[發(fā)明專(zhuān)利]一種基于深度模糊森林的情緒識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911204760.3
• 申請(qǐng)日: 2019-11-29
• 公開(kāi)（公告）號(hào): CN111000556A
• 公開(kāi)（公告）日: 2020-04-14
• 發(fā)明（設(shè)計(jì)）人: 何宏;姚慧芳;譚永紅
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海師范大學(xué)
• 主分類(lèi)號(hào): A61B5/0476
• 分類(lèi)號(hào): A61B5/0476;A61B5/16;A61B5/00;G06K9/62
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 王懷瑜

1.一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，該方法包括以下步驟：

1)采集腦電信號(hào)；

2)對(duì)腦電信號(hào)進(jìn)行預(yù)處理，以去除噪聲；

3)將腦電信號(hào)輸入經(jīng)過(guò)預(yù)訓(xùn)練后的深度模糊森林模型中，獲取情緒識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，所述步驟3)中，深度模糊森林模型采用多粒度掃描，從腦電信號(hào)中獲取腦電信號(hào)特征的概率向量，作為級(jí)聯(lián)森林的輸入；采用級(jí)聯(lián)森林，對(duì)腦電信號(hào)特征的概率向量進(jìn)行識(shí)別，獲取情緒識(shí)別結(jié)果，所述多粒度掃描和所述級(jí)聯(lián)森林均采用模糊決策樹(shù)構(gòu)建。

3.根據(jù)權(quán)利要求2所述的一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，所述腦電信號(hào)特征的概率向量的獲取過(guò)程具體為，所述多粒度掃描包括W個(gè)滑動(dòng)窗口和N_SF個(gè)模糊決策森林；每個(gè)滑動(dòng)窗口掃描所述腦電信號(hào)產(chǎn)生N₁個(gè)實(shí)例，一個(gè)實(shí)例經(jīng)過(guò)一個(gè)模糊決策森林的訓(xùn)練，產(chǎn)生p＝[p₁，p₂，…p_K]的概率向量；每個(gè)掃描腦電信號(hào)的滑動(dòng)窗口產(chǎn)生N₂個(gè)K維的概率向量，N₂＝N_SF×N₁；多粒度掃描將這些概率向量連接在一起形成一個(gè)窗口向量將所有滑動(dòng)窗口產(chǎn)生的窗口向量串聯(lián)，作為級(jí)聯(lián)森林的輸入；所述滑動(dòng)窗口的形狀包括長(zhǎng)方形和正方形，所述模糊決策森林采用模糊決策樹(shù)構(gòu)建。

4.根據(jù)權(quán)利要求2所述的一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，所述采用級(jí)聯(lián)森林，對(duì)腦電信號(hào)特征進(jìn)行識(shí)別具體為，級(jí)聯(lián)森林的每一層均具有多個(gè)模糊決策森林；級(jí)聯(lián)森林中，除第一層的輸入以外，其他所有層的輸入都為前一層的輸出；級(jí)聯(lián)森林的最后一層的輸出用于計(jì)算最終準(zhǔn)確度，該最終準(zhǔn)確度的計(jì)算表達(dá)式為：

Fin(P)＝Max{Ave[P_i×j]}

P_i×j＝[P₁₁，P₁₂，…,P_1j；…；P_i1，P_i2，…，P_ij]

式中，F(xiàn)in(*)為最終準(zhǔn)確度，P為級(jí)聯(lián)森林中最后一層的輸出，i＝1,2,…,N_CF，j＝1,2,…,K，N_CF為級(jí)聯(lián)森林每一層中模糊決策森林的個(gè)數(shù)，P_i×j是一個(gè)樣本在級(jí)聯(lián)森林的最后一層里N_CF個(gè)模糊決策森林的分類(lèi)概率，Ave[*]為取平均，Max{*}為取最大值。

5.根據(jù)權(quán)利要求1所述的一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，所述步驟3)中，深度模糊森林模型的預(yù)訓(xùn)練過(guò)程具體為，將預(yù)建立的腦電信號(hào)訓(xùn)練集輸入預(yù)建立的深度模糊森林模型中，基于評(píng)價(jià)指標(biāo)，對(duì)深度模糊森林模型進(jìn)行迭代優(yōu)化，直到深度模糊森林模型輸出結(jié)果滿足預(yù)設(shè)的精度要求。

6.根據(jù)權(quán)利要求5所述的一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，所述深度模糊森林模型用以從腦電信號(hào)中識(shí)別出第一情緒和第二情緒，所述腦電信號(hào)訓(xùn)練集包括第一情緒樣本和第二情緒樣本，所述評(píng)價(jià)指標(biāo)包括準(zhǔn)確率、精確率和召回率，所述準(zhǔn)確率accuracy的計(jì)算表達(dá)式為：

式中，TP為將第一情緒樣本預(yù)測(cè)為第一情緒的個(gè)數(shù)，TN為將第一情緒樣本預(yù)測(cè)為第二情緒的個(gè)數(shù)，F(xiàn)P為將第二情緒樣本預(yù)測(cè)為第一情緒的個(gè)數(shù)，F(xiàn)N為將第一情緒樣本預(yù)測(cè)為第二情緒的個(gè)數(shù)；

所述精確率precision的計(jì)算表達(dá)式為：

所述召回率recall的計(jì)算表達(dá)式為：

7.根據(jù)權(quán)利要求1所述的一種基于深度模糊森林的情緒識(shí)別方法，其特征在于，所述步驟2)中，對(duì)腦電信號(hào)的預(yù)處理具體為，對(duì)腦電信號(hào)分別進(jìn)行濾波、分割和/或奇異樣本的篩除。