[发明专利]情感识别模型生成装置及其生成情感识别模型的方法

说明书

技术领域

本发明涉及情感识别技术，尤其涉及情感识别模型生成装置及其生成情感识别模型的方法。

背景技术

情感识别是赋予机器识别人类情感能力的一种人机交互技术，现已逐渐成为人机交互领域的研究热点。目前情感识别的研究领域包括基于面部表情的情感识别、基于语音信号的情感识别、基于文字的情感识别、基于肢体运动的情感识别和基于生理信号的情感识别。其中基于生理信号的情感识别最为可靠但却也最为困难。

基于生理信号的情感识别系统中最为关键的一步就是如何从大量的原始特征集中挑选出数量有限的特征子集并将其映射到情感模型上。这一关键的步骤就是特征选择，它不仅可以可以有效地去除冗余特征，降低模型训练时间，提高预测精度，还可以选出能够代表某些特定情感的特征子集。

在申请号为CN200910150458.4的专利中，使用了语音信号进行情感识别。较之语音信号，人体的生理信号更不易受到外界因素和人体主观意识到控制，因此更加准确，可靠。然而，在该专利中，情感的识别需要12个特征。

文献“Using GA-based Feature Selecton for Emotion Recognition from Physiological Signals”使用多生理信号进行情感识别，但是仅使用了来自28名被试的5种生理信号，以图片为情感激发素材，特征选择和情感分类的方法为遗传算法结合KNN分类器，但情感的识别率低，对情感的最高识别率仅为78%。

发明内容

有鉴于此，有必要提供一种情感识别模型生成装置及其生成情感识别模型的方法，提高情感的识别率。

本发明提供的情感识别模型生成装置，包括信号采集模块、特征提取模块、选择模块以及建立模块，其中，信号采集模块用于采集人体的多种生理信号；特征提取模块用于提取每一种所述生理信号的6个时域特征，形成原始特征集，其中，所述6个时域特征为：生理信号的均值、生理信号的标准差、生理信号的一阶差分绝对值的均值、标准化信号一阶差分绝对值的均值、原始信号的二阶差分绝对值的均值以及标准化信号二阶差分绝对值；选择模块用于从所述原始特征集中选出最优特征子集；建立模块用于根据所述最优特征子集建立情感识别模型。

本发明提供的生成情感识别模型的方法，包括以下步骤：采集人体的多种生理信号；提取每一种所述生理信号的6个时域特征，形成原始特征集，其中，所述6个时域特征为：生理信号的均值、生理信号的标准差、生理信号的一阶差分绝对值的均值、标准化信号一阶差分绝对值的均值、原始信号的二阶差分绝对值的均值以及标准化信号二阶差分绝对值；从所述原始特征集中选出最优特征子集；根据所述最优特征子集建立情感识别模型。

本发明提供的情感识别模型生成装置及其生成情感识别模型的方法，通过从原始特征集中选出最优特征子集，并根据最优特征子集建立情感识别模型，利用本发明的情感识别模型，有效的提高了情感的识别率。

附图说明

图1为本发明一实施方式中情感识别模型生成装置的模块图；

图2为本发明一实施方式利用情感识别模型生成装置来生成情感识别模型的方法的流程图；

图3为图2中步骤S30的具体步骤流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。

请参阅图1，图1所示为本发明一实施方式中情感识别模型生成装置10的模块图。

在本实施方式中，情感识别模型生成装置10包括：信号采集模块102、特征提取模块104、选择模块106、建立模块108、存储器110以及处理器112。其中，信号采集模块102、特征提取模块104、选择模块106以及建立模块108存储在存储器110中，处理器112用于执行存储在存储器110中的功能模块。

信号采集模块102用于采集人体的多种生理信号。在本实施方式中，多种生理信号包括皮肤导电、心率、血容搏动、脑电、呼吸以及面部肌电等生理信号。