[发明专利]基于张量分解的情感识别方法、装置、介质及电子设备

说明书

本发明提供了一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

技术领域

本发明涉及应用程序领域，具体涉及一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备。

背景技术

情绪识别在日常生活中的人机交互和人际交往中都起着重要的作用。虽然人们对情绪识别的研究已经有很多年了，但它仍然是一个具有挑战性的问题，因为人类情绪不是通过单一的方式表达出来的，而是通过多种方式表达出来的，如语音、手势、面部表情和生理信号等。由于生理信号是由交感神经系统控制的，它一般是独立于人的意愿的，与其他自愿或非自愿信号不同，生理信号不易被抑制或隐藏。与视觉和听觉信号相比，生理信号可以为情感识别提供更可靠的信息。同时，人的情感是一个高度主观的问题，人类的情感可以受到许多语境和心理因素的影响，如兴趣、个性和时间。这增加了我们在情感识别上面临的困难程度。

现有的情感识别方法主要通过设计有效的融合策略来应对这个挑战，其前提是所有形式的信号始终可用，这在实践中通常是不现实的。此外，某些因素限制了数据收集，收集分析所需的所有数据非常困难，这也导致了现有的情感识别的融合策略往往不能使用。

发明内容

有鉴于此，本发明实施例致力于提供了一种基于张量分解的情感识别方法、装置、计算机可读存储介质及电子设备，通过将多种模态的生理信号数据转换为张量数据，将张量分解为与多种模态分别对应的多个低秩矩阵，并且根据张量数据构建多种模态分别对应的多个图矩阵，其中图矩阵表征一种模态的生理信号数据对应的低秩矩阵中各元素之间的相似性，利用张量数据和图矩阵中的已知量，估算得到生理信号数据的缺失数据，从而补充完整的生理信号数据，然后根据完整的生理信号数据识别情感类别，从而实现了部完整的生理信号数据的情感识别，并且利用生理信号数据之间的相互关联性保证了准确率。

根据本发明的一方面，本发明一实施例提供的一种基于张量分解的情感识别方法，包括：将多种模态的生理信号数据转换为张量数据；所述生理信号数据包括已知数据和缺失数据；所述张量数据包括与所述多种模态的生理信号数据分别对应的多个低秩矩阵；根据所述张量数据，构建与所述多种模态分别对应的多个图矩阵；每个所述图矩阵用于分别表征一种模态的生理信号数据对应的所述低秩矩阵中各元素之间的相似性；根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据；以及根据所述生理信号数据的已知数据和估算得到的缺失数据，识别情感类别。

在一实施例中，所述张量数据为：其中，R_(n)表示第n种模态的生理信号数据对应的低秩矩阵，ε为捕捉建模的误差，“。”表示张量外积。

在一实施例中，第n个所述图矩阵为：其中，V_n为捕捉建模误差；d_n为加权因子矩阵；R_n为R秩的因子矩阵。

在一实施例中，所述根据所述张量数据中的已知量和所述多个图矩阵中的已知量，估算所述生理信号数据的缺失数据包括：求解下述优化任务以得出χ^M和

其中，χ^A包含所述张量数据中的已知量，且未知量对应的位置为零，χ^M包含所述张量数据中的未知量，且已知量对应的位置为零；包含可获得的连接，包含不可获得的连接；表示强制χ^M和为零。