CN112329633A - 基于张量分解的情感识别方法、装置、介质及电子设备 - Google Patents

Abstract

本发明提供了一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

Description

基于张量分解的情感识别方法、装置、介质及电子设备

技术领域

本发明涉及应用程序领域，具体涉及一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备。

背景技术

情绪识别在日常生活中的人机交互和人际交往中都起着重要的作用。虽然人们对情绪识别的研究已经有很多年了，但它仍然是一个具有挑战性的问题，因为人类情绪不是通过单一的方式表达出来的，而是通过多种方式表达出来的，如语音、手势、面部表情和生理信号等。由于生理信号是由交感神经系统控制的，它一般是独立于人的意愿的，与其他自愿或非自愿信号不同，生理信号不易被抑制或隐藏。与视觉和听觉信号相比，生理信号可以为情感识别提供更可靠的信息。同时，人的情感是一个高度主观的问题，人类的情感可以受到许多语境和心理因素的影响，如兴趣、个性和时间。这增加了我们在情感识别上面临的困难程度。

现有的情感识别方法主要通过设计有效的融合策略来应对这个挑战，其前提是所有形式的信号始终可用，这在实践中通常是不现实的。此外，某些因素限制了数据收集，收集分析所需的所有数据非常困难，这也导致了现有的情感识别的融合策略往往不能使用。

发明内容

有鉴于此，本发明实施例致力于提供了一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

根据本发明的一方面，本发明一实施例提供的一种基于张量分解的情感识别方法，包括：将多种模态的生理信号数据转换为张量数据；所述生理信号数据包括已知数据和缺失数据；所述张量数据包括与所述多种模态的生理信号数据分别对应的多个低秩矩阵；根据所述张量数据，构建与所述多种模态分别对应的多个图矩阵；每个所述图矩阵用于分别表征一种模态的生理信号数据对应的所述低秩矩阵中各元素之间的相似性；根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据；以及根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

在一实施例中，所述张量数据为：

其中，R_(n)表示第n种模态的生理信号数据对应的低秩矩阵，ε为捕捉建模的误差，“。”表示张量外积。

在一实施例中，第n个所述图矩阵为：

其中，V_n为捕捉建模误差；d_n为加权因子矩阵；R_n为R秩的因子矩阵。

在一实施例中，所述根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据包括：求解下述优化任务以得出χ^M和

其中，χ^A包含所述张量数据中的已知量，且未知量对应的位置为零，χ^M包含所述张量数据中的未知量，且已知量对应的位置为零；

包含可获得的连接，

包含不可获得的连接；

表示强制χ^M和

为零。

在一实施例中，所述根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据包括：求解下述优化任务以得出χ^M和

其中，

在一实施例中，所述根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别包括：将所述生理信号数据的已知数据和估算得到的缺失数据输入分类器，得到所述情感类别。

在一实施例中，所述分类器的训练方式包括：计算各个训练样本之间的距离；选取距离小于预设距离阈值的训练样本组为同一类；拟合出介于相邻类别的训练样本组之间的平面；以及选取所有的平面中与该相邻类别的训练样本组的所有样本之间的距离和最大的平面为该相邻类别的分界面。

根据本发明的另一方面，本发明一实施例提供的一种基于张量分解的情感识别装置，包括：张量转换模块，用于将多种模态的生理信号数据转换为张量数据；所述生理信号数据包括已知数据和缺失数据；所述张量数据包括与所述多种模态的生理信号数据分别对应的多个低秩矩阵；图矩阵构建模块，用于根据所述张量数据，构建与所述多种模态分别对应的多个图矩阵；每个所述图矩阵用于分别表征一种模态的生理信号数据对应的所述低秩矩阵中各元素之间的相似性；估算模块，用于根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据；以及识别模块，用于根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

根据本发明的另一方面，本发明一实施例提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的情感识别方法。

根据本发明的另一方面，本发明一实施例提供的一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的情感识别方法。

本发明实施例提供的一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

附图说明

图1所示为本申请一实施例提供的一种基于张量分解的情感识别方法的流程图。

图2所示为本申请另一实施例提供的一种基于张量分解的情感识别方法的流程图。

图3所示为本申请一实施例提供的一种分类器的训练方法的流程图。

图4所示为本申请一实施例提供的一种基于张量分解的情感识别装置的结构示意图。

图5所示为本申请另一实施例提供的一种基于张量分解的情感识别装置的结构示意图。

图6是本申请一示例性实施例提供的电子设备的结构图。

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。

此外，在示例性实施例中，因为相同的参考标记表示具有相同结构的相同部件或相同方法的相同步骤，如果示例性地描述了一实施例，则在其他示例性实施例中仅描述与已描述实施例不同的结构或方法。

在整个说明书及权利要求书中，当一个部件描述为“连接”到另一部件，该一个部件可以“直接连接”到另一部件，或者通过第三部件“电连接”到另一部件。此外，除非明确地进行相反的描述，术语“包括”及其相应术语应仅理解为包括所述部件，而不应该理解为排除任何其他部件。

在人机交互和人际交往中，对于人的情感的识别往往更加有利于交互的良好进行，然而人类情绪不是通过单一的方式表达出来的，而是通过多种方式表达出来的，如语音、手势、面部表情和生理信号等。由于生理信号是由交感神经系统控制的，它一般是独立于人的意愿的，与其他自愿或非自愿信号不同，生理信号不易被抑制或隐藏。与视觉和听觉信号相比，生理信号可以为情感识别提供更可靠的信息。生理信号的数据形式是很多种的，比如脑电图(EEG)、心电图(ECG)、皮肤电反应(GSR)、呼吸、体温等，都可以用于情绪表达。同时，人的情感是一个高度主观的问题，人类的情感可以受到许多语境和心理因素的影响，如兴趣、个性和时间。这增加了我们在情感识别上面临的困难程度。现有的情感识别方法主要针对情感识别的多模态数据问题，设计有效的融合策略，假设所有模式的信号总是可用的，这在实践中往往是不现实的。此外，对数据收集有限制，很难收集我们分析所需的所有数据。

为了解决上述问题，本申请提出了一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

下面结合附图具体说明本申请提供基于张量分解的情感识别方法、装置、计算机可读存储介质以及电子设备的具体实现方式：

图1所示为本申请一实施例提供的一种基于张量分解的情感识别方法的流程图。如图1所示，该情感识别方法包括如下步骤：

步骤110：将多种模态的生理信号数据转换为张量数据。其中，生理信号数据包括已知数据和缺失数据，张量数据包括与多种模态的生理信号数据分别对应的多个低秩矩阵。

生理情感表达的数据形式或者模态是很多种的，比如脑电图(EEG)、心电图(ECG)、皮肤电反应(GSR)、呼吸、体温等，然而在数据收集过程中，存在许多正常因素的影响，例如电极接触噪声、电源线干扰和传感器设备故障，生理信号有时可能被破坏，这就会导致了一个常见的问题，即数据丢失，一些模态的部分生理数据不可用。

张量(Tensor)是一个定义在一些向量空间和一些对偶空间的笛卡儿积上的多重线性映射，其坐标是n维空间内，有n个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。

在获取了多种模态的生理信号数据后，将生理信号数据转换为张量数据，即将生理信号数据以张量的形式表示。由于生理信号数据中包括已知数据和缺失数据，因此，转换得到的张量数据也包括已知量和缺失量。此时，利用并行因子的方式将张量数据进行分解表示为与多种模态分别对应的多个低秩矩阵的形式。

在一实施例中，记得到的张量的秩为R，张量数据可以表示为：

其中，R_(n)表示第n种模态的生理信号数据对应的低秩矩阵，ε为捕捉建模的误差，“。”表示张量外积。

步骤120：根据张量数据，构建与多种模态分别对应的多个图矩阵。其中，每个图矩阵用于分别表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性。

张量数据可以通过一组图矩阵(即邻接矩阵或相似矩阵)来关联，每个图矩阵用于分别表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，即该图矩阵的元素反应了张量中各个元素之间的相似性，因此，该图矩阵包含了相应的模态图的连通性。

在一实施例中，可以使用对称非矩阵因式分解模型在张量数据上对该图诱导的边信息进行建模，该模型可以有效地提供可识别的因子并恢复图簇。具体来说，以下对角线比例的对称非矩阵因式分解模型：

第n个图矩阵可以表示为：

其中，V_n为捕捉建模误差；d_n为加权因子矩阵；R_n为R秩的因子矩阵。其中，

其中

包含可获得的连接，

包含不可获得的连接。

步骤130：根据张量数据中的已知量和多个图矩阵中的已知量，估算生理信号数据的缺失数据。

由于生理信号数据中包含有已知数据和缺失数据，因此，对应的张量数据中也包含已知量和未知量、图矩阵中同样包含有已知量和未知量，根据张量数据中的已知量和多个图矩阵中的已知量，可以较为准确的估算出张量数据中的未知量和多个图矩阵中的未知量(即生理信号数据中的缺失数据)，从而可以得到完整的生理信号数据。

具体的，估算生理信号数据的缺失数据的方式可以是：求解下述优化任务以得出χ^M和

即在保证：

的前提下，求解使得

为最小值时的χ^M、R_n、d_n、

其中，χ^A包含张量数据中的已知量，且未知量对应的位置为零，χ^M包含张量数据中的未知量，且已知量对应的位置为零；

包含可获得的连接，

包含不可获得的连接；

表示强制χ^M和

为零。也就是说，求解上述优化任务以得到最优的χ^M和

即张量数据中的未知量和多个图矩阵中的未知量，从而可以得到完整的生理信号数据。

在一实施例中，对上述对称非负矩阵分解模型进行优化处理。具体的，引入辅助变量

对称非负矩阵分解模型的损失函数为：

并且引入辅助变量：

和

则上述优化函数优化为：

，从而将上述优化函数中的不等式优化问题转换为了等式优化问题，然后可以利用交替方向乘子法来解决上述优化问题，从而估算得到完整的生理信号数据。

步骤140：根据生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

在得到完整的生理信号数据后，可以根据生理信号数据来识别情感类别，即根据生理信号数据将对于的情感进行分类。

本发明实施例提供的一种基于张量分解的情感识别方法，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

图2所示为本申请另一实施例提供的一种基于张量分解的情感识别方法的流程图。如图2所示，上述步骤140可以包括：

步骤141：将生理信号数据的已知数据和估算得到的缺失数据输入分类器，得到情感类别。

通过将完整的生理信号数据输入已经训练完成的分类器中，直接得到该生理信号数据对应的情感类别。

图3所示为本申请一实施例提供的一种分类器的训练方法的流程图。如图3所示，上述分类器的训练方式可以包括：

步骤310：计算各个训练样本之间的距离。

在训练分类器时，可以获取已知情感类别的生理信号数据，并且可以将该生理信号数据转换为对应的张量数据和图矩阵作为训练样本，这些训练样本可以视为坐标系中的多个点，通过计算各个训练样本之间的距离可以获知各个训练样本之间的接近程度，从而进行分类。

步骤320：选取距离小于预设距离阈值的训练样本组为同一类。

通过设定预设距离阈值，选取训练样本之间的距离小于该预设的距离阈值的训练样本为同一类，即将相互靠近的训练样本作为同一类的情感类别。

步骤330：拟合出介于相邻类别的训练样本组之间的平面。

由于训练样本的数量有限，坐标系中的训练样本点只是散列的多个点，因而不能完全确定各个情感类别之间的分界面(或者是分界线)。本申请实施例通过拟合出介于相邻类别的训练样本组之间的平面(或直线)作为两个类别的分界面(或分界线)，从而可以得到各个类别的明确界限，在后续输入张量数据和图矩阵时可以明确的对其进行分类。

步骤340：选取所有的平面中与该相邻类别的训练样本组的所有样本之间的距离和最大的平面为该相邻类别的分界面。

介于相邻类别的训练样本组之间的平面或直线可以有很多，如何选取准确的分界面和分界线将直接决定分类器的准确性，因此，本申请实施例通过选取所有的平面中与该相邻类别的训练样本组的所有样本之间的距离和最大的平面为该相邻类别的分界面，也就是说，拟合出一个平面或者一条直线，使得该平面或直线两侧类别的训练样本组中的所有样本到达该平面或直线的距离和最大(即距离最远)，从而可以较好的将相邻的两组训练样本组分割开，以获取较为准确的分界面或分界线。

具体的，可以设定目标函数(待求解回归系数的函数)：

然而，由于上述优化函数是一个嵌套优化问题，很难进行直接求解，因此，可以采取优化措施：不去计算内层的min优化，而是将距离值界定到一个范围大于1，即最近的样本点，也即支持向量到超平面的距离为1。去掉min操作，代之以界定：label*(w^Tx+b)≥1，这样得到的式子就是一个带不等式的优化问题，该带有不等式的优化问题可以采用拉格朗日乘子法(KKT条件)去求解。具体的求解方式可以是：

s.t.α≥0且

另外，可加入松弛系数C，用于控制最大化间隔和保证大部分点的函数间隔小于1这两个目标的权重。

将α>＝0条件改为C>＝α>＝0，α是用于求解过程中的一个向量，它和要求的结果回归系数是一一对应的关系。可以通过支持向量机算法将其中的α解出后，便可依据如下两式子(均为推导过程中出现的式子)进行转换得到回归系数：

其中，在求解α的每次循环中选择两个α进行优化处理，一旦找到一对合适的α，那么就增大其中一个减小另外一个，但是必须符合两个条件：

1.两个α值必须要在α分隔边界之外，

2.这两个α还没有进行过区间化处理或者不在边界上。

图4所示为本申请一实施例提供的一种基于张量分解的情感识别装置的结构示意图。如图4所示，该情感识别装置40包括：张量转换模块41，用于将多种模态的生理信号数据转换为张量数据；生理信号数据包括已知数据和缺失数据；张量数据包括与多种模态的生理信号数据分别对应的多个低秩矩阵；图矩阵构建模块42，用于根据张量数据，构建与多种模态分别对应的多个图矩阵；每个图矩阵用于分别表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性；估算模块43，用于根据张量数据中的已知量和多个图矩阵中的已知量，估算生理信号数据的缺失数据；以及识别模块44，用于根据生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

本发明实施例提供的一种基于张量分解的情感识别装置，通过张量转换模块41将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且图矩阵构建模块42根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，估算模块43利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后识别模块44根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

在一实施例中，图矩阵构建模块42可以进一步配置为：使用对称非矩阵因式分解模型在张量数据上对该图诱导的边信息进行建模，该模型可以有效地提供可识别的因子并恢复图簇。具体来说，以下对角线比例的对称非矩阵因式分解模型：第n个图矩阵可以表示为：

其中，V_n为捕捉建模误差；d_n为加权因子矩阵；R_n为R秩的因子矩阵。其中，

其中

包含可获得的连接，

包含不可获得的连接。

图5所示为本申请另一实施例提供的一种基于张量分解的情感识别装置的结构示意图。如图5所示，上述识别模块44可以进一步配置为：将生理信号数据的已知数据和估算得到的缺失数据输入分类器，得到情感类别。

在一实施例中，如图5所示，该情感识别装置40可以进一步包括训练模块45，该训练模块45可以进一步包括：距离计算单元451，用于计算各个训练样本之间的距离；分类单元452，用于选取距离小于预设距离阈值的训练样本组为同一类；拟合单元453，用于拟合出介于相邻类别的训练样本组之间的平面；分界确定单元454，用于选取所有的平面中与该相邻类别的训练样本组的所有样本之间的距离和最大的平面为该相邻类别的分界面。

下面，参考图6来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于张量分解的情感识别方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是第一设备或第二设备时，该输入装置13可以是数据传送装置，用于传送代码的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。

此外，该输入设备13还可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于张量分解的情感识别方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于张量分解的情感识别方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于张量分解的情感识别方法，其特征在于，包括：

将多种模态的生理信号数据转换为张量数据；所述生理信号数据包括已知数据和缺失数据；所述张量数据包括与所述多种模态的生理信号数据分别对应的多个低秩矩阵；

根据所述张量数据，构建与所述多种模态分别对应的多个图矩阵；每个所述图矩阵用于分别表征一种模态的生理信号数据对应的所述低秩矩阵中各元素之间的相似性；

根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据；以及

根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

2.根据权利要求1所述的情感识别方法，其特征在于，所述张量数据为：

其中，R_(n)表示第n种模态的生理信号数据对应的低秩矩阵，ε为捕捉建模的误差，

表示张量外积。

3.根据权利要求2所述的情感识别方法，其特征在于，第n个所述图矩阵为：

其中，V_n为捕捉建模误差；d_n为加权因子矩阵；R_n为R秩的因子矩阵。

4.根据权利要求3所述的情感识别方法，其特征在于，所述根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据包括：

求解下述优化任务以得出χ^M和

s.t.R_n≥0,d_n≥0,χ＝χ^A+χ^M,

Ρ_Ω(χ^M)＝0,

其中，χ^A包含所述张量数据中的已知量，且未知量对应的位置为零，χ^M包含所述张量数据中的未知量，且已知量对应的位置为零；

包含可获得的连接，

包含不可获得的连接；Ρ_Ω(χ^M)＝0,

表示强制χ^M和

为零。

5.根据权利要求4所述的情感识别方法，其特征在于，所述根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据包括：

求解下述优化任务以得出χ^M和

χ＝χ^A+χ^M,

Ρ_Ω(χ^M)＝0,

其中，

6.根据权利要求1所述的情感识别方法，其特征在于，所述根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别包括：

将所述生理信号数据的已知数据和估算得到的缺失数据输入分类器，得到所述情感类别。

7.根据权利要求6所述的情感识别方法，其特征在于，所述分类器的训练方式包括：

计算各个训练样本之间的距离；

选取距离小于预设距离阈值的训练样本组为同一类；

拟合出介于相邻类别的训练样本组之间的平面；以及

选取所有的平面中与该相邻类别的训练样本组的所有样本之间的距离和最大的平面为该相邻类别的分界面。

8.一种基于张量分解的情感识别装置，其特征在于，包括：

张量转换模块，用于将多种模态的生理信号数据转换为张量数据；所述生理信号数据包括已知数据和缺失数据；所述张量数据包括与所述多种模态的生理信号数据分别对应的多个低秩矩阵；

图矩阵构建模块，用于根据所述张量数据，构建与所述多种模态分别对应的多个图矩阵；每个所述图矩阵用于分别表征一种模态的生理信号数据对应的所述低秩矩阵中各元素之间的相似性；

估算模块，用于根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据；以及

识别模块，用于根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的情感识别方法。

10.一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于执行上述权利要求1-7任一所述的情感识别方法。

Images