d[X(i),X(j)]小于r的个数及其与计算所得的距离总数N-m的比值,记作即:
步骤五、求取的对数,再求该值对全部i的均值,记作:φm(r)
步骤六、把维数增加1,变成m+1,重复步骤二至步骤五,得到以及φm+1(r);
步骤七、得到原始数据序列的近似熵值:
在一些具体实施例中,所述处理单元以所述第一信号作为原始数据,获取所述第一信号对应的模态能量商值,包括:
根据如下步骤获取所述第一信号对应的模态能量商值:
步骤一、搜索第一信号的数据序列的局部极大值序列Xmax和局部极小值序列Xmin;
步骤二、根据三次样条插值方法结合所得到的Xmax和Xmin确定原始数据集的上下包络线。
步骤三、根据得到的上下包络线,计算原始数据X(t)在对应位置的局部均值m11(t),并计算原始数据与局部均值的差,记为h11=X(t)-m11(t);
步骤四、以h11代替X(t)循环步骤一至三,直到h1k-1与h1k之间的方差小于设定的阈值,即认为以h1k是原始数据的IMF分量,则c1=h1k,r1(t)=X(t)-c1,X(t)=r1(t);
步骤五、重复步骤一至四,直到rn或cn小于设定阈值;或余量rn(t)变成单调函数,则结束原始数据EDM的分解,得到:式中ci为原始数据第i个IMF分量,rn为趋势项;
按照上述步骤一至五所述的分解方法,将采集到的脉搏信号x(n)分解成k个固有模态分量c1(t),c2(t)...,ck(t),然后按照下式计算出每个IMF分量的模态能量商值:
由于分解信号能量幅度较大,一般对模态能量进行归一化处理,令:
得到归一化的能量:
模态能量商值定义如下:
由于本实施例所介绍的动态情感分析模型样本处理装置为可以执行本发明实施例中的动态情感分析模型样本处理方法的装置,故而基于本发明实施例中所介绍的动态情感分析模型样本处理的方法,本领域所属技术人员能够了解本实施例的动态情感分析模型样本处理装置的具体实施方式以及其各种变化形式,所以在此对于该动态情感分析模型样本处理装置如何实现本发明实施例中的动态情感分析模型样本处理方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中动态情感分析模型样本处理方法所采用的装置,都属于本申请所欲保护的范围。
此外,图3示出本发明实施例提供的计算机设备的结构框图。
参照图3,该计算机设备,包括:处理器(processor)301、存储器(memory)302、以及总线303;
其中,所述处理器301以及存储器302通过所述总线303完成相互间的通信;
所述处理器301用于调用所述存储器302中的程序指令,以执行上述各方法实施例所提供的方法。
本发明实施例还公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法。
本发明实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的某些部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种动态情感分析模型样本处理方法,其特征在于,包括:
获取被测对象在观看视频的过程中的产生的第一信号,所述第一信号包括被测对象的脉搏信号和/或皮肤电阻信号;
对第一信号进行降噪处理;
以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,获取所述第一信号主波期间时间序列对应的近似熵值,获取所述第一信号对应的模态能量商值;
将所述功率谱值、近似熵值以及模态能量商值作为所述动态情感分析模型的样本输入到支持向量机中进行分类训练。
2.根据权利要求1所述的方法,其特征在于,以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,包括:
根据如下公式获取第一信号对应的功率谱值:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>P</mi>
<mi>E</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>|</mo>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中,X(k)为第一信号,PPER为第一信号的功率谱值。
3.根据权利要求1所述的方法,其特征在于,以所述第一信号作为原始数据,获取所述第一信号主波期间时间序列对应的近似熵值,包括:
根据如下步骤获取主波期间时间序列对应的近似熵值:
步骤一、定义第一信号的原始数据序列为x(1)、x(2)、x(3)…x(N)共N个点;
步骤二、将原始数据按照序号顺序依次组成具有m维的一组矢量:从X(1)到X(N-m+1),其中,X(i)=[x(i),x(i+1),…,x(i+m-1)](i=1~N-m=1),该矢量包含原始数据的第i个点以后的连续m个x值;
步骤三、计算X(i),X(j)两矢量对应元素中差值最大的一个并将其定义为矢量X(i)和X(j)间的距离,其中i和j为元素序号,i,j=1~N-m+1,j!=i,即:
d[X(i),X(j)]=maxk=0-m-1[|x(i+k)-x(j+k)|]
X(i),X(j)两矢量中其他对应元素之间的差值均小于d,并对并对每一个i值循环计算X(i)与其它矢量X(j)之间的距离d[X(i),X(j)];
步骤四、给定阈值r,对每个i<N-m+1的值,计算d[X(i),X(j)]小于r的个数及其与计算所得的距离总数N-m的比值,记作即:
步骤五、求取的对数,再求该值对全部i的均值,记作:φm(r)
<mrow>
<msup>
<mi>&phi;</mi>
<mi>m</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>lnC</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤六、把维数增加1,变成m+1,重复步骤二至步骤五,得到以及φm+1(r);
步骤七、得到原始数据序列的近似熵值:
<mrow>
<mi>A</mi>
<mi>p</mi>
<mi>E</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>lim</mi>
<mi>N</mi>
</munder>
<msup>
<mi>&phi;</mi>
<mi>m</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>&phi;</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的方法,其特征在于,以所述第一信号作为原始数据,获取所述第一信号对应的模态能量商值,包括:
根据如下步骤获取所述第一信号对应的模态能量商值:
步骤一、搜索第一信号的数据序列的局部极大值序列Xmax和局部极小值序列Xmin;
步骤二、根据三次样条插值方法结合所得到的Xmax和Xmin确定原始数据集的上下包络线;
步骤三、根据得到的上下包络线,计算原始数据X(t)在对应位置的局部均值m11(t),并计算原始数据与局部均值的差,记为h11=X(t)-m11(t);
步骤四、以h11代替X(t)循环步骤一至三,直到h1k-1与h1k之间的方差小于设定的阈值,即认为以h1k是原始数据的IMF分量,则c1=h1k,r1(t)=X(t)-c1,X(t)=r1(t);
步骤五、重复步骤一至四,直到rn或cn小于设定阈值;或余量rn(t)变成单调函数,则结束原始数据EDM的分解,得到:式中ci为原始数据第i个IMF分量,rn为趋势项;
按照上述步骤一至五所述的分解方法,将采集到的脉搏信号x(n)分解成k个固有模态分量c1(t),c2(t)…,ck(t),然后按照下式计算出每个IMF分量的模态能量商值:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2...</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
由于分解信号能量幅度较大,对模态能量进行归一化处理,令:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
</mrow>
得到归一化的能量:
<mrow>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mi>E</mi>
</mfrac>
</mrow>
最终得到模态能量商值如下:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mi>h</mi>
</msub>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
5.一种动态情感分析模型样本处理装置,其特征在于,包括:
获取单元,用于获取被测对象在观看视频的过程中的产生的第一信号,所述第一信号包括被测对象的脉搏信号和/或皮肤电阻信号;
降噪单元,用于对第一信号进行降噪处理;
处理单元,用于以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,获取所述第一信号主波期间时间序列对应的近似熵值,获取所述第一信号对应的模态能量商值;
输入单元,用于将所述功率谱值、近似熵值以及模态能量商值作为所述动态情感分析模型的样本输入到支持向量机中进行分类训练。
6.根据权利要求5所述的装置,其特征在于,所述处理单元以所述第一信号作为原始数据,获取所述第一信号对应的功率谱值,包括:
根据如下公式获取第一信号对应的功率谱值:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>P</mi>
<mi>E</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>|</mo>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中,X(k)为第一信号,PPER为第一信号的功率谱值。
7.根据权利要求5所述的装置,其特征在于,所述处理单元以所述第一信号作为原始数据,获取所述第一信号主波期间时间序列对应的近似熵值,包括:
根据如下步骤获取主波期间时间序列对应的近似熵值:
步骤一、定义第一信号的原始数据序列为x(1)、x(2)、x(3)…x(N)共N个点;
步骤二、将原始数据按照序号顺序依次组成具有m维的一组矢量:从X(1)到X(N-m+1),其中,X(i)=[x(i),x(i+1),…,x(i+m-1)](i=1~N-m=1),该矢量包含原始数据的第i个点以后的连续m个x值;
步骤三、计算X(i),X(j)两矢量对应元素中差值最大的一个并将其定义为矢量X(i)和X(j)间的距离,其中i和j为元素序号,i,j=1~N-m+1,j!=i,即:
d[X(i),X(j)]=maxk=0-m-1[|x(i+k)-x(j+k)|]2
X(i),X(j)两矢量中其他对应元素之间的差值均小于d,并对并对每一个i值循环计算X(i)与其它矢量X(j)之间的距离d[X(i),X(j)];
步骤四、给定阈值r,对每个i<N-m+1的值,计算d[X(i),X(j)]小于r的个数及其与计算所得的距离总数N-m的比值,记作即:
步骤五、求取的对数,再求该值对全部i的均值,记作:φm(r)
<mrow>
<msup>
<mi>&phi;</mi>
<mi>m</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<msubsup>
<mi>lnC</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤六、把维数增加1,变成m+1,重复步骤二至步骤五,得到以及φm+1(r);
步骤七、得到原始数据序列的近似熵值:
<mrow>
<mi>A</mi>
<mi>p</mi>
<mi>E</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>lim</mi>
<mi>N</mi>
</munder>
<msup>
<mi>&phi;</mi>
<mi>m</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>&phi;</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
8.根据权利要求5所述的装置,其特征在于,所述处理单元以所述第一信号作为原始数据,获取所述第一信号对应的模态能量商值,包括:
根据如下步骤获取所述第一信号对应的模态能量商值:
步骤一、搜索第一信号的数据序列的局部极大值序列Xmax和局部极小值序列Xmin;
步骤二、根据三次样条插值方法结合所得到的Xmax和Xmin确定原始数据集的上下包络线;
步骤三、根据得到的上下包络线,计算原始数据X(t)在对应位置的局部均值m11(t),并计算原始数据与局部均值的差,记为h11=X(t)-m11(t);
步骤四、以h11代替X(t)循环步骤一至三,直到h1k-1与h1k之间的方差小于设定的阈值,即认为以h1k是原始数据的IMF分量,则c1=h1k,r1(t)=X(t)-c1,X(t)=r1(t);
步骤五、重复步骤一至四,直到rn或cn小于设定阈值;或余量rn(t)变成单调函数,则结束原始数据EDM的分解,得到:式中ci为原始数据第i个IMF分量,rn为趋势项;
按照上述步骤一至五所述的分解方法,将采集到的脉搏信号x(n)分解成k个固有模态分量c1(t),c2(t)…,ck(t),然后按照下式计算出每个IMF分量的模态能量商值:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2...</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
由于分解信号能量幅度较大,对模态能量进行归一化处理,令:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
</mrow>
得到归一化的能量:
<mrow>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mi>E</mi>
</mfrac>
</mrow>
最终得到模态能量商值如下:
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
<mo>/</mo>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mi>h</mi>
</msub>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213357.8A CN107894837A (zh) | 2017-11-28 | 2017-11-28 | 动态情感分析模型样本处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213357.8A CN107894837A (zh) | 2017-11-28 | 2017-11-28 | 动态情感分析模型样本处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107894837A true CN107894837A (zh) | 2018-04-10 |
Family
ID=61806376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711213357.8A Pending CN107894837A (zh) | 2017-11-28 | 2017-11-28 | 动态情感分析模型样本处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107894837A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108523906A (zh) * | 2018-04-27 | 2018-09-14 | 合肥工业大学 | 基于脉搏特征的人格分析方法和系统、存储介质 |
CN109171774A (zh) * | 2018-09-30 | 2019-01-11 | 合肥工业大学 | 基于多通道数据的人格分析方法和系统 |
CN109325457A (zh) * | 2018-09-30 | 2019-02-12 | 合肥工业大学 | 基于多通道数据和循环神经网络的情感分析方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150006949A (ko) * | 2013-07-09 | 2015-01-20 | 중앙대학교 산학협력단 | 생체 신호를 이용한 감정 인식 방법 및 그 장치 |
CN105894039A (zh) * | 2016-04-25 | 2016-08-24 | 京东方科技集团股份有限公司 | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 |
CN106803095A (zh) * | 2016-12-22 | 2017-06-06 | 辽宁师范大学 | 基于组合特征提取的脑电情感识别方法 |
CN107361766A (zh) * | 2017-07-17 | 2017-11-21 | 中国人民解放军信息工程大学 | 一种基于emd域多维信息的情绪脑电信号识别方法 |
-
2017
- 2017-11-28 CN CN201711213357.8A patent/CN107894837A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150006949A (ko) * | 2013-07-09 | 2015-01-20 | 중앙대학교 산학협력단 | 생체 신호를 이용한 감정 인식 방법 및 그 장치 |
CN105894039A (zh) * | 2016-04-25 | 2016-08-24 | 京东方科技集团股份有限公司 | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 |
CN106803095A (zh) * | 2016-12-22 | 2017-06-06 | 辽宁师范大学 | 基于组合特征提取的脑电情感识别方法 |
CN107361766A (zh) * | 2017-07-17 | 2017-11-21 | 中国人民解放军信息工程大学 | 一种基于emd域多维信息的情绪脑电信号识别方法 |
Non-Patent Citations (2)
Title |
---|
王艳超: "基于TM_EMD的脉搏信号多模态特征情感识别方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
范辉清: "《司法心理分析与干预[M]》", 31 December 2012 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108523906A (zh) * | 2018-04-27 | 2018-09-14 | 合肥工业大学 | 基于脉搏特征的人格分析方法和系统、存储介质 |
CN109171774A (zh) * | 2018-09-30 | 2019-01-11 | 合肥工业大学 | 基于多通道数据的人格分析方法和系统 |
CN109325457A (zh) * | 2018-09-30 | 2019-02-12 | 合肥工业大学 | 基于多通道数据和循环神经网络的情感分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457432B (zh) | 面试评分方法、装置、设备及存储介质 | |
EP3839942A1 (en) | Quality inspection method, apparatus, device and computer storage medium for insurance recording | |
CN109065027B (zh) | 语音区分模型训练方法、装置、计算机设备及存储介质 | |
CN107305774A (zh) | 语音检测方法和装置 | |
Khare et al. | Classification of emotions from EEG signals using time‐order representation based on the S‐transform and convolutional neural network | |
CN111724770B (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
Miao et al. | Underwater acoustic signal classification based on sparse time–frequency representation and deep learning | |
CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
CN113327626A (zh) | 语音降噪方法、装置、设备及存储介质 | |
CN111401105B (zh) | 一种视频表情识别方法、装置及设备 | |
CN115587321B (zh) | 一种脑电信号识别分类方法、系统及电子设备 | |
CN111401339A (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN110136726A (zh) | 一种语音性别的估计方法、装置、系统及存储介质 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
CN114259255B (zh) | 一种基于频域信号与时域信号的模态融合胎心率分类方法 | |
US20220051075A1 (en) | Methods and apparatuses for tracking weak signal traces | |
CN115273904A (zh) | 一种基于多特征融合的愤怒情绪识别方法及装置 | |
KR102220964B1 (ko) | 오디오 인식을 위한 방법 및 디바이스 | |
CN112052880A (zh) | 一种基于更新权值支持向量机的水声目标识别方法 | |
CN111464468A (zh) | 信号调制模式识别方法、装置、设备和可读存储介质 | |
Abel et al. | A data driven approach to audiovisual speech mapping | |
Tan et al. | Towards real time implementation of sparse representation classifier (SRC) based heartbeat biometric system | |
CN112861949B (zh) | 一种基于人脸和声音的情绪预测方法和系统 | |
CN108962389A (zh) | 用于风险提示的方法及系统 | |
CN116486789A (zh) | 语音识别模型的生成方法、语音识别方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180410 |