[发明专利]基于神经网络的情绪识别与脱敏训练效果评估方法

权利要求书

1.一种基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，包括如下步骤：

步骤S1、搭建虚拟现实情绪诱发分级场景并进行实验，获取实验样本人群的多种生理数据，构建样本数据集，并采用SAM问卷进行场景分级验证，确保场景分级符合要求；

步骤S2、将样本数据集中的生理信号经过滤波、分割、数据增强、数据归一化方法得到预处理后的数据集，并将预处理后的数据集按照比例分为训练集和测试集；

步骤S3、选取卷积块、长短期记忆网络构造单模态生理信号神经网络结构，并将单模态生理信号神经网络结构进行融合，得到基于多生理信号的神经网络情绪识别模型；

步骤S4、选取30名被试分别进行低等级场景测试，同时记录测试过程中的生理信号，用于情绪预测；

步骤S5、基于步骤S4情绪预测结果，将30名被试分别进行低等级与高等级脱敏训练，采用基于多生理信号的神经网络情绪识别模型预测脱敏训练效果。

2.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S1具体为：搭建虚拟现实情绪诱发分级场景，选用被试进行低等级与高等级实验，同步采集训练时被试的多种生理数据，构建样本数据集；所述样本数据集中的生理信号有：心电、皮电、肌电、脉搏；分级场景测试后，采用SAM问卷对场景分级进行评分，确保场景分级符合要求。

3.根据权利要求2所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述虚拟现实情绪诱发分级场景与场景分级合理性评估具体为：

虚拟现实情绪诱发分级场景为处于不同高度下的高空救猫任务场景，被试需要分别对低等级和高等级进行高空救猫任务，同步记录多种生理数据；每个等级实验结束后，选用SAM问卷对场景分级进行评分，验证高等级的唤醒程度评分是否高于低等级的唤醒程度评分，确保场景分级符合要求。

4.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S2具体为：将样本数据集生理信号经过滤波处理，去除信号中的噪声；对样本数据集进行分割，增加原始数据采样量；对样本中数据较少的情绪标签样本采用垂直翻转的数据增强方法增大样本容量，保证样本的数据分布均匀；将数据归一化到[0,1]之间，使得模型能够更快收敛；按照8：2比例将预处理后的数据集分为训练集和测试集。

5.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S3具体为：对各个生理信号分别设计神经网络结构，通过对比卷积块个数与长短期记忆网络层数，获取基于单模态生理信号神经网络结构；并将其进行融合获得基于多模态生理信号的神经网络情绪识别模型。

6.根据权利要求5所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述对比卷积块个数与长短期记忆网络层数具体为：

对于单模态生理信号，选用卷积层、最大池化层作为一个卷积块，通过叠加卷积块个数增加卷积层个数，提取生理信号中的特征，卷积块个数依次递增，直至获取最高准确率；此外，在卷积块获取最佳准确率的神经网络结构基础上对长短期记忆网络层数依次递增，长短期记忆网络有利于提取生理信号的时序特征，直至获取最高的准确率。

7.根据权利要求5所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述基于多模态生理信号的神经网络情绪识别模型具体为：

将单模态生理信号神经网络特征图通过全连接层进行展开，采用融合策略对单模态生理信号的特征图进行融合，选用密集层将融合特征展开，并用Softmax分类函数输出情绪分类结果，得到基于多生理信号的神经网络情绪识别模型，样本数据集中低等级场景下的情绪标签定义为平静，高等级场景下的情绪标签定义为恐惧。

8.根据权利要求1所述的基于神经网络的情绪识别与脱敏训练效果评估方法，其特征在于，所述步骤S4具体为：选取30名被试分别进行低等级场景测试，同时佩戴生理信号采集装置采集测试过程中的生理信号，利用训练好的基于多生理信号的神经网络情绪识别模型进行情绪预测。