情感識(shí)別模型生成裝置及其生成情感識(shí)別模型的方法
【專利摘要】一種情感識(shí)別模型生成裝置，包括：信號(hào)采集模塊、特征提取模塊、選擇模塊以及建立模塊，其中信號(hào)采集模塊采集人體的多種生理信號(hào)；特征提取模塊提取每一種所述生理信號(hào)的6個(gè)時(shí)域特征，形成原始特征集；選擇模塊從所述原始特征集中選出最優(yōu)特征子集；建立模塊根據(jù)所述最優(yōu)特征子集建立情感識(shí)別模型。本發(fā)明中生生成的情感識(shí)別模型，情感識(shí)別率高。本發(fā)明另外提供一種生成情感識(shí)別模型的方法。
【專利說明】情感識(shí)別模型生成裝置及其生成情感識(shí)別模型的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及情感識(shí)別技術(shù)，尤其涉及情感識(shí)別模型生成裝置及其生成情感識(shí)別模型的方法。
【背景技術(shù)】
[0002]情感識(shí)別是賦予機(jī)器識(shí)別人類情感能力的一種人機(jī)交互技術(shù)，現(xiàn)已逐漸成為人機(jī)交互領(lǐng)域的研究熱點(diǎn)。目前情感識(shí)別的研究領(lǐng)域包括基于面部表情的情感識(shí)別、基于語音信號(hào)的情感識(shí)別、基于文字的情感識(shí)別、基于肢體運(yùn)動(dòng)的情感識(shí)別和基于生理信號(hào)的情感識(shí)別。其中基于生理信號(hào)的情感識(shí)別最為可靠但卻也最為困難。
[0003]基于生理信號(hào)的情感識(shí)別系統(tǒng)中最為關(guān)鍵的一步就是如何從大量的原始特征集中挑選出數(shù)量有限的特征子集并將其映射到情感模型上。這一關(guān)鍵的步驟就是特征選擇，它不僅可以可以有效地去除冗余特征，降低模型訓(xùn)練時(shí)間，提高預(yù)測(cè)精度，還可以選出能夠代表某些特定情感的特征子集。
[0004]在申請(qǐng)?zhí)枮镃N200910150458.4的專利中，使用了語音信號(hào)進(jìn)行情感識(shí)別。較之語音信號(hào)，人體的生理信號(hào)更不易受到外界因素和人體主觀意識(shí)到控制，因此更加準(zhǔn)確，可靠。然而，在該專利中，情感的識(shí)別需要12個(gè)特征。
[0005]文獻(xiàn)“Using GA-based Feature Selecton for Emotion Recognition fromPhysiological Signals”使用多生理信號(hào)進(jìn)行情感識(shí)別，但是僅使用了來自28名被試的5種生理信號(hào)，以圖片為情感激發(fā)素材，特征選擇和情感分類的方法為遺傳算法結(jié)合KNN分類器，但情感的識(shí)別率低，對(duì)情感的最高識(shí)別率僅為78%。

【發(fā)明內(nèi)容】

[0006]有鑒于此，有必要提供一種情感識(shí)別模型生成裝置及其生成情感識(shí)別模型的方法，提聞情感的識(shí)別率。
[0007]本發(fā)明提供的情感識(shí)別模型生成裝置，包括信號(hào)采集模塊、特征提取模塊、選擇模塊以及建立模塊，其中，信號(hào)采集模塊用于采集人體的多種生理信號(hào)；特征提取模塊用于提取每一種所述生理信號(hào)的6個(gè)時(shí)域特征，形成原始特征集，其中，所述6個(gè)時(shí)域特征為:生理信號(hào)的均值、生理信號(hào)的標(biāo)準(zhǔn)差、生理信號(hào)的一階差分絕對(duì)值的均值、標(biāo)準(zhǔn)化信號(hào)一階差分絕對(duì)值的均值、原始信號(hào)的二階差分絕對(duì)值的均值以及標(biāo)準(zhǔn)化信號(hào)二階差分絕對(duì)值；選擇模塊用于從所述原始特征集中選出最優(yōu)特征子集；建立模塊用于根據(jù)所述最優(yōu)特征子集建立情感識(shí)別模型。
[0008]本發(fā)明提供的生成情感識(shí)別模型的方法，包括以下步驟:采集人體的多種生理信號(hào)；提取每一種所述生理信號(hào)的6個(gè)時(shí)域特征，形成原始特征集，其中，所述6個(gè)時(shí)域特征為:生理信號(hào)的均值、生理信號(hào)的標(biāo)準(zhǔn)差、生理信號(hào)的一階差分絕對(duì)值的均值、標(biāo)準(zhǔn)化信號(hào)一階差分絕對(duì)值的均值、原始信號(hào)的二階差分絕對(duì)值的均值以及標(biāo)準(zhǔn)化信號(hào)二階差分絕對(duì)值；從所述原始特征集中選出最優(yōu)特征子集；根據(jù)所述最優(yōu)特征子集建立情感識(shí)別模型。[0009]本發(fā)明提供的情感識(shí)別模型生成裝置及其生成情感識(shí)別模型的方法，通過從原始特征集中選出最優(yōu)特征子集，并根據(jù)最優(yōu)特征子集建立情感識(shí)別模型，利用本發(fā)明的情感識(shí)別1?型，有效的提聞了情感的識(shí)別率。
【專利附圖】

【附圖說明】
[0010]圖1為本發(fā)明一實(shí)施方式中情感識(shí)別模型生成裝置的模塊圖；
[0011]圖2為本發(fā)明一實(shí)施方式利用情感識(shí)別模型生成裝置來生成情感識(shí)別模型的方法的流程圖；
[0012]圖3為圖2中步驟S30的具體步驟流程圖。
【具體實(shí)施方式】
[0013]下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。
[0014]在本發(fā)明的描述中，術(shù)語“內(nèi)”、“外”、“縱向”、“橫向”、“上”、“下”、“頂”、“底”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明而不是要求本發(fā)明必須以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。
[0015]請(qǐng)參閱圖1，圖1所示為本發(fā)明一實(shí)施方式中情感識(shí)別模型生成裝置10的模塊圖。
[0016]在本實(shí)施方式中，情感識(shí)別模型生成裝置10包括:信號(hào)采集模塊102、特征提取模塊104、選擇模塊106、建立模塊108、存儲(chǔ)器110以及處理器112。其中，信號(hào)采集模塊102、特征提取模塊104、選擇模塊106以及建立模塊108存儲(chǔ)在存儲(chǔ)器110中，處理器112用于執(zhí)行存儲(chǔ)在存儲(chǔ)器110中的功能模塊。
[0017]信號(hào)采集模塊102用于采集人體的多種生理信號(hào)。在本實(shí)施方式中，多種生理信號(hào)包括皮膚導(dǎo)電、心率、血容搏動(dòng)、腦電、呼吸以及面部肌電等生理信號(hào)。
[0018]在本實(shí)施方式中，以電影片段為喚起素材，激發(fā)高興、悲傷、平靜3種情感，使用美國(guó)BIOPAC公司的MP150多導(dǎo)生理記錄儀采集了 150名年齡在19-25歲之間的無病患?xì)v史的被試(參與者)在觀看電影時(shí)的6種生理信號(hào)，這6種生理信號(hào)包括:皮膚電導(dǎo)、心率、血容搏動(dòng)、腦電、呼吸、面部肌電，電影觀看結(jié)束后，被試會(huì)通過問卷報(bào)告他們?cè)谟^看影片時(shí)的情感(平靜、高興或悲傷)，以及情感被激發(fā)的強(qiáng)度(1、極弱，2、弱，3、一般，4、強(qiáng)，5、極強(qiáng))。通過問卷，選擇了情感強(qiáng)度在3以上的數(shù)據(jù)，最終得到了 110個(gè)被試的有效數(shù)據(jù)。
[0019]特征提取模塊104用于提取每一種所述生理信號(hào)的6個(gè)時(shí)域特征，形成原始特征集，其中，所述6個(gè)時(shí)域特征為:生理信號(hào)的均值、生理信號(hào)的標(biāo)準(zhǔn)差、生理信號(hào)的一階差分絕對(duì)值的均值、標(biāo)準(zhǔn)化信號(hào)一階差分絕對(duì)值的均值、生理信號(hào)的二階差分絕對(duì)值的均值以及標(biāo)準(zhǔn)化信號(hào)二階差分絕對(duì)值。
[0020]在本實(shí)施方式中，生理信號(hào)的均值為:
[0021]
【權(quán)利要求】
1.一種情感識(shí)別模型生成裝置，包括: 信號(hào)采集模塊，用于采集人體的多種生理信號(hào)； 特征提取模塊，用于提取每一種所述生理信號(hào)的6個(gè)時(shí)域特征，形成原始特征集，其中，所述6個(gè)時(shí)域特征為:生理信號(hào)的均值、生理信號(hào)的標(biāo)準(zhǔn)差、生理信號(hào)的一階差分絕對(duì)值的均值、標(biāo)準(zhǔn)化信號(hào)一階差分絕對(duì)值的均值、生理信號(hào)的二階差分絕對(duì)值的均值以及標(biāo)準(zhǔn)化信號(hào)二階差分絕對(duì)值； 選擇模塊，用于從所述原始特征集中選出最優(yōu)特征子集； 建立模塊，用于根據(jù)所述最優(yōu)特征子集建立情感識(shí)別模型。
2.如權(quán)利要求1所述的情感識(shí)別模型生成裝置，其特征在于，所述選擇模塊包括: 初始化子模塊，用于將螞蟻種群的規(guī)模設(shè)定為所述原始特征集中的特征數(shù)，將迭代次數(shù)設(shè)定為固定值，并初始化信息素矩陣； 獲取子模塊，用于根據(jù)偽隨機(jī)比例規(guī)則獲取每一所述時(shí)域特征的標(biāo)記狀態(tài)； 求解子模塊，用于通過利用螞蟻以及標(biāo)記狀態(tài)求解得到特征子集，其中，所述求解子模塊還用于根據(jù)所述特征子集的分類正確率及特征個(gè)數(shù)得到適應(yīng)度值，并排序選出第一最優(yōu)解，并利用變異規(guī)則對(duì)所述第一最優(yōu)解進(jìn)行變異得到多個(gè)變異解，根據(jù)所述多個(gè)變異解以及所述第一最優(yōu)解的分類正確率及特征個(gè)數(shù)得到適應(yīng)度值，并排序選出第二最優(yōu)解，利用鄰域交換規(guī)則搜索所述第二最優(yōu)解的鄰域內(nèi)的鄰域解，根據(jù)所述鄰域解以及所述第二最優(yōu)解的分類正確率及特征個(gè)數(shù)得到適應(yīng)度值，并排序選出第三最優(yōu)解； 判斷子模塊，用于判斷迭代次數(shù)是否達(dá)到固定值，其中所述求解子模塊在所述迭代次數(shù)達(dá)到固定值時(shí)將所述第三最優(yōu)解作為最優(yōu)特征子集，并輸出。
3.如權(quán)利要求2所述的情感識(shí)別模型生成裝置，其特征在于，所述選擇模塊還包括: 更新子模塊，用于在所述迭代次數(shù)沒有達(dá)到固定值時(shí)根據(jù)所述第三最優(yōu)解更新所述信息素矩陣。
4.如權(quán)利要求3所述的情感識(shí)別模型生成裝置，其特征在于，所述偽隨機(jī)比例規(guī)則為:
5.如權(quán)利要求4所述的情感識(shí)別模型生成裝置，其特征在于，所述獲取子模塊在Citl時(shí)根據(jù)信息素值τ i(l和τ η的大小得到所述時(shí)域特征i的標(biāo)記狀態(tài)，在q > Q0時(shí)根據(jù)#得到所述時(shí)域特征i的標(biāo)記狀態(tài)。
6.如權(quán)利要求2所述的情感識(shí)別模型生成裝置，其特征在于，所述變異規(guī)則為所述求解子模塊改變所述第一最優(yōu)解中至少一個(gè)所述時(shí)域特征的標(biāo)記狀態(tài)，然后對(duì)所述改變后的第一最優(yōu)解求變異解。
7.如權(quán)利要求2所述的情感識(shí)別模型生成裝置，其特征在于，所述鄰域交換規(guī)則為所述求解子模塊搜索所述第二最優(yōu)解的鄰域內(nèi)的鄰域解。
8.—種生成情感識(shí)別模型的方法，包括以下步驟: 采集人體的多種生理信號(hào)； 提取每一種所述生理信號(hào)的6個(gè)時(shí)域特征，形成原始特征集，其中，所述6個(gè)時(shí)域特征為:生理信號(hào)的均值、生理信號(hào)的標(biāo)準(zhǔn)差、生理信號(hào)的一階差分絕對(duì)值的均值、標(biāo)準(zhǔn)化信號(hào)一階差分絕對(duì)值的均值、生理信號(hào)的二階差分絕對(duì)值的均值以及標(biāo)準(zhǔn)化信號(hào)二階差分絕對(duì)值； 從所述原始特征集中選出最優(yōu)特征子集； 根據(jù)所述最優(yōu)特征子集建立情感識(shí)別模型。
9.如權(quán)利要求8所述的生成情感識(shí)別模型的方法，其特征在于，步驟“從所述原始特征集中選出最優(yōu)特征子集”包括以下子步驟: 將螞蟻種群的規(guī)模設(shè)定為所述原始特征集中的特征數(shù)，將迭代次數(shù)設(shè)定為固定值； 初始化信息素矩陣； 根據(jù)偽隨機(jī)比例規(guī)則獲取每一所述時(shí)域特征的標(biāo)記狀態(tài)； 通過利用螞蟻以及標(biāo)記狀態(tài)求解得到特征子集； 根據(jù)所述特征子集的分類正確率及特征個(gè)數(shù)得到適應(yīng)度值，并排序選出第一最優(yōu)解； 利用變異規(guī)則對(duì)所述第一最優(yōu)解進(jìn)行變異得到多個(gè)變異解； 根據(jù)所述多個(gè)變異解以及所述第一最優(yōu)解的分類正確率及特征個(gè)數(shù)得到適應(yīng)度值，并排序選出第二最優(yōu)解； 利用鄰域交換規(guī)則搜索所述第二最優(yōu)解的鄰域內(nèi)的鄰域解； 根據(jù)所述鄰域解以及所述第二最優(yōu)解的分類正確率及特征個(gè)數(shù)得到適應(yīng)度值，并排序選出第三最優(yōu)解； 判斷迭代次數(shù)是否達(dá)到固定值； 當(dāng)所述迭代次數(shù)達(dá)到固定值時(shí)將所述第三最優(yōu)解作為最優(yōu)特征子集，并輸出。
10.如權(quán)利要求9所述的生成情感識(shí)別模型的方法，其特征在于，步驟“從所述原始特征集中選出最優(yōu)特征子集”還包括以下子步驟: 當(dāng)所述迭代次數(shù)沒有達(dá)到固定值時(shí)根據(jù)所述第三最優(yōu)解更新所述信息素矩陣。
11.如權(quán)利要求10所述的生成情感識(shí)別模型的方法，其特征在于，所述偽隨機(jī)比例規(guī)則為:
12.如權(quán)利要求11所述的生成情感識(shí)別模型的方法，其特征在于，所述步驟“根據(jù)偽隨機(jī)比例規(guī)則獲取每一所述時(shí)域特征的標(biāo)記狀態(tài)”包括以下步驟: 在q < Q0時(shí)根據(jù)信息素值τi0和τ i1的大小得到所述時(shí)域特征i的標(biāo)記狀態(tài)； 在q > Q0時(shí)根據(jù)P得到所述時(shí)域特征i的標(biāo)記狀態(tài)。
13.如權(quán)利要求9所述的生成情感識(shí)別模型的方法，其特征在于，所述變異規(guī)則為改變所述第一最優(yōu)解中至少一個(gè)所述時(shí)域特征的標(biāo)記狀態(tài)，然后對(duì)所述改變后的第一最優(yōu)解求變異解。
14.如權(quán)利要求9所述的生成情感識(shí)別模型的方法，其特征在于，所述鄰域交換規(guī)則為內(nèi)搜索所述第二最優(yōu)解的鄰域內(nèi)的鄰域解。
【文檔編號(hào)】A61B5/00GK103892792SQ201210567969
【公開日】2014年7月2日 申請(qǐng)日期:2012年12月24日 優(yōu)先權(quán)日:2012年12月24日
【發(fā)明者】張慧玲, 魏彥杰, 彭豐斌 申請(qǐng)人:中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院