情緒識別模型建立方法、情緒識別方法及裝置、智能設備的制造方法
【專利摘要】本發(fā)明提供了一種情緒識別模型建立方法、情緒識別方法及裝置、智能設備，其中，情緒識別模型建立方法包括，獲取被測者處于不同情緒時的情緒特征信息；對情緒特征信息進行分類，得到模型訓練數據；對模型訓練數據進行學習訓練，得到訓練模型；對訓練模型進行模型驗證，并根據驗證結果對訓練模型的分類參數進行修正，得到情緒識別模型。本發(fā)明根據處于不同情緒時的情緒特征信息得到的模型訓練數據進行模型訓練，并通過對得到的訓練模型進行模型驗證，選擇最優(yōu)參數對模型進行修正，實現能夠準確識別的情緒識別模型的建立。
【專利說明】
情緒識別模型建立方法、情緒識別方法及裝置、智能設備
技術領域
[0001] 本發(fā)明涉及智能硬件技術領域，尤其涉及一種情緒識別模型建立方法及裝置、情 緒識別方法及裝置以及智能設備。
【背景技術】
[0002] 情緒是一種綜合了人的感覺、思想和行為的狀態(tài)，它包括人對外界或自身刺激的 心理反應，也包括伴隨這種心理反應的生理反應。
[0003] 隨著人機交互技術的發(fā)展，傳統(tǒng)的人機交互技術已經逐漸向著智能交互、自然交 互等方向轉變。人機交互關注的重點也從定義交互方式，設計交互語義等發(fā)展為關注用戶 情緒，進而挖掘用戶隱式需求等。實現自然人機交互的主要任務之一在于使計算機能夠在 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，進而更主觀地與其進行思 想上的交流及互動，或者推測用戶內心的基本意愿等。由此可以看出，情緒識別在自然人機 交互中具有十分重要的意義。
[0004] 現有技術中，情緒識別的方法主要有自我報告法、自主神經系統(tǒng)測量、行為測量和 腦測量等方式，其中腦測量相對有較高的識別率，不易偽裝，因此被越來越多的應用到情緒 識別研究中。其中，采用腦測量進行情緒識別的方式就是借助儀器、設備等輔助工具對人體 進行綜合評價來實現情緒識別，但是，由于個體差異較大，因此很難確保識別結果的客觀和 準確。

【發(fā)明內容】

[0005] 本發(fā)明所解決的技術問題為如何客觀、準確地實現情緒的識別。
[0006] 第一方面，本發(fā)明提供了一種情緒識別模型建立方法，包括：
[0007] 獲取被測者處于不同情緒時的情緒特征信息；
[0008]對情緒特征信息進行分類，得到模型訓練數據；
[0009] 對所述模型訓練數據進行學習訓練，得到訓練模型；
[0010] 對所述訓練模型進行模型驗證，并根據驗證結果對所述訓練模型的分類參數進行 修正，得到情緒識別模型。
[0011] 第二方面，本發(fā)明提供了一種情緒識別方法，包括：
[0012] 采集被測者的當前腦電信號；
[0013]提取采集到的當前腦電信號中的有效腦電信號；
[0014] 確定所述有效腦電信號的信號頻段，并將所述信號頻段對應的頻段特征作為情緒 特征信息；
[0015] 采用根據上述情緒識別模型建立方法建立的情緒識別模型對所述情緒特征信息 進行特征識別，根據識別結果確定所述被測者的情緒類型。
[0016] 第三方面，本發(fā)明提供了一種情緒識別模型建立裝置，包括：
[0017] 獲取單元，用于獲取被測者處于不同情緒時的情緒特征信息；
[0018] 分類單元，用于對獲取單元獲取的情緒特征信息進行分類，得到模型訓練數據；
[0019] 模型訓練單元，用于對所述模型訓練數據進行學習訓練，得到訓練模型；
[0020] 修正單元，用于對所述模型訓練單元得到的訓練模型進行模型驗證，并根據驗證 結果對所述訓練模型的分類參數進行修正，得到情緒識別模型。
[0021 ]第四方面，本發(fā)明提供了一種情緒識別裝置，包括：
[0022]采集單元，用于采集被測者的當前腦電信號；
[0023] 預處理單元，用于提取采集到的當前腦電信號中的有效腦電信號；
[0024] 特征提取單元，用于確定所述預處理單元得到的有效腦電信號的信號頻段，并將 所述信號頻段對應的頻段特征作為情緒特征信息；
[0025] 識別單元，用于采用根據上述情緒識別模型建立裝置建立的情緒識別模型對所述 情緒特征信息進行特征識別，根據識別結果確定所述被測者的情緒類型。
[0026] 第五方面，本發(fā)明提供了一種情緒識別可穿戴設備，包括上述的情緒識別裝置。
[0027] 由上述技術方案可知，本發(fā)明實施例中的情緒識別模型建立方法及裝置，根據處 于不同情緒時的情緒特征信息得到的模型訓練數據進行模型訓練，并通過對得到的訓練模 型進行模型驗證，選擇最優(yōu)參數對模型進行修正，以實現能夠準確識別的情緒識別模型的 建立，進而客觀、準確地實現情緒的識別。
[0028] 而且本發(fā)明實施例提供的情緒識別方法及裝置、智能設備，采用上述識別模型，采 用腦電信號的信號頻段對應的頻段特征作為情緒特征信息，并采用情緒識別模型對情緒特 征信息進行分類識別，避免了由于被測者個體差異較大導致的情緒識別不準確的問題，客 觀、準確地實現情緒的識別。
[0029] 當然，實施本發(fā)明的任一產品或方法并不一定需要同時達到以上所述的所有優(yōu) 點。
【附圖說明】
[0030] 為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現 有技術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)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據這些圖獲得其他的附圖。
[0031 ]圖1為本發(fā)明實施例一種情緒識別模型建立方法的流程圖；
[0032] 圖2為本發(fā)明另一實施例一種情緒識別模型建立方法的流程圖；
[0033] 圖3為本發(fā)明實施例一種情緒識別模型建立方法中步驟SI 1的細分流程圖；
[0034] 圖4為本發(fā)明實施例一種情緒識別方法的流程圖；
[0035] 圖5為本發(fā)明實施例一種情緒識別模型建立裝置的結構框圖；
[0036] 圖6為本發(fā)明實施例一種情緒識別模型建立裝置中獲取單元的結構框圖；
[0037] 圖7為本發(fā)明實施例一種情緒識別裝置的結構框圖。
【具體實施方式】
[0038]下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；?本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0039] 為了解決現有技術中，由于被測者個體差異較大導致的情緒識別不準確的問題， 本發(fā)明實施例提出了一種情緒識別模型建立方法，以建立能夠準確進行識別的情緒識別模 型，客觀、準確地實現情緒的識別。
[0040] 圖1為本發(fā)明實施例一種情緒識別模型建立方法的流程圖。參照圖1，本發(fā)明實施 例提出的情緒識別模型建立方法，具體包括以下步驟：
[0041] S11、獲取被測者處于不同情緒時的情緒特征信息。
[0042] 本實施例中，情緒特征信息為能夠體現被測者所處于的情緒的特征信息。在實際 應用中，可以通過音樂、視頻、圖片等方式誘發(fā)用戶產生特定類型的情緒。并在用戶產生特 定類型的情緒時，獲取被測者處于不同情緒時的情緒特征信息。
[0043] 可理解的是，被測者可以為相同被測者，也可以為不同被測者;但為了增加信息的 可信度，優(yōu)選為不同被測者。
[0044] S12、對步驟S11獲取的情緒特征信息進行分類，得到模型訓練數據。
[0045] 在實際應用中，由于在模型訓練時需要對樣本的類別進行標注，因此，當獲取到被 測者處于不同情緒時的多個情緒特征信息后，需要根據各情緒特征信息采集時被測者對應 的情緒對其進行分類，得到對情緒類型進行標注的模型訓練數據。
[0046] S13、對所述模型訓練數據進行學習訓練，得到訓練模型。
[0047]具體的，可通過支持向量機、神經網絡、決策樹、貝葉斯網絡、K近鄰以及隱馬爾科 夫等算法模型，對所述模型訓練數據進行學習訓練，以得到訓練模型。
[0048] S14、對所述訓練模型進行模型驗證，并根據驗證結果對所述訓練模型的分類參數 進行修正，得到情緒識別模型。
[0049] 為了保證建立的情緒識別模型具有最優(yōu)的分類參數，本發(fā)明實施例中還包括有對 訓練模型進行模型驗證的步驟，通過對訓練模型進行模型驗證，并根據驗證結果對訓練模 型的分類參數進行修正，以得到能夠客觀、準確地實現情緒識別的情緒識別模型。
[0050] 本發(fā)明實施例提供的情緒識別模型建立方法，根據處于不同情緒時的情緒特征信 息得到的模型訓練數據進行模型訓練，并通過對得到的訓練模型進行模型驗證，選擇最優(yōu) 參數對模型進行修正，以建立能夠準確識別的情緒識別模型，客觀、準確地實現情緒的識 別。
[0051] 圖2為本發(fā)明另一實施例一種情緒識別模型建立方法的流程圖。參照圖2,本發(fā)明 實施例提出的情緒識別模型建立方法，具體包括以下步驟：
[0052] S21、獲取被測者處于不同情緒時的情緒特征信息。
[0053] S22、對情緒特征信息進行分類，得到模型訓練數據。
[0054]步驟S21~S22與圖1所示的實施方式的步驟S11~S12相同，在此不再贅述。
[0055] S23、采用支持向量機算法對所述模型訓練數據進行學習訓練，得到訓練模型，所 述支持向量機算法采用徑向基核函數作為情緒分類的核函數。
[0056] 需要說明的是，支持向量機（Support Vector Machine,SVM)的核心思想是將在低 維上不可分的數據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 過來實現對低維空間上樣本的分類。通過控制核函數進一步決定判決邊界的線性或非線 性，線性核支持向量機的復雜度相對非線性核來說較低，但非線性核支持向量機在很多情 況下能夠更好的擬合出不同類別間的邊界。常見的核函數包括線性核、多項式核、徑向基函 數核等。
[0057] 本發(fā)明實施例中，采用徑向基核函數(Radial Basis Function簡稱RBF)作為情緒 分類的核函數。所謂徑向基函數，就是某種沿徑向對稱的標量函數。通常定義為空間中任一 點x到某一中心Xl之間歐氏距離的單調函數，可記作k(| |x_Xl| |)，其作用往往是局部的，即 當x遠離以時函數取值很小。最常用的徑向基函數是高斯核函數，形式為k(| |x-Xl| |)=exp {-| |x-Xl| |2/(〇2)}其中Xi為核函數中心，〇為函數的寬度參數，控制了函數的徑向作用范 圍。RBF核函數有兩個參數:誤差懲罰因子C和寬度參數〇。
[0058]本發(fā)明實施例采用基于徑向基核函數作為情緒分類的核函數的支持向量機算法 對所述模型訓練數據進行學習訓練，從而準確地進行情緒識別模型的建立，確保分類、識別 的準確性。
[0059] S24、對所述訓練模型進行模型驗證，并根據驗證結果對所述訓練模型的分類參數 進行修正，得到情緒識別模型。
[0060] 步驟S24與圖1所示的實施方式的步驟S14相同，在此不再贅述。
[0061] 本發(fā)明實施例提供的情緒識別模型建立方法，采用支持向量機算法對所述模型訓 練數據進行學習訓練，得到訓練模型，其中，所述支持向量機算法采用徑向基核函數作為情 緒分類的核函數。由于支持向量機算法在解決小樣本問題、非線性問題及高維模式識別中 都表現出許多特有的優(yōu)勢，因此，本發(fā)明實施例采用支持向量機算法進行模型訓練，進而建 立能夠準確識別的情緒識別模型，有效地確保分類、識別的客觀、準確。
[0062] 在本發(fā)明的一個可選實施例中，如圖3所示，步驟S11中的獲取被測者處于不同情 緒時的情緒特征信息，進一步包括以下步驟：
[0063] S111、采集被測者處于不同情緒時產生的腦電信號。
[0064] 在實際應用中，腦電信號可以通過將電極置于頭皮處進行采集。其中，本實施例中 的被測者處于不同情緒時產生的腦電信號，具體為被測者在不同情緒誘發(fā)條件下處于不同 情緒時產生的腦電信號。
[0065] S112、提取采集到的各腦電信號中的有效腦電信號。
[0066] 其中，本發(fā)明實施例中，由于腦電信號在采集過程中很容易受到其他噪聲信號的 干擾，包括眼電、肌電、心電、工頻干擾、電磁干擾等。因此，需要對其進行預處理，去除腦電 信號中所摻雜的偽跡，以提取采集到的各腦電信號中的有效腦電信號。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生干擾的頻段過 濾掉，只保留有效的頻段的腦電信號。因此，有效腦電信號的提取，具體通過以下方式實現： 根據預設干擾頻段通過帶通濾波或低通濾波分別對采集的腦電信號進行濾波處理，并從濾 波處理后的信號中分別提取各被測者的有效腦電信號。
[0067] 進一步地，上述從濾波處理后的信號中分別提取各被測者的有效腦電信號的步 驟，具體包括:采用主成分分析算法或獨立成分分析算法從濾波處理后的信號中分別提取 各被測者的有效腦電信號。在一個具體實施例中，在有效腦電信號的提取過程中，對于不易 通過濾波去除的偽跡，可以采用獨立成分分析、主成分分析等方法，找出干擾信號并將其與 腦電信號分離開，進而提取出有效腦電信號。
[0068] S113、確定各有效腦電信號的信號頻段，并將各有效腦電信號的信號頻段對應的 頻段特征作為對應被測者的情緒特征信息。
[0069] 需要說明的是，本發(fā)明實時中的頻段特征可以為有效腦電信號的信號頻段對應的 頻率能量、功率譜、樣本熵和近似熵等特征，本發(fā)明對此不做具體限定。
[0070] 本發(fā)明實施例中，通過有效腦電信號的提取，以及將各有效腦電信號的信號頻段 對應的頻段特征，如頻率能量，作為對應被測者的情緒特征信息，能夠避免情緒特征信息不 準確，與真實情緒對應的特征偏差較大的問題，確保獲取的情緒特征信息的準確、可靠。
[0071] 進一步地，在步驟S111中的采集被測者處于不同情緒時產生的腦電信號之后，所 述方法還包括以下步驟:對采集到的各腦電信號進行放大處理。在實際應用中，由于步驟 S111中采集的腦信號十分微弱，因此需要對采集到的信號進行放大，以確保步驟S112中能 夠準確地實現對采集到的各腦電信號中的有效腦電信號的提取，以進行后續(xù)識別。
[0072]在本發(fā)明的一個可選實施例中，在步驟S13中對所述模型訓練數據進行學習訓練， 得到訓練模型之后，所述方法還包括以下步驟：
[0073] 采用所述訓練模型對測試樣本進行識別，并判斷所述訓練模型的識別成功率是否 大于識別閾值。其中，本實施例中的測試樣本可以為預先設置的，也可以將模型訓練數據中 的部分數據作為測試樣本。若判斷結果為否，則執(zhí)行步驟S14中對訓練模型進行模型驗證的 步驟。
[0074] 在實際應用中，由于不同的應用場景對模型的識別成功率要求不同，為了在滿足 應用場景對識別成功率要求的前提下，盡量降低模型建立過程的耗時，本發(fā)明實施例中，通 過采用訓練模型對預先設置好的測試樣本進行識別，并在訓練模型的識別成功率大于識別 閾值，即滿足應用場景對模型的識別精度要求時，停止學習訓練過程，執(zhí)行后續(xù)對訓練模型 進行模型驗證的步驟，節(jié)約建模時間。
[0075]在本發(fā)明的一個可選實施例中，在步驟S14中對所述訓練模型進行模型驗證，具體 包括:采用L00CV算法對所述訓練模型進行模型驗證。
[0076] 需要說明的是，L00CV(Leave-0ne_0ut Cross Validation)算法屬于交叉驗證 (Cross Validation，CV)的一種常見算法。其中，交叉驗證是用來驗證分類模型的性能的一 種統(tǒng)計分析方法，基本思想是在某種意義下將數據分成訓練集和驗證集，首先用訓練集對 分類器進行訓練，在利用驗證集來測試訓練得到的模型，以此作為評價分類器的性能指標。 [0077]可理解的是，采用L00CV算法對訓練模型進行模型驗證僅是一種優(yōu)選的實現方案， 本領域技術人員還可采用其他交叉驗證的算法實現對訓練模型的模型驗證，如Hold-Out Method、K-fold Cross Validation(記為K-CV)等，本發(fā)明對此不作具體限定。
[0078] L00CV算法時通過將每個樣本單獨作為一次測試集，剩余n-1個樣本則作為訓練 集，來實現模型驗證。本發(fā)明實施例采用L00CV算法對所述訓練模型進行模型驗證，具有以 下優(yōu)點：1、每一回合中幾乎所有的樣本皆用于訓練模型，因此最接近母體樣本的分布，估測 所得的整體誤差比較可靠。2、實驗過程中沒有隨機因素會影響實驗數據，確保實驗過程是 可以被復制的。
[0079] 此外，本發(fā)明還提供了一種利用上述任一實施例中的情緒識別模型建立方法建立 的情緒識別模型進行情緒識別的方法。圖4為本發(fā)明實施例一種情緒識別方法的流程圖，參 照圖4,本發(fā)明實施例提出的情緒識別方法，具體包括以下步驟：
[0080] S41、采集被測者的當前腦電信號。
[0081 ]在實際應用中，腦電信號可以通過將電極置于頭皮處進行采集。
[0082] S42、提取采集到的當前腦電信號中的有效腦電信號。
[0083] S43、確定所述有效腦電信號的信號頻段，并將所述信號頻段對應的頻段特征作為 情緒特征信息。
[0084] S44、采用根據上述任一實施例中的情緒識別模型建立方法建立的情緒識別模型 對所述情緒特征信息進行特征識別，根據識別結果確定所述被測者的情緒類型。
[0085] 本發(fā)明實施例提供的情緒識別方法，將腦電信號的信號頻段對應的頻段特征作為 情緒特征信息，并采用情緒識別模型對情緒特征信息進行分類識別，避免了由于被測者個 體差異較大導致的情緒識別不準確的問題，客觀、準確地實現情緒的識別。
[0086] 本發(fā)明實施例中，上述提取采集到的當前腦電信號中的有效腦電信號的步驟，具 體通過以下方式實現:根據所述預設干擾頻段通過帶通濾波或低通濾波對采集的當前腦電 信號進行濾波處理，并從濾波處理后的信號中提取被測者的有效腦電信號。進一步地，上述 從濾波處理后的信號中分別提取各被測者的有效腦電信號的步驟，具體包括:采用主成分 分析算法或獨立成分分析算法從濾波處理后的信號中分別提取各被測者的有效腦電信號。
[0087] 本發(fā)明實施例中，通過有效腦電信號的提取，以及將通過主成分分析算法或獨立 成分分析算法提取各被測者的有效腦電信號，能夠準確地實現有效腦電信號的提取，以避 免后續(xù)得到的情緒特征信息不準確，或與真實情緒對應的特征偏差較大的問題，確進一步 保后續(xù)獲取的情緒特征信息的準確、可靠。
[0088] 在本發(fā)明實施例中，最終識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)和激動狀態(tài)中的任意一種。
[0089]其中，所述睡眠狀態(tài)對應的腦電信號的信號頻段為0. l-3Hz;所述想象狀態(tài)對應的 腦電信號的信號頻段為4-7Hz;所述安靜狀態(tài)對應的腦電信號的信號頻段為8-12HZ;所述放 松狀態(tài)對應的腦電信號的信號頻段為13-15HZ;所述思考狀態(tài)對應的腦電信號的信號頻段 為16-20Hz;所述激動狀態(tài)對應的腦電信號的信號頻段為21 -30Hz。
[0090] 需要說明的是，當人處于不同的情緒狀態(tài)時，腦電信號的信號頻段與情緒類型具 有一定的對應關系，如表1所示。
[0091] 表1腦電信號的信號頻段與情緒類型的對應關系
[0094]其中，可通過對特定狀態(tài)大量樣本的訓練，確定不同情緒類型狀態(tài)對應的腦電信 號的信號頻段數值范圍?？梢姡瑸V波處理后的腦電信號通過小波分析處理，得到6個常用頻 段信號，通過計算各有效腦電信號的信號頻段對應的頻段特征，并將其作為對應被測者的 情緒特征信息，有效地保證各個腦電信號的信號頻段的識別。
[0095]需要說明的是，本發(fā)明實施例中的情緒類型以及對應的信號頻段，僅用于舉例說 明，本領域技術人員可以根據實際需求設置其他腦電信號的信號頻段對應的情緒類型，或 將其中某一信號頻段進一步劃分為更加具體的情緒類型，本發(fā)明對此不做具體限定。
[0096]進一步地，在步驟S41中采集被測者的當前腦電信號之后，該方法還包括:對采集 到的當前腦電信號進行放大處理。在實際應用中，由于測試過程中采集的腦信號十分微弱， 因此需要對采集到的信號進行放大，以確保后續(xù)能夠準確地實現對采集到的各腦電信號中 有效腦電信號的提取，以進行后續(xù)識別。
[0097]另外，對于上述方法實施例，為了簡單描述，故將其都表述為一系列的動作組合， 但是本領域技術人員應該知悉，本發(fā)明并不受所描述的動作順序的限制，其次，本領域技術 人員也應該知悉，說明書中所描述的實施例均屬于優(yōu)選實施例，所涉及的動作并不一定是 本發(fā)明所必須的。
[0098]基于與方法同樣的發(fā)明構思，本發(fā)明實施例還提供一種情緒識別模型建立裝置。 圖5為本發(fā)明實施例一種情緒識別模型建立裝置的結構框圖。參見圖5,本發(fā)明實施例提出 的情緒識別模型建立裝置，包括:獲取單元501、分類單元502、模型訓練單元503以及修正單 元504,其中，獲取單元501用于獲取被測者處于不同情緒時的情緒特征信息；分類單元502 用于對獲取單元501獲取的情緒特征信息進行分類，得到模型訓練數據;模型訓練單元503 用于對所述模型訓練數據進行學習訓練，得到訓練模型;修正單元504用于對模型訓練單元 503得到的訓練模型進行模型驗證，并根據驗證結果對訓練模型的分類參數進行修正，得到 情緒識別模型。
[0099] 在本發(fā)明的一個可選實施例中，模型訓練單元503具體用于采用支持向量機算法 對所述模型訓練數據進行學習訓練，得到訓練模型，所述支持向量機算法采用徑向基核函 數作為情緒分類的核函數。
[0100] 在本發(fā)明的一個可選實施例中，如圖6所示，獲取單元501，包括采集模塊5011、預 處理模塊5012以及特征提取模塊5013，其中，采集模塊5011用于采集被測者處于不同情緒 時產生的腦電信號;預處理模塊5012用于提取采集到的各腦電信號中的有效腦電信號;特 征提取模塊5013用于確定各個有效腦電信號的信號頻段，并將各有效腦電信號的信號頻段 對應的頻段特征作為對應被測者的情緒特征信息。
[0101] 在實際應用中，采集模塊5011可以通過將電極置于頭皮處進行腦電信號的采集。 其中，本實施例中的被測者處于不同情緒時產生的腦電信號，具體為被測者在不同情緒誘 發(fā)條件下處于不同情緒時產生的腦電信號。預處理模塊5012具體用于根據預設干擾頻段通 過帶通濾波或低通濾波分別對采集的腦電信號進行濾波處理，并從濾波處理后的信號中分 別提取各被測者的有效腦電信號。其中，從濾波處理后的信號中分別提取各被測者的有效 腦電信號具體為采用主成分分析算法或獨立成分分析算法從濾波處理后的信號中分別提 取各被測者的有效腦電信號。
[0102] 本發(fā)明實施例中，通過有效腦電信號的提取，以及將各有效腦電信號的信號頻段 對應的頻段特征作為對應被測者的情緒特征信息，能夠避免情緒特征信息不準確，與真實 情緒對應的特征偏差較大的問題，確保獲取的情緒特征信息的準確、可靠。
[0103] 在本發(fā)明的一個可選實施例中，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者處于不同情緒時產生的腦電信號之后，對采集到的腦電信號 進行放大處理。在實際應用中，由于采集模塊5011采集的腦信號十分微弱，因此需要對采集 到的信號進行放大，以確保預處理模塊5012能夠準確地實現對采集到的各腦電信號中的有 效腦電信號的提取，以進行后續(xù)識別。
[0104] 在本發(fā)明的一個可選實施例中，該裝置還包括附圖中未示出的判斷單元，該判斷 單元，用于在模型訓練單元503對模型訓練數據進行學習訓練，得到訓練模型之后，采用訓 練模型對測試樣本進行識別，并判斷訓練模型的識別成功率是否大于識別閾值;相應地，修 正單元504,用于在判斷單元的判斷結果為識別成功率小于或等于所述識別閾值時，執(zhí)行所 述對所述訓練模型進行模型驗證的操作。
[0105] 在實際應用中，由于不同的應用場景對模型的識別成功率要求不同，為了在滿足 應用場景對識別成功率要求的前提下，盡量降低模型建立過程的耗時，本發(fā)明實施例中，通 過采用訓練模型對預先設置好的測試樣本進行識別，并在訓練模型的識別成功率大于識別 閾值，即滿足應用場景對模型的識別精度要求時，停止學習訓練過程，執(zhí)行后續(xù)對訓練模型 進行模型驗證的步驟，節(jié)約建模時間。
[0106] 在本發(fā)明的一個可選實施例中，修正單元504具體用于采用L00CV算法對所述訓練 模型進行模型驗證。本發(fā)明實施例采用L00CV算法對所述訓練模型進行模型驗證，具有以下 優(yōu)點：1、每一回合中幾乎所有的樣本皆用于訓練模型，因此最接近母體樣本的分布，估測所 得的整體誤差比較可靠。2、實驗過程中沒有隨機因素會影響實驗數據，確保實驗過程是可 以被復制的。
[0107] 基于與另一方法同樣的發(fā)明構思，本發(fā)明實施例還提供一種情緒識別裝置。圖7為 本發(fā)明實施例一種情緒識別裝置的結構框圖，參見圖7,本發(fā)明實施例提出的情緒識別裝 置，包括采集單元701、預處理單元702、特征提取單元703以及識別單元704:采集單元701用 于采集被測者的當前腦電信號;預處理單元702用于提取采集到的當前腦電信號中的有效 腦電信號;特征提取單元703用于確定所述預處理單元得到的有效腦電信號的信號頻段，并 將所述信號頻段對應的頻段特征作為情緒特征信息；識別單元704用于采用根據上述情緒 識別模型建立裝置建立的情緒識別模型對所述情緒特征信息進行特征識別，根據識別結果 確定所述被測者的情緒類型。
[0108] 本發(fā)明實施例提供的情緒識別裝置，特征提取單元703將腦電信號的信號頻段對 應的頻段特征作為情緒特征信息，以供識別單元704采用上述任一實施例提供的情緒識別 模型建立裝置建立的情緒識別模型對情緒特征信息進行分類識別，避免了由于被測者個體 差異較大導致的情緒識別不準確的問題，客觀、準確地實現情緒的識別。
[0109]在一個具體實施例中，預處理單元702具體用于根據所述預設干擾頻段通過帶通 濾波或低通濾波對采集的當前腦電信號進行濾波處理，并從濾波處理后的信號中提取被測 者的有效腦電信號。其中，從濾波處理后的信號中分別提取各被測者的有效腦電信號的步 驟，具體為采用主成分分析算法或獨立成分分析算法從濾波處理后的信號中分別提取各被 測者的有效腦電信號。
[0110] 本發(fā)明實施例中，通過有效腦電信號的提取，以及將通過主成分分析算法或獨立 成分分析算法提取各被測者的有效腦電信號，能夠準確地實現有效腦電信號的提取，以避 免后續(xù)得到的情緒特征信息不準確，或與真實情緒對應的特征偏差較大的問題，確進一步 保后續(xù)獲取的情緒特征信息的準確、可靠。
[0111] 在本發(fā)明實施例中，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)和激動狀態(tài)中的任意一種。其中，睡眠狀態(tài)對應的腦電信號的信號頻段為0.1-3HZ; 想象狀態(tài)對應的腦電信號的信號頻段為4-7Hz;安靜狀態(tài)對應的腦電信號的信號頻段為8-12Hz;放松狀態(tài)對應的腦電信號的信號頻段為13-15HZ;思考狀態(tài)對應的腦電信號的信號頻 段為16-20Hz;激動狀態(tài)對應的腦電信號的信號頻段為21 -30Hz。
[0112] 在本發(fā)明的一個可選實施例中，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者的當前腦電信號之后，對采集到的當前腦電信號進行放大處 理。在實際應用中，由于測試過程中采集的腦信號十分微弱，因此需要對采集到的信號進行 放大，以確保后續(xù)能夠準確地實現對采集到的各腦電信號中有效腦電信號的提取，以進行 后續(xù)識別。
[0113] 對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關 之處參見方法實施例的部分說明即可。
[0114] 基于同樣的發(fā)明構思，本發(fā)明實施例提供一種包括上述任意一種情緒識別裝置的 情緒識別可穿戴設備。該情緒識別可穿戴設備可以為：智能手環(huán)、智能眼鏡以及智能頭盔等 可穿戴設備，對此，本發(fā)明實施例不做具體限定。該情緒識別可穿戴設備由于包括上述任意 一種情緒識別裝置，因而可以解決同樣的技術問題，并取得相同的技術效果。
[0115] 由上述技術方案可知，本發(fā)明實施例中的情緒識別模型建立方法及裝置，根據處 于不同情緒時的情緒特征信息得到的模型訓練數據進行模型訓練，并通過對得到的訓練模 型進行模型驗證，選擇最優(yōu)參數對模型進行修正，以建立能夠準確識別的情緒識別模型，客 觀、準確地實現情緒的識別。
[0116] 而且本發(fā)明實施例提供的情緒識別方法及裝置、智能設備，采用上述識別模型，采 用腦電信號的信號頻段對應的頻段特征作為情緒特征信息，并采用情緒識別模型對情緒特 征信息進行分類識別，避免了由于被測者個體差異較大導致的情緒識別不準確的問題，客 觀、準確地實現情緒的識別。
[0117] 以上所描述的裝置實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，即可以位于一個地方，或者也可以分布到多個網絡單元上?？梢愿鶕嶋H的需要選擇其 中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創(chuàng)造性 的勞動的情況下，即可以理解并實施。
[0118] 通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到各實施方式可 借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件?；谶@樣的理解，上 述技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該 計算機軟件產品可以存儲在計算機可讀存儲介質中，如R0M/RAM、磁碟、光盤等，包括若干指 令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執(zhí)行各個實施 例或者實施例的某些部分所述的方法。
[0119] 最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制;盡管 參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可 以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換； 而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和 范圍。
【主權項】
1. 一種情緒識別模型建立方法，其特征在于，包括： 獲取被測者處于不同情緒時的情緒特征信息； 對情緒特征信息進行分類，得到模型訓練數據； 對所述模型訓練數據進行學習訓練，得到訓練模型； 對所述訓練模型進行模型驗證，并根據驗證結果對所述訓練模型的分類參數進行修 正，得到情緒識別模型。2. 根據權利要求1所述的情緒識別模型建立方法，其特征在于，所述對所述模型訓練數 據進行學習訓練，得到訓練模型，包括： 采用支持向量機算法對所述模型訓練數據進行學習訓練，得到訓練模型，所述支持向 量機算法采用徑向基核函數作為情緒分類的核函數。3. 根據權利要求1所述的情緒識別模型建立方法，其特征在于，所述獲取被測者處于不 同情緒時的情緒特征信息，包括： 采集被測者處于不同情緒時產生的腦電信號； 提取采集到的各腦電信號中的有效腦電信號； 確定各有效腦電信號的信號頻段，并將各有效腦電信號的信號頻段對應的頻段特征作 為對應被測者的情緒特征信息。4. 根據權利要求3所述的情緒識別模型建立方法，其特征在于，所述提取采集到的各腦 電信號中的有效腦電信號，包括： 根據預設干擾頻段通過帶通濾波或低通濾波分別對采集的腦電信號進行濾波處理，并 從濾波處理后的信號中分別提取各被測者的有效腦電信號。5. 根據權利要求4所述的情緒識別模型建立方法，其特征在于，所述從濾波處理后的信 號中分別提取各被測者的有效腦電信號，包括： 采用主成分分析算法或獨立成分分析算法從濾波處理后的信號中分別提取各被測者 的有效腦電信號。6. 根據權利要求3所述的情緒識別模型建立方法，其特征在于，在所述采集被測者處于 不同情緒時產生的腦電信號之后，所述方法還包括： 對采集到的各腦電信號進行放大處理。7. 根據權利要求1所述的情緒識別模型建立方法，其特征在于，在所述對所述模型訓練 數據進行學習訓練，得到訓練模型之后，所述方法還包括： 采用所述訓練模型對測試樣本進行識別，并判斷所述訓練模型的識別成功率是否大于 識別閾值； 若判斷結果為否，則執(zhí)行所述對所述訓練模型進行模型驗證的步驟。8. 根據權利要求1至7中任一項所述的情緒識別模型建立方法，其特征在于，所述對所 述訓練模型進行模型驗證，包括： 采用LOOCV算法對所述訓練模型進行模型驗證。9. 一種情緒識別方法，其特征在于，包括： 采集被測者的當前腦電信號； 提取采集到的當前腦電信號中的有效腦電信號； 確定所述有效腦電信號的信號頻段，并將所述信號頻段對應的頻段特征作為情緒特征 信息； 采用根據權利要求1至8中任一項所述的情緒識別模型建立方法建立的情緒識別模型 對所述情緒特征信息進行特征識別，根據識別結果確定所述被測者的情緒類型。10. 根據權利要求9所述的情緒識別方法，其特征在于，所述提取采集到的當前腦電信 號中的有效腦電信號，包括： 根據所述預設干擾頻段通過帶通濾波或低通濾波對采集的當前腦電信號進行濾波處 理，并從濾波處理后的信號中提取被測者的有效腦電信號。11. 根據權利要求10所述的情緒識別方法，其特征在于，所述從濾波處理后的信號中提 取被測者的有效腦電信號，包括： 采用主成分分析算法或獨立成分分析算法從濾波處理后的信號中提取被測者的有效 腦電信號。12. 根據權利要求9所述的情緒識別方法，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)和激動狀態(tài)中的任意一種。13. 根據權利要求12所述的情緒識別方法，其特征在于，所述睡眠狀態(tài)對應的腦電信號 的信號頻段為0.1-3HZ;所述想象狀態(tài)對應的腦電信號的信號頻段為4-7Hz;所述安靜狀態(tài) 對應的腦電信號的信號頻段為8-12HZ;所述放松狀態(tài)對應的腦電信號的信號頻段為13-15Hz;所述思考狀態(tài)對應的腦電信號的信號頻段為16-20Hz;所述激動狀態(tài)對應的腦電信號 的信號頻段為21-30HZ。14. 根據權利要求9至13中任一項所述的情緒識別方法，其特征在于，在所述采集被測 者的當前腦電信號之后，所述方法還包括： 對采集到的當前腦電信號進行放大處理。15. -種情緒識別模型建立裝置，其特征在于，包括： 獲取單元，用于獲取被測者處于不同情緒時的情緒特征信息； 分類單元，用于對獲取單元獲取的情緒特征信息進行分類，得到模型訓練數據； 模型訓練單元，用于對所述模型訓練數據進行學習訓練，得到訓練模型； 修正單元，用于對所述模型訓練單元得到的訓練模型進行模型驗證，并根據驗證結果 對所述訓練模型的分類參數進行修正，得到情緒識別模型。16. -種情緒識別裝置，其特征在于，包括： 采集單元，用于采集被測者的當前腦電信號； 預處理單元，用于提取采集到的當前腦電信號中的有效腦電信號； 特征提取單元，用于確定所述預處理單元得到的有效腦電信號的信號頻段，并將所述 信號頻段對應的頻段特征作為情緒特征信息； 識別單元，用于采用根據權利要求15所述情緒識別模型建立裝置建立的情緒識別模型 對所述情緒特征信息進行特征識別，根據識別結果確定所述被測者的情緒類型。17. -種情緒識別可穿戴設備，其特征在于，包括如權利要求16所述的情緒識別裝置。
【文檔編號】G06K9/62GK105894039SQ201610262080
【公開日】2016年8月24日
【申請日】2016年4月25日
【發(fā)明人】李慧
【申請人】京東方科技集團股份有限公司