[发明专利]一种基于自适应模糊支持向量机的情绪识别方法

说明书

本发明公开了一种基于自适应模糊支持向量机的情绪识别方法，用于机器人辅助康复训练过程中患者挫败、兴奋及厌烦三种目标情绪的识别，其具体实现包括如下步骤：首先，获取患者在康复训练过程中目标情绪反应的生理响应信号；其次，利用主成分分析方法筛选出反应目标情绪变化的生理信号重要特征集；最后针对不同生理信号容易受到噪声干扰并且不同情绪之间的生理信号往往相互交叠的特点，提出一种基于自适应模糊支持向量机的情绪识别方法。该方法不仅改进了隶属度函数的表现形式，而且通过定义控制临界隶属度和隶属度衰减趋势的参数，使隶属度能根据不同情绪生理信号的具体分布特性自适应调整。

技术领域

本发明涉及信号处理和模式识别，特别涉及一种基于自适应模糊支持向量机的情绪识别方法。

背景技术

情绪是人类的一项重要本能，它同人类语音和身体形态一样，在人们日常生活、工作、交流以及处理事务中扮演着重要的角色。利用计算机技术进行情绪识别是实现高级人机交互的关键技术，对于实现人机交互、人—计算机接口以及智能计算机等有重要意义。情绪识别主要通过面部表情、语音、人体姿态以及生理信号等实现。基于面部表情和语音等外在信号的研究由来已久，但其结果往往具备主观性。人体的生理变化主要受自主神经系统和内分泌系统支配，而很少受人的主观控制，因此应用生理信号进行情绪识别所得到的结果会更加客观、公正。目前国内外采用的生理信号主要有脑电(EEG)、心电(ECG)、肌电(EMG)、血容量脉搏(BVP)、皮肤电反应(GSP)和眼动(EOG)等，本专利仅研究基于脑电信号的情绪识别。

脑电是通过在大脑皮层表层的电极记录下来的脑细胞群的自发性、节律性电活动。其中，将时间作为横轴，脑细胞的活动电位作为纵轴，这样把时间与电位的相互关系记录下来就是脑电图，简称EEG。通过采用适当的方法提取与情绪相关的特征，在经过数据将为处理之后，便需要根据已知的脑电信号特征对情绪进行学习和分类。主要的学习方法可以分为无监督学习方法和有监督的学习方法。

情绪的无监督学习：无监督学习是指在对样本进行模式训练时，不需要对其制定类别信息，而是由样本自身向彼此特征相近的样本靠近，与特征相异的样本远离，从而达到同类样本聚集，异类样本彼此分离的效果，实现模式的分类。常见的无监督学习方法有模糊聚类、K-均值聚类、自组织映射等。

情绪的有监督学习：有监督学习在对样本进行训练时会加入样本的类别信息。在类别信息的指导下不断修正模型的参数从而得到最佳的训练结果，再将训练好的模型用于测试样本的分类识别中。常见的监督学习方法有支持向量机，神经网络、决策树、贝叶斯网络等。

Aftanas等利用傅里叶变换将脑电信号映射到各频率上，将各点的功率谱作为特征，取得了较好的分类效果；Khosrowabadi等采用图片对4个基本情绪进行试验，采用自组织的映射方法对样本情绪分类，取得了较好的分类结果。支持向量机作为目前应用最为广泛的分类方法以其优异的性能已被应用到情绪识别中。神经网络也是一种常用的分类方法，它是通过模拟人类真实神经网络而抽象出来的数学模型，在分类工作中也取得了不错的成绩。Aspiras和Asari相关的研究中就利用多层感知器模型对8种不同的情感进行分类，并取得了较好的结果。Tal-ahashi也做了相关研究，建立了一个基于3个干电极的实验环境，多个生理信号(包括EGG，脉搏信号一级皮肤阻抗)来分类5种情绪(情绪包含了兴奋、生气、难过、恐惧以及放松)。

然而，在利用机器提取的生理信号中存在诸多模糊不确定的情况，如信号在获取时受到周边环境的干扰形成噪声污染、各类情绪生理信号的相互重叠等。所以，情绪分类识别面临的是信息的不确定性和界限不明确的问题。针对不同生理信号容易受到噪声干扰并且不同情绪之间的生理信号往往相互交叠的特点，提出一种基于自适应模糊支持向量机的情绪识别方法。

发明内容

本发明所要解决的技术问题是针对现有技术方法的不足，本发明提出一种基于自适应模糊支持向量机的情绪识别方法，以解决背景技术中的问题。

本发明为解决上述技术问题采用以下技术方案