本發(fā)明涉及生物信息學(xué)、信號處理以及機器學(xué)習領(lǐng)域，特別涉及一種基于腦電波機器學(xué)習的情感判定裝置及方法。

背景技術(shù)：

情感的判定尚未形成統(tǒng)一的理論認識。近代的學(xué)者通過研究和實驗提出了各自的情感集，如james的情感集，ekman的情感集等。研究者們通過進一步研究，發(fā)現(xiàn)情感之間還存在一定的相關(guān)性，比如憤怒與厭惡有時會同時出現(xiàn)，因此出現(xiàn)了lange的二維情感判定模型。該模型也是目前最常見的判定模型，使用縱坐標表現(xiàn)心情的愉悅度，從不喜歡逐漸過度到喜歡；使用橫坐標表示狀態(tài)的興奮程度，從低迷過渡到興奮。

常見的情感判定方法有兩大類。第一類是基于非生理信號的判定，此類包括對面部表情的判定和對語音音調(diào)的判定。其優(yōu)點是數(shù)據(jù)獲取比較簡單，不需要特殊的設(shè)備；缺點是不能保證情感判定的可靠性，因為會受到人的主觀因素的影響。第二類是基于生理信號的判定。目前，國內(nèi)外采用的生理信號主要有眼動(eog)，皮膚電反應(yīng)(gsp)，血容量脈搏(bvp)，肌電(emg)，腦電(eeg)，心電(ecg)等。

國內(nèi)對情感判定的研究起步比較晚，但是也取得了一些研究成果。國內(nèi)對情感判定的研究主要是基于語音、面部表情、姿態(tài)等情感行為的。例如，哈爾濱工業(yè)大學(xué)基于人臉識別和姿態(tài)等多個方面研究了多功能感知機，同時與海爾公司合作進行了服務(wù)機器人的研制。江蘇大學(xué)基于mit實驗室對情感計算的研究，建立了自己的基于生理信號(sc、ecg、rsp、skt)的情感數(shù)據(jù)庫，并且在仿真實驗中得到了85.3％的情感狀態(tài)判定率。中科院心理研究所和清華大學(xué)合作，進行了基于語音的情感判定的研究。

目前的方法主要為有監(jiān)督學(xué)習的方式，需要人工對腦電波數(shù)據(jù)進行標記，這存在著較大誤差，一定程度上影響了判定結(jié)果。另外，原始腦電波數(shù)據(jù)存在的大量的偽跡與噪音，也會導(dǎo)致判定結(jié)果出現(xiàn)偏差。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于腦電波機器學(xué)習的情感判定裝置及方法，解決了現(xiàn)有技術(shù)存在的數(shù)據(jù)中存在的噪音以及人工標記所導(dǎo)致的誤差等問題。本發(fā)明采用無監(jiān)督的學(xué)習方法，避免了人工標記所導(dǎo)致的誤差。采用低通濾波對原始腦電波數(shù)據(jù)進行處理，過濾掉了噪聲，避免其對結(jié)果造成影響。

本發(fā)明的上述目的通過以下技術(shù)方案實現(xiàn)：

基于腦電波機器學(xué)習的情感判定裝置，包括數(shù)據(jù)傳輸模塊、數(shù)據(jù)接收與處理模塊、模型訓(xùn)練模塊、模型輸入模塊、情感模式判定模塊以及判定結(jié)果傳輸模塊，所述數(shù)據(jù)傳輸模塊與數(shù)據(jù)接收與處理模塊相連，通過硬件向數(shù)據(jù)接收與處理模塊傳輸所需數(shù)據(jù)，所述數(shù)據(jù)接收與處理模塊分別與模型訓(xùn)練模塊、情感模式判定模塊相連，模型訓(xùn)練模塊與模型輸入模塊相連，模型輸入模塊分別與內(nèi)置模型庫、情感模式判定模塊相連，情感模式判定模塊與判定結(jié)果傳輸模塊相連。

本發(fā)明的另一目的在于提供一種基于腦電波機器學(xué)習的情感判定方法，包括如下步驟：

步驟(1)、數(shù)據(jù)傳輸模塊通過硬件向數(shù)據(jù)接收與處理模塊傳輸所需數(shù)據(jù)，數(shù)據(jù)傳輸模塊沒有輸入，其輸出為原始腦電波數(shù)據(jù)；

步驟(2)、數(shù)據(jù)接收與處理模塊對接收到的原始腦電波數(shù)據(jù)進行處理以得到可用于分析的腦電波數(shù)據(jù)，數(shù)據(jù)接收與處理模塊的輸入為原始腦電波數(shù)據(jù)，輸出為具有8個維度的腦電波數(shù)據(jù)；

步驟(3)、模型訓(xùn)練模塊對模型進行訓(xùn)練，其輸入為具有8個維度的腦電波數(shù)據(jù)，其輸出為訓(xùn)練好的模型，即兩個聚類中心，分別代表正性與負性；

步驟(4)、模型輸入模塊選擇模型，可以使用通過數(shù)據(jù)自行訓(xùn)練的模型或者內(nèi)置模型庫中之前已經(jīng)訓(xùn)練好的模型；

步驟(5)、情感模式判定模塊使用選定的模型對腦電波數(shù)據(jù)進行分析，以判斷相應(yīng)的情感為正性或負性，情感模式判定模塊的輸入為腦電波數(shù)據(jù)與選定的模型，其輸出為情感判定的結(jié)果，即正性或負性；

步驟(6)、判定結(jié)果傳輸模塊將情感判定結(jié)果傳遞給與之相連的外部系統(tǒng)，如警報系統(tǒng)。本發(fā)明的有益效果在于：

1.采用無監(jiān)督的學(xué)習方法，避免了人工標記所導(dǎo)致的誤差；

2.采用低通濾波對原始腦電波數(shù)據(jù)進行處理，過濾掉了噪聲；

3.可移植性強，目前可在樹莓派上應(yīng)用，使得便攜性得到提高；

4.結(jié)果判定速度快，實時性強。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當限定。

圖1為本發(fā)明的基于腦電波機器學(xué)習的情感判定裝置的總體框圖；

圖2為本發(fā)明的實例一的聚類效果圖；

圖3為本發(fā)明的實例二的實驗樣本。

具體實施方式

下面結(jié)合附圖進一步說明本發(fā)明的詳細內(nèi)容及其具體實施方式。

參見圖1至圖3所示，本發(fā)明的基于腦電波機器學(xué)習的情感判定裝置及方法，原始腦電波數(shù)據(jù)經(jīng)預(yù)處理后具有8個維度；使用到的機器學(xué)習方法有主成分分析(pca)、k均值(k-means)；情感判定是判定情感為正性情感抑或負性情感。

參見圖1所示，本發(fā)明的基于腦電波機器學(xué)習的情感判定裝置，包括數(shù)據(jù)傳輸模塊、數(shù)據(jù)接收與處理模塊、模型訓(xùn)練模塊、模型輸入模塊、情感模式判定模塊以及判定結(jié)果傳輸模塊，所述數(shù)據(jù)傳輸模塊與數(shù)據(jù)接收與處理模塊相連，通過硬件向數(shù)據(jù)接收與處理模塊傳輸所需數(shù)據(jù)，所述數(shù)據(jù)接收與處理模塊分別與模型訓(xùn)練模塊、情感模式判定模塊相連，模型訓(xùn)練模塊與模型輸入模塊相連，模型輸入模塊分別與內(nèi)置模型庫、情感模式判定模塊相連，情感模式判定模塊與判定結(jié)果傳輸模塊相連。

本發(fā)明的基于腦電波機器學(xué)習的情感判定方法，包括如下步驟：

步驟(1)、數(shù)據(jù)傳輸模塊通過硬件向數(shù)據(jù)接收與處理模塊傳輸所需數(shù)據(jù)，數(shù)據(jù)傳輸模塊沒有輸入，其輸出為具有一定格式的原始腦電波數(shù)據(jù)；

步驟(2)、數(shù)據(jù)接收與處理模塊對接收到的原始腦電波數(shù)據(jù)進行處理以得到可用于分析的腦電波數(shù)據(jù)，數(shù)據(jù)接收與處理模塊的輸入為原始腦電波數(shù)據(jù)，輸出為具有8個維度的腦電波數(shù)據(jù)；

步驟(3)、模型訓(xùn)練模塊對模型進行訓(xùn)練，其輸入為具有8個維度的腦電波數(shù)據(jù)，其輸出為訓(xùn)練好的模型，即兩個聚類中心，分別代表正性與負性；

步驟(4)、模型輸入模塊選擇模型，可以使用通過數(shù)據(jù)自行訓(xùn)練的模型或者內(nèi)置模型庫中之前已經(jīng)訓(xùn)練好的模型；

步驟(5)、情感模式判定模塊使用選定的模型對腦電波數(shù)據(jù)進行分析，以判斷相應(yīng)的情感為正性或負性，情感模式判定模塊的輸入為腦電波數(shù)據(jù)與選定的模型，其輸出為情感判定的結(jié)果，即正性或負性；

步驟(6)、判定結(jié)果傳輸模塊將情感判定結(jié)果傳遞給與之相連的外部系統(tǒng)，如警報系統(tǒng)。

實例一：

數(shù)據(jù)采集：

實驗人員首先挑選若干喜劇與悲劇中具有強烈情感感染力的片段，并對其進行編排。實驗在研討室進行，影片片段通過投影儀進行播放，而數(shù)據(jù)采集則通過讓受試者觀看視頻片段來完成。其間，受試者需佩戴數(shù)據(jù)采集設(shè)備以完成數(shù)據(jù)采集，實驗人員需記錄下受試者的干擾性動作(如咳嗽)，以便減少誤差。

數(shù)據(jù)傳輸：

數(shù)據(jù)經(jīng)由采集設(shè)備傳輸?shù)椒治鲈O(shè)備中，實驗中通過減少采集設(shè)備與分析設(shè)備的距離與周圍電磁場干擾來減少誤差。

數(shù)據(jù)接收與處理：

使用低通濾波算法對接收到的原始腦電波數(shù)據(jù)進行降噪處理。

模型訓(xùn)練：

首先采用主成分分析法對經(jīng)過預(yù)處理的腦電波數(shù)據(jù)進行降維處理，主要過程如下：

1.原始指標數(shù)據(jù)的標準化采集p維隨機向量x＝(x1,x2,...xp)^t，n個樣品xi＝(xi1,xi2,...,xip)^t，i＝1,2,...n,n＞p，構(gòu)造樣本陣，對樣本陣元進行如下標準化變換：

其中得標準化陣z；

2.對標準化陣z求相關(guān)系數(shù)矩陣

其中，

3.解樣本相關(guān)矩陣r的特征方程得p個特征根，確定主成分

按確定m值，使信息的利用率達85％以上，對每個λj,j＝1,2,...m,解方程組rb＝λjb得單位特征向量

4.將標準化后的指標變量轉(zhuǎn)換為主成分

u1稱為第一主成分,u2稱為第二主成分,…,up稱為第p主成分。

將從上述過程中獲得的前m個主成分定義為降維后的腦電波數(shù)據(jù)。接下來，使用k均值算法對降維后的腦電波數(shù)據(jù)進行聚類，具體過程如下：

1.隨機選取2個中心點；

2.遍歷所有數(shù)據(jù)，將每個數(shù)據(jù)劃分到最近中心點的簇中；

3.計算每個簇中所有點的平均值，并作為該的新中心點；

4.重復(fù)2-3，直到2個中心點的位置不再變化后，得到最優(yōu)的中心點，即分別代表正性和負性兩種情感的聚類中心。

模型輸入：

選擇要使用的模型，模型可以是通過數(shù)據(jù)自行訓(xùn)練的模型或者之前已經(jīng)訓(xùn)練好的模型。

情感模式判定：

使用選定的模型，對腦電波數(shù)據(jù)進行分析，以判斷相應(yīng)的情感為正性抑或負性，過程如下：

1.實時對一小段時間內(nèi)的腦電波數(shù)據(jù)進行主成分分析

2.計算每一刻對應(yīng)的降維后的腦電波數(shù)據(jù)與正負類聚類中心的距離，選取較近的聚類中心所代表的類為該時刻的情感類別。

判定結(jié)果傳輸：

將情感判定結(jié)果傳遞給與之相連的外部系統(tǒng)，如警報系統(tǒng)。

實例二：

數(shù)據(jù)采集：

在研討室內(nèi)使用投影儀播放，測試者與投影儀的屏幕距離為兩米，圖片大小固定不變，同時測試之前，播放5張圖片來幫助測試者熟悉流程。實驗開始前，先給受試者播放幾段使人平靜的音樂，當測試者情緒穩(wěn)定時，開始播放圖片，先是黑十字圖片，播放2s。接下來隨機放正或負性的圖片一張，一張7s，之后顯示灰色的橫杠4s，流程如圖3所示。

數(shù)據(jù)傳輸模塊、數(shù)據(jù)接收與處理模塊、模型訓(xùn)練模塊、模型輸入模塊、情感模式判定模塊以及判定結(jié)果傳輸模塊的處理過程與實例一中相同。

以上所述僅為本發(fā)明的優(yōu)選實例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡對本發(fā)明所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。