情感識別模型生成裝置及其生成情感識別模型的方法
【專利摘要】一種情感識別模型生成裝置,包括:信號采集模塊、特征提取模塊、選擇模塊以及建立模塊,其中信號采集模塊采集人體的多種生理信號;特征提取模塊提取每一種所述生理信號的6個時域特征,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別模型。本發(fā)明中生生成的情感識別模型,情感識別率高。本發(fā)明另外提供一種生成情感識別模型的方法。
【專利說明】情感識別模型生成裝置及其生成情感識別模型的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及情感識別技術(shù),尤其涉及情感識別模型生成裝置及其生成情感識別模型的方法。
【背景技術(shù)】
[0002]情感識別是賦予機器識別人類情感能力的一種人機交互技術(shù),現(xiàn)已逐漸成為人機交互領(lǐng)域的研究熱點。目前情感識別的研究領(lǐng)域包括基于面部表情的情感識別、基于語音信號的情感識別、基于文字的情感識別、基于肢體運動的情感識別和基于生理信號的情感識別。其中基于生理信號的情感識別最為可靠但卻也最為困難。
[0003]基于生理信號的情感識別系統(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,降低模型訓練時間,提高預測精度,還可以選出能夠代表某些特定情感的特征子集。
[0004]在申請?zhí)枮镃N200910150458.4的專利中,使用了語音信號進行情感識別。較之語音信號,人體的生理信號更不易受到外界因素和人體主觀意識到控制,因此更加準確,可靠。然而,在該專利中,情感的識別需要12個特征。
[0005]文獻“Using GA-based Feature Selecton for Emotion Recognition fromPhysiological Signals”使用多生理信號進行情感識別,但是僅使用了來自28名被試的5種生理信號,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,但情感的識別率低,對情感的最高識別率僅為78%。
【發(fā)明內(nèi)容】
[0006]有鑒于此,有必要提供一種情感識別模型生成裝置及其生成情感識別模型的方法,提聞情感的識別率。
[0007]本發(fā)明提供的情感識別模型生成裝置,包括信號采集模塊、特征提取模塊、選擇模塊以及建立模塊,其中,信號采集模塊用于采集人體的多種生理信號;特征提取模塊用于提取每一種所述生理信號的6個時域特征,形成原始特征集,其中,所述6個時域特征為:生理信號的均值、生理信號的標準差、生理信號的一階差分絕對值的均值、標準化信號一階差分絕對值的均值、原始信號的二階差分絕對值的均值以及標準化信號二階差分絕對值;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別模型。
[0008]本發(fā)明提供的生成情感識別模型的方法,包括以下步驟:采集人體的多種生理信號;提取每一種所述生理信號的6個時域特征,形成原始特征集,其中,所述6個時域特征為:生理信號的均值、生理信號的標準差、生理信號的一階差分絕對值的均值、標準化信號一階差分絕對值的均值、原始信號的二階差分絕對值的均值以及標準化信號二階差分絕對值;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別模型。[0009]本發(fā)明提供的情感識別模型生成裝置及其生成情感識別模型的方法,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別模型,利用本發(fā)明的情感識別1?型,有效的提聞了情感的識別率。
【專利附圖】
【附圖說明】
[0010]圖1為本發(fā)明一實施方式中情感識別模型生成裝置的模塊圖;
[0011]圖2為本發(fā)明一實施方式利用情感識別模型生成裝置來生成情感識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。
【具體實施方式】
[0013]下面詳細描述本發(fā)明的實施例,所述實施例的示例在附圖中示出,其中自始至終相同或類似的標號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施例是示例性的,僅用于解釋本發(fā)明,而不能理解為對本發(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,因此不能理解為對本發(fā)明的限制。
[0015]請參閱圖1,圖1所示為本發(fā)明一實施方式中情感識別模型生成裝置10的模塊圖。
[0016]在本實施方式中,情感識別模型生成裝置10包括:信號采集模塊102、特征提取模塊104、選擇模塊106、建立模塊108、存儲器110以及處理器112。其中,信號采集模塊102、特征提取模塊104、選擇模塊106以及建立模塊108存儲在存儲器110中,處理器112用于執(zhí)行存儲在存儲器110中的功能模塊。
[0017]信號采集模塊102用于采集人體的多種生理信號。在本實施方式中,多種生理信號包括皮膚導電、心率、血容搏動、腦電、呼吸以及面部肌電等生理信號。
[0018]在本實施方式中,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BIOPAC公司的MP150多導生理記錄儀采集了 150名年齡在19-25歲之間的無病患歷史的被試(參與者)在觀看電影時的6種生理信號,這6種生理信號包括:皮膚電導、心率、血容搏動、腦電、呼吸、面部肌電,電影觀看結(jié)束后,被試會通過問卷報告他們在觀看影片時的情感(平靜、高興或悲傷),以及情感被激發(fā)的強度(1、極弱,2、弱,3、一般,4、強,5、極強)。通過問卷,選擇了情感強度在3以上的數(shù)據(jù),最終得到了 110個被試的有效數(shù)據(jù)。
[0019]特征提取模塊104用于提取每一種所述生理信號的6個時域特征,形成原始特征集,其中,所述6個時域特征為:生理信號的均值、生理信號的標準差、生理信號的一階差分絕對值的均值、標準化信號一階差分絕對值的均值、生理信號的二階差分絕對值的均值以及標準化信號二階差分絕對值。
[0020]在本實施方式中,生理信號的均值為:
[0021]
【權(quán)利要求】
1.一種情感識別模型生成裝置,包括: 信號采集模塊,用于采集人體的多種生理信號; 特征提取模塊,用于提取每一種所述生理信號的6個時域特征,形成原始特征集,其中,所述6個時域特征為:生理信號的均值、生理信號的標準差、生理信號的一階差分絕對值的均值、標準化信號一階差分絕對值的均值、生理信號的二階差分絕對值的均值以及標準化信號二階差分絕對值; 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別模型。
2.如權(quán)利要求1所述的情感識別模型生成裝置,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)偽隨機比例規(guī)則獲取每一所述時域特征的標記狀態(tài); 求解子模塊,用于通過利用螞蟻以及標記狀態(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數(shù)得到適應度值,并排序選出第一最優(yōu)解,并利用變異規(guī)則對所述第一最優(yōu)解進行變異得到多個變異解,根據(jù)所述多個變異解以及所述第一最優(yōu)解的分類正確率及特征個數(shù)得到適應度值,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數(shù)得到適應度值,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)是否達到固定值,其中所述求解子模塊在所述迭代次數(shù)達到固定值時將所述第三最優(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)沒有達到固定值時根據(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所述的情感識別模型生成裝置,其特征在于,所述偽隨機比例規(guī)則為:
5.如權(quán)利要求4所述的情感識別模型生成裝置,其特征在于,所述獲取子模塊在Citl時根據(jù)信息素值τ i(l和τ η的大小得到所述時域特征i的標記狀態(tài),在q > Q0時根據(jù)#得到所述時域特征i的標記狀態(tài)。
6.如權(quán)利要求2所述的情感識別模型生成裝置,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)解中至少一個所述時域特征的標記狀態(tài),然后對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.—種生成情感識別模型的方法,包括以下步驟: 采集人體的多種生理信號; 提取每一種所述生理信號的6個時域特征,形成原始特征集,其中,所述6個時域特征為:生理信號的均值、生理信號的標準差、生理信號的一階差分絕對值的均值、標準化信號一階差分絕對值的均值、生理信號的二階差分絕對值的均值以及標準化信號二階差分絕對值; 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別模型。
9.如權(quán)利要求8所述的生成情感識別模型的方法,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)偽隨機比例規(guī)則獲取每一所述時域特征的標記狀態(tài); 通過利用螞蟻以及標記狀態(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數(shù)得到適應度值,并排序選出第一最優(yōu)解; 利用變異規(guī)則對所述第一最優(yōu)解進行變異得到多個變異解; 根據(jù)所述多個變異解以及所述第一最優(yōu)解的分類正確率及特征個數(shù)得到適應度值,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數(shù)得到適應度值,并排序選出第三最優(yōu)解; 判斷迭代次數(shù)是否達到固定值; 當所述迭代次數(shù)達到固定值時將所述第三最優(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: 當所述迭代次數(shù)沒有達到固定值時根據(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所述的生成情感識別模型的方法,其特征在于,所述偽隨機比例規(guī)則為:
12.如權(quán)利要求11所述的生成情感識別模型的方法,其特征在于,所述步驟“根據(jù)偽隨機比例規(guī)則獲取每一所述時域特征的標記狀態(tài)”包括以下步驟: 在q < Q0時根據(jù)信息素值τi0和τ i1的大小得到所述時域特征i的標記狀態(tài); 在q > Q0時根據(jù)P得到所述時域特征i的標記狀態(tài)。
13.如權(quán)利要求9所述的生成情感識別模型的方法,其特征在于,所述變異規(guī)則為改變所述第一最優(yōu)解中至少一個所述時域特征的標記狀態(tài),然后對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】A61B5/00GK103892792SQ201210567969
【公開日】2014年7月2日 申請日期: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 申請人:中國科學院深圳先進技術(shù)研究院