[發(fā)明專(zhuān)利]基于SVM的三分類(lèi)情緒概率判斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711295095.4
• 申請(qǐng)日: 2017-12-08
• 公開(kāi)（公告）號(hào): CN107766898A
• 公開(kāi)（公告）日: 2018-03-06
• 發(fā)明（設(shè)計(jì)）人: 周劍;杜寧;魏獻(xiàn)巍;劉方斌;程春玲;郭劍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京郵電大學(xué)鹽城大數(shù)據(jù)研究院有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.基于SVM的三分類(lèi)情緒概率判斷方法，其特征在于，包括如下步驟：

步驟1：采集參與者情緒變化過(guò)程中產(chǎn)生的腦電信號(hào)，并其進(jìn)行下采樣處理，構(gòu)造樣本；

步驟2：使用構(gòu)造的樣本訓(xùn)練基于SVM的二分類(lèi)情緒概率判斷模型；

步驟3：根據(jù)基于SVM的二分類(lèi)情緒概率判斷模型構(gòu)造基于SVM的三分類(lèi)情緒概率判斷模型；

步驟4：使用基于SVM的三分類(lèi)情緒概率判斷模型對(duì)參與者新的腦電信號(hào)進(jìn)行情緒概率判斷。

2.根據(jù)權(quán)利要求1所述的基于SVM的三分類(lèi)情緒概率判斷方法，其特征在于，所述步驟1的詳細(xì)步驟如下：

步驟1-1：準(zhǔn)備若干部用以誘發(fā)參與者的情緒產(chǎn)生變化的情感視頻以及用于采集參與者觀看情感視頻時(shí)腦電信號(hào)的頭戴信號(hào)采集設(shè)備；

步驟1-2：參與者頭戴設(shè)備觀看若干部的情感視頻，產(chǎn)生相應(yīng)的情緒變化，頭戴信號(hào)采集設(shè)備采集參與者的腦電信號(hào)；

步驟1-3：參與者觀看完每一部情感視頻后指出此時(shí)情緒狀態(tài)Y，其中Y∈{1,2,3}，1表示樂(lè)觀，2表示平靜，3表示悲觀；

步驟1-4：使用預(yù)設(shè)的頻率閾值對(duì)采集到的腦電信號(hào)進(jìn)行下采樣處理，獲得離散的腦電信號(hào)序列X(n)，其中n為腦電信號(hào)序列下標(biāo)；

步驟1-5：通過(guò)參與者的腦電信號(hào)序列X(n)和情緒狀態(tài)Y構(gòu)造樣本{X(n),Y}。

3.根據(jù)權(quán)利要求2基于SVM的三分類(lèi)情緒概率判斷方法，其特征在于，所述步驟2的詳細(xì)步驟如下：

步驟2-1：提取腦電信號(hào)序列X(n)的統(tǒng)計(jì)特征組成該模型的輸入向量F＝{μ_X,σ_X,t_X,δ_X,γ_X}；

其中，為腦電信號(hào)序列的均值；

為腦電信號(hào)序列的標(biāo)準(zhǔn)差；

為腦電信號(hào)序列的方差；

為腦電信號(hào)序列的一階差分均值；

為腦電信號(hào)序列的二階差分均值，N為腦電信號(hào)采樣點(diǎn)的總數(shù)；

步驟2-2：將樣本{X(n),Y}轉(zhuǎn)換為模型訓(xùn)練樣本{F,Y}_g＝{{F₁,y₁},{F₂,y₂},...,{F_g,y_g}}，其中，g∈{1,2,...,M}，M為情感視頻總數(shù)；

步驟2-3：令Φ(F)為F通過(guò)核函數(shù)映射后的特征向量，則SVM的決策函數(shù)f(F)＝wΦ(F)+b，其中，w為權(quán)值向量，b為偏置向量；

步驟2-4：引入拉格朗日乘子α_i計(jì)算決策函數(shù)的最優(yōu)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是模型訓(xùn)練樣本數(shù)，Φ(F_i)^TΦ(F_j)是映射到高維特征空間后F_i和F_j的內(nèi)積；

步驟2-5：本發(fā)明中利用徑向基核函數(shù)k(·)來(lái)計(jì)算Φ(F_i)^TΦ(F_j)，將步驟2-4中的最優(yōu)化方程轉(zhuǎn)化為：

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

s.tΣi=1mαiyi=0,αi≥0,i=1,2,...,m]]>

步驟2-6：通過(guò)計(jì)算步驟2-5中的最優(yōu)化方程，將決策函數(shù)轉(zhuǎn)換為如下形式：

f(F)=Σi=1mαiyik(Fi,F)+b]]>

步驟2-7：經(jīng)過(guò)訓(xùn)練可以獲得α_i，從而得出決策函數(shù)中w的值，通過(guò)如下公式可以獲得偏置向量b，獲得基于SVM的二分類(lèi)情緒識(shí)別模型：

wΦ(F)+b＝0

步驟2-8：訓(xùn)練基于SVM的二分類(lèi)情緒概率判斷模型需要確定輸出向量P＝{p1,p2}；

其中，p1＝p(y＝1|F)表示特征向量F屬于y＝1類(lèi)情緒的概率，p2＝p(y＝2|F)表示特征向量F屬于y＝2類(lèi)情緒的概率；

引入帶有參數(shù)A,B的Sigmoid函數(shù)p_A,B實(shí)現(xiàn)概率輸出，則：

p(y|F)≈pA,B=11+exp(Af+B)]]>

其中，f＝f(F_i)，是對(duì)于每一個(gè)F_i的分類(lèi)結(jié)果；p(y|F)表示特征向量F屬于y類(lèi)情緒的概率，y∈{1,2}；

步驟2-9：采用最大似然估計(jì)進(jìn)行訓(xùn)練，并重新定義訓(xùn)練集合(f_i,t_i)，其中，t_i為目標(biāo)概率，f_i為分類(lèi)結(jié)果，并且通過(guò)計(jì)算如下最優(yōu)化方程獲得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_分別為兩種分類(lèi)情緒的數(shù)目；

由此可獲得A,B的最優(yōu)解為z*＝(A*,B*)，最終獲得訓(xùn)練好的基于SVM的二分類(lèi)情緒概率判斷模型。