情緒識(shí)別模型建立方法、情緒識(shí)別方法及裝置、智能設(shè)備的制造方法
【專利摘要】本發(fā)明提供了一種情緒識(shí)別模型建立方法、情緒識(shí)別方法及裝置、智能設(shè)備，其中，情緒識(shí)別模型建立方法包括，獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息；對(duì)情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)；對(duì)模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型；對(duì)訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)訓(xùn)練模型的分類參數(shù)進(jìn)行修正，得到情緒識(shí)別模型。本發(fā)明根據(jù)處于不同情緒時(shí)的情緒特征信息得到的模型訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，并通過對(duì)得到的訓(xùn)練模型進(jìn)行模型驗(yàn)證，選擇最優(yōu)參數(shù)對(duì)模型進(jìn)行修正，實(shí)現(xiàn)能夠準(zhǔn)確識(shí)別的情緒識(shí)別模型的建立。
【專利說明】
情緒識(shí)別模型建立方法、情緒識(shí)別方法及裝置、智能設(shè)備
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及智能硬件技術(shù)領(lǐng)域，尤其涉及一種情緒識(shí)別模型建立方法及裝置、情 緒識(shí)別方法及裝置以及智能設(shè)備。
【背景技術(shù)】
[0002] 情緒是一種綜合了人的感覺、思想和行為的狀態(tài)，它包括人對(duì)外界或自身刺激的 心理反應(yīng)，也包括伴隨這種心理反應(yīng)的生理反應(yīng)。
[0003] 隨著人機(jī)交互技術(shù)的發(fā)展，傳統(tǒng)的人機(jī)交互技術(shù)已經(jīng)逐漸向著智能交互、自然交 互等方向轉(zhuǎn)變。人機(jī)交互關(guān)注的重點(diǎn)也從定義交互方式，設(shè)計(jì)交互語義等發(fā)展為關(guān)注用戶 情緒，進(jìn)而挖掘用戶隱式需求等。實(shí)現(xiàn)自然人機(jī)交互的主要任務(wù)之一在于使計(jì)算機(jī)能夠在 與用戶交互的過程中自然地感知用戶的情緒，追蹤其情緒變化，進(jìn)而更主觀地與其進(jìn)行思 想上的交流及互動(dòng)，或者推測(cè)用戶內(nèi)心的基本意愿等。由此可以看出，情緒識(shí)別在自然人機(jī) 交互中具有十分重要的意義。
[0004] 現(xiàn)有技術(shù)中，情緒識(shí)別的方法主要有自我報(bào)告法、自主神經(jīng)系統(tǒng)測(cè)量、行為測(cè)量和 腦測(cè)量等方式，其中腦測(cè)量相對(duì)有較高的識(shí)別率，不易偽裝，因此被越來越多的應(yīng)用到情緒 識(shí)別研究中。其中，采用腦測(cè)量進(jìn)行情緒識(shí)別的方式就是借助儀器、設(shè)備等輔助工具對(duì)人體 進(jìn)行綜合評(píng)價(jià)來實(shí)現(xiàn)情緒識(shí)別，但是，由于個(gè)體差異較大，因此很難確保識(shí)別結(jié)果的客觀和 準(zhǔn)確。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所解決的技術(shù)問題為如何客觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0006] 第一方面，本發(fā)明提供了一種情緒識(shí)別模型建立方法，包括：
[0007] 獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息；
[0008]對(duì)情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)；
[0009] 對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型；
[0010] 對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)所述訓(xùn)練模型的分類參數(shù)進(jìn)行 修正，得到情緒識(shí)別模型。
[0011] 第二方面，本發(fā)明提供了一種情緒識(shí)別方法，包括：
[0012] 采集被測(cè)者的當(dāng)前腦電信號(hào)；
[0013]提取采集到的當(dāng)前腦電信號(hào)中的有效腦電信號(hào)；
[0014] 確定所述有效腦電信號(hào)的信號(hào)頻段，并將所述信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒 特征信息；
[0015] 采用根據(jù)上述情緒識(shí)別模型建立方法建立的情緒識(shí)別模型對(duì)所述情緒特征信息 進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果確定所述被測(cè)者的情緒類型。
[0016] 第三方面，本發(fā)明提供了一種情緒識(shí)別模型建立裝置，包括：
[0017] 獲取單元，用于獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息；
[0018] 分類單元，用于對(duì)獲取單元獲取的情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)；
[0019] 模型訓(xùn)練單元，用于對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型；
[0020] 修正單元，用于對(duì)所述模型訓(xùn)練單元得到的訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證 結(jié)果對(duì)所述訓(xùn)練模型的分類參數(shù)進(jìn)行修正，得到情緒識(shí)別模型。
[0021 ]第四方面，本發(fā)明提供了一種情緒識(shí)別裝置，包括：
[0022]采集單元，用于采集被測(cè)者的當(dāng)前腦電信號(hào)；
[0023] 預(yù)處理單元，用于提取采集到的當(dāng)前腦電信號(hào)中的有效腦電信號(hào)；
[0024] 特征提取單元，用于確定所述預(yù)處理單元得到的有效腦電信號(hào)的信號(hào)頻段，并將 所述信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒特征信息；
[0025] 識(shí)別單元，用于采用根據(jù)上述情緒識(shí)別模型建立裝置建立的情緒識(shí)別模型對(duì)所述 情緒特征信息進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果確定所述被測(cè)者的情緒類型。
[0026] 第五方面，本發(fā)明提供了一種情緒識(shí)別可穿戴設(shè)備，包括上述的情緒識(shí)別裝置。
[0027] 由上述技術(shù)方案可知，本發(fā)明實(shí)施例中的情緒識(shí)別模型建立方法及裝置，根據(jù)處 于不同情緒時(shí)的情緒特征信息得到的模型訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，并通過對(duì)得到的訓(xùn)練模 型進(jìn)行模型驗(yàn)證，選擇最優(yōu)參數(shù)對(duì)模型進(jìn)行修正，以實(shí)現(xiàn)能夠準(zhǔn)確識(shí)別的情緒識(shí)別模型的 建立，進(jìn)而客觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0028] 而且本發(fā)明實(shí)施例提供的情緒識(shí)別方法及裝置、智能設(shè)備，采用上述識(shí)別模型，采 用腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒特征信息，并采用情緒識(shí)別模型對(duì)情緒特 征信息進(jìn)行分類識(shí)別，避免了由于被測(cè)者個(gè)體差異較大導(dǎo)致的情緒識(shí)別不準(zhǔn)確的問題，客 觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0029] 當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品或方法并不一定需要同時(shí)達(dá)到以上所述的所有優(yōu) 點(diǎn)。
【附圖說明】
[0030] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以 根據(jù)這些圖獲得其他的附圖。
[0031 ]圖1為本發(fā)明實(shí)施例一種情緒識(shí)別模型建立方法的流程圖；
[0032] 圖2為本發(fā)明另一實(shí)施例一種情緒識(shí)別模型建立方法的流程圖；
[0033] 圖3為本發(fā)明實(shí)施例一種情緒識(shí)別模型建立方法中步驟SI 1的細(xì)分流程圖；
[0034] 圖4為本發(fā)明實(shí)施例一種情緒識(shí)別方法的流程圖；
[0035] 圖5為本發(fā)明實(shí)施例一種情緒識(shí)別模型建立裝置的結(jié)構(gòu)框圖；
[0036] 圖6為本發(fā)明實(shí)施例一種情緒識(shí)別模型建立裝置中獲取單元的結(jié)構(gòu)框圖；
[0037] 圖7為本發(fā)明實(shí)施例一種情緒識(shí)別裝置的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0038]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于 本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0039] 為了解決現(xiàn)有技術(shù)中，由于被測(cè)者個(gè)體差異較大導(dǎo)致的情緒識(shí)別不準(zhǔn)確的問題， 本發(fā)明實(shí)施例提出了一種情緒識(shí)別模型建立方法，以建立能夠準(zhǔn)確進(jìn)行識(shí)別的情緒識(shí)別模 型，客觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0040] 圖1為本發(fā)明實(shí)施例一種情緒識(shí)別模型建立方法的流程圖。參照?qǐng)D1，本發(fā)明實(shí)施 例提出的情緒識(shí)別模型建立方法，具體包括以下步驟：
[0041] S11、獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息。
[0042] 本實(shí)施例中，情緒特征信息為能夠體現(xiàn)被測(cè)者所處于的情緒的特征信息。在實(shí)際 應(yīng)用中，可以通過音樂、視頻、圖片等方式誘發(fā)用戶產(chǎn)生特定類型的情緒。并在用戶產(chǎn)生特 定類型的情緒時(shí)，獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息。
[0043] 可理解的是，被測(cè)者可以為相同被測(cè)者，也可以為不同被測(cè)者;但為了增加信息的 可信度，優(yōu)選為不同被測(cè)者。
[0044] S12、對(duì)步驟S11獲取的情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)。
[0045] 在實(shí)際應(yīng)用中，由于在模型訓(xùn)練時(shí)需要對(duì)樣本的類別進(jìn)行標(biāo)注，因此，當(dāng)獲取到被 測(cè)者處于不同情緒時(shí)的多個(gè)情緒特征信息后，需要根據(jù)各情緒特征信息采集時(shí)被測(cè)者對(duì)應(yīng) 的情緒對(duì)其進(jìn)行分類，得到對(duì)情緒類型進(jìn)行標(biāo)注的模型訓(xùn)練數(shù)據(jù)。
[0046] S13、對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型。
[0047]具體的，可通過支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、決策樹、貝葉斯網(wǎng)絡(luò)、K近鄰以及隱馬爾科 夫等算法模型，對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，以得到訓(xùn)練模型。
[0048] S14、對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)所述訓(xùn)練模型的分類參數(shù) 進(jìn)行修正，得到情緒識(shí)別模型。
[0049] 為了保證建立的情緒識(shí)別模型具有最優(yōu)的分類參數(shù)，本發(fā)明實(shí)施例中還包括有對(duì) 訓(xùn)練模型進(jìn)行模型驗(yàn)證的步驟，通過對(duì)訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)訓(xùn)練模 型的分類參數(shù)進(jìn)行修正，以得到能夠客觀、準(zhǔn)確地實(shí)現(xiàn)情緒識(shí)別的情緒識(shí)別模型。
[0050] 本發(fā)明實(shí)施例提供的情緒識(shí)別模型建立方法，根據(jù)處于不同情緒時(shí)的情緒特征信 息得到的模型訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，并通過對(duì)得到的訓(xùn)練模型進(jìn)行模型驗(yàn)證，選擇最優(yōu) 參數(shù)對(duì)模型進(jìn)行修正，以建立能夠準(zhǔn)確識(shí)別的情緒識(shí)別模型，客觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí) 別。
[0051] 圖2為本發(fā)明另一實(shí)施例一種情緒識(shí)別模型建立方法的流程圖。參照?qǐng)D2,本發(fā)明 實(shí)施例提出的情緒識(shí)別模型建立方法，具體包括以下步驟：
[0052] S21、獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息。
[0053] S22、對(duì)情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)。
[0054]步驟S21~S22與圖1所示的實(shí)施方式的步驟S11~S12相同，在此不再贅述。
[0055] S23、采用支持向量機(jī)算法對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型，所 述支持向量機(jī)算法采用徑向基核函數(shù)作為情緒分類的核函數(shù)。
[0056] 需要說明的是，支持向量機(jī)（Support Vector Machine,SVM)的核心思想是將在低 維上不可分的數(shù)據(jù)集映射到高維空間上，找出不同類別間使邊緣最大化的超平面，從而反 過來實(shí)現(xiàn)對(duì)低維空間上樣本的分類。通過控制核函數(shù)進(jìn)一步?jīng)Q定判決邊界的線性或非線 性，線性核支持向量機(jī)的復(fù)雜度相對(duì)非線性核來說較低，但非線性核支持向量機(jī)在很多情 況下能夠更好的擬合出不同類別間的邊界。常見的核函數(shù)包括線性核、多項(xiàng)式核、徑向基函 數(shù)核等。
[0057] 本發(fā)明實(shí)施例中，采用徑向基核函數(shù)(Radial Basis Function簡稱RBF)作為情緒 分類的核函數(shù)。所謂徑向基函數(shù)，就是某種沿徑向?qū)ΨQ的標(biāo)量函數(shù)。通常定義為空間中任一 點(diǎn)x到某一中心Xl之間歐氏距離的單調(diào)函數(shù)，可記作k(| |x_Xl| |)，其作用往往是局部的，即 當(dāng)x遠(yuǎn)離以時(shí)函數(shù)取值很小。最常用的徑向基函數(shù)是高斯核函數(shù)，形式為k(| |x-Xl| |)=exp {-| |x-Xl| |2/(〇2)}其中Xi為核函數(shù)中心，〇為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范 圍。RBF核函數(shù)有兩個(gè)參數(shù):誤差懲罰因子C和寬度參數(shù)〇。
[0058]本發(fā)明實(shí)施例采用基于徑向基核函數(shù)作為情緒分類的核函數(shù)的支持向量機(jī)算法 對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，從而準(zhǔn)確地進(jìn)行情緒識(shí)別模型的建立，確保分類、識(shí)別 的準(zhǔn)確性。
[0059] S24、對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)所述訓(xùn)練模型的分類參數(shù) 進(jìn)行修正，得到情緒識(shí)別模型。
[0060] 步驟S24與圖1所示的實(shí)施方式的步驟S14相同，在此不再贅述。
[0061] 本發(fā)明實(shí)施例提供的情緒識(shí)別模型建立方法，采用支持向量機(jī)算法對(duì)所述模型訓(xùn) 練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型，其中，所述支持向量機(jī)算法采用徑向基核函數(shù)作為情 緒分類的核函數(shù)。由于支持向量機(jī)算法在解決小樣本問題、非線性問題及高維模式識(shí)別中 都表現(xiàn)出許多特有的優(yōu)勢(shì)，因此，本發(fā)明實(shí)施例采用支持向量機(jī)算法進(jìn)行模型訓(xùn)練，進(jìn)而建 立能夠準(zhǔn)確識(shí)別的情緒識(shí)別模型，有效地確保分類、識(shí)別的客觀、準(zhǔn)確。
[0062] 在本發(fā)明的一個(gè)可選實(shí)施例中，如圖3所示，步驟S11中的獲取被測(cè)者處于不同情 緒時(shí)的情緒特征信息，進(jìn)一步包括以下步驟：
[0063] S111、采集被測(cè)者處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)。
[0064] 在實(shí)際應(yīng)用中，腦電信號(hào)可以通過將電極置于頭皮處進(jìn)行采集。其中，本實(shí)施例中 的被測(cè)者處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)，具體為被測(cè)者在不同情緒誘發(fā)條件下處于不同 情緒時(shí)產(chǎn)生的腦電信號(hào)。
[0065] S112、提取采集到的各腦電信號(hào)中的有效腦電信號(hào)。
[0066] 其中，本發(fā)明實(shí)施例中，由于腦電信號(hào)在采集過程中很容易受到其他噪聲信號(hào)的 干擾，包括眼電、肌電、心電、工頻干擾、電磁干擾等。因此，需要對(duì)其進(jìn)行預(yù)處理，去除腦電 信號(hào)中所摻雜的偽跡，以提取采集到的各腦電信號(hào)中的有效腦電信號(hào)。由于工頻干擾和電 磁干擾往往發(fā)生在高頻段，可以通過帶通濾波或低通濾波的方式將容易產(chǎn)生干擾的頻段過 濾掉，只保留有效的頻段的腦電信號(hào)。因此，有效腦電信號(hào)的提取，具體通過以下方式實(shí)現(xiàn)： 根據(jù)預(yù)設(shè)干擾頻段通過帶通濾波或低通濾波分別對(duì)采集的腦電信號(hào)進(jìn)行濾波處理，并從濾 波處理后的信號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)。
[0067] 進(jìn)一步地，上述從濾波處理后的信號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)的步 驟，具體包括:采用主成分分析算法或獨(dú)立成分分析算法從濾波處理后的信號(hào)中分別提取 各被測(cè)者的有效腦電信號(hào)。在一個(gè)具體實(shí)施例中，在有效腦電信號(hào)的提取過程中，對(duì)于不易 通過濾波去除的偽跡，可以采用獨(dú)立成分分析、主成分分析等方法，找出干擾信號(hào)并將其與 腦電信號(hào)分離開，進(jìn)而提取出有效腦電信號(hào)。
[0068] S113、確定各有效腦電信號(hào)的信號(hào)頻段，并將各有效腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的 頻段特征作為對(duì)應(yīng)被測(cè)者的情緒特征信息。
[0069] 需要說明的是，本發(fā)明實(shí)時(shí)中的頻段特征可以為有效腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的 頻率能量、功率譜、樣本熵和近似熵等特征，本發(fā)明對(duì)此不做具體限定。
[0070] 本發(fā)明實(shí)施例中，通過有效腦電信號(hào)的提取，以及將各有效腦電信號(hào)的信號(hào)頻段 對(duì)應(yīng)的頻段特征，如頻率能量，作為對(duì)應(yīng)被測(cè)者的情緒特征信息，能夠避免情緒特征信息不 準(zhǔn)確，與真實(shí)情緒對(duì)應(yīng)的特征偏差較大的問題，確保獲取的情緒特征信息的準(zhǔn)確、可靠。
[0071] 進(jìn)一步地，在步驟S111中的采集被測(cè)者處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)之后，所 述方法還包括以下步驟:對(duì)采集到的各腦電信號(hào)進(jìn)行放大處理。在實(shí)際應(yīng)用中，由于步驟 S111中采集的腦信號(hào)十分微弱，因此需要對(duì)采集到的信號(hào)進(jìn)行放大，以確保步驟S112中能 夠準(zhǔn)確地實(shí)現(xiàn)對(duì)采集到的各腦電信號(hào)中的有效腦電信號(hào)的提取，以進(jìn)行后續(xù)識(shí)別。
[0072]在本發(fā)明的一個(gè)可選實(shí)施例中，在步驟S13中對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練， 得到訓(xùn)練模型之后，所述方法還包括以下步驟：
[0073] 采用所述訓(xùn)練模型對(duì)測(cè)試樣本進(jìn)行識(shí)別，并判斷所述訓(xùn)練模型的識(shí)別成功率是否 大于識(shí)別閾值。其中，本實(shí)施例中的測(cè)試樣本可以為預(yù)先設(shè)置的，也可以將模型訓(xùn)練數(shù)據(jù)中 的部分?jǐn)?shù)據(jù)作為測(cè)試樣本。若判斷結(jié)果為否，則執(zhí)行步驟S14中對(duì)訓(xùn)練模型進(jìn)行模型驗(yàn)證的 步驟。
[0074] 在實(shí)際應(yīng)用中，由于不同的應(yīng)用場(chǎng)景對(duì)模型的識(shí)別成功率要求不同，為了在滿足 應(yīng)用場(chǎng)景對(duì)識(shí)別成功率要求的前提下，盡量降低模型建立過程的耗時(shí)，本發(fā)明實(shí)施例中，通 過采用訓(xùn)練模型對(duì)預(yù)先設(shè)置好的測(cè)試樣本進(jìn)行識(shí)別，并在訓(xùn)練模型的識(shí)別成功率大于識(shí)別 閾值，即滿足應(yīng)用場(chǎng)景對(duì)模型的識(shí)別精度要求時(shí)，停止學(xué)習(xí)訓(xùn)練過程，執(zhí)行后續(xù)對(duì)訓(xùn)練模型 進(jìn)行模型驗(yàn)證的步驟，節(jié)約建模時(shí)間。
[0075]在本發(fā)明的一個(gè)可選實(shí)施例中，在步驟S14中對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，具體 包括:采用L00CV算法對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證。
[0076] 需要說明的是，L00CV(Leave-0ne_0ut Cross Validation)算法屬于交叉驗(yàn)證 (Cross Validation，CV)的一種常見算法。其中，交叉驗(yàn)證是用來驗(yàn)證分類模型的性能的一 種統(tǒng)計(jì)分析方法，基本思想是在某種意義下將數(shù)據(jù)分成訓(xùn)練集和驗(yàn)證集，首先用訓(xùn)練集對(duì) 分類器進(jìn)行訓(xùn)練，在利用驗(yàn)證集來測(cè)試訓(xùn)練得到的模型，以此作為評(píng)價(jià)分類器的性能指標(biāo)。 [0077]可理解的是，采用L00CV算法對(duì)訓(xùn)練模型進(jìn)行模型驗(yàn)證僅是一種優(yōu)選的實(shí)現(xiàn)方案， 本領(lǐng)域技術(shù)人員還可采用其他交叉驗(yàn)證的算法實(shí)現(xiàn)對(duì)訓(xùn)練模型的模型驗(yàn)證，如Hold-Out Method、K-fold Cross Validation(記為K-CV)等，本發(fā)明對(duì)此不作具體限定。
[0078] L00CV算法時(shí)通過將每個(gè)樣本單獨(dú)作為一次測(cè)試集，剩余n-1個(gè)樣本則作為訓(xùn)練 集，來實(shí)現(xiàn)模型驗(yàn)證。本發(fā)明實(shí)施例采用L00CV算法對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，具有以 下優(yōu)點(diǎn)：1、每一回合中幾乎所有的樣本皆用于訓(xùn)練模型，因此最接近母體樣本的分布，估測(cè) 所得的整體誤差比較可靠。2、實(shí)驗(yàn)過程中沒有隨機(jī)因素會(huì)影響實(shí)驗(yàn)數(shù)據(jù)，確保實(shí)驗(yàn)過程是 可以被復(fù)制的。
[0079] 此外，本發(fā)明還提供了一種利用上述任一實(shí)施例中的情緒識(shí)別模型建立方法建立 的情緒識(shí)別模型進(jìn)行情緒識(shí)別的方法。圖4為本發(fā)明實(shí)施例一種情緒識(shí)別方法的流程圖，參 照?qǐng)D4,本發(fā)明實(shí)施例提出的情緒識(shí)別方法，具體包括以下步驟：
[0080] S41、采集被測(cè)者的當(dāng)前腦電信號(hào)。
[0081 ]在實(shí)際應(yīng)用中，腦電信號(hào)可以通過將電極置于頭皮處進(jìn)行采集。
[0082] S42、提取采集到的當(dāng)前腦電信號(hào)中的有效腦電信號(hào)。
[0083] S43、確定所述有效腦電信號(hào)的信號(hào)頻段，并將所述信號(hào)頻段對(duì)應(yīng)的頻段特征作為 情緒特征信息。
[0084] S44、采用根據(jù)上述任一實(shí)施例中的情緒識(shí)別模型建立方法建立的情緒識(shí)別模型 對(duì)所述情緒特征信息進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果確定所述被測(cè)者的情緒類型。
[0085] 本發(fā)明實(shí)施例提供的情緒識(shí)別方法，將腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的頻段特征作為 情緒特征信息，并采用情緒識(shí)別模型對(duì)情緒特征信息進(jìn)行分類識(shí)別，避免了由于被測(cè)者個(gè) 體差異較大導(dǎo)致的情緒識(shí)別不準(zhǔn)確的問題，客觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0086] 本發(fā)明實(shí)施例中，上述提取采集到的當(dāng)前腦電信號(hào)中的有效腦電信號(hào)的步驟，具 體通過以下方式實(shí)現(xiàn):根據(jù)所述預(yù)設(shè)干擾頻段通過帶通濾波或低通濾波對(duì)采集的當(dāng)前腦電 信號(hào)進(jìn)行濾波處理，并從濾波處理后的信號(hào)中提取被測(cè)者的有效腦電信號(hào)。進(jìn)一步地，上述 從濾波處理后的信號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)的步驟，具體包括:采用主成分 分析算法或獨(dú)立成分分析算法從濾波處理后的信號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)。
[0087] 本發(fā)明實(shí)施例中，通過有效腦電信號(hào)的提取，以及將通過主成分分析算法或獨(dú)立 成分分析算法提取各被測(cè)者的有效腦電信號(hào)，能夠準(zhǔn)確地實(shí)現(xiàn)有效腦電信號(hào)的提取，以避 免后續(xù)得到的情緒特征信息不準(zhǔn)確，或與真實(shí)情緒對(duì)應(yīng)的特征偏差較大的問題，確進(jìn)一步 保后續(xù)獲取的情緒特征信息的準(zhǔn)確、可靠。
[0088] 在本發(fā)明實(shí)施例中，最終識(shí)別出的情緒類型包括:睡眠狀態(tài)、想象狀態(tài)、安靜狀態(tài)、 放松狀態(tài)、思考狀態(tài)和激動(dòng)狀態(tài)中的任意一種。
[0089]其中，所述睡眠狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為0. l-3Hz;所述想象狀態(tài)對(duì)應(yīng)的 腦電信號(hào)的信號(hào)頻段為4-7Hz;所述安靜狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為8-12HZ;所述放 松狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為13-15HZ;所述思考狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段 為16-20Hz;所述激動(dòng)狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為21 -30Hz。
[0090] 需要說明的是，當(dāng)人處于不同的情緒狀態(tài)時(shí)，腦電信號(hào)的信號(hào)頻段與情緒類型具 有一定的對(duì)應(yīng)關(guān)系，如表1所示。
[0091] 表1腦電信號(hào)的信號(hào)頻段與情緒類型的對(duì)應(yīng)關(guān)系
[0094]其中，可通過對(duì)特定狀態(tài)大量樣本的訓(xùn)練，確定不同情緒類型狀態(tài)對(duì)應(yīng)的腦電信 號(hào)的信號(hào)頻段數(shù)值范圍?？梢?，濾波處理后的腦電信號(hào)通過小波分析處理，得到6個(gè)常用頻 段信號(hào)，通過計(jì)算各有效腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的頻段特征，并將其作為對(duì)應(yīng)被測(cè)者的 情緒特征信息，有效地保證各個(gè)腦電信號(hào)的信號(hào)頻段的識(shí)別。
[0095]需要說明的是，本發(fā)明實(shí)施例中的情緒類型以及對(duì)應(yīng)的信號(hào)頻段，僅用于舉例說 明，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際需求設(shè)置其他腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的情緒類型，或 將其中某一信號(hào)頻段進(jìn)一步劃分為更加具體的情緒類型，本發(fā)明對(duì)此不做具體限定。
[0096]進(jìn)一步地，在步驟S41中采集被測(cè)者的當(dāng)前腦電信號(hào)之后，該方法還包括:對(duì)采集 到的當(dāng)前腦電信號(hào)進(jìn)行放大處理。在實(shí)際應(yīng)用中，由于測(cè)試過程中采集的腦信號(hào)十分微弱， 因此需要對(duì)采集到的信號(hào)進(jìn)行放大，以確保后續(xù)能夠準(zhǔn)確地實(shí)現(xiàn)對(duì)采集到的各腦電信號(hào)中 有效腦電信號(hào)的提取，以進(jìn)行后續(xù)識(shí)別。
[0097]另外，對(duì)于上述方法實(shí)施例，為了簡單描述，故將其都表述為一系列的動(dòng)作組合， 但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動(dòng)作順序的限制，其次，本領(lǐng)域技術(shù) 人員也應(yīng)該知悉，說明書中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動(dòng)作并不一定是 本發(fā)明所必須的。
[0098]基于與方法同樣的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提供一種情緒識(shí)別模型建立裝置。 圖5為本發(fā)明實(shí)施例一種情緒識(shí)別模型建立裝置的結(jié)構(gòu)框圖。參見圖5,本發(fā)明實(shí)施例提出 的情緒識(shí)別模型建立裝置，包括:獲取單元501、分類單元502、模型訓(xùn)練單元503以及修正單 元504,其中，獲取單元501用于獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息；分類單元502 用于對(duì)獲取單元501獲取的情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù);模型訓(xùn)練單元503 用于對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型;修正單元504用于對(duì)模型訓(xùn)練單元 503得到的訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)訓(xùn)練模型的分類參數(shù)進(jìn)行修正，得到 情緒識(shí)別模型。
[0099] 在本發(fā)明的一個(gè)可選實(shí)施例中，模型訓(xùn)練單元503具體用于采用支持向量機(jī)算法 對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型，所述支持向量機(jī)算法采用徑向基核函 數(shù)作為情緒分類的核函數(shù)。
[0100] 在本發(fā)明的一個(gè)可選實(shí)施例中，如圖6所示，獲取單元501，包括采集模塊5011、預(yù) 處理模塊5012以及特征提取模塊5013，其中，采集模塊5011用于采集被測(cè)者處于不同情緒 時(shí)產(chǎn)生的腦電信號(hào);預(yù)處理模塊5012用于提取采集到的各腦電信號(hào)中的有效腦電信號(hào);特 征提取模塊5013用于確定各個(gè)有效腦電信號(hào)的信號(hào)頻段，并將各有效腦電信號(hào)的信號(hào)頻段 對(duì)應(yīng)的頻段特征作為對(duì)應(yīng)被測(cè)者的情緒特征信息。
[0101] 在實(shí)際應(yīng)用中，采集模塊5011可以通過將電極置于頭皮處進(jìn)行腦電信號(hào)的采集。 其中，本實(shí)施例中的被測(cè)者處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)，具體為被測(cè)者在不同情緒誘 發(fā)條件下處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)。預(yù)處理模塊5012具體用于根據(jù)預(yù)設(shè)干擾頻段通 過帶通濾波或低通濾波分別對(duì)采集的腦電信號(hào)進(jìn)行濾波處理，并從濾波處理后的信號(hào)中分 別提取各被測(cè)者的有效腦電信號(hào)。其中，從濾波處理后的信號(hào)中分別提取各被測(cè)者的有效 腦電信號(hào)具體為采用主成分分析算法或獨(dú)立成分分析算法從濾波處理后的信號(hào)中分別提 取各被測(cè)者的有效腦電信號(hào)。
[0102] 本發(fā)明實(shí)施例中，通過有效腦電信號(hào)的提取，以及將各有效腦電信號(hào)的信號(hào)頻段 對(duì)應(yīng)的頻段特征作為對(duì)應(yīng)被測(cè)者的情緒特征信息，能夠避免情緒特征信息不準(zhǔn)確，與真實(shí) 情緒對(duì)應(yīng)的特征偏差較大的問題，確保獲取的情緒特征信息的準(zhǔn)確、可靠。
[0103] 在本發(fā)明的一個(gè)可選實(shí)施例中，該裝置還包括附圖中未示出的放大單元，該放大 單元，用于在所述采集被測(cè)者處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)之后，對(duì)采集到的腦電信號(hào) 進(jìn)行放大處理。在實(shí)際應(yīng)用中，由于采集模塊5011采集的腦信號(hào)十分微弱，因此需要對(duì)采集 到的信號(hào)進(jìn)行放大，以確保預(yù)處理模塊5012能夠準(zhǔn)確地實(shí)現(xiàn)對(duì)采集到的各腦電信號(hào)中的有 效腦電信號(hào)的提取，以進(jìn)行后續(xù)識(shí)別。
[0104] 在本發(fā)明的一個(gè)可選實(shí)施例中，該裝置還包括附圖中未示出的判斷單元，該判斷 單元，用于在模型訓(xùn)練單元503對(duì)模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型之后，采用訓(xùn) 練模型對(duì)測(cè)試樣本進(jìn)行識(shí)別，并判斷訓(xùn)練模型的識(shí)別成功率是否大于識(shí)別閾值;相應(yīng)地，修 正單元504,用于在判斷單元的判斷結(jié)果為識(shí)別成功率小于或等于所述識(shí)別閾值時(shí)，執(zhí)行所 述對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證的操作。
[0105] 在實(shí)際應(yīng)用中，由于不同的應(yīng)用場(chǎng)景對(duì)模型的識(shí)別成功率要求不同，為了在滿足 應(yīng)用場(chǎng)景對(duì)識(shí)別成功率要求的前提下，盡量降低模型建立過程的耗時(shí)，本發(fā)明實(shí)施例中，通 過采用訓(xùn)練模型對(duì)預(yù)先設(shè)置好的測(cè)試樣本進(jìn)行識(shí)別，并在訓(xùn)練模型的識(shí)別成功率大于識(shí)別 閾值，即滿足應(yīng)用場(chǎng)景對(duì)模型的識(shí)別精度要求時(shí)，停止學(xué)習(xí)訓(xùn)練過程，執(zhí)行后續(xù)對(duì)訓(xùn)練模型 進(jìn)行模型驗(yàn)證的步驟，節(jié)約建模時(shí)間。
[0106] 在本發(fā)明的一個(gè)可選實(shí)施例中，修正單元504具體用于采用L00CV算法對(duì)所述訓(xùn)練 模型進(jìn)行模型驗(yàn)證。本發(fā)明實(shí)施例采用L00CV算法對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，具有以下 優(yōu)點(diǎn)：1、每一回合中幾乎所有的樣本皆用于訓(xùn)練模型，因此最接近母體樣本的分布，估測(cè)所 得的整體誤差比較可靠。2、實(shí)驗(yàn)過程中沒有隨機(jī)因素會(huì)影響實(shí)驗(yàn)數(shù)據(jù)，確保實(shí)驗(yàn)過程是可 以被復(fù)制的。
[0107] 基于與另一方法同樣的發(fā)明構(gòu)思，本發(fā)明實(shí)施例還提供一種情緒識(shí)別裝置。圖7為 本發(fā)明實(shí)施例一種情緒識(shí)別裝置的結(jié)構(gòu)框圖，參見圖7,本發(fā)明實(shí)施例提出的情緒識(shí)別裝 置，包括采集單元701、預(yù)處理單元702、特征提取單元703以及識(shí)別單元704:采集單元701用 于采集被測(cè)者的當(dāng)前腦電信號(hào);預(yù)處理單元702用于提取采集到的當(dāng)前腦電信號(hào)中的有效 腦電信號(hào);特征提取單元703用于確定所述預(yù)處理單元得到的有效腦電信號(hào)的信號(hào)頻段，并 將所述信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒特征信息；識(shí)別單元704用于采用根據(jù)上述情緒 識(shí)別模型建立裝置建立的情緒識(shí)別模型對(duì)所述情緒特征信息進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果 確定所述被測(cè)者的情緒類型。
[0108] 本發(fā)明實(shí)施例提供的情緒識(shí)別裝置，特征提取單元703將腦電信號(hào)的信號(hào)頻段對(duì) 應(yīng)的頻段特征作為情緒特征信息，以供識(shí)別單元704采用上述任一實(shí)施例提供的情緒識(shí)別 模型建立裝置建立的情緒識(shí)別模型對(duì)情緒特征信息進(jìn)行分類識(shí)別，避免了由于被測(cè)者個(gè)體 差異較大導(dǎo)致的情緒識(shí)別不準(zhǔn)確的問題，客觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0109]在一個(gè)具體實(shí)施例中，預(yù)處理單元702具體用于根據(jù)所述預(yù)設(shè)干擾頻段通過帶通 濾波或低通濾波對(duì)采集的當(dāng)前腦電信號(hào)進(jìn)行濾波處理，并從濾波處理后的信號(hào)中提取被測(cè) 者的有效腦電信號(hào)。其中，從濾波處理后的信號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)的步 驟，具體為采用主成分分析算法或獨(dú)立成分分析算法從濾波處理后的信號(hào)中分別提取各被 測(cè)者的有效腦電信號(hào)。
[0110] 本發(fā)明實(shí)施例中，通過有效腦電信號(hào)的提取，以及將通過主成分分析算法或獨(dú)立 成分分析算法提取各被測(cè)者的有效腦電信號(hào)，能夠準(zhǔn)確地實(shí)現(xiàn)有效腦電信號(hào)的提取，以避 免后續(xù)得到的情緒特征信息不準(zhǔn)確，或與真實(shí)情緒對(duì)應(yīng)的特征偏差較大的問題，確進(jìn)一步 保后續(xù)獲取的情緒特征信息的準(zhǔn)確、可靠。
[0111] 在本發(fā)明實(shí)施例中，情緒類型包括:睡眠狀態(tài)、想象狀態(tài)、安靜狀態(tài)、放松狀態(tài)、思 考狀態(tài)和激動(dòng)狀態(tài)中的任意一種。其中，睡眠狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為0.1-3HZ; 想象狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為4-7Hz;安靜狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為8-12Hz;放松狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為13-15HZ;思考狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻 段為16-20Hz;激動(dòng)狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為21 -30Hz。
[0112] 在本發(fā)明的一個(gè)可選實(shí)施例中，該裝置還包括附圖中未示出的放大單元，該放大 單元用于在所述采集被測(cè)者的當(dāng)前腦電信號(hào)之后，對(duì)采集到的當(dāng)前腦電信號(hào)進(jìn)行放大處 理。在實(shí)際應(yīng)用中，由于測(cè)試過程中采集的腦信號(hào)十分微弱，因此需要對(duì)采集到的信號(hào)進(jìn)行 放大，以確保后續(xù)能夠準(zhǔn)確地實(shí)現(xiàn)對(duì)采集到的各腦電信號(hào)中有效腦電信號(hào)的提取，以進(jìn)行 后續(xù)識(shí)別。
[0113] 對(duì)于裝置實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡單，相關(guān) 之處參見方法實(shí)施例的部分說明即可。
[0114] 基于同樣的發(fā)明構(gòu)思，本發(fā)明實(shí)施例提供一種包括上述任意一種情緒識(shí)別裝置的 情緒識(shí)別可穿戴設(shè)備。該情緒識(shí)別可穿戴設(shè)備可以為：智能手環(huán)、智能眼鏡以及智能頭盔等 可穿戴設(shè)備，對(duì)此，本發(fā)明實(shí)施例不做具體限定。該情緒識(shí)別可穿戴設(shè)備由于包括上述任意 一種情緒識(shí)別裝置，因而可以解決同樣的技術(shù)問題，并取得相同的技術(shù)效果。
[0115] 由上述技術(shù)方案可知，本發(fā)明實(shí)施例中的情緒識(shí)別模型建立方法及裝置，根據(jù)處 于不同情緒時(shí)的情緒特征信息得到的模型訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，并通過對(duì)得到的訓(xùn)練模 型進(jìn)行模型驗(yàn)證，選擇最優(yōu)參數(shù)對(duì)模型進(jìn)行修正，以建立能夠準(zhǔn)確識(shí)別的情緒識(shí)別模型，客 觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0116] 而且本發(fā)明實(shí)施例提供的情緒識(shí)別方法及裝置、智能設(shè)備，采用上述識(shí)別模型，采 用腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒特征信息，并采用情緒識(shí)別模型對(duì)情緒特 征信息進(jìn)行分類識(shí)別，避免了由于被測(cè)者個(gè)體差異較大導(dǎo)致的情緒識(shí)別不準(zhǔn)確的問題，客 觀、準(zhǔn)確地實(shí)現(xiàn)情緒的識(shí)別。
[0117] 以上所描述的裝置實(shí)施例僅僅是示意性的，其中所述作為分離部件說明的單元可 以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單 元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其 中的部分或者全部模塊來實(shí)現(xiàn)本實(shí)施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性 的勞動(dòng)的情況下，即可以理解并實(shí)施。
[0118] 通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到各實(shí)施方式可 借助軟件加必需的通用硬件平臺(tái)的方式來實(shí)現(xiàn)，當(dāng)然也可以通過硬件?；谶@樣的理解，上 述技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該 計(jì)算機(jī)軟件產(chǎn)品可以存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，如R0M/RAM、磁碟、光盤等，包括若干指 令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行各個(gè)實(shí)施 例或者實(shí)施例的某些部分所述的方法。
[0119] 最后應(yīng)說明的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制;盡管 參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可 以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換； 而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和 范圍。
【主權(quán)項(xiàng)】
1. 一種情緒識(shí)別模型建立方法，其特征在于，包括： 獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息； 對(duì)情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)； 對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型； 對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果對(duì)所述訓(xùn)練模型的分類參數(shù)進(jìn)行修 正，得到情緒識(shí)別模型。2. 根據(jù)權(quán)利要求1所述的情緒識(shí)別模型建立方法，其特征在于，所述對(duì)所述模型訓(xùn)練數(shù) 據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型，包括： 采用支持向量機(jī)算法對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型，所述支持向 量機(jī)算法采用徑向基核函數(shù)作為情緒分類的核函數(shù)。3. 根據(jù)權(quán)利要求1所述的情緒識(shí)別模型建立方法，其特征在于，所述獲取被測(cè)者處于不 同情緒時(shí)的情緒特征信息，包括： 采集被測(cè)者處于不同情緒時(shí)產(chǎn)生的腦電信號(hào)； 提取采集到的各腦電信號(hào)中的有效腦電信號(hào)； 確定各有效腦電信號(hào)的信號(hào)頻段，并將各有效腦電信號(hào)的信號(hào)頻段對(duì)應(yīng)的頻段特征作 為對(duì)應(yīng)被測(cè)者的情緒特征信息。4. 根據(jù)權(quán)利要求3所述的情緒識(shí)別模型建立方法，其特征在于，所述提取采集到的各腦 電信號(hào)中的有效腦電信號(hào)，包括： 根據(jù)預(yù)設(shè)干擾頻段通過帶通濾波或低通濾波分別對(duì)采集的腦電信號(hào)進(jìn)行濾波處理，并 從濾波處理后的信號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)。5. 根據(jù)權(quán)利要求4所述的情緒識(shí)別模型建立方法，其特征在于，所述從濾波處理后的信 號(hào)中分別提取各被測(cè)者的有效腦電信號(hào)，包括： 采用主成分分析算法或獨(dú)立成分分析算法從濾波處理后的信號(hào)中分別提取各被測(cè)者 的有效腦電信號(hào)。6. 根據(jù)權(quán)利要求3所述的情緒識(shí)別模型建立方法，其特征在于，在所述采集被測(cè)者處于 不同情緒時(shí)產(chǎn)生的腦電信號(hào)之后，所述方法還包括： 對(duì)采集到的各腦電信號(hào)進(jìn)行放大處理。7. 根據(jù)權(quán)利要求1所述的情緒識(shí)別模型建立方法，其特征在于，在所述對(duì)所述模型訓(xùn)練 數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型之后，所述方法還包括： 采用所述訓(xùn)練模型對(duì)測(cè)試樣本進(jìn)行識(shí)別，并判斷所述訓(xùn)練模型的識(shí)別成功率是否大于 識(shí)別閾值； 若判斷結(jié)果為否，則執(zhí)行所述對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證的步驟。8. 根據(jù)權(quán)利要求1至7中任一項(xiàng)所述的情緒識(shí)別模型建立方法，其特征在于，所述對(duì)所 述訓(xùn)練模型進(jìn)行模型驗(yàn)證，包括： 采用LOOCV算法對(duì)所述訓(xùn)練模型進(jìn)行模型驗(yàn)證。9. 一種情緒識(shí)別方法，其特征在于，包括： 采集被測(cè)者的當(dāng)前腦電信號(hào)； 提取采集到的當(dāng)前腦電信號(hào)中的有效腦電信號(hào)； 確定所述有效腦電信號(hào)的信號(hào)頻段，并將所述信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒特征 信息； 采用根據(jù)權(quán)利要求1至8中任一項(xiàng)所述的情緒識(shí)別模型建立方法建立的情緒識(shí)別模型 對(duì)所述情緒特征信息進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果確定所述被測(cè)者的情緒類型。10. 根據(jù)權(quán)利要求9所述的情緒識(shí)別方法，其特征在于，所述提取采集到的當(dāng)前腦電信 號(hào)中的有效腦電信號(hào)，包括： 根據(jù)所述預(yù)設(shè)干擾頻段通過帶通濾波或低通濾波對(duì)采集的當(dāng)前腦電信號(hào)進(jìn)行濾波處 理，并從濾波處理后的信號(hào)中提取被測(cè)者的有效腦電信號(hào)。11. 根據(jù)權(quán)利要求10所述的情緒識(shí)別方法，其特征在于，所述從濾波處理后的信號(hào)中提 取被測(cè)者的有效腦電信號(hào)，包括： 采用主成分分析算法或獨(dú)立成分分析算法從濾波處理后的信號(hào)中提取被測(cè)者的有效 腦電信號(hào)。12. 根據(jù)權(quán)利要求9所述的情緒識(shí)別方法，其特征在于，所述情緒類型包括:睡眠狀態(tài)、 想象狀態(tài)、安靜狀態(tài)、放松狀態(tài)、思考狀態(tài)和激動(dòng)狀態(tài)中的任意一種。13. 根據(jù)權(quán)利要求12所述的情緒識(shí)別方法，其特征在于，所述睡眠狀態(tài)對(duì)應(yīng)的腦電信號(hào) 的信號(hào)頻段為0.1-3HZ;所述想象狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為4-7Hz;所述安靜狀態(tài) 對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為8-12HZ;所述放松狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為13-15Hz;所述思考狀態(tài)對(duì)應(yīng)的腦電信號(hào)的信號(hào)頻段為16-20Hz;所述激動(dòng)狀態(tài)對(duì)應(yīng)的腦電信號(hào) 的信號(hào)頻段為21-30HZ。14. 根據(jù)權(quán)利要求9至13中任一項(xiàng)所述的情緒識(shí)別方法，其特征在于，在所述采集被測(cè) 者的當(dāng)前腦電信號(hào)之后，所述方法還包括： 對(duì)采集到的當(dāng)前腦電信號(hào)進(jìn)行放大處理。15. -種情緒識(shí)別模型建立裝置，其特征在于，包括： 獲取單元，用于獲取被測(cè)者處于不同情緒時(shí)的情緒特征信息； 分類單元，用于對(duì)獲取單元獲取的情緒特征信息進(jìn)行分類，得到模型訓(xùn)練數(shù)據(jù)； 模型訓(xùn)練單元，用于對(duì)所述模型訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，得到訓(xùn)練模型； 修正單元，用于對(duì)所述模型訓(xùn)練單元得到的訓(xùn)練模型進(jìn)行模型驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果 對(duì)所述訓(xùn)練模型的分類參數(shù)進(jìn)行修正，得到情緒識(shí)別模型。16. -種情緒識(shí)別裝置，其特征在于，包括： 采集單元，用于采集被測(cè)者的當(dāng)前腦電信號(hào)； 預(yù)處理單元，用于提取采集到的當(dāng)前腦電信號(hào)中的有效腦電信號(hào)； 特征提取單元，用于確定所述預(yù)處理單元得到的有效腦電信號(hào)的信號(hào)頻段，并將所述 信號(hào)頻段對(duì)應(yīng)的頻段特征作為情緒特征信息； 識(shí)別單元，用于采用根據(jù)權(quán)利要求15所述情緒識(shí)別模型建立裝置建立的情緒識(shí)別模型 對(duì)所述情緒特征信息進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果確定所述被測(cè)者的情緒類型。17. -種情緒識(shí)別可穿戴設(shè)備，其特征在于，包括如權(quán)利要求16所述的情緒識(shí)別裝置。
【文檔編號(hào)】G06K9/62GK105894039SQ201610262080
【公開日】2016年8月24日
【申請(qǐng)日】2016年4月25日
【發(fā)明人】李慧
【申請(qǐng)人】京東方科技集團(tuán)股份有限公司