[發明專利]一種基于情感維度下的深度情感交互模型的構建方法

有效

• 申請號: 201810867950.2
• 申請日: 2018-08-01
• 公開（公告）號: CN109215678B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 孫穎;張雪英;馬江河;王少玄;賈海蓉;段淑斐
• 申請（專利權）人: 太原理工大學
• 主分類號: G10L25/03
• 分類號: G10L25/03;G10L25/30;G10L25/63
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 任林芳

本發明屬于情感識別、模式識別等領域，具體是一種基于情感維度下的深度情感交互模型的構建方法。解決了克服傳統的情感模型只能對情感狀態出現的概率進行描述而忽略情感本身的相互關聯的問題，包括以下步驟：S100～針對實驗室現有的情感腦電數據庫提取情感特征；S200～構建最優深度RBM網絡；S300～通過維度量化值的空間距離表征情感狀態之間的關聯程度，得到情感狀態之間的權值；S400～構建關聯認知網絡S500～通過最優深度RBM網絡與關聯認知網絡的結合構建深度情感交互模型，實現連續情感的準確判別。

技術領域

本發明屬于情感識別、模式識別等領域，具體是一種基于情感維度下的深度情感交互模型的構建方法。

背景技術

情感是人們對客觀事物是否滿足自身需要而產生的綜合狀態，不同的情感狀態影響了人們的學習、記憶與決策等。近年來，隨著人工智能理論的發展，情感建模已成為當前的研究熱點，受到國內外研究者的廣泛關注。

情感模型用以模擬人類對情感的處理過程。目前對情感模型的研究有許多代表性的成果，比較常用的淺層情感分類模型有支持向量機(Support Vector Machine,SVM)、人工神經網絡(Artificial Neural Network，ANN)、隱馬爾可夫模型(Hidden Markov Model，HMM)、高斯混合模型(Gaussian Mixture Model，GMM)等。隨著數據量的不斷擴大，學術界和工業界對深度神經網絡的研究熱情高漲，并將深度神經網絡(Deep Neural Network，DNN)應用到了情感模型中。

現有的情感模型所能描述的只是情感狀態出現的概率或自發的轉移過程，忽略了情感本身的特性，即情感是以系統的方式相互關聯的，因此無法描述情感狀態的波動與變遷。而當系統的情感模型與真實的情感數據擬合性較差時，會導致情感識別正確率的顯著下降。

發明內容

本發明為了解決克服傳統的情感模型只能對情感狀態出現的概率進行描述而忽略情感本身的相互關聯的問題，提供一種基于情感維度下的深度情感交互模型的構建方法。

本發明采取以下技術方案：一種基于情感維度下的深度情感交互模型的構建方法，包括以下步驟：

S100～針對實驗室現有的情感腦電數據庫提取情感特征；

S200～構建最優深度RBM網絡，將情感特征作為深度RBM網絡的輸入，獲得底層情感特征與情感狀態之間的權值；

S300～通過維度量化值的空間距離表征情感狀態之間的關聯程度，得到情感狀態之間的權值；

S400～構建關聯認知網絡，將深度RBM網絡的底層情感特征與情感狀態之間的權值作為關聯認知網絡中輸入與輸出之間的權值，將情感狀態之間的權值作為關聯認知網絡輸出與輸出之間的權值；

S500～通過最優深度RBM網絡與關聯認知網絡的結合構建深度情感交互模型，實現連續情感的準確判別。

所述S100具體過程為：

數據庫采用情感腦電數據庫，選取FC1、FC2、FC3、FC4、C1、C2、C3、C4、CP1、CP2、CP3、CP4位置處的電極，即共12導的腦電數據進行分析，提取表征腦電信號能量特性的傳統特征能量、功率譜以及功率譜熵，表征腦電信號非線性屬性特性的非線性屬性特征近似熵、Hurst指數、Lyapunov指數以及刻畫腦電信號幾何結構的非線性幾何特征，即腦電信號基于軌跡的描述符輪廓。

非線性屬性特征：根據腦電信號的非線性特性，提取表征腦電信號非線性屬性特性的非線性屬性特征，提取了相空間重構下的近似熵、Hurst指數、Lyapunov指數特征，其中，近似熵可作為衡量時間序列中的新信息發生率的有效方法，產生新模式的概率越大，序列的復雜性也越大，近似熵表示的是信息的不規則性，故而越復雜的信號近似熵也越大。

最大Lyapunov指數：