[发明专利]基于SVM的三分类情绪概率判断方法

说明书

技术领域

本发明涉及情感计算技术领域，尤其涉及一种基于SVM的三分类情绪概率判断方法。

背景技术

情绪是伴随着认知和意识过程产生的心理和生理状态，在人类交流中起着重要的作用。情绪持续时间短，但蕴含着丰富的生物信息，其中不仅包含肢体，面部，语音语义等外部行为特征，还包含了大脑内部神经机制相互协调，具有客观且不易掩饰的脑电信号。通常将情绪分为乐观，平静和悲观等状态。情绪识别是指通过用户的行为和生理反应来预测估计相应的情绪状态。情绪识别的研究可以应用在健康监测，刑侦审讯，行为辅助等许多方面，对其给出合理的参考意见。因此，情绪识别的研究具有重要的现实意义。

针对脑电信号的处理，很多研究者已提出了多种提取特征参数的方法，同时已有很多研究者采用SVM算法对情绪进行识别，发现该算法的识别率较高。但标准的SVM算法只能依据决策函数输出唯一确定的数值，而针对情绪识别问题，样本不能明确地归为某一类情绪，只能以一定概率属于某一类情绪。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于SVM的三分类情绪概率判断方法，通过参与者的脑电信号得出参与者属于某一类情绪的概率，通过构造样本训练基于SVM的二分类情绪概率判断模型获得训练好的基于SVM的二分类情绪概率判断模型，在训练好的基于SVM的二分类情绪概率判断模型上构造基于SVM的三分类情绪概率判断模型，对脑电信号判断属于乐观、平静或悲观。

本发明为解决上述技术问题采用以下技术方案：

基于SVM的三分类情绪概率判断方法，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。

作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案，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}。

作为本发明基于SVM的三分类情绪概率判断方法进一步的优化方案，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,τ_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：

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；