[發(fā)明專利]基于面部表面肌電的情感分布識別方法

有效

• 申請?zhí)枺?/td>: 202010461641.2
• 申請日: 2020-05-27
• 公開（公告）號: CN111709314B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 陳謝冰;章燕;丁浙柯;席旭剛;楊文偉;張啟忠
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.基于面部表面肌電的情感分布識別方法，其特征在于該方法包括如下步驟：

步驟(1)，獲取面部表面肌電信號樣本數(shù)據(jù)；

步驟(2)，將步驟(1)獲取的表面肌電信號進(jìn)行六個(gè)特征的提取，這六個(gè)特征分別為Wilson振幅，模糊熵，小波包系數(shù)能量，自回歸系數(shù)，平均功率頻率和平均頻率；求取模糊熵時(shí)維數(shù)取m＝2，AR模型階數(shù)選擇4；得到了每個(gè)通道的特征集的維數(shù)為13維，4個(gè)通道得到的特征集為52維；

步驟(3)，通過主成分分析將特征集從52維降到13維；原始特征向量維數(shù)的減少根據(jù)特征值的貢獻(xiàn)率決定的，根據(jù)特征保存率在90％的原則，得到了降維后的特征集；

步驟(4)，根據(jù)得到的降維的特征集，輸入到標(biāo)記分布學(xué)習(xí)模型，進(jìn)行訓(xùn)練；所述標(biāo)記分布學(xué)習(xí)，具體方法如下：

對于訓(xùn)練集T＝{(x₁,M₁),(x₂,M₂),...,(x_n,M_n)}，x_i∈X表示一個(gè)面部表情實(shí)例，標(biāo)記矩陣Y＝{y₁,y₂,y₃,…,y_c}，y_j是第j個(gè)標(biāo)記，同時(shí)為x_i的分布，為標(biāo)記y_j對實(shí)例x_i的描述程度；標(biāo)記分布學(xué)習(xí)的目標(biāo)函數(shù)是p(x|y)，其中x∈X,y∈Y；p(x|y)被假定為p(y|x_i；θ)，其中θ為參數(shù)向量；

KL散度用于測量分布和之間的距離，定義為：

其中和分別為分布M_a和M_b的第j個(gè)的元素，其中a、b∈n，利用基本情感之間的關(guān)系提出了加權(quán)Jeffery散度，

其中w_jk是第j個(gè)基本情感和第k個(gè)基本情感的權(quán)數(shù)，計(jì)算為:

其中是在第j個(gè)基本情感和第k個(gè)基本情感的相關(guān)系數(shù)，Λ_j＝∑_k(ρ_jk)^η為歸一化因子，保證表示標(biāo)記y_j對實(shí)例x_i描述程度的平均；η為控制關(guān)系系數(shù)；ε為閾值，當(dāng)相關(guān)系數(shù)的值小于ε時(shí)，認(rèn)為兩種基本情感沒有關(guān)系；定義目標(biāo)函數(shù)θ^*:

其中M_i第i個(gè)示例的分布，是預(yù)測第i個(gè)示例得到的分布；ξ₁和ξ₂為平衡因子，上式公式第二項(xiàng)是一個(gè)規(guī)則化項(xiàng)用來預(yù)防預(yù)測出的曲線太過平滑而不能突出重要的情感，第三項(xiàng)是另一個(gè)正則化項(xiàng)用來防止不穩(wěn)地的輸出；θ_k表示k行的元素，表示元素的平均，表示k行r列的元素的平方，ω_ij表示是第i個(gè)基本情感和第j個(gè)基本情感的權(quán)數(shù)；

假定p(y|x_i；θ)為最大熵模型，

其中為歸一化因子，是x_i的第r個(gè)特征，θ_kr是k行r列的元素；θ的目標(biāo)函數(shù)：

有限記憶的準(zhǔn)則牛頓法L-BFGS用于最小化函數(shù)T(θ)以提高計(jì)算效率；L-BFGS的計(jì)算與一階梯度有關(guān)，通過以下方式實(shí)現(xiàn)：

其中其中是x_i的第k個(gè)特征，Z_i表示歸一化因子，c表示Y集合中的索引。

2.根據(jù)權(quán)利要求1所述的基于面部表面肌電的情感分布識別方法，其特征在于：獲取面部表面肌電信號樣本數(shù)據(jù)，具體是：首先通過肌電信號采集儀采集面部的降眉肌、顴大肌、額頭和降口角肌的sEMG，再運(yùn)用能量閾值確定動(dòng)作的起始位置和終止位置作為情感起始的肌電信號。