[發(fā)明專利]一種基于腦電波識別情緒的購物系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201711348101.8
• 申請日: 2017-12-15
• 公開（公告）號: CN108073284B
• 公開（公告）日: 2021-05-04
• 發(fā)明（設(shè)計(jì)）人: 李天目;張惠婧
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06Q30/06;A61B5/374;A61B5/377
• 代理公司: 江蘇海越律師事務(wù)所 32402
• 代理人: 唐小紅

1.一種基于腦電波識別情緒的購物系統(tǒng)，包括腦電波采集模塊及其購物推薦系統(tǒng)，用戶佩戴裝有腦電波傳感器的設(shè)備，采集腦電波信號后，得到電壓信號，之后分成兩路，一路通過電流傳感器得到的電流大小，輸入到ARM單片機(jī)中，另一路直接輸入到ARM單片機(jī)，得到β波和θ波功率，計(jì)算獲得β波和θ波的絕對功率比，通過機(jī)器學(xué)習(xí)方法——梯度推進(jìn)樹GBDT來建立情感推理規(guī)則，識別積極、平靜、消極三類情緒，當(dāng)識別到這三類情緒時(shí)，購物推薦系統(tǒng)獲取相關(guān)數(shù)據(jù)，向用戶提供推薦商品；

腦電波采集模塊包括腦電波傳感器、電流傳感器、ARM單片機(jī)；

其特征在于：

所述的腦電波傳感器用于測量大腦皮層瀏覽商品時(shí)的腦電信號，分別有δ波1－3Hz、θ波4－7Hz、α波8－13Hz、β波14－30Hz，測量采用干電極探頭，通過信號放大、濾波后，再經(jīng)過ThinkGearAM腦電波處理芯片處理，得到β波和θ波的電壓信號；

所述的電流傳感器使用的是霍爾傳感器，用于將線路中的電流值按照一定的線性關(guān)系轉(zhuǎn)換成電壓值，從而輸入到ARM單片機(jī)中，進(jìn)而通過ARM單片機(jī)計(jì)算得出線路中的電流大??；

所述的ARM單片機(jī)用于處理從腦電波傳感器直接傳來的電壓信號和經(jīng)由電流傳感器傳來的電流信號，經(jīng)過處理后，得到β波和θ波的絕對功率比；通過機(jī)器學(xué)習(xí)方法——梯度推進(jìn)樹GBDT來建立情感推理規(guī)則，識別積極、平靜、消極三類情緒，最后通過串口通信將數(shù)據(jù)傳送到電腦后臺。

2.如權(quán)利要求1所述的系統(tǒng)，其特征在于，所述的購物推薦系統(tǒng)還包括數(shù)據(jù)庫模塊、數(shù)據(jù)挖掘模塊、推薦處理模塊、用戶評分模塊四個(gè)部分；

所述的數(shù)據(jù)庫模塊用于記錄并保存用戶腦電波信號、用戶的交易數(shù)據(jù)、商品數(shù)據(jù)、用戶信息數(shù)據(jù)，為下一階段的數(shù)據(jù)挖掘做好數(shù)據(jù)準(zhǔn)備；

所述的數(shù)據(jù)挖掘模塊用于將數(shù)據(jù)庫模塊中的信息和實(shí)時(shí)交易信息集成到推薦項(xiàng)目中；數(shù)據(jù)挖掘通過統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專家系統(tǒng)和模式識別方法，自動(dòng)化地分析數(shù)據(jù)，做出歸納性的推理，從數(shù)據(jù)中挖掘出潛在有用的信息；該模塊從數(shù)據(jù)庫模塊的數(shù)據(jù)中找到用戶的購物歷史記錄和商品特征數(shù)據(jù)之間的關(guān)系，然后將結(jié)果交給推薦處理模塊；

所述的推薦處理模塊用于執(zhí)行積極、平靜、消極三類情緒運(yùn)行相應(yīng)的算法，判斷推薦商品項(xiàng)目；該模塊同時(shí)提供包括用戶和喜愛商品項(xiàng)目在內(nèi)的推薦列表；當(dāng)識別出用戶情緒為積極時(shí)，推薦處理模塊執(zhí)行基于內(nèi)容的推薦算法，將與用戶感興趣的相似商品加入推薦列表中；當(dāng)識別出用戶情緒為平靜時(shí)，推薦處理模塊執(zhí)行將基于內(nèi)容的算法和基于協(xié)作過濾算法結(jié)合起來的混合式推薦算法，將預(yù)測評分高的商品加入推薦列表；當(dāng)識別出用戶的情緒為消極時(shí)，推薦處理模塊無操作；

所述的用戶評分模塊用于用戶在得到商品推薦列表后，對推薦商品的進(jìn)行評分，每完成一次推薦就進(jìn)行一次評分，該評分由用戶在瀏覽推薦商品時(shí)，通過系統(tǒng)檢測到的腦電波來識別情緒來評價(jià)。

3.如權(quán)利要求1所述的系統(tǒng)，其特征在于，在用戶評分模塊中，將識別出的情緒轉(zhuǎn)化成定量的數(shù)字評價(jià)，定義積極為滿分2分，平靜為1分，消極為0分；用戶評分矩陣表示為R(m×n),m表示用戶的數(shù)量,n表示項(xiàng)目的數(shù)量,評分矩陣中的非零元素r_ij∈R；用戶集合表示為U＝*u₁,u₂,…,u_i+,每個(gè)項(xiàng)目t_j∈T項(xiàng)目集合的內(nèi)容表示為VSM特征向量fv_j＝(w_1j,w_2j…w_bj…w_nj)，其中w_bj表示第b個(gè)關(guān)鍵字對于項(xiàng)目t_j的權(quán)重，該權(quán)重以tf/idf模式計(jì)算；

選取頻率較高的特征,構(gòu)成高維特征向量空間，Widrow-Hoff學(xué)習(xí)算法使用梯度下降訓(xùn)練模型進(jìn)行用戶建模,用戶u_i第s次項(xiàng)目評分r_is后，該用戶的特征向量表示為uv_is＝(v_1is,v_2is,…,v_bis,…,v_nis)，其中v_bis表示第s次項(xiàng)目評分后第b個(gè)特征關(guān)鍵詞對描述用戶u_i興趣的重要性；當(dāng)用戶u_i對第s+1次項(xiàng)目評分r_i(s+1)后，該用戶的特征向量表示為uv_i(s+1)，同時(shí)更新用戶u_i對j項(xiàng)目的特征權(quán)重：

其中，v_bis表示第s次項(xiàng)目評分后第b個(gè)特征關(guān)鍵詞對描述用戶u_i興趣的重要性,uv_is表示為用戶u_i第s次項(xiàng)目評分r_is后，該用戶的特征向量，fv_s表示為項(xiàng)目s的VSM特征向量，r_i(s+1)表示為用戶u_i對第s+1次項(xiàng)目評分，w_bj表示為表示第b個(gè)關(guān)鍵字對于項(xiàng)目t_j的權(quán)重；

最后系統(tǒng)將評分結(jié)果反饋給推薦處理模塊。