[發明專利]基于機器學習和生理信號的情緒識別模型構建方法及系統有效
申請號: | 202110702914.2 | 申請日: | 2021-06-24 |
公開(公告)號: | CN113397546B | 公開(公告)日: | 2022-06-21 |
發明(設計)人: | 張立偉;閆茂松;鄧震;何炳蔚;鄒澄圣;施家峰 | 申請(專利權)人: | 福州大學 |
主分類號: | A61B5/16 | 分類號: | A61B5/16;A61B5/0205;A61B5/316;A61B5/33;A61B5/346;A61B5/389;A61B5/397;A61B5/00 |
代理公司: | 福州元創專利商標代理有限公司 35100 | 代理人: | 陳明鑫;蔡學俊 |
地址: | 350108 福建省福州市*** | 國省代碼: | 福建;35 |
權利要求書: | 查看更多 | 說明書: | 查看更多 |
摘要: | |||
搜索關鍵詞: | 基于 機器 學習 生理 信號 情緒 識別 模型 構建 方法 系統 | ||
1.一種基于機器學習和生理信號的情緒識別模型構建方法,其特征在于,包括以下步驟:
步驟S1、獲取樣本人群的多種生理數據,并構建第一樣本數據集;
步驟S2、從得到的第一樣本數據集中提取各生理信號特征,預處理后得到第二樣本數據集,并按預設比例分為訓練集和驗證集;
步驟S3、選取分類機器學習模型為每種生理信號構造一級模型,將訓練集作為輸入進行訓練,得到若干情緒識別模型;
步驟S4、對每個情緒識別模型進行準確性分析,并計算不同模型之間的相關性,以及樣本數據的穩定性,由此得到相應情緒識別模型的融合權重;
步驟S5、基于情緒識別模型的融合權重,結合所有情緒識別模型,構建綜合預測模型;
所述步驟S2具體為:根據每種生理信號的特點提取生理信號特征,對所述生理信號特征進行數據清洗和標準化,并進行特征變量篩選,剔除無關變量,剩余變量構成第二樣本數據集;
所述生理信號特征,
包括從心電信號中提取平均心率、波峰間隔時間的平均值、波峰間隔時間的標準差、波峰間隔時間大于20毫秒的個數占總數的比例、波峰間隔時間大于50毫秒的個數占總數的比例的心率變異性特征;
從皮電信號中分析皮膚電導水平和皮膚電導反應,包括從皮膚電導水平和皮膚電導反應提取兩者的均值、方差、頻率的特征;
包括從肌電信號中提取肌電激活次數、肌電信號曲線的積分的特征;
包括從脈搏信號中提取平均心率、波峰間隔時間的平均值、波峰間隔時間的標準差、波峰間隔時間大于20毫秒的個數占總數的比例、波峰間隔時間大于50毫秒的個數占總數的比例的脈搏變異性特征;
所述步驟S4具體為:
通過測試集分析各個一級模型的分類準確性,作為融合權重的第一個指標;計算不同生理信號特征產生的訓練集之間的互信息,作為融合權重的第二個指標;計算待分類信號的穩定性,表征該信號的質量,作為融合權重的第三個指標;將三個權重歸一化后相加得到每個一級模型的最終融合權重;
所述步驟S5具體為:
由所述情緒識別模型的融合權重,決定每種生理信號產生的一級模型在融合模型中的重要性;將每個一級模型的分類結果乘上權重大小,結合得出最終的綜合預測模型。
2.根據權利要求1所述的基于機器學習和生理信號的情緒識別模型構建方法,其特征在于,所述第一樣本數據集包括具體生理數據為:心電,肌電,皮膚電,脈搏。
3.根據權利要求1所述的基于機器學習和生理信號的情緒識別模型構建方法,其特征在于,所述數據清洗和標準化具體為:
剔除不符合生物學規律的數據以及相互矛盾的數據,對缺失數據以及偏移數據進行處理,包括:對缺失較多特征值的元組進行刪除;存在個別缺失值的元組用人工填補缺失值法處理;超出不合理范圍的數據,超過上限的用最大值代替,低于下限的用最小值代替;分類屬性缺失值用眾數代替,數值型缺失數據用均值代替;采用人工修正法將偏移數據值與對應的情緒屬性名稱進行匹配;然后對所述生理信號特征數據進行數據標準化,將其映射到[-1 ,1]上。
4.根據權利要求1所述的基于機器學習和生理信號的情緒識別模型構建方法,其特征在于,所述特征變量篩選具體為:
使用單因素邏輯回歸對訓練集中的參與者進行分析,篩選對情緒識別分類有影響的特征變量;其中將P<0.05的變量作為顯著變量并納入最終的模型構建,其余的特征變量進行篩除,將P<0.05的變量作為顯著變量并納入最終的模型構建。
5.根據權利要求1所述的基于機器學習和生理信號的情緒識別模型構建方法,其特征在于,所述步驟S3具體為:
選取隨機森林、梯度提升樹、支持向量機分類機器學習模型中的任意一種構造一級模型,將每種生理信號特征的訓練集分別作為一級模型的輸入,得到每種生理信號的情緒預測模型。
6.一種基于機器學習和生理信號的情緒識別模型構建系統,其特征在于,包括依次連接的數據處理分析模塊、機器學習模型模塊、參數調整模塊、預測模塊和數據保存模塊;所述數據處理分析模塊用于獲取各種生理信號并進行初步分析處理;所述機器學習模型模塊包括單分類器預測模型和融合模型;所述參數調整模塊采用網格搜索對模型進行優化;所述預測模塊用于模型的輸出,預測用戶的情緒類別;所述保存模塊用于存儲用戶的生理特征集以及情緒分類信息,該系統執行如權利要求1-5任一所述方法。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于福州大學,未經福州大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110702914.2/1.html,轉載請聲明來源鉆瓜專利網。