CN109508783A - 情绪粗略划归模型构建及自动进行情绪粗略获取方法 - Google Patents

Abstract

本发明提供了一种情绪粗略划归模型构建及自动进行情绪粗略获取方法，包括获取原始数据集，所述原始数据集中的每个元素均包括原始生理信号数据包和原始情绪向量；从原始数据集中提取情绪信息，构建与原始数量集中的元素一一对应的训练集，所述训练集中的元素均为情绪信号构成的情绪信号矢量，所述情绪信号矢量与所述原始情绪向量之间具备一一对应关系；根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型。本发明创造性地从原始的生理信号中提取情绪特征，进而构建了情绪的粗略划归模型，充分发挥神经网络的优势，实现了基于原始的生理信号即可自动识别用户情绪，具有高智能化的显著优势。

Description

情绪粗略划归模型构建及自动进行情绪粗略获取方法

技术领域

本发明涉及智能医疗领域，尤其涉及情绪粗略划归模型构建及自动进行情绪粗略获取方法。

背景技术

研究报告显示，用户的情绪状态与用户的身体健康状况有重要关系，因此，如何基于现代化的智能穿戴设备达到随时关注用户情绪状态的目的是目前亟待解决的问题。

情绪起因复杂，并且包含多种成分，因此对于情绪的分析一直是学术界的难点，而基于生理信号判断情绪更是具备较高的难度，因此，如何基于生理信号获取情绪这一问题一直有待解决。

发明内容

为了解决上述技术问题，本发明提出了情绪粗略划归模型构建及自动进行情绪粗略获取方法。本发明具体是以如下技术方案实现的：

一种情绪粗略划归模型构建方法，包括：

获取原始数据集，所述原始数据集中的每个元素均包括原始生理信号数据包和原始情绪向量；

从原始数据集中提取情绪信息，构建与原始数量集中的元素一一对应的训练集，所述训练集中的元素均为情绪信号构成的情绪信号矢量，所述情绪信号矢量与所述原始情绪向量之间具备一一对应关系；

根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型。

进一步地，所述神经网络模型以情绪信号矢量为输入，以情绪信号矢量对应的分组编号为输出；所述神经网络模型包括输入层、神经元层和输出层。所述神经元层包括多个子层，每个子层的神经元都有对应编号，并且每个子层的神经元数量相等。在每个子层内部，相邻的神经元互相连接通信，并且每个神经元与下一层对应编号的神经元连接通信。

进一步地，所述根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型包括：

根据原始情绪向量为所述情绪信号矢量进行分组，得到分组数据集；

根据所述分组数据集训练所述神经网络模型，通过调节神经网络中各个神经元节点的权值，得到目标神经网络。在所述目标神经网络中，以所述分组数据集中的任何情绪信号矢量为输入得到的输出均与所述情绪信号矢量在所述分组数据集中的分组结果一致。

进一步地，原始情绪向量的各个位置的含义依次为：讶异程度、狂喜程度、愤怒程度、悲痛程度、警惕程度、热爱程度、憎恨程度、恐慌程度；

分组结果为惊异数据组、狂喜数据组、愤怒数据组、悲痛数据组、警惕数据组、热爱数据组、憎恨数据组和恐慌数据组；分组编号为0-7。

进一步地，所述原始生理信号的获取包括下述内容：

测量被测试者的皮肤导电信号；

将电极片贴于被测试者的左右前额和双侧耳垂，以测量被测试者的脑电波信号；

测量被测试者的脉搏信号和呼吸信号。

进一步地，所述情绪信号为对原始生理信号数据包进行数据处理而得到，包括下述内容：

提取皮肤电导信号中的情绪信息，具体为：

对所述皮肤电导信号进行离散采样，得到离散采样序列{i,f(i)}。

根据公式计算皮肤电导信号的第一特征参量。其中N为离散采样个数，t为预设常量，大于10小于40。

根据公式计算皮肤电导信号的第二特征参量。其中p为预设常量，取值在0到1之间，N为离散采样个数，其中Λ(i-1,p,N-1)＝₂F₁(0,-i+1；-N+1；1/p)，其中₂F₁()表示高斯超几何级数；

提取脑电波中的情绪信息，具体为：统计α波、β波和θ波的出现频率；

计算脉搏信号和呼吸信号的统计值。

进一步地，与原始数量集中元素对应的情绪信号构成的情绪信号矢量各个位置的含义依次为：第一特征参量、第二特征参量、α波出现频率、β波出现频率、θ波出现频率、脉搏速率平均值、呼吸强度平均值和呼吸频率平均值。

一种自动进行情绪粗略获取的方法，所述方法使用所述神经网络模型，包括：

获取采集到的原始生理信号；

对所述原始生理信号进行数据处理，得到其对应的情绪信号矢量；

根据所述神经网络模型获取所述情绪信号矢量对应的分组编号以得到目标分组；

输出所述目标分组中的目标情绪信号矢量对应的原始情绪矢量。

本发明实施例提供供一种情绪粗略划归模型构建及自动进行情绪粗略获取方法，在获取原始的生理信号的基础上，创造性地从原始的生理信号中提取情绪特征，进而构建了情绪的粗略划归模型，充分发挥神经网络的优势，实现了基于原始的生理信号即可自动识别用户情绪，具有高智能化的显著优势。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的一种情绪粗略划归模型构建方法流程图；

图2是本发明实施例提供的神经网络的训练方法流程图；

图3是本发明实施例提供的一种自动进行情绪粗略获取的方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例公开一种情绪粗略划归模型构建方法，如图1所示，所述方法包括：

S1.获取原始数据集，所述原始数据集中的每个元素均包括原始生理信号数据包和原始情绪向量。

所述原始生理信号数据包通过当被测试者处于某种情绪下时在被测试者设上佩戴采集设备而获取。为了使得被测试者处于某种情绪之中，可以对被测试者进行情绪诱导。

具体地，所述原始生理信号的获取包括下述内容：

(1)测量被测试者的皮肤导电信号。

(2)将电极片贴于被测试者的左右前额和双侧耳垂，以测量被测试者的脑电波信号。

(3)测量被测试者的脉搏信号和呼吸信号。

具体地，为了建立更为合理的情绪划归模型，本发明实施例中对于人类的情绪进行了研究，从而提取了最能够表达人体情绪的原始情绪，作为情绪程度划归模型的根基，经过发明人的研究，本发明实施例中提取的原始情绪为：令人惊异、狂喜、愤怒、悲痛、警惕、热爱、憎恨、恐慌。显然，在人们的日常生活中，大部分的时间并不会产生特别强烈的情绪，发明人认为情绪的强烈程度也是情绪划归模型的另一个重要因素。

基于上述研究结果，本发明实施例中原始情绪向量的各个位置的含义依次为：讶异程度、狂喜程度、愤怒程度、悲痛程度、警惕程度、热爱程度、憎恨程度、恐慌程度。

S2.从原始数据集中提取情绪信息，构建与原始数量集中的元素一一对应的训练集，所述训练集中的元素均为情绪信号构成的情绪信号矢量，所述情绪信号矢量与所述原始情绪向量之间具备一一对应关系。

具体地，所述情绪信号为对原始生理信号数据包进行数据处理而得到，本发明实施例公开具体的数据处理方法，包括下述内容：

(1)提取皮肤电导信号中的情绪信息，具体方法为：

对所述皮肤电导信号进行离散采样，得到离散采样序列{i,f(i)}。

根据公式计算皮肤电导信号的第一特征参量。其中N为离散采样个数，t为预设常量，大于10小于40。

根据公式计算皮肤电导信号的第二特征参量。其中p为预设常量，取值在0到1之间，N为离散采样个数，其中Λ(i-1,p,N-1)＝₂F₁(0,-i+1；-N+1；1/p)，其中₂F₁()表示高斯超几何级数。

(2)提取脑电波中的情绪信息，具体方法为：统计α波、β波和θ波的出现频率。

(3)计算脉搏信号和呼吸信号的统计值。

因此，与原始数量集中元素对应的情绪信号构成的情绪信号矢量各个位置的含义依次为：第一特征参量、第二特征参量、α波出现频率、β波出现频率、θ波出现频率、脉搏速率平均值、呼吸强度平均值和呼吸频率平均值。

S3.根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型。

具体地，所述神经网络模型以情绪信号矢量为输入，以情绪信号矢量对应的分组编号为输出。

具体地，所述神经网络模型包括输入层、神经元层和输出层。所述神经元层包括多个子层，每个子层的神经元都有对应编号，并且每个子层的神经元数量相等。在每个子层内部，相邻的神经元互相连接通信，并且每个神经元与下一层对应编号的神经元连接通信。

在本发明实施例中公开所述神经网络的训练方法，如图2所示，所述方法包括：

S31.根据原始情绪向量为所述情绪信号矢量进行分组，得到分组数据集。

原始情绪向量最大值所在元素位置相同的原始情绪向量被归结为一组，相应的，其对应的情绪信号矢量也被归结为一组。

因此，本发明实施例中共得到八组训练数据。分别为惊异数据组、狂喜数据组、愤怒数据组、悲痛数据组、警惕数据组、热爱数据组、憎恨数据组和恐慌数据组；相应的，这八组的分组编号为0-7。

S32.根据所述分组数据集训练所述神经网络模型，通过调节神经网络中各个神经元节点的权值，得到目标神经网络。在所述目标神经网络中，以所述分组数据集中的任何情绪信号矢量为输入得到的输出均与所述情绪信号矢量在所述分组数据集中的分组结果一致。

基于上述神经网络模型的训练结果，本发明实施例进一步提供一种自动进行情绪粗略获取的方法，如图3所示，所述方法包括：

S101.获取采集到的原始生理信号。

S102.对所述原始生理信号进行数据处理，得到其对应的情绪信号矢量。

S103.根据所述神经网络模型获取所述情绪信号矢量对应的分组编号以得到目标分组。

S104.输出所述目标分组中的目标情绪信号矢量对应的原始情绪矢量。

本发明实施例提供供一种情绪粗略划归模型构建及自动进行情绪粗略获取方法，在获取原始的生理信号的基础上，创造性地从原始的生理信号中提取情绪特征，进而构建了情绪的粗略划归模型，充分发挥神经网络的优势，实现了基于原始的生理信号即可自动识别用户情绪，具有高智能化的显著优势。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种情绪粗略划归模型构建方法，其特征在于，包括：

获取原始数据集，所述原始数据集中的每个元素均包括原始生理信号数据包和原始情绪向量；

从原始数据集中提取情绪信息，构建与原始数量集中的元素一一对应的训练集，所述训练集中的元素均为情绪信号构成的情绪信号矢量，所述情绪信号矢量与所述原始情绪向量之间具备一一对应关系；

根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型。

2.根据权利要求1所述的方法，其特征在于：

所述神经网络模型以情绪信号矢量为输入，以情绪信号矢量对应的分组编号为输出；所述神经网络模型包括输入层、神经元层和输出层。所述神经元层包括多个子层，每个子层的神经元都有对应编号，并且每个子层的神经元数量相等。在每个子层内部，相邻的神经元互相连接通信，并且每个神经元与下一层对应编号的神经元连接通信。

3.根据权利要求1所述的方法，其特征在于，所述根据所述情绪信号矢量和所述原始情绪向量之间的一一对应关系训练预设神经网络模型包括：

根据原始情绪向量为所述情绪信号矢量进行分组，得到分组数据集；

根据所述分组数据集训练所述神经网络模型，通过调节神经网络中各个神经元节点的权值，得到目标神经网络。在所述目标神经网络中，以所述分组数据集中的任何情绪信号矢量为输入得到的输出均与所述情绪信号矢量在所述分组数据集中的分组结果一致。

4.根据权利要求1所述的方法，其特征在于：

原始情绪向量的各个位置的含义依次为：讶异程度、狂喜程度、愤怒程度、悲痛程度、警惕程度、热爱程度、憎恨程度、恐慌程度；

分组结果为惊异数据组、狂喜数据组、愤怒数据组、悲痛数据组、警惕数据组、热爱数据组、憎恨数据组和恐慌数据组；分组编号为0-7。

5.根据权利要求1所述的方法，其特征在于：

所述原始生理信号的获取包括下述内容：

测量被测试者的皮肤导电信号；

将电极片贴于被测试者的左右前额和双侧耳垂，以测量被测试者的脑电波信号；

测量被测试者的脉搏信号和呼吸信号。

6.根据权利要求1所述的方法，其特征在于：

所述情绪信号为对原始生理信号数据包进行数据处理而得到，包括下述内容：

提取皮肤电导信号中的情绪信息，具体为：

对所述皮肤电导信号进行离散采样，得到离散采样序列{i,f(i)}。

根据公式计算皮肤电导信号的第一特征参量。其中N为离散采样个数，t为预设常量，大于10小于40。

根据公式计算皮肤电导信号的第二特征参量。其中p为预设常量，取值在0到1之间，N为离散采样个数，其中Λ(i-1,p,N-1)＝₂F₁(0,-i+1；-N+1；1/p)，其中₂F₁()表示高斯超几何级数；

提取脑电波中的情绪信息，具体为：统计α波、β波和θ波的出现频率；

计算脉搏信号和呼吸信号的统计值。

7.根据权利要求6所述的方法，其特征在于：

与原始数量集中元素对应的情绪信号构成的情绪信号矢量各个位置的含义依次为：第一特征参量、第二特征参量、α波出现频率、β波出现频率、θ波出现频率、脉搏速率平均值、呼吸强度平均值和呼吸频率平均值。

8.一种自动进行情绪粗略获取的方法，所述方法使用权利要求1中所述的方法训练而得到的神经网络模型，其特征在于，包括：

获取采集到的原始生理信号；

对所述原始生理信号进行数据处理，得到其对应的情绪信号矢量；

根据所述神经网络模型获取所述情绪信号矢量对应的分组编号以得到目标分组；

输出所述目标分组中的目标情绪信号矢量对应的原始情绪矢量。