[发明专利]基于SVM的三分类情绪概率判断方法

权利要求书

1.基于SVM的三分类情绪概率判断方法，其特征在于，包括如下步骤：

步骤1：采集参与者情绪变化过程中产生的脑电信号，并其进行下采样处理，构造样本；

步骤2：使用构造的样本训练基于SVM的二分类情绪概率判断模型；

步骤3：根据基于SVM的二分类情绪概率判断模型构造基于SVM的三分类情绪概率判断模型；

步骤4：使用基于SVM的三分类情绪概率判断模型对参与者新的脑电信号进行情绪概率判断。

2.根据权利要求1所述的基于SVM的三分类情绪概率判断方法，其特征在于，所述步骤1的详细步骤如下：

步骤1-1：准备若干部用以诱发参与者的情绪产生变化的情感视频以及用于采集参与者观看情感视频时脑电信号的头戴信号采集设备；

步骤1-2：参与者头戴设备观看若干部的情感视频，产生相应的情绪变化，头戴信号采集设备采集参与者的脑电信号；

步骤1-3：参与者观看完每一部情感视频后指出此时情绪状态Y，其中Y∈{1,2,3}，1表示乐观，2表示平静，3表示悲观；

步骤1-4：使用预设的频率阈值对采集到的脑电信号进行下采样处理，获得离散的脑电信号序列X(n)，其中n为脑电信号序列下标；

步骤1-5：通过参与者的脑电信号序列X(n)和情绪状态Y构造样本{X(n),Y}。

3.根据权利要求2基于SVM的三分类情绪概率判断方法，其特征在于，所述步骤2的详细步骤如下：

步骤2-1：提取脑电信号序列X(n)的统计特征组成该模型的输入向量F＝{μ_X,σ_X,t_X,δ_X,γ_X}；

其中，为脑电信号序列的均值；

为脑电信号序列的标准差；

为脑电信号序列的方差；

为脑电信号序列的一阶差分均值；

为脑电信号序列的二阶差分均值，N为脑电信号采样点的总数；

步骤2-2：将样本{X(n),Y}转换为模型训练样本{F,Y}_g＝{{F₁,y₁},{F₂,y₂},...,{F_g,y_g}}，其中，g∈{1,2,...,M}，M为情感视频总数；

步骤2-3：令Φ(F)为F通过核函数映射后的特征向量，则SVM的决策函数f(F)＝wΦ(F)+b，其中，w为权值向量，b为偏置向量；

步骤2-4：引入拉格朗日乘子α_i计算决策函数的最优化方程：

maxαΣi=1mαi-12Σi=1mΣj=1mαiαjyiyjΦ(Fi)TΦ(Fj),i=1,2,...,m,j=1,2,...,m]]>

s.t.Σi=1mαiyi=0,α≥0,i=1,2,...,m]]>

其中，m是模型训练样本数，Φ(F_i)^TΦ(F_j)是映射到高维特征空间后F_i和F_j的内积；

步骤2-5：本发明中利用径向基核函数k(·)来计算Φ(F_i)^TΦ(F_j)，将步骤2-4中的最优化方程转化为：

maxαΣi=1mαi-12Σi=1mΣj=1mαiαjyiyjk(Fi,Fj)]]>

s.tΣi=1mαiyi=0,αi≥0,i=1,2,...,m]]>

步骤2-6：通过计算步骤2-5中的最优化方程，将决策函数转换为如下形式：

f(F)=Σi=1mαiyik(Fi,F)+b]]>

步骤2-7：经过训练可以获得α_i，从而得出决策函数中w的值，通过如下公式可以获得偏置向量b，获得基于SVM的二分类情绪识别模型：

wΦ(F)+b＝0

步骤2-8：训练基于SVM的二分类情绪概率判断模型需要确定输出向量P＝{p1,p2}；

其中，p1＝p(y＝1|F)表示特征向量F属于y＝1类情绪的概率，p2＝p(y＝2|F)表示特征向量F属于y＝2类情绪的概率；

引入带有参数A,B的Sigmoid函数p_A,B实现概率输出，则：

p(y|F)≈pA,B=11+exp(Af+B)]]>

其中，f＝f(F_i)，是对于每一个F_i的分类结果；p(y|F)表示特征向量F属于y类情绪的概率，y∈{1,2}；

步骤2-9：采用最大似然估计进行训练，并重新定义训练集合(f_i,t_i)，其中，t_i为目标概率，f_i为分类结果，并且通过计算如下最优化方程获得A,B的值：

minz=(A,B)F(z)=-Σi=1m(tilog(pi)+(1-ti)log(1-pi)),pi=PA,B(fi)]]>

ti=N++1N++2,yi=+11N-+2,yi=-1i=1,...,m]]>

其中，N₊，N_分别为两种分类情绪的数目；

由此可获得A,B的最优解为z*＝(A*,B*)，最终获得训练好的基于SVM的二分类情绪概率判断模型。